智能体AI辅助的多任务多模态语义通信资源分配

《Science China-Information Sciences》:Agentic AI-aided resource allocation for multi-task and multi-modal semantic communications

【字体: 大 中 小 】 时间:2026年09月20日 来源:Science China-Information Sciences 8.1

编辑推荐:

   **摘要** 语义通信(SemCom)通过直接传递语义信息实现面向任务的传输,但在多模态和多任务场景中,动态流量到达和信道变化加剧了语义质量、服务质量(QoS)约束与资源消耗之间的耦合关系,使得固定的切片结构或单一控制策略难以有效应对。与此同时,基于大型基础模型的智能体AI

  **摘要**语义通信(SemCom)通过直接传递语义信息实现面向任务的传输,但在多模态和多任务场景中,动态流量到达和信道变化加剧了语义质量、服务质量(QoS)约束与资源消耗之间的耦合关系,使得固定的切片结构或单一控制策略难以有效应对。与此同时,基于大型基础模型的智能体AI(Agentic AI)因其能够在复杂的网络控制与编排中实现意图驱动的闭环决策而日益受到关注。为应对这一挑战,我们提出了一种由智能体AI驱动的多模态多任务语义通信框架(AAMTSC),通过分层闭环设计联合优化网络切片与连续资源分配。本工作的主要贡献体现在以下三个方面。第一,我们构建了面向语义通信网络切片的智能体AI架构,并将耦合的联合优化问题分解为两个协同决策层:结构编排层与在线控制层。第二,我们提出了一种智能网络切片编排器(INSO)-Agent,用于切片结构构建与关键参数配置,生成可解释的结构先验与偏好约束,以指导资源调度。第三,我们提出了一种网络切片资源优化器(NSRO)-Agent,用于持续的在线资源优化,并通过反馈协调机制与结构层紧密耦合,从而提升了对动态流量负载和时变信道的适应能力。仿真结果表明,在不同到达率和信噪比(SNR)条件下,AAMTSC始终优于强基线方案,长期系统效用 $\bar{J}$ 提升最高达38.6%,约束满足度 $S_a$ 提升最高达36.8%,充分证明了其在动态语义通信环境中的有效性与鲁棒性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号