公开(公告)号：CN114339891A

公开(公告)日：2022-04-12

申请号：CN202111422264.2

申请日：2021-11-26

Applicant: 南京邮电大学

Inventor： 朱琦 ,  栗志 ,  王致远

IPC: H04W28/16 ,  H04W52/34

Abstract: 本发明公开了一种基于Q学习的边缘卸载资源分配方法，所述方法包括：获取MEC系统当前环境的参数以及系统中的用户参数；采用预设的分配方法计算得到使得用户移动设备整体能耗最小时的最优资源分配策略，作为最优的资源分配方案；预设的分配方法包括：初始化卸载策略集合Π、状态空间S和动作空间A；以保证用户计算任务完成时间为条件，以用户移动设备整体能耗最小为目标，对预先构建的Q函数进行迭代优化，得到与用户完成计算任务时间同步的状态空间及其对应的最优动作；根据状态空间及其对应的最优动作计算得到用户移动设备整体能耗最小时的最优资源分配策略。本发明能够在保证用户计算任务完成时间的基础上，最小化用户移动设备整体能耗。

公开(公告)号：CN110719641B

公开(公告)日：2022-08-26

申请号：CN201910976515.8

申请日：2019-10-15

Applicant: 南京邮电大学

Inventor： 朱琦 ,  栗志

IPC: H04W72/04

Abstract: 本发明公开了一种边缘计算中用户卸载与资源分配联合优化方法，首先将用户卸载比例、分配带宽和分配计算资源组成一个策略组合，再由不同策略组合构成种群矩阵，每个策略组合为种群中的单个个体，个体中的每个变量为个体的基因；通过最优个体选择选出种群矩阵中最优的分配方案；通过基因交叉、基因变异操作形成新的种群矩阵；重复迭代直到最优值收敛，最终得到用户卸载比例与资源分配方案。本发明采用了启发式方法对三种变量的联合分配进行求解，减少了收敛的迭代次数，提高了最优解的全局搜索能力，同时保证了通信资源和计算资源的充分利用，最小化总体任务完成时间的同时，保证了不同用户间的公平性。

公开(公告)号：CN110719641A

公开(公告)日：2020-01-21

申请号：CN201910976515.8

申请日：2019-10-15

Applicant: 南京邮电大学

Inventor： 朱琦 ,  栗志

IPC: H04W72/04

Abstract: 本发明公开了一种边缘计算中用户卸载与资源分配联合优化方法，首先将用户卸载比例、分配带宽和分配计算资源组成一个策略组合，再由不同策略组合构成种群矩阵，每个策略组合为种群中的单个个体，个体中的每个变量为个体的基因；通过最优个体选择选出种群矩阵中最优的分配方案；通过基因交叉、基因变异操作形成新的种群矩阵；重复迭代直到最优值收敛，最终得到用户卸载比例与资源分配方案。本发明采用了启发式方法对三种变量的联合分配进行求解，减少了收敛的迭代次数，提高了最优解的全局搜索能力，同时保证了通信资源和计算资源的充分利用，最小化总体任务完成时间的同时，保证了不同用户间的公平性。