申请/专利权人：湖南大学

申请日：2021-11-01

公开（公告）日：2024-04-23

公开（公告）号：CN114025359B

主分类号：H04W16/10

分类号：H04W16/10;H04W28/06;H04W72/0453;H04W72/0446

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2022.02.25#实质审查的生效;2022.02.08#公开

摘要：本发明公开了一种基于深度强化学习的资源分配与计算卸载方法、系统、设备及介质，方法为：将移动设备的能量收集时间、任务卸载大小、任务卸载时间、CPU频率联合作为计算任务卸载策略变量，基于移动设备的计算任务大小、运算能力、通信信道特点以及计算任务卸载策略变量，构建移动设备收集的能量计算模型和消耗的能量计算模型，两者相减得到移动设备在各时隙的剩余能量计算模型；对所有移动设备所有时隙的剩余能量求和，得到移动边缘计算系统的剩余能量计算模型；将移动边缘计算系统的剩余能量作为优化目标，采用深度强化学习方法，通过最大化优化目标，计算得到各移动设备的计算任务卸载决策。本发明提高移动设备用户的应用体验。

主权项：1.一种基于深度强化学习的资源分配与计算卸载方法，其特征在于，边缘服务器基站覆盖范围内的移动设备，可通过无线传能系统从边缘服务器收集能量，还可将计算任务部分卸载到边缘服务器，所述基于深度强化学习的资源分配与计算卸载方法包括以下步骤：步骤1，将移动设备的能量收集时间、任务卸载大小、任务卸载时间、CPU频率联合作为计算任务卸载策略变量，基于移动设备的计算任务大小、运算能力、通信信道特点以及计算任务卸载策略变量，构建移动设备收集的能量计算模型和消耗的能量计算模型，两者相减得到移动设备在各时隙的剩余能量计算模型；移动设备收集的能量计算模型表示为： 其中，Ei,j为第j个移动设备在第i个时隙收集的能量；M为移动边缘计算网络中的移动设备数量，j为其中任一移动设备的编号；N为移动边缘计算网络进行资源分配与计算卸载的周期内所划分的时隙数量，i为其中任一时隙的编号；vj为第j个移动设备的能量转换效率，为发射接入点在第i个时隙到第j个移动设备的下行信道增益，为在第i个时隙发射接入点到第j个移动设备的传输功率，为第j个移动设备在第i个时隙的能量收集时间；上标a表示下行；移动设备消耗的能量计算模型表示为： 式中，E′i,j为第j个移动设备在第i个时隙消耗的能量，为第j个移动设备自身在第i个时隙执行计算任务消耗的能量，为第j个移动设备在第i个时隙将任务卸载到边缘服务器所消耗的能量；Ri,j为第j个移动设备在第i个时隙的计算任务大小，第j个移动设备在第i个时隙卸载到边缘服务器的任务大小，Cj表示第j个移动设备处理1bit输入数据需要的cpu周期，Pi,j是第j个移动设备的cpu每周期在第i个时隙的能量消耗；为第i个时隙从第j个移动设备到边缘服务器基站的信道增益；为第j个移动设备第i个时隙的任务卸载时间；表示在第i个时隙从第j个移动设备到边缘服务器基站的传输功率，上标m表示上行；步骤2，对所有移动设备所有时隙的剩余能量求和，得到移动边缘计算系统的剩余能量计算模型；步骤3，采用深度强化学习方法求解各移动设备的计算任务卸载决策，使得移动边缘计算系统的剩余能量最大；将移动边缘计算系统的剩余能量作为优化目标表示为优化问题P1： 其中为第j个移动设备时隙i的剩余能量，通过最大化优化目标求解各移动设备的计算任务卸载决策的约束条件包括：C1:C2:C3:C4:C5:C6:C7:C8:其中，T为最大可用计算时间。

全文数据：

权利要求：

百度查询： 湖南大学 基于深度强化学习的资源分配与计算卸载方法、系统、设备及介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD