-
公开(公告)号：CN118175161A
公开(公告)日：2024-06-11
申请号：CN202410302854.9
申请日：2024-03-18
申请人： 天津理工大学
IPC分类号： H04L67/1023 , H04L41/16
摘要： 一种基于云边协同策略的移动边缘计算卸载方法，属于物联网领域。本方法针对软件定义网络中，固定场景下的用户设备计算卸载问题，提出了一种基于云边协同的计算卸载策略。首先使用聚类的方法将边缘设备聚合起来，再对每个类添加一个用于通信的服务器，组成一个用于通信和计算的边缘服务器，并引入云服务器，防止计算时延过长。每个边缘服务器可以为其服务范围内的用户设备提供计算服务。最后，以优化整体时延、能耗以及其他花销为目标，使用人工蜂鸟算法求解最佳的卸载策略。实验结果表明，该方法能够满足各类需求的前提下得到最佳的卸载策略。
-
公开(公告)号：CN116248681A
公开(公告)日：2023-06-09
申请号：CN202310182394.6
申请日：2023-03-01
申请人： 天津理工大学
IPC分类号： H04L67/1001 , G06N3/0442 , H04L41/14 , H04L67/12 , H04W4/021 , H04L67/52
摘要： 一种基于区间二型模糊逻辑和合作博弈的数据通信方法，属于边缘车辆网络领域，通过以下步骤实现，第1、系统模型与数学模型的构建；第2、建立基于区间二型模糊逻辑的骨干节点选取算法；第3、建立请求信息转送方法；第4、建立基于贪心算法和合作博弈的信息回传方法。本发明通过区间二型模糊逻辑选取出较优的骨干节点，并根据门控循环单元的记忆和遗忘功能保留需存储至骨干节点的数据包，并且根据访问时间和成为骨干节点时间，以一定概率将骨干节点变为数据存储节点，之后根据访问时间和次数将数据存储节点转变为普通节点，在RSU接受请求后根据贪心算法选取转发数据的骨干节点，之后根据合作博弈，其他骨干节点将并入该网络中或从该网络中脱离。实验结果表明，本发明提出的方法在传输延迟，覆盖范围和数据包传递成功率方面表现较为优秀。
-
公开(公告)号：CN114449478A
公开(公告)日：2022-05-06
申请号：CN202210241793.0
申请日：2022-03-11
申请人： 天津理工大学
摘要： 一种增强车载网络性能的信道资源分配方法，属于物联网领域，用于增强车载网络性能的信道资源分配的任务。本发明考虑提供设备到设备技术支持的车载网络，这里的主要挑战是保证所有车辆到车辆链路的可靠性，同时最大化这些车辆到基础设施链路的各态历经容量和整体网络利用率。此外，每个信道应在一条V2I链路和多条V2V链路之间共享。研究了V2I和V2V链路的各种信道资源分配算法，其中有高需求的V2V链路可以共享多个V2I信道，以提高网络利用率。所提出的算法与其他算法进行了仿真实验对比，结果表明该算法在V2I容量、网络带宽效率、丢弃的V2V链路数和信道分配的运行时间等性能指标上都有所提高。
-
公开(公告)号：CN118200325A
公开(公告)日：2024-06-14
申请号：CN202410302749.5
申请日：2024-03-18
申请人： 天津理工大学
IPC分类号： H04L67/1023 , H04L41/16 , H04B7/185
摘要： 一种基于无人机辅助的边缘计算卸载方法，属于物联网领域。针对突发自然灾害或事故等通讯基础设施无法正常工作的极端情况，对无人机辅助移动设备卸载策略生成过程中的边缘计算关键技术进行了研究。针对移动设备卸载策略生成问题，考虑将无人机和边缘计算服务车均可以作为辅助卸载设备，帮助移动设备分担计算任务。首先对任务模型进行了建模，分别分析了在本地计算、无人机计算和边缘计算服务车计算所产生的时间和能量消耗，以最小化时间和能量消耗为目标，提出使用基于双延迟深度确定性策略梯度的深度强化学习方法来优化卸载策略。发明使用的算法可以显著的降低时延和能耗，尤其对于搜救机器人来说，可以增加续航时间和搜索能力，具有较大的实用价值。
-
公开(公告)号：CN116347555A
公开(公告)日：2023-06-27
申请号：CN202310181915.6
申请日：2023-03-01
申请人： 天津理工大学
摘要： 一种基于Laying‑Chicken策略的高效信息传播路由协议，属于物联网领域。为克服传统车辆网络的缺点及现有路由协议的局限，提供高效的交通信息传播路由协议，提出了一种基于Laying‑Chicken策略的高效信息传播路由协议(EID‑LC)，该协议将数据包转发到最优路由上进行信息传播。首先，挑选出满足连通概率(PC)以及信噪比(SINR)约束的路径作为候选路由，为了从候选路由中选出最优路由，设计了一个离散优化问题，利用改进的LayingChicken策略从候选路由中选择出最优路由。除此之外，本发明还提出了基于贪婪因子和交通密度的多核目标函数，用于交叉路口的智能决策。通过仿真验证表明，本发明所提出的路由协议在数据包传输率、平均端到端时延、丢包率等方面优于现有的路由解决方案。
-
公开(公告)号：CN114449530A
公开(公告)日：2022-05-06
申请号：CN202210241594.X
申请日：2022-03-11
申请人： 天津理工大学
摘要： 一种基于多目标优化策略的边缘计算服务迁移方法，在蜂窝网络中部署移动边缘计算服务所面临的一个挑战是支持用户的移动性，特别是移动速度较快时，使卸下的任务能够在不影响资源利用效率和链路可靠性的情况下，在基站之间进行无缝迁移。在服务迁移场景中，需要解决三个问题：当用户设备通过相邻边缘计算服务器时，是否需要迁移该用户设备对应的虚拟机；如果虚拟机决定迁移，它应该迁移到哪个边缘计算服务器；如何找到用户设备与对应虚拟机之间的最佳通信路径。考虑了虚拟化、虚拟机之间的I/O干扰以及多用户访问干扰等问题，提出一种基于松弛和舍入的新方法，最大限度的提高整体服务质量和最小化迁移成本。实验结果表明，本发明能够在真实场景中做出最优决策。
-
公开(公告)号：CN118586565A
公开(公告)日：2024-09-03
申请号：CN202410251949.2
申请日：2024-03-06
申请人： 天津理工大学
IPC分类号： G06Q10/047 , G01C21/34 , G06Q10/0631 , G06N3/006 , G06N3/126
摘要： 一种基于受伤分级和生存概率的救护车路径规划方法，属于物联网领域。本方法提出了一种面向伤者受伤程度分级的救护车调度和路径规划模型，在救护车进行救援时根据伤者的受伤情况分三级，然后按照伤情分级来进行医疗资源的分配并决定救护车下一步的路线规划。为了解决路径寻优这一问题，提出了改进的最大最小蚂蚁系统算法来对此进行求解，该算法在最大最小蚂蚁系统算法的基础上增加了信息素矩阵更新的负反馈调节，负反馈的加入可以避免蚂蚁信息素在固定路段的不断累积进而为算法提供了更强的搜索能力，此外通过引入交叉变异算子增强了算法的跳出局部最优的能力，并最终通过实验证明了该算法在解决此类模型问题上的优越性。
-
公开(公告)号：CN116249108A
公开(公告)日：2023-06-09
申请号：CN202310181797.9
申请日：2023-03-01
申请人： 天津理工大学
IPC分类号： H04W12/04 , H04W12/041 , H04W12/0431 , H04W12/0433 , H04L9/08 , H04L9/32
摘要： 一种IoT用户感知数据可信上链的边缘计算密钥管理方法，属于移动边缘计算数据安全传输领域。设计了IoT用户智能设备和边缘中心服务器的距离优先级，保存距离优先级更高的密钥，提高区块链外部边缘中心网络的连通率和IoT用户智能设备抵御捕获的性能。计算移动边缘网络的树状结构无环图的最优划定，将边缘网络划定为若干子边缘网络，子边缘网络中的IoT用户智能设备可以迅速验证移入子边缘网络的移动IoT用户的智能设备，能够抵御区块链网络中的双重消费攻击。与其他近三年的四种基于移动边缘计算的区块链密钥管理方法实验比较，本发明所提出的方法减少密钥管理方法中计算成本、通讯成本和存储成本。
-
公开(公告)号：CN114625506A
公开(公告)日：2022-06-14
申请号：CN202210241749.X
申请日：2022-03-11
申请人： 天津理工大学
IPC分类号： G06F9/48 , G06F30/27 , G06N3/12 , G06F111/06
摘要： 一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法，属于物联网领域，针对社区智能终端的MEC计算卸载场景，本发明将计算卸载模型建模为一个端‑MEC‑云架构的三层计算卸载模型。解决了现有技术中仅靠边缘服务器的计算能力难以满足所有终端设备对于高效计算、低时延的需求问题。为了尽量满足所有用户的计算需求，本发明在边缘服务器与云服务器中使用短作业优先的任务计算方法，并同时针对卸载任务的时延与能耗进行联合优化。实验结果表明，与其他启发式算法相比，本发明提出的算法在三层移动边缘计算架构的计算卸载中拥有更好的性能表现。
-
公开(公告)号：CN114625504A
公开(公告)日：2022-06-14
申请号：CN202210232318.7
申请日：2022-03-09
申请人： 天津理工大学
摘要： 一种基于深度强化学习的车联网边缘计算服务迁移方法。移动边缘计算是降低车辆网络时延的关键技术之一，由于车辆的机动性，它们所请求的服务应该经常在不同的MEC(Mobile Edge Computing)服务器上迁移，以保证它们严格的服务质量要求。但是由于车辆移动的不确定性，频繁的迁移会增加成本和时间延迟，所以设计一个好的迁移方法是非常具有挑战的。本方法在满足迁移代价的情况下，最小化服务迁移的完成时间。使用深度强化学习在车联网中构造了一个改进的深度确定性策略梯度算法来优化车辆任务迁移的代价和时间延迟。同时，使用了集中式训练分布式执行的方法来解决在车联网中车辆任务迁移时的高维度问题。
-
-
-
-
-
-
-
-
-
搜索结果
11 条记录 (耗时 0.026 秒)
