我院在国际著名期刊IEEE Internet of Things Journal (广东工业大学TOP期刊，IF=9.6)发表论文，题为《Incentive-Based Two-Level Scheduling Algorithms for Load Balance in Vehicular Edge Computing》。

车联网中推理服务质量的保障是机器学习领域的先进成果实际服务于智能交通系统的关键。现有研究表明在车间与车内调度均可有效提升推理服务质量。然而，现有的两级联合工作忽视了同时考虑车辆间的负载均衡和车辆的自私性，从而导致服务质量难以得到保障。因此，团队研究并形式化描述了车联网中面向DNN推理的激励问题，其目标为在任务响应时延、车辆能耗与车辆个体利益等约束下最大化系统利益，并证明了该问题的NP难解性。为了解决该问题，提出了一个基于联盟的激励算法（即CBA），该算法利用贪心策略制定微体系结构级调度策略，并利用联盟博弈策略制定网络级调度策略。此外，也提出另一个基于深度强化学习的激励算法（即DRL），该算法利用启发式策略制定微体系结构级调度策略，并利用深度强化学习策略制定网络级调度策略。通过Scale-Sim、OSM、SUMO等上进行车联网环境的模拟仿真，实验结果表明，在系统利益方面，所提出的算法均优于现有算法。例如，针对不同的车辆数量，与现有的方法相比，所提出的算法CBA和DRL可分别提升0.56x和1.24x的系统利益。

本论文第一作者为广东工业大学集成电路学院吴亚兰副教授，团队负责人武继刚教授为论文的通讯作者。广东工业大学集成电路学院为论文第一完成单位。

[1] Wu, Yalan; Zhang, Rongtian; Huang, Jiale; Guo, Longkun; Wu, Jigang. Incentive-Based Two-Level Scheduling Algorithms for Load Balance in Vehicular Edge Computing. IEEE INTERNET OF THINGS JOURNAL, 2025, 12(17):35497-35509.