Large Language Model-Based Task Offloading and Resource Allocation for Digital Twin Edge Computin...

文章主要内容和创新点

主要内容

本文研究了数字孪生边缘计算网络中的任务卸载与资源分配问题。该网络包含多个车辆和一个服务器，车辆在每个时隙会生成多种计算任务，任务卸载到服务器时存在排队挑战。研究核心包括：

1. 分析车辆生成异构任务导致的服务器队列积压问题，及其对系统平均服务质量（QoS）和总能耗的影响，构建并求解联合优化这两个指标的问题；
2. 采用李雅普诺夫（Lyapunov）优化将队列稳定性的长期约束转化为短期决策问题，重构原优化问题；
3. 提出一种基于多智能体强化学习（MARL）引导的大语言模型（LLM）上下文学习方法，通过设计提示词并结合MARL生成的案例集，让LLM输出任务卸载和资源分配方案；
4. 实验结果表明，基于LLM的方法性能与MARL相当，甚至更优。

创新点

1. 构建了通用的数字孪生边缘网络场景，首次系统分析了车辆单时隙生成多类任务导致的服务器队列稳定性问题，及其对QoS和能耗的影响，并构建了联合优化模型。
2. 利用李雅普诺夫优化将队列长期稳定性约束转化为可处理的短期决策问题，简化了原问题的复杂度。
3. 提出MARL引导的LLM上下文学习方法，替代传统MARL框架，通过设计提示词和案例集让LLM直接输出优化方案，减少了模型训练和参数调优的成本，且性能更优。

翻译部分

摘要

本文提出了一种通用的数字孪生边缘计算网络，该网络包含多辆车辆