MEDALS框架：5G车联网中基于可持续AI的高效能效路由创新研究

本文提出MEDALS（元启发式增强深度自适应学习系统）混合框架，创新性地将深度强化学习（DRL）与元启发式优化相结合，首次引入综合能效、碳足迹、延迟及可靠性的绿色性能指标（GPI）。该框架在5G车联网（VANET）中实现了96.8%能效（+11.6%）、0.73ms延迟（-91.6%）及42.3%碳减排，以O(N log N)计算复杂度支持千级车辆规模，为智能城市可持续发展提供了突破性解决方案。

　　

Highlight

MEDALS展示了跨越所有评估指标的显著改进，在5G网络中实现了96.8%的能效和0.73ms平均延迟，同时优化了传统性能目标。

图6.1通过雷达图可视化显示MEDALS在所有六项关键指标上完全优于所有基线算法。MEDALS形成最外层图形，意味着其在能效、延迟、可靠性、碳减排、网络可扩展性和计算效率每个维度均达到最佳性能。

Revolutionary Paradigm Shift and Research Impact

MEDALS框架代表了超越传统VANET路由类别的根本性范式转变。本研究确立了三大革命性突破，彻底改变了智能车联网领域：

1. 1.

   性能-可持续性协同作用：打破性能与环保必须权衡的固有认知，证明可持续性驱动的优化能同时提升传统指标

2. 2.

   多维动态优化：通过自适应深度强化学习与双元启发式优化的智能融合机制，实现多目标实时动态平衡

3. 3.

   5G原生可持续性：充分利用网络切片、边缘计算(MEC)和超可靠低延迟通信(URLLC)等5G特性进行环境优化

Conclusion

本研究提出的MEDALS（元启发式增强深度自适应学习系统）框架，通过5G技术实现了车联网(VANET)路由领域的范式突破。研究证实基于可持续性概念的优化能够增强而非削弱系统性能。

MEDALS的卓越性能经过长期实证验证：实现能效96.8%（较现有技术提升11.6%）、延迟0.73ms（降低91.6%）、可靠性99.7%，同时减少42.3%碳排放，并以O(N log N)计算复杂度支持千级以上车辆规模。该框架的混合智能架构——结合自适应深度强化学习与双元启发式优化的智能融合机制——实现了网络规模处理能力3.3倍的复杂度提升。

Ethics Approval and Consent to Participate

不适用。本研究基于仿真和数学建模，未涉及人类受试者、动物受试者或敏感数据。

Consent for Publication

不适用

Funding

本研究未获得外部资助

CRediT authorship contribution statement

Balram Dr. G.：撰写-审阅编辑、撰写-初稿、可视化、验证、监督、资源、形式分析。Kamalakar Ramineni：撰写-审阅编辑、撰写-初稿、可视化、验证、形式分析、数据管理、概念化。PRASAD KDV：撰写-审阅编辑、撰写-初稿、可视化、资源、方法论、形式分析、数据管理、概念化。N.V. Phani Sai Kumar：撰写-审阅编辑

Declaration of Competing Interest

作者声明不存在可能影响本研究结果的已知竞争性财务利益或个人关系。