-
公开(公告)号：CN114756294B
公开(公告)日：2023-08-04
申请号：CN202210314986.4
申请日：2022-03-22
Applicant: 同济大学
IPC: G06F9/445 , G06F9/50 , H04L67/1023
Abstract: 本发明属于无线通信领域，具体涉及一种基于深度强化学习的移动边缘服务器的任务卸载方法。假定用户具有移动性的情况下，本发明通过对用户移动性建模和推导任务在不同端处理速率来达到优化系统卸载能耗最小的目的。本发明采用深度强化学习算法来解决任务在本地端、移动边缘服务器端进行处理的功率分配问题，从而改善系统最小能耗。本发明优化了系统的最小计算能耗，以进一步提高系统的性能。对比传统方案，本发明方法收敛速度快，性能更好，更加突显其实际应用价值。
-
公开(公告)号：CN114756294A
公开(公告)日：2022-07-15
申请号：CN202210314986.4
申请日：2022-03-22
Applicant: 同济大学
IPC: G06F9/445 , G06F9/50 , H04L67/1023
Abstract: 本发明属于无线通信领域，具体涉及一种基于深度强化学习的移动边缘服务器的任务卸载方法。假定用户具有移动性的情况下，本发明通过对用户移动性建模和推导任务在不同端处理速率来达到优化系统卸载能耗最小的目的。本发明采用深度强化学习算法来解决任务在本地端、移动边缘服务器端进行处理的功率分配问题，从而改善系统最小能耗。本发明优化了系统的最小计算能耗，以进一步提高系统的性能。对比传统方案，本发明方法收敛速度快，性能更好，更加突显其实际应用价值。
-
公开(公告)号：CN114828018B
公开(公告)日：2025-03-21
申请号：CN202210325855.6
申请日：2022-03-30
Applicant: 同济大学
IPC: H04W16/10 , H04W72/0446 , H04W72/53
Abstract: 本发明属于无线通信领域，提出了一种基于深度确定性策略梯度的移动边缘服务器任务卸载方法。假定系统中存在多个用户的情况下，本发明通过合理分配系统资源达到优化系统任务处理时延最小的目的。本发明采用深度确定性策略梯度算法来解决任务在本地端、移动边缘服务器端进行处理的功率分配问题，从而减小系统中的任务处理时延。本发明将计算卸载问题建模为信道时变下整个系统最大计算时延最小问题，同时考虑边缘服务器和用户的能量约束，构造符合强化学习算法模型下的优化目标，使用深度确定性策略梯度算法求解计算卸载策略。
-
公开(公告)号：CN114828018A
公开(公告)日：2022-07-29
申请号：CN202210325855.6
申请日：2022-03-30
Applicant: 同济大学
Abstract: 本发明属于无线通信领域，提出了一种基于深度确定性策略梯度的移动边缘服务器任务卸载方法。假定系统中存在多个用户的情况下，本发明通过合理分配系统资源达到优化系统任务处理时延最小的目的。本发明采用深度确定性策略梯度算法来解决任务在本地端、移动边缘服务器端进行处理的功率分配问题，从而减小系统中的任务处理时延。本发明将计算卸载问题建模为信道时变下整个系统最大计算时延最小问题，同时考虑边缘服务器和用户的能量约束，构造符合强化学习算法模型下的优化目标，使用深度确定性策略梯度算法求解计算卸载策略。
-
-
-
Search Results
4
records
(took 0.03 seconds)
