本文解决了混合物联网(IoT)网络中将光无线通信(OWC)与射频(RF)集成的双技术调度问题。 我们首先制定混合整数非线性编程(MINLP)模型,该模型共同考虑在能源和链路可用性约束下,在接入点和物联网节点之间的吞吐量最大化和延迟最小化。 然而,考虑到大规模解决这种NP难题的棘手性和全通道可观测性的不切实际的假设,我们提出了双图形嵌入与变压器(DGET)框架,这是一种监督的多任务学习架构,将双阶段图形神经网络(GNN)与基于变压器的编码器相结合。 第一阶段采用转导式GNN,对已知的图形拓扑和初始节点和链路状态进行编码。 第二阶段引入了用于时间改进的归纳式GNN,该阶段通过一致性损失将它们与地面真实调度决策保持一致,将这些嵌入推广到同一网络的进化状态,通过一致性损失来捕获能量和队列动力学的变化。 然后,这些丰富的嵌入由分类器处理,用于使用 Transformer 编码器的通信链路,该编码器通过分类损失通过多头自注意捕获跨链路依赖关系。 模拟结果表明,混合RF-OWC网络通过更有效地处理更高的流量负载并将信息时代(AoI)降低高达20%,同时保持可比能耗,从而优于独立的RF系统。 与传统基于优化的方法相比,拟议的DGET框架实现了近乎最优的调度,分类精度超过90%,降低了计算复杂性,并在部分通道可观察性下展示了更高的鲁棒性。