-
公开(公告)号：CN115037751B
公开(公告)日：2023-05-05
申请号：CN202210744842.2
申请日：2022-06-28
申请人： 东南大学深圳研究院
摘要： 本发明提出一种无人机辅助的异构车联网任务迁移与资源分配方法，该方法针对移动边缘服务器和无人机协同计算卸载的场景，首先通过势博弈得到车辆是否卸载的决策，即车辆决定本地计算，还是卸载到MEC服务器或无人机计算。对决定任务卸载的车辆，采用分布式的资源分配方法，不需要基站集中调度信道状态信息，将每辆决定任务卸载的车辆视为智能体，通过DDQN训练深度深度强化学习，每辆决定任务卸载的车辆基于本地观察状态信息来选择卸载节点和发射功率。该算法能够在最大发射功率的限制下，最小化系统时延，在复杂度和性能之间取得了很好的平衡。
-
公开(公告)号：CN115052262A
公开(公告)日：2022-09-13
申请号：CN202210710038.2
申请日：2022-06-22
申请人： 东南大学深圳研究院
摘要： 本发明提出一种基于势博弈的车联网计算卸载与功率优化方法，有剩余计算资源的车辆可以作为车载云服务器为其他车辆提供计算资源，V2I链路和V2V链路通过5G切片技术接入不同切片互不干扰。首先通过势博弈得到任务请求车辆的卸载决策，即任务请求车辆决定本地计算，卸载到MEC服务器，卸载到距离任务请求车辆最近的车载云服务器。对决定任务卸载的任务请求车辆，基于深度强化学习，采用分布式的资源分配方法，不需要基站集中调度信道状态信息，将每辆决定任务卸载的任务请求车辆视为智能体，基于本地观察状态信息来选择发射功率。该算法能够在最大发射功率的限制下，最小化系统时延。本发明使用势博弈和DDPG算法相结合可以有效解决移动边缘服务器和车载云服务器协同计算卸载场景下的卸载决策和功率优化的联合问题，可以在一系列连续状态空间的优化中表现稳定。
-
公开(公告)号：CN115037751A
公开(公告)日：2022-09-09
申请号：CN202210744842.2
申请日：2022-06-28
申请人： 东南大学深圳研究院
摘要： 本发明提出一种无人机辅助的异构车联网任务迁移与资源分配方法，该方法针对移动边缘服务器和无人机协同计算卸载的场景，首先通过势博弈得到车辆是否卸载的决策，即车辆决定本地计算，还是卸载到MEC服务器或无人机计算。对决定任务卸载的车辆，采用分布式的资源分配方法，不需要基站集中调度信道状态信息，将每辆决定任务卸载的车辆视为智能体，通过DDQN训练深度深度强化学习，每辆决定任务卸载的车辆基于本地观察状态信息来选择卸载节点和发射功率。该算法能够在最大发射功率的限制下，最小化系统时延，在复杂度和性能之间取得了很好的平衡。
-
公开(公告)号：CN115134778A
公开(公告)日：2022-09-30
申请号：CN202210744843.7
申请日：2022-06-28
申请人： 东南大学深圳研究院
摘要： 本发明提出的一种基于多用户博弈与联邦学习的车联网计算卸载方法，采用二进制卸载的方式对信道和功率进行选择，利用势博弈算法和联邦学习算法共同优化深度Q网络，通过这种方式选择的信道与发射功率可以有效降低整个系统的总开销，即减小服务时延、降低系统能量损耗。本发明使用的势博弈算法可以使用户车辆在训练之前就获得近最优的卸载决策，让深度Q网络更有效地收敛，经过训练的智能体能在特定环境中做出对整体最有利的卸载决策，降低系统开销，且经过联邦学习优化后的深度Q网络训练出的模型能够很好地适应于更多用户的场景，具备一定的鲁棒性。
-
-
-
搜索结果
4 条记录 (耗时 0.032 秒)
