在数字孪生辅助的车联网中，针对任务卸载的能源-延迟联合优化

《ACM Transactions on Sensor Networks》：Energy-Delay Joint Optimization for Task Offloading in Digital Twin-Assisted Internet of Vehicles

车辆边缘计算动态资源分配优化研究，提出数字孪生辅助的IoV系统，通过马尔可夫决策过程建模和TD3算法求解，有效应对车辆高速移动与网络动态性，降低总延迟与能耗，提升服务质量。

　　

摘要

车辆边缘计算（Vehicle Edge Computing, VEC）通过将任务卸载到边缘服务器上来为车辆提供高效的服务。现有研究主要采用深度学习和强化学习等方法来做出资源分配决策，但未能充分考虑车辆的高速度移动性以及车联网（Internet of Vehicles, IoV）的动态特性对决策过程的影响。本文提出了一种新概念——基于数字孪生的车联网（digital twin-assisted IoV），以解决上述问题。其中，车联网的数字孪生可以为计算任务卸载和内容缓存决策提供训练数据，使边缘服务器能够实时捕捉环境的动态变化并与之交互。通过这种协作方式，智能边缘服务器可以迅速响应车辆请求并返回结果。我们将动态边缘计算问题转化为马尔可夫决策过程（Markov Decision Process, MDP），并使用孪生延迟深度确定性策略梯度（Twin Delayed Deep Deterministic Policy Gradient, TD3）算法进行求解。仿真实验表明，我们提出的方法在动态环境中具有很强的适应性，能够有效提升服务质量，即减少总延迟和能耗。