公开(公告)号：CN117407168A

公开(公告)日：2024-01-16

申请号：CN202311458003.5

申请日：2023-11-04

Applicant: 福州大学

Inventor： 陈星 ,  余楚佳 ,  胡晟熙 ,  林欣郁 ,  陈哲毅

IPC: G06F9/50 ,  G06N3/092 ,  G06N3/098

Abstract: 本发明涉及一种针对差异化设备的任务卸载方法，首先基于环境内已有移动设备的卸载经验，结合深度Q网络和联邦学习框架，构建并训练一个全局模型；然后每有一台新移动设备要获得其个人模型，就将全局模型推送至该新移动设备上，新移动设备在全局模型的基础上结合自身少量的卸载经验进行训练，得到个人模型。该方法有利于在保证模型质量的同时，降低获得个人模型的时延。

公开(公告)号：CN116367235A

公开(公告)日：2023-06-30

申请号：CN202310332128.7

申请日：2023-03-31

Applicant: 福州大学

Inventor： 陈星 ,  翁杰 ,  林欣郁

IPC: H04W28/084 ,  H04W28/08 ,  H04W24/06 ,  G06N3/006 ,  G06N5/04

Abstract: 本发明涉及一种移动边缘计算中基于博弈论的多边缘服务器负载均衡方法。首先将MEC服务器负载均衡问题建模为非合作博弈，并引入PDA(Proximal Decomposition Algorithm)正则化方法，得到唯一的纳什均衡解。然后根据所建立的博弈模型，提出分布式的移动边缘计算负载均衡算法。最后通过仿真实验，与本地计算策略、基于服务器容量的任务迁移策略以及基于粒子群遗传算法的任务迁移策略进行对比分析。实验结果表明，本发明可以有效降低系统响应时间和能量消耗，且执行时间较低，适用于真实场景。

公开(公告)号：CN115865914A

公开(公告)日：2023-03-28

申请号：CN202211494716.2

申请日：2022-11-26

Applicant: 福州大学

Inventor： 陈星 ,  林欣郁 ,  姚泽玮 ,  胡晟熙

IPC: H04L67/10 ,  G06F30/27 ,  G06N3/092 ,  G06N3/098 ,  H04L67/1008 ,  H04L67/101 ,  H04L67/1001 ,  H04L67/12 ,  H04L41/16

Abstract: 本发明涉及一种车辆边缘计算中基于联邦深度强化学习的任务卸载方法，包括：1、将任务卸载问题建模为一个优化问题：找到一组最优的任务卸载策略以最小化系统中所有车辆到达任务的平均响应时间；2、构建卸载动作Q值预测模型；将每辆车看作智能体，在运行时环境中分布式使用DQN方法训练卸载动作Q值预测模型；每个智能体通过自己可观测的数据训练自己的模型；在训练过程中，结合联邦学习框架对各智能体的模型进行聚合，最终得到适用于各智能体的通用的卸载动作Q值预测模型；3、在运行时环境中，使用得到的通用模型，通过比较各卸载动作的Q值选择卸载动作；重复上述过程，为每个子任务决定卸载地点。该方法有利于优化整个系统的平均响应时间。

公开(公告)号：CN115865914B

公开(公告)日：2025-02-14

申请号：CN202211494716.2

申请日：2022-11-26

Applicant: 福州大学

Inventor： 陈星 ,  林欣郁 ,  姚泽玮 ,  胡晟熙

IPC: H04L67/10 ,  G06F30/27 ,  G06N3/092 ,  G06N3/098 ,  H04L67/1008 ,  H04L67/101 ,  H04L67/1001 ,  H04L67/12 ,  H04L41/16

Abstract: 本发明涉及一种车辆边缘计算中基于联邦深度强化学习的任务卸载方法，包括：1、将任务卸载问题建模为一个优化问题：找到一组最优的任务卸载策略以最小化系统中所有车辆到达任务的平均响应时间；2、构建卸载动作Q值预测模型；将每辆车看作智能体，在运行时环境中分布式使用DQN方法训练卸载动作Q值预测模型；每个智能体通过自己可观测的数据训练自己的模型；在训练过程中，结合联邦学习框架对各智能体的模型进行聚合，最终得到适用于各智能体的通用的卸载动作Q值预测模型；3、在运行时环境中，使用得到的通用模型，通过比较各卸载动作的Q值选择卸载动作；重复上述过程，为每个子任务决定卸载地点。该方法有利于优化整个系统的平均响应时间。