-
公开(公告)号：CN114599102B
公开(公告)日：2024-12-17
申请号：CN202210268185.9
申请日：2022-03-17
Applicant: 中南林业科技大学
IPC: H04W72/0446 , H04W72/53 , H04L41/0894 , H04W28/16 , G06F9/50
Abstract: 本发明提供了一种无人机边缘计算网络线性依赖任务卸载方法。主要包括如下步骤：1、生成任务描述集合Taskk＝(Lk，Ik，Ck，Ok)，构建无人机边缘计算网络中任务卸载，资源分配和无人机轨迹优化的数学模型P1。2、在给定频率、卸载决策和卸载数据量的情况下，构建数学模型P2，采用凸优化求解问题P2，求得最优无人机轨迹，计算系统能耗，目标值记为E′。3、基于求得的无人机轨迹，构建数学模型P3，采用动态规划算法和凸优化，求得卸载决策和资源分配方案，计算系统能耗，目标值记为E。4、比较新的加权总能耗值E与E′的差值，如果|E‑E′|＜ε，则退出，否则重复步骤2和步骤3.应用本发明降低了无人机移动边缘计算网络中的依赖任务执行能耗，延长了无人机与终端设备的使用时间。
-
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
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：CN114599102A
公开(公告)日：2022-06-07
申请号：CN202210268185.9
申请日：2022-03-17
Applicant: 中南林业科技大学
IPC: H04W72/04 , H04L41/0894 , H04W28/16 , G06F9/50
Abstract: 本发明提供了一种无人机边缘计算网络线性依赖任务卸载方法。主要包括如下步骤：1、生成任务描述集合Taskk＝(Lk，Ik，Ck，Ok)，构建无人机边缘计算网络中任务卸载，资源分配和无人机轨迹优化的数学模型P1。2、在给定频率、卸载决策和卸载数据量的情况下，构建数学模型P2，采用凸优化求解问题P2，求得最优无人机轨迹，计算系统能耗，目标值记为E′。3、基于求得的无人机轨迹，构建数学模型P3，采用动态规划算法和凸优化，求得卸载决策和资源分配方案，计算系统能耗，目标值记为E。4、比较新的加权总能耗值E与E′的差值，如果|E‑E′|＜ε，则退出，否则重复步骤2和步骤3.应用本发明降低了无人机移动边缘计算网络中的依赖任务执行能耗，延长了无人机与终端设备的使用时间。
-
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
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。
-
-
-
Search Results
4
records
(took 0.021 seconds)
