公开(公告)号：CN116362345A

公开(公告)日：2023-06-30

申请号：CN202310134885.3

申请日：2023-02-20

Applicant: 江南大学

Inventor： 吴琼 ,  赵宇 ,  汪文华 ,  李正权

IPC: G06N20/00 ,  G06F9/50

Abstract: 本发明提供一种基于多智能体强化学习和联邦学习的边缘缓存方法及系统，该方法包括：构建包括状态、动作、奖励和策略的MADRL框架，采用联邦深度学习预测SBS覆盖范围内的流行的内容；基于所述MADRL框架，SBS根据本地状态和相邻SBSs的状态来调整SBS本地缓存的流行的内容。本发明SBS可以预测自己覆盖范围内的内容流行度；并可以有效的调整SBSs本地缓存的流行的内容，进而实现了有效利用分布式边缘缓存。

公开(公告)号：CN115118783A

公开(公告)日：2022-09-27

申请号：CN202210756389.7

申请日：2022-06-30

Applicant: 江南大学

Inventor： 吴琼 ,  汪文华

IPC: H04L67/60 ,  H04L67/61 ,  H04L67/12 ,  G06F9/50 ,  G06F9/445

Abstract: 本发明公开了一种基于异构通信技术超可靠低时延强化学习的任务卸载方法，构建车辆边缘计算场景及车辆异构通信网络，车辆可以通过三种通信技术将任务卸载到服务器进行处理；构建基站队列动态变化模型，保证基站队列的稳定性；使用随机网络演算理论计算基于不同通信技术进行卸载的系统延迟上界，该延迟包括了通信传输时间以及服务器处理时间；建立车辆边缘计算系统效用；建立优化问题，优化目标为最小化系统效用，同时保证任务卸载延迟和基站队列的稳定性；使用SoftActor Critic强化学习来学习每个任务的卸载策略和服务器CPU分配策略。本发明采取的任务卸载策略和资源分配方案在降低系统效用、控制系统稳定性和保证任务传输时延要求优于其他的卸载和资源分配方案。