arXiv cs.AI· Mohammadhossein Ghahramani, Yan Qiao, Mengchu Zhou·· 2 天前AI 评分22
Edge-AI 驱动的学习排序用于循环智能制造中的去中心化任务分配
Edge-AI-Driven Learning-to-Rank for Decentralized Task Allocation in Circular Smart Manufacturing
AI 导读
研究提出 Edge-AI 驱动的去中心化任务分配框架，在机器端部署轻量决策智能：先以资源感知启发式建立去中心化竞价结构，再用回归式 Edge-AI 学习本地出价近似，最后用紧凑的自编码器正则化成对排序模型对解析出价排序做学习式修正。在高负载、依赖共享资源的离散事件仿真中，该排序方法相比启发式提升了完成任务数、降低了平均拖期与截止期错过率，且差异统计显著，每完成任务平均能耗也下降。
正文 · AI 翻译
摘要：智能制造系统中的任务分配必须在去中心化决策、动态工作负载和共享资源约束下运行。在循环制造环境中，这些挑战进一步加剧，因为任务要竞争可重复使用、容量受限的资产，而且机器选择还可能影响加工能耗。尽管已有研究探索了基于学习的任务分配方法，但预测建模的改进并不一定能在去中心化协商下转化为更好的分配结果。本工作提出了一种边缘 AI 驱动的去中心化任务分配框架。我们开发了部署在机器层面的轻量级决策智能。该框架是逐步开发的：首先，资源感知启发式方法建立了去中心化投标结构；然后，基于回归的边缘 AI 公式考察了学习到的局部投标近似，最后，一个紧凑的自编码器正则化成对排序模型为分析性投标排序提供了学习到的修正。每台机器通过使用其加工能力、队列状态、能耗特征以及一个表示对可重复使用共享生产资产竞争程度的紧凑信号来评估传入任务。该框架在高负载和依赖共享资源的场景中通过离散事件仿真进行了评估。与启发式方法相比，所提出的排序方法提高了已完成任务数，降低了平均延迟，并降低了截止时间错过率，且配对差异具有统计显著性。每个已完成任务的平均能耗也有所降低。结果表明，有效的学习辅助分配不仅取决于对局部决策量的近似，还取决于塑造决定协商结果的相对偏好。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.16433 [cs.LG] |
| （或此版本的 arXiv:2605.16433v4 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2605.16433 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | 正在 IEEE IoT J 审稿中，2026 |
提交历史
来自：Mohammadhossein Ghahramani [查看电子邮件]
[v1]
2026年5月14日星期四 20:38:25 UTC（2,109 KB）
[v2]
2026年8月21日星期五 21:16:38 UTC（5,699 KB）
[v3]
2026年9月29日星期二 11:25:38 UTC（6,368 KB）
[v4]
2026年10月27日星期二 16:43:10 UTC（5,678 KB）
来源：arXiv cs.AI · arxiv.org