申请/专利权人：北京理工大学

申请日：2024-02-26

公开（公告）日：2024-04-23

公开（公告）号：CN117793801B

主分类号：H04W28/084

分类号：H04W28/084;G06F9/48;G06F18/2411;G06F18/214

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明提供了一种基于混合强化学习的车载任务卸载调度方法及系统，涉及车载任务调度技术领域，方法包括：建立车载任务协同处理网络、状态变量空间和动作变量空间，基于SADDQN网络构建通信决策模型，以确定车辆目标边缘计算节点，基于DDPG网络构建任务分配决策模型，以确定车辆任务卸载率、通信传输功率和分配算力比例；以车载任务协同处理网络的总成本最小为目标，优化得到训练好的通信决策模型和任务分配决策模型，即可根据实时的状态变量空间，输出合理的通信决策和任务分配决策，进行车载任务卸载调度。本发明解决了将车载任务不合理卸载到边缘计算节点上，导致边缘计算节点处理信息量及传递信息量过大，时延过长、能耗较大的问题。

主权项：1.一种基于混合强化学习的车载任务卸载调度方法，其特征在于，包括：根据路网信息建立车载任务协同处理网络；所述车载任务协同处理网络中包括若干个携带有车载任务的车辆和若干个边缘计算节点；根据所述车载任务协同处理网络构建状态变量空间和动作变量空间；所述状态变量空间包括车辆位置、车载任务大小、车载任务复杂度、车载任务允许时延、车辆可用算力和边缘计算节点可用算力；所述动作变量空间包括车辆目标边缘计算节点、车辆任务卸载率、通信传输功率和分配算力比例；基于SADDQN网络构建通信决策模型；所述SADDQN网络为在DDQN网络后连接自注意力网络得到的网络；所述通信决策模型用于根据当前的状态变量空间，输出通信决策；所述通信决策包括车辆目标边缘计算节点；基于DDPG网络构建任务分配决策模型；所述任务分配决策模型用于根据当前的状态变量空间和通信决策，输出任务分配决策；所述任务分配决策包括车辆任务卸载率、通信传输功率和分配算力比例；以所述车载任务协同处理网络的总成本最小为目标，训练所述通信决策模型和所述任务分配决策模型，得到训练好的通信决策模型和训练好的任务分配决策模型；根据实时的状态变量空间，通过训练好的通信决策模型输出通信决策，并根据实时的状态变量空间和通信决策，通过训练好的任务分配决策模型输出任务分配决策；根据所述通信决策和所述任务分配决策，进行车载任务卸载调度。

全文数据：

权利要求：

百度查询： 北京理工大学 基于混合强化学习的车载任务卸载调度方法及系统

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