公开(公告)号：CN118175648A

公开(公告)日：2024-06-11

申请号：CN202410254798.6

申请日：2024-03-06

申请人： 桂林电子科技大学

发明人： 王波 ,  郭城瑞 ,  黄冬艳 ,  谢心颖 ,  王旭 ,  吕佳齐 ,  卢泽林 ,  方宇航 ,  卢锐

IPC分类号： H04W72/52 ,  H04W72/542 ,  H04W72/044 ,  H04W72/1268 ,  H04W72/21

摘要： 本发明公开了一种基于深度强化学习的多智能体负载感知卸载策略，该策略是在“边‑星‑云”三层算力网络架构中，本地边缘层采用电网供电，低轨卫星层采用太阳能供电，远端云层采用水能、风能等多种清洁能源混合供电，其电价取决于能源的种类。UE可以通过邻近的智能基站(Agent Base Station,ABS)将计算任务卸载到算力层。在确保多层算力资源负载均衡的基础上，实现单位时间周期内ABS的平均累计成本最小。仿真结果表明，与其他基准策略相比，本文所提策略的平均累计成本降低约14.08%，负载方差降低约67.14%。

公开(公告)号：CN116600344A

公开(公告)日：2023-08-15

申请号：CN202310443772.1

申请日：2023-04-20

申请人： 桂林电子科技大学

发明人： 王波 ,  郭城瑞 ,  黄冬艳 ,  王旭 ,  谢心颖 ,  吕佳齐 ,  卢泽林 ,  方宇航 ,  谢杰成

IPC分类号： H04W28/08 ,  H04W84/06

摘要： 本发明公开了一种具有电力成本差异的多层MEC资源卸载方法，该方法是先建立具有电力成本差异的多层MEC资源的网络模型；然后建立不同资源层次下的通信模型和计算模型；利用基于NOMA的子信道用户重组算法，对信道资源进行分配；最后利用基于Q‑Learning的计算卸载和资源分配算法，将优化问题转化为等效的强化学习问题，通过对智能体的训练，使Q表收敛，以此指导基站智能体的卸载决策。以最小化所有用户时间成本和卸载成本的加权和为优化目标，通过联合卸载决策和资源分配将问题表述为一个混合整数规划问题，并提出基于NOMA和Q‑Learning的优化传输与卸载的求解方案。仿真结果表明，本申请的多层MEC架构要优于传统单层MEC架构，同时验证了本算法在求解中要优于其他基本算法。