龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：南京理工大学
申请日：2024-05-24
公开（公告）日：2024-06-25
公开（公告）号：CN118250750A
主分类号：H04W28/084
分类号：H04W28/084;G06N3/045;G06N3/092;G06N3/047;H04W28/08;H04W84/06;H04L67/10;H04L41/16
优先权：
专利状态码：在审-公开
法律状态：2024.06.25#公开
摘要：本发明公开了一种基于深度强化学习的卫星边缘计算任务卸载及资源分配方法，包括：通过分析卫星边缘计算网络中的任务信息，采用终端‑卫星‑云三层计算架构下的部分计算卸载策略，建立卫星网络节点通信模型和动态队列积压更新模型；定义系统总能耗为目标函数，将计算卸载联合资源分配问题描述为一个混合整数非线性规划问题，将该问题建模为马尔可夫决策过程，通过深度强化学习求解满足任务确定性时延需求和资源约束下能耗最低的计算卸载和资源分配策略，采用基于深度确定性策略梯度的算法解决网络动态变化问题。本发明在满足任务确定性需求的前提下有效降低系统的总能耗，实现对任务卸载位置、卸载比例和资源分配策略的联合优化。
主权项：1.一种基于深度强化学习的卫星边缘计算任务卸载及资源分配方法，其特征在于，包括：在终端-卫星-云服务中心组成的三层计算架构下，将用户产生的任务按比例分成三部分，将部分任务卸载到卫星和云服务中心执行，通过这种部分计算卸载策略，任务能够在三个平面并行执行；在此架构下，将资源有限的地面用户和LEO卫星进行关联，实现计算任务从地面到卫星的卸载，并通过LEO卫星中继将部分任务卸载到云服务中心，为地面用户提供异构计算资源；建立用户和卫星的关联模型和任务模型；建立卫星网络节点通信模型和动态队列积压更新模型；用户和卫星间采用正交频分多址通信模型，多个地面用户共享相同的频谱资源，分别构建三层计算架构的时延和能耗模型；建立资源约束和时延约束模型；以系统的总能耗为目标函数，在约束条件下，得到一个混合整数非线性规划问题，将该问题建模为马尔可夫决策过程，通过基于深度确定性策略梯度的部分计算卸载算法得到能耗最低的计算卸载和资源分配策略，实现对卸载位置、卸载比例和资源分配策略的联合优化。
全文数据：
权利要求：
百度查询： 南京理工大学 基于深度强化学习的卫星边缘计算任务卸载及资源分配方法
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