公开(公告)号：CN118733143A

公开(公告)日：2024-10-01

申请号：CN202410880880.X

申请日：2024-07-02

Applicant: 哈尔滨理工大学

Inventor： 赵梦迪 ,  罗智勇 ,  孙哲

IPC: G06F9/445 ,  G06N3/092 ,  G06N3/084 ,  G06N3/045 ,  G06N3/0442

Abstract: 本发明涉及了多移动设备和单个边缘服务器之间的端边协同任务处理系统。移动设备通过无线信道卸载计算密集型任务到边缘服务器，可以选择在本地计算和边缘计算两种模式，并且构建了一个以最小化任务能耗和时延的加权和为目标的长期系统优化问题。我们通过引入虚拟能量队列和李雅普诺夫函数，保证系统稳定性的同时最小化能耗和时延。引入多智能体深度强化学习方法，利用双层竞争深度神经网络结构进行任务迁移比例、CPU周期频率与传输功率的优化。算法通过经验回放机制和梯度下降算法训练智能体的actor和critic网络，实现各终端设备在动态环境中的最优策略学习。与现有技术相比，本发明能够有效降低任务处理时延和能耗，保证系统稳定性。

公开(公告)号：CN118828703A

公开(公告)日：2024-10-22

申请号：CN202410795896.0

申请日：2024-06-19

Applicant: 哈尔滨理工大学

Inventor： 孙哲 ,  罗智勇 ,  赵梦迪

IPC: H04W28/084 ,  H04W28/086 ,  H04W28/08 ,  H04L67/10 ,  G06N3/047 ,  G06N3/126

Abstract: 本发明公开了一种基于李雅普诺夫优化的能量收集与任务卸载方法，适用于由多个具备能量收集(EH)功能的移动设备和配备边缘服务器的基站组成的多访问边缘计算(MEC)系统。该方法包括建立一个综合任务计算模型、任务卸载和能量收集的系统模型，目的是最小化系统的总成本，该成本定义为总能耗与任务丢弃率的加权和。通过应用李雅普诺夫随机优化理论，将原始优化问题分解为多个独立的子问题。本发明进一步通过联合优化移动设备的本地处理CPU周期频率和任务卸载到服务器的传输功率，并应用遗传算法解决在多用户多服务器环境下的任务分配和卸载决策问题。该方法有效降低了移动设备的总开销，同时确保系统的能量队列稳定性。