公开(公告)号：CN116361009B

公开(公告)日：2023-11-10

申请号：CN202310565554.5

申请日：2023-05-19

Applicant: 南京邮电大学

Inventor： 刘旭 ,  朱绍恩 ,  杨龙祥 ,  朱洪波

IPC: G06F9/50 ,  G06F9/445

Abstract: 本发明公开了一种MEC计算卸载、资源分配及缓存联合优化方法，包括：根据用户实际请求计算资源任务，构建MEC计算卸载、资源分配及缓存模型；以最小化系统长期平均开销为目标，对MEC计算卸载、资源分配及缓存模型进行模型转换，并通过深度强化学习结合保序量化法获取卸载决策；基于卸载决策获取本地计算资源及边缘计算资源分配策略，通过任务请求概率分布制定缓存决策，动态更新MEC服务器缓存空间；根据MEC计算卸载、资源分配及缓存模型转换后的系统状态、动作及奖励训练深度强化学习网络，循环迭代优化卸载决策。本发明方法能够降低系统长期平均开销，提高用户请求任务的缓存命中率。

公开(公告)号：CN116361009A

公开(公告)日：2023-06-30

申请号：CN202310565554.5

申请日：2023-05-19

Applicant: 南京邮电大学

Inventor： 刘旭 ,  朱绍恩 ,  杨龙祥 ,  朱洪波

IPC: G06F9/50 ,  G06F9/445

Abstract: 本发明公开了一种MEC计算卸载、资源分配及缓存联合优化方法，包括：根据用户实际请求计算资源任务，构建MEC计算卸载、资源分配及缓存模型；以最小化系统长期平均开销为目标，对MEC计算卸载、资源分配及缓存模型进行模型转换，并通过深度强化学习结合保序量化法获取卸载决策；基于卸载决策获取本地计算资源及边缘计算资源分配策略，通过任务请求概率分布制定缓存决策，动态更新MEC服务器缓存空间；根据MEC计算卸载、资源分配及缓存模型转换后的系统状态、动作及奖励训练深度强化学习网络，循环迭代优化卸载决策。本发明方法能够降低系统长期平均开销，提高用户请求任务的缓存命中率。

公开(公告)号：CN116321293A

公开(公告)日：2023-06-23

申请号：CN202211707655.3

申请日：2022-12-29

Applicant: 南京邮电大学

Inventor： 刘旭 ,  朱绍恩 ,  杨龙祥 ,  朱洪波

IPC: H04W28/08 ,  H04W28/086 ,  H04L41/16 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明公开了基于多智能体强化学习的边缘计算卸载和资源分配方法包括：根据多移动用户、多边缘服务器的复杂场景构建移动边缘计算卸载和资源分配模型，并基于系统开销设定优化问题的目标函数和约束条件；将优化问题建模成马尔科夫决策过程，并设置深度强化学习中的状态空间、动作空间和奖励函数；采用基于多智能体深度强化学习的方法为各移动用户寻找最优卸载策略和资源分配策略，并对目标函数进行优化，同时采用NoisyNet方法将高斯噪声添加到Actor网络的输出层，提高网络模型探索效率，提升优化效果；本发明公开的方法融合了多智能体DDPG和NoisyNet，可以有效降低系统总开销，提升优化效果，提高了系统内用户的整体体验。