龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：沈阳理工大学
摘要：本发明提供基于深度强化学习的终端多任务并行卸载方法，涉及移动边缘计算卸载技术领域。该方法构建单服务器多终端用户的MEC卸载系统模型，获取终端用户任务列表；采用多输入多输出技术建立终端用户与边缘服务器之间的无线信道通信；采用功率动态离散分配方式为终端用户任务列表中的任务分配发射功率，并将已分配发射功率的任务通过无线信道卸载到边缘服务器，未分配发射功率的任务由终端用户执行；采用最短作业优先算法计算任务执行顺序；通过采用基于动作价值学习的DuelingDQN算法优化构建的总时延目标函数，得到最优决策神经网络，用于卸载终端用户任务列表的任务。针对单服务器多终端用户场景，通过同时卸载多个任务实现最小化任务平均时延的目标。
主权项：1.一种基于深度强化学习的终端多任务并行卸载方法，其特征在于，该方法包括如下步骤：步骤1：构建单服务器多终端用户的MEC卸载系统模型，包括：边缘服务器M和若干个终端用户；步骤2：获取终端用户的任务列表；步骤3：利用多输入多输出技术建立终端用户与边缘服务器之间的无线信道通信；步骤4：采用功率动态离散分配方式PDD为终端用户的任务列表中的任务分配发射功率，并将已分配发射功率的任务通过无线信道卸载到边缘服务器M，未分配发射功率的任务由终端用户执行；步骤5：采用最短作业优先SJF算法确定由终端用户执行的任务的计算顺序和卸载到边缘服务器M的任务的计算顺序，并分别计算由终端用户执行的任务的本地等待时延和卸载到边缘服务器M的任务的边缘等待时延；步骤6：利用由终端用户执行的任务的本地等待时延计算本地计算时延，利用卸载到边缘服务器M的任务的边缘等待时延计算边缘计算时延，并利用本地计算时延和边缘计算时延构建总时延目标函数；步骤7：采用基于动作价值学习的DuelingDQN算法对总时延目标函数进行优化，得到最优决策神经网络；步骤8：利用最优决策神经网络对终端用户的任务列表中的任务进行卸载。
全文数据：
权利要求：
百度查询： 沈阳理工大学 基于深度强化学习的终端多任务并行卸载方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号