QRGEC：结合金豺优化的量子强化学习，用于互联网计算中具有弹性的边缘云协同

为互联网的“交通警察”带来更聪明的思路

我们每天使用的应用——导航、视频通话、智能摄像头、工厂传感器——依赖于成千上万台分布在网络边缘的小型计算设备与大型云数据中心的顺畅协同。当这个无形的流量系统发生拥堵或部分节点失效时，我们会感受到延迟、视频质量下降，甚至服务中断。本文提出了一种新的方法来协调这些边缘与云端设备，使其保持高效、节能且具有弹性，借鉴了量子物理与动物行为学的理念。

当今网络为何会遇到困难

现代互联网服务不再仅在远端数据中心运行，它们还依赖位于基站、路边单元或本地枢纽等地的邻近“边缘”机器来处理诸如自动驾驶或工业控制等对时延敏感的任务。这些环境混乱且难以预测：设备频繁加入或离开，工作负载呈突发性激增，通信链路可能变慢或中断。传统的优化与机器学习方法在小规模或稳定场景中能做出合理规划，但在网络持续变化时往往反应过慢、探索范围过窄并且变得脆弱。

将量子理念与动物本能相结合

作者提出了名为 QRGEC 的框架，结合了两种非传统的启发。首先，他们采用类量子学习，在其中系统的“状态”以叠加态表示——在一个模拟的量子电路中同时包含多种可能性。这使学习代理能并行探索多种调度选项，然后再决定如何在边缘与云端之间路由任务。其次，他们改编了一种仿生搜索方法，模拟金豺的狩猎策略。在自然界中，这些动物在广泛探索与紧密协同攻击之间交替。在 QRGEC 中，这一思想被转化为一种数学过程，自动调整学习速率及其他参数，从而使算法既能广泛搜索，又能迅速收敛到良好解。

在速度、能耗与恢复力之间取得平衡

QRGEC 不只关注单一目标。它试图同时保持较低的响应时间、适度的能耗以及系统的高恢复能力。为此，该框架构建了关于任务队列等待时间、处理器与通信链路功耗以及不同节点发生故障与修复概率的详细模型。这些因素被组合成一个综合评分，奖励快速、节能且可靠的行为，同时惩罚违背服务协议的情况、昂贵的任务迁移和网络拥堵。基于量子思想的学习器反复模拟网络、尝试调度动作，并根据该评分获得回报，而受金豺启发的组件持续调整内部参数以提高稳定性与收敛性。

新方法的表现如何

为了评估 QRGEC，作者使用来自物联网传感器、谷歌数据中心日志和广域网测量的真实轨迹进行了大量仿真。他们将该方法与若干先进基线进行了比较，包括深度强化学习调度器、仿生优化器、量子启发算法以及一种容错协调方案。在一系列场景——平衡、偏斜、突发和超高密度工作负载中——QRGEC 持续带来更低的延迟、更高的节能效果和对可用硬件的更好利用。它保持了大约 94% 的边缘与云资源处于高效利用状态，将延迟降低约三分之一到二分之一，并显著提升系统从拥堵和故障中恢复的能力。

当下面临的局限与对未来的期待

尽管 QRGEC 借鉴了量子计算的概念，但当前工作完全在软件模拟器上运行，而非真实的量子硬件。这意味着结果应被视为量子启发学习策略具有潜力的证据，而非硬件层面量子优势的展示。尽管如此，该研究指出了一条有前景的路径：未来的网络可能会利用量子并行性与自然启发的自适应机制结合进行自我协调，从而使互联网服务在规模更大、更加复杂的情况下仍能保持快速、节能并具自愈能力。

引用: Lella, K.K., Krishna, M.S.R. QRGEC: quantum reinforcement learning with golden jackal optimization for resilient edge cloud coordination in internet computing. Sci Rep 16, 12766 (2026). https://doi.org/10.1038/s41598-026-42859-4

关键词: 边缘云计算, 量子强化学习, 智能调度, 节能网络, 弹性互联网系统