-
公开(公告)号：CN113723761B
公开(公告)日：2024-03-22
申请号：CN202110877673.5
申请日：2021-08-01
Applicant: 北京工业大学
IPC: G06Q10/0639 , G06Q50/40 , G06F18/23213
Abstract: 本发明公开了基于运行数据的多维度城市公交运行服务可靠度评价方法，包括1)在公交线网中选取待评价样本线路；2)采集样本线路的公交到站数据并进行预处理；3)计算城市公交运行服务可靠度，包括基于站点的到站间隔可靠度、基于站点区间的行程时间可靠度、基于出行阶段的公交运行服务可靠度和基于线路的公交运行服务可靠度；4)基于K‑Means聚类方法对城市公交运行服务可靠度进行分级。本发明可以满足多主体对公交运行服务可靠度量化评价的需要，适用于城市公交线网大规模、细粒度、全时段的公交运行服务可靠度评价。
-
Patent Agency Ranking
公开(公告)号：CN113626104A
公开(公告)日：2021-11-09
申请号：CN202110947345.8
申请日：2021-08-18
Applicant: 北京工业大学
Abstract: 本发明涉及一种边云架构下基于深度强化学习的多目标优化卸载策略，用于解决现有技术所存在的终端设备计算能力有限的问题，进而提高系统整体处理任务的效率。首先确定边云架构，然后根据边云架构建立系统模型、通信模型和计算模型；进一步建立联合优化模型。根据联合优化模型，结合深度强化学习算法的优点，采用深度确定性策略梯度DDPG算法求解最优的卸载策略，其中，DDPG算法的使用需要根据系统模型、计算模型和联合优化模型构建一个深度强化学习模型，模型包括四个部分，状态单元，动作单元，奖惩制和Q值函数。DDPG算法在优化深度强化学习模型得到最优卸载策略的同时，减少了系统执行任务的整体开销。
-
公开(公告)号：CN113626104B
公开(公告)日：2023-12-15
申请号：CN202110947345.8
申请日：2021-08-18
Applicant: 北京工业大学
Abstract: 本发明涉及一种边云架构下基于深度强化学习的多目标优化卸载策略，用于解决现有技术所存在的终端设备计算能力有限的问题，进而提高系统整体处理任务的效率。首先确定边云架构，然后根据边云架构建立系统模型、通信模型和计算模型；进一步建立联合优化模型。根据联合优化模型，结合深度强化学习算法的优点，采用深度确定性策略梯度DDPG算法求解最优的卸载策略，其中，DDPG算法的使用需要根据系统模型、计算模型和联合优化模型构建一个深度强化学习模型，模型包括四个部分，状态单元，动作单元，奖惩制和Q值函数。DDPG算法在优化深度强化学习模型得到最优卸载策略的同时，减少了系统执行任务的整体开销。
-
公开(公告)号：CN112512056B
公开(公告)日：2022-10-18
申请号：CN202011272786.4
申请日：2020-11-14
Applicant: 北京工业大学
Abstract: 本发明涉及一种移动边缘计算网络中多目标优化的计算卸载方法，属物联网、人工智能领域。该方法基于面向时延和能耗的联合优化模型，通过设计智能算法GPSO实现多用户在进行任务卸载时的功率选择及按比例卸载。首先，确定移动边缘计算的网络架构，根据网络架构进行建模，模型包括系统模型、应用程序模型、通信模型、计算模型，然后根据所建立模型求解目标函数，将问题转换为混合非线性规划问题。最后，设计一种基于粒子群算法和遗传算法的分层计算算法GPSO，从而实现延迟与能耗联合优化下的用户的卸载比例策略和功率选择。该方法利用人工智能领域相关智能算法，实现移动边缘计算中多用户任务卸载策略的优化选择。
-
公开(公告)号：CN113723761A
公开(公告)日：2021-11-30
申请号：CN202110877673.5
申请日：2021-08-01
Applicant: 北京工业大学
Abstract: 本发明公开了基于运行数据的多维度城市公交运行服务可靠度评价方法，包括1)在公交线网中选取待评价样本线路；2)采集样本线路的公交到站数据并进行预处理；3)计算城市公交运行服务可靠度，包括基于站点的到站间隔可靠度、基于站点区间的行程时间可靠度、基于出行阶段的公交运行服务可靠度和基于线路的公交运行服务可靠度；4)基于K‑Means聚类方法对城市公交运行服务可靠度进行分级。本发明可以满足多主体对公交运行服务可靠度量化评价的需要，适用于城市公交线网大规模、细粒度、全时段的公交运行服务可靠度评价。
-
公开(公告)号：CN112512056A
公开(公告)日：2021-03-16
申请号：CN202011272786.4
申请日：2020-11-14
Applicant: 北京工业大学
Abstract: 本发明涉及一种移动边缘计算网络中多目标优化的计算卸载方法，属物联网、人工智能领域。该方法基于面向时延和能耗的联合优化模型，通过设计智能算法GPSO实现多用户在进行任务卸载时的功率选择及按比例卸载。首先，确定移动边缘计算的网络架构，根据网络架构进行建模，模型包括系统模型、应用程序模型、通信模型、计算模型，然后根据所建立模型求解目标函数，将问题转换为混合非线性规划问题。最后，设计一种基于粒子群算法和遗传算法的分层计算算法GPSO，从而实现延迟与能耗联合优化下的用户的卸载比例策略和功率选择。该方法利用人工智能领域相关智能算法，实现移动边缘计算中多用户任务卸载策略的优化选择。
-
-
-
-
-
Search Results
6
records
(took 0.02 seconds)
