Agendamento multicritério da cooperação entre nuvem e borda em manufatura distribuída via aprendizado por reforço profundo multiagente

Devido à limitada potência computacional dos dispositivos de borda em sistemas de manufatura distribuída, surge o desafio de atender aos requisitos de computação em tempo real para grandes volumes de dados industriais. Além disso, o número significativo de tarefas computacionais resulta em consideráveis despesas de energia. Portanto, é crucial abordar de forma eficaz o problema de descarregamento colaborativo de tarefas cloud-edge com múltiplos objetivos (MOCECTOP). Este artigo foca em dois objetivos de otimização: o tempo total de atraso na computação e o consumo de energia computacional, que estão relacionados à promoção da eficiência de trabalho e à redução das emissões de carbono. Os pesos desses dois objetivos são difíceis de determinar em diferentes estágios de produção. O desafio é obter múltiplos modelos com várias combinações possíveis de pesos de múltiplos objetivos dentro de uma única sessão de treinamento e alcançar cronogramas de alta qualidade para MOCECTOP no controle de linhas de produção em tempo real. Abordamos esse desafio propondo uma estrutura de otimização multicritério de compartilhamento de parâmetros (HPS) baseada em aprendizado por reforço profundo multiagente. O modelo de rede compreende um agente de seleção de tarefas e um agente de seleção de nós de computação. O agente de seleção de tarefas prioriza tarefas para computação com base em suas características de estado, enquanto o agente de seleção de nós de computação aloca dispositivos de computação disponíveis para uma tarefa selecionada. O compartilhamento de parâmetros e o treinamento colaborativo são empregados para obter uma solução para o problema multicritério considerando as variações nas capacidades computacionais entre a nuvem e a borda. A estrutura de otimização HPS cumpre efetivamente os requisitos de quase tempo real para a computação de tarefas em manufatura distribuída. Experimentos numéricos demonstram que nossa estratégia baseada em HPS produz rapidamente cronogramas melhores do que os métodos de solução multicritério existentes.