PPO-Based Hybrid Optimization for RIS-Assisted Semantic Vehicular Edge Computing

📄 arXiv: 2603.09082v1 📥 PDF

作者: Wei Feng, Jingbo Zhang, Qiong Wu, Pingyi Fan, Qiang Fan

分类: cs.LG, cs.NI

发布日期: 2026-03-10

备注: This paper has been accepted by electronics. The source code has been released at: https://github.com/qiongwu86/PPO-Based-Hybrid-Optimization-for-RIS-Assisted-Semantic-Vehicular-Edge-Computing

💡 一句话要点

提出基于PPO的混合优化算法，解决RIS辅助的语义车载边缘计算中的低延迟问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 车载边缘计算 重构智能表面 语义通信 近端策略优化 混合优化 车联网 低延迟 强化学习

📋 核心要点

  1. 现有车载边缘计算方案难以在动态网络环境中保证低延迟，尤其是在链路不稳定的情况下。
  2. 论文提出RIS辅助的语义车载边缘计算框架，通过RIS优化无线连接，并利用语义通信减少数据传输量。
  3. 实验结果表明，相较于GA和QPSO，该方案能显著降低端到端延迟，并在高密度场景下保持良好的可扩展性。

📝 摘要（中文）

为了支持动态环境和间歇性链路中对延迟敏感的车联网(IoV)应用，本文提出了一种重构智能表面(RIS)辅助的语义感知车辆边缘计算(VEC)框架。该方法集成了RIS来优化无线连接，并利用语义通信通过传输语义特征来最小化延迟。通过优化卸载率、语义符号的数量和RIS相移，我们构建了一个综合的联合优化问题。考虑到问题的高维度和非凸性，我们提出了一种两层混合方案，该方案采用近端策略优化(PPO)进行离散决策，并采用线性规划(LP)进行卸载优化。仿真结果验证了所提出的框架优于现有方法。具体而言，与遗传算法(GA)和量子行为粒子群优化(QPSO)相比，所提出的基于PPO的混合优化方案将平均端到端延迟降低了约40%至50%。此外，该系统表现出强大的可扩展性，即使在多达30辆车的拥塞场景中也能保持较低的延迟。

🔬 方法详解

问题定义：论文旨在解决RIS辅助的语义车载边缘计算场景下的低延迟问题。现有方法通常难以在高动态、链路不稳定的环境中同时优化无线资源分配、计算卸载决策和语义信息提取，导致端到端延迟较高。传统的优化方法，如遗传算法和粒子群算法，在高维非凸优化问题中效率较低，难以满足实时性要求。

核心思路：论文的核心思路是将复杂的联合优化问题分解为离散决策和连续优化两个子问题，并分别采用不同的优化方法。利用PPO算法处理离散的RIS配置和语义符号数量选择，利用线性规划处理连续的卸载比例优化。这种混合优化策略能够有效降低问题复杂度，提高求解效率。

技术框架：该框架包含车辆用户、边缘服务器和RIS。首先，车辆用户根据自身计算能力和网络状况，决定部分或全部任务卸载到边缘服务器。RIS通过调整反射信号的相位，优化车辆与边缘服务器之间的无线信道质量。边缘服务器接收到数据后，进行语义解码和计算处理，并将结果返回给车辆用户。整个过程涉及卸载比例优化、语义符号数量选择和RIS相移优化三个关键环节。

关键创新：该论文的关键创新在于提出了一种基于PPO的混合优化方案，将强化学习与线性规划相结合，有效地解决了高维非凸的联合优化问题。与传统的优化算法相比，PPO能够更好地适应动态变化的网络环境，并做出更优的决策。此外，将RIS引入车载边缘计算，能够显著提升无线连接质量，降低传输延迟。

关键设计：PPO算法用于决策RIS的相位配置和语义符号的数量，奖励函数的设计至关重要，需要综合考虑延迟、能耗等因素。线性规划用于优化卸载比例，目标是最小化总延迟。具体而言，PPO网络结构需要根据状态空间和动作空间进行设计，包括输入层、隐藏层和输出层。损失函数通常采用PPO的裁剪损失函数，以保证训练的稳定性。线性规划的约束条件包括卸载比例的上下界、计算资源的限制等。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

仿真结果表明，与遗传算法(GA)和量子行为粒子群优化(QPSO)相比，所提出的基于PPO的混合优化方案将平均端到端延迟降低了约40%至50%。即使在车辆密度高达30辆的拥塞场景中，该系统仍然能够保持较低的延迟，展现出良好的可扩展性。这些结果验证了该方案在实际应用中的有效性和优越性。

🎯 应用场景

该研究成果可应用于自动驾驶、车路协同等需要低延迟通信的车联网场景。通过RIS优化无线连接和语义通信减少数据传输量，可以有效降低端到端延迟，提升用户体验，并为未来的智能交通系统提供技术支撑。此外，该方法也可推广到其他无线边缘计算场景，例如智能工厂、智慧城市等。

📄 摘要（原文）

To support latency-sensitive Internet of Vehicles (IoV) applications amidst dynamic environments and intermittent links, this paper proposes a Reconfigurable Intelligent Surface (RIS)-aided semantic-aware Vehicle Edge Computing (VEC) framework. This approach integrates RIS to optimize wireless connectivity and semantic communication to minimize latency by transmitting semantic features. We formulate a comprehensive joint optimization problem by optimizing offloading ratios, the number of semantic symbols, and RIS phase shifts. Considering the problem's high dimensionality and non-convexity, we propose a two-tier hybrid scheme that employs Proximal Policy Optimization (PPO) for discrete decision-making and Linear Programming (LP) for offloading optimization. {The simulation results have validated the proposed framework's superiority over existing methods. Specifically, the proposed PPO-based hybrid optimization scheme reduces the average end-to-end latency by approximately 40% to 50% compared to Genetic Algorithm (GA) and Quantum-behaved Particle Swarm Optimization (QPSO). Moreover, the system demonstrates strong scalability by maintaining low latency even in congested scenarios with up to 30 vehicles.