公开(公告)号：CN111465108B

公开(公告)日：2022-06-28

申请号：CN202010145043.4

申请日：2020-03-04

Applicant: 中南林业科技大学

Inventor： 邝祝芳 ,  张立邦 ,  谭林 ,  高坚

IPC: H04W72/04 ,  H04W72/08

Abstract: 本发明公开一种能量获取D2D异构网络中频效能效优化方法。主要包括如下步骤：1、构建能量获取D2D异构网络优化频效能效的数学模型。2、化简频效能效优化的能量获取D2D异构网络的数学模型。3、多目标优化问题转化为单目标优化问题。4、基于凸优化理论求解α＞0时的频效能效优化问题。5、基于凸优化理论求解α＝0时的频效能效优化问题。6、基于梯度下降法求解频效能效优化问题。应用本发明，在保证CU用户QoS的前提下，解决了能量获取D2D异构网络中信道分配、传输时间分配、功率分配的优化问题，可以同时最大化系统频谱效率和能量效率。

公开(公告)号：CN111465108A

公开(公告)日：2020-07-28

申请号：CN202010145043.4

申请日：2020-03-04

Applicant: 中南林业科技大学

Inventor： 邝祝芳 ,  张立邦 ,  谭林 ,  高坚

IPC: H04W72/04 ,  H04W72/08

Abstract: 本发明公开一种能量获取D2D异构网络中频效能效优化方法。主要包括如下步骤：1、构建能量获取D2D异构网络优化频效能效的数学模型。2、化简频效能效优化的能量获取D2D异构网络的数学模型。3、多目标优化问题转化为单目标优化问题。4、基于凸优化理论求解α＞0时的频效能效优化问题。5、基于凸优化理论求解α＝0时的频效能效优化问题。6、基于梯度下降法求解频效能效优化问题。应用本发明，在保证CU用户QoS的前提下，解决了能量获取D2D异构网络中信道分配、传输时间分配、功率分配的优化问题，可以同时最大化系统频谱效率和能量效率。

公开(公告)号：CN114189936B

公开(公告)日：2024-11-19

申请号：CN202111278169.X

申请日：2021-10-30

Applicant: 中南林业科技大学

Inventor： 邝祝芳 ,  谭林 ,  邱建立

IPC: H04W72/0453 ,  H04W72/044 ,  H04W24/02 ,  H04W52/02 ,  G06F9/50 ,  G06N3/084

Abstract: 本发明公开一种基于深度强化学习的协作边缘计算任务卸载方法。主要包括如下步骤：1、构建协作移动边缘计算系统的数学模型p1；2、将问题p1转化为为双层问题p2；3、上层基于深度强化学习求解卸载决策，功率分配和信道分配，提供给下层；4、根据上层提供的卸载决策，功率分配和信道分配，下层求解计算资源的最优分配，计算得出能耗后反馈给上层；5、上层收到下层反馈，存入经验池，更新网络参数；6、训练评估网络与目标网络；7、判断算法迭代次数iteration是否大于最大迭代代数I，如果iteration>I，则迭代结束，否则跳转至步骤3继续迭代；应用本发明，解决了协作移动边缘计算系统在时延约束下的最小能耗问题，可以实现协作边缘计算系统的能耗最小化。

公开(公告)号：CN114189936A

公开(公告)日：2022-03-15

申请号：CN202111278169.X

申请日：2021-10-30

Applicant: 中南林业科技大学

Inventor： 邝祝芳 ,  谭林 ,  邱建立

IPC: H04W72/04 ,  H04W24/02 ,  H04W52/02 ,  G06F9/50 ,  G06N3/08

Abstract: 本发明公开一种基于深度强化学习的协作边缘计算任务卸载方法。主要包括如下步骤：1、构建协作移动边缘计算系统的数学模型p1；2、将问题p1转化为为双层问题p2；3、上层基于深度强化学习求解卸载决策，功率分配和信道分配，提供给下层；4、根据上层提供的卸载决策，功率分配和信道分配，下层求解计算资源的最优分配，计算得出能耗后反馈给上层；5、上层收到下层反馈，存入经验池，更新网络参数；6、训练评估网络与目标网络；7、判断算法迭代次数iteration是否大于最大迭代代数I，如果iteration>I，则迭代结束，否则跳转至步骤3继续迭代；应用本发明，解决了协作移动边缘计算系统在时延约束下的最小能耗问题，可以实现协作边缘计算系统的能耗最小化。