基于WPT的工业物联网中用于高效能计算卸载的人工智能技术

《Scientific Reports》：Artificial intelligence for energy-efficient computation offloading in WPT-enabled industrial internet of things

　　

摘要

在资源受限的物联网系统中，将人工智能应用与智能边缘计算以及无线能量传输技术相结合，对于实现实时决策以及可持续的工业物联网运营至关重要。借助人工智能技术的无线能量传输能够通过精确协调数据卸载过程，显著提升时分复用技术的效率；与智能边缘计算结合使用时，还能进一步提高系统的整体可持续性和效率。为了解决无线能量传输系统中电池容量限制严格的问题，本文提出了一种基于扰动的虚拟能量队列机制，以此缓解通常存在的能量限制问题。该机制无需对系统未来状态进行预测，从而可实现高效且灵活的实时调度决策。此外，还运用丁克尔巴赫变换方法，将长期的能源效率优化问题转化为易于处理的漂移加惩罚框架，有效降低了延迟并保证了队列的稳定性。为进一步提升在线调度中的队列稳定性及决策智能化水平，本研究提出了一种混合深度强化学习与李雅普诺夫优化框架，该框架可通过动态调整中央处理单元的频率来实现自适应学习，在满足由漂移加惩罚约束所确定的延迟要求的同时，最小化能耗。这种混合深度强化学习与李雅普诺夫优化方法通过引入演员-评论家架构，帮助智能体在高维状态空间中学习最优策略，从而确保工业物联网运营的可持续性。仿真结果表明，与固定功率的基准方案相比，所提出的混合深度强化学习与李雅普诺夫优化框架可使能源效率提高15%至20%，同时使设备电池电量始终保持在55%至60%的最佳范围内。该方法有效保障了能量平衡、队列稳定性，以及电池性能的稳定性。