-
公开(公告)号：CN110113190A
公开(公告)日：2019-08-09
申请号：CN201910335485.2
申请日：2019-04-24
Applicant: 西北工业大学
Abstract: 本发明的目的是提供一种移动边缘计算场景中卸载时延优化方法，步骤一、构建系统模型：系统模型包括2M个用户和一个MEC服务器，每个用户有L个任务需要被卸载到MEC服务器进行计算，假设同时只允许两个用户采用混合NOMA策略同时卸载；步骤二、设定每一个用户作为一个执行者，每一个执行者按照DQN算法进行动作选择，即从其余2M-1个用户中选择一个作为自己的传输搭档同时进行卸载；步骤三、用DQN算法进行系统优化：所有用户搭档选择完成后，计算系统的总卸载时延，更新奖赏值，然后训练神经网络，用神经网络作为函数逼近器，更新Q函数；不断的对系统进行上述迭代优化，直至找到最优的时延。解决了现有多用户MEC场景下，时延消耗大的问题。
-
公开(公告)号：CN108880709B
公开(公告)日：2019-05-07
申请号：CN201810737835.3
申请日：2018-07-06
Applicant: 西北工业大学
IPC: H04L12/24 , H04W16/10 , H04B17/309 , H04B17/382
Abstract: 本发明公开了一种认知无线网络中分布式多用户动态频谱接入方法，该方法如下：步骤一、构建系统模型，所述系统模型为：小区中的n个授权用户和k个认知用户共享b个信道；其中：n、k和b取不为零的自然数，且n和b的取值相等；k＞n；步骤二、采用DQN算法对认知用户进行频谱选择和接入，具体为：设定初始Q函数，设定每一个认知用户作为一个执行者，每一个执行者按照DQN算法进行动作选择，即从b个信道中选择一个进行传输，计算系统的平均效用值，采用演进博弈理论设定奖赏值；然后训练神经网络，用神经网络作为函数逼近器，得到更新后的Q函数；步骤三、继续执行步骤二，直至得到的系统容量趋于定值。在高频谱需求情况下，频带利用率高。
-
公开(公告)号：CN108880709A
公开(公告)日：2018-11-23
申请号：CN201810737835.3
申请日：2018-07-06
Applicant: 西北工业大学
IPC: H04B17/309 , H04B17/382 , H04L12/24 , H04W16/10
Abstract: 本发明公开了一种认知无线网络中分布式多用户动态频谱接入方法，该方法如下：步骤一、构建系统模型，所述系统模型为：小区中的n个授权用户和k个认知用户共享b个信道；其中：n、k和b取不为零的自然数，且n和b的取值相等；k＞n；步骤二、采用DQN算法对认知用户进行频谱选择和接入，具体为：设定初始Q函数，设定每一个认知用户作为一个执行者，每一个执行者按照DQN算法进行动作选择，即从b个信道中选择一个进行传输，计算系统的平均效用值，采用演进博弈理论设定奖赏值；然后训练神经网络，用神经网络作为函数逼近器，得到更新后的Q函数；步骤三、继续执行步骤二，直至得到的系统容量趋于定值。在高频谱需求情况下，频带利用率高。
-
公开(公告)号：CN110113190B
公开(公告)日：2021-04-09
申请号：CN201910335485.2
申请日：2019-04-24
Applicant: 西北工业大学
Abstract: 本发明的目的是提供一种移动边缘计算场景中卸载时延优化方法，步骤一、构建系统模型：系统模型包括2M个用户和一个MEC服务器，每个用户有L个任务需要被卸载到MEC服务器进行计算，假设同时只允许两个用户采用混合NOMA策略同时卸载；步骤二、设定每一个用户作为一个执行者，每一个执行者按照DQN算法进行动作选择，即从其余2M‑1个用户中选择一个作为自己的传输搭档同时进行卸载；步骤三、用DQN算法进行系统优化：所有用户搭档选择完成后，计算系统的总卸载时延，更新奖赏值，然后训练神经网络，用神经网络作为函数逼近器，更新Q函数；不断的对系统进行上述迭代优化，直至找到最优的时延。解决了现有多用户MEC场景下，时延消耗大的问题。
-
-
-
Search Results
4
records
(took 0.013 seconds)
