arXiv cs.AI· Shreya K. Chari, John S. Vardakas, Kostas Ramantas, Christos Verikoukis·· 11 小时前AI 评分22
RAGAM-AI：基于混合强化学习与生成式 AI 的边缘资源管理智能体框架
RAGAM-AI: A Hybrid Reinforcement Learning based Agentic approach powered by Generative AI for Edge Resource Management
AI 导读
RAGAM-AI 提出一种混合框架，将强化学习与生成式 AI 结合，用 LLM 提供反馈以解决复杂工作流中的奖励泛化问题。该框架在 MEC 单元上实现基于 MathΣtral 作为奖励预言机的多智能体 Soft-Actor Critic（MASAC），并引入代理奖励模型降低复杂度。
正文 · AI 翻译
摘要：托管不同服务的分布式边缘网络的资源管理已通过强化学习（RL）得到高效处理。复杂工作流中的奖励泛化仍是 RL 领域的一个未解决问题。因此，本工作提出 RAGAM-AI，这是一个混合框架，结合了 RL 算法与生成式 AI（Gen-AI）的能力，用于驱动一个 Agentic AI 工作流，优化多接入边缘计算（MEC）单元的资源分配。该框架进一步利用大语言模型（LLM）提供反馈，解决了奖励泛化问题。采用以 Math{\Sigma}tral 作为奖励预言机的多智能体软演员-评论家（MASAC）来管理 MEC 处的资源分配。RAGAM-AI 解释系统状态信息并评估多目标权衡，指导分布式边缘服务器智能体上的资源编排循环。通过引入代理奖励模型，进一步降低了框架的复杂度。整体性能与单智能体 SAC、REINFORCE 和随机策略进行基准对比评估。使用 RAGAM-AI 时，报告了 CPU、内存和带宽资源的更低分配偏差，同时最小化了延迟和数据速率成本。由此提出了一种可扩展的 AI 作为反馈（AIAF）解决方案，优化网络资源并显著提升性能。
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2611.06554 [cs.AI] |
| （或此版本的 arXiv:2611.06554v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2611.06554 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Shreya Krishnama Chari [查看电子邮件]
[v1]
2026年11月4日星期三 14:18:07 UTC（866 KB）
来源：arXiv cs.AI · arxiv.org