-
公开(公告)号：CN111132235B
公开(公告)日：2023-04-07
申请号：CN201911373174.1
申请日：2019-12-27
Applicant: 东北大学秦皇岛分校
IPC: H04W28/084
Abstract: 本发明的基于改进HRRN(Highest Response Ratio Next)算法和多属性决策的移动卸载迁移算法，包括：步骤1：单个无线体域网在某一时刻生成多个优先级不同的任务，如果可以本地处理则直接本地处理，否则上传至边缘服务器；步骤2：建立边缘服务器的效益函数，将效益值高的边缘服务器作为当前任务的初始边缘服务器；步骤3：判断当前边缘服务器是否合适；步骤4：判断边缘服务器是否满足两个准则，满足其中一项可作为候选边缘服务器；步骤5：再次根据步骤2建立边缘服务器的效益函数，计算所有候选边缘服务器的效益值，选择效益值最高的边缘服务器进行迁移。
-
公开(公告)号：CN111132235A
公开(公告)日：2020-05-08
申请号：CN201911373174.1
申请日：2019-12-27
Applicant: 东北大学秦皇岛分校
IPC: H04W28/08
Abstract: 本发明的基于改进HRRN(Highest Response Ratio Next)算法和多属性决策的移动卸载迁移算法，包括：步骤1：单个无线体域网在某一时刻生成多个优先级不同的任务，如果可以本地处理则直接本地处理，否则上传至边缘服务器；步骤2：建立边缘服务器的效益函数，将效益值高的边缘服务器作为当前任务的初始边缘服务器；步骤3：判断当前边缘服务器是否合适；步骤4：判断边缘服务器是否满足两个准则，满足其中一项可作为候选边缘服务器；步骤5：再次根据步骤2建立边缘服务器的效益函数，计算所有候选边缘服务器的效益值，选择效益值最高的边缘服务器进行迁移。
-
公开(公告)号：CN117294728A
公开(公告)日：2023-12-26
申请号：CN202311224231.6
申请日：2023-09-21
Applicant: 东北大学秦皇岛分校
IPC: H04L67/1097 , H04L67/60 , H04L67/568
Abstract: 本发明公开了边缘计算场景下基于多臂选择算法的任务缓存方法，属于边缘计算技术技术领域，本发明将场景中待缓存的F个任务视为摇臂，以最大化所缓存任务的需求量大小为目标，解决了在满足MEC服务器存储容量有限以及单位回合中新加入任务的切换成本不能超过阈值上限两个约束条件下任务的最优缓存决策问题，创新性得将Gomory割平面算法引入到了组合多臂选择算法中，实现了多约束条件下的任务缓存决策的求解。
-
公开(公告)号：CN111163519B
公开(公告)日：2023-04-28
申请号：CN201911373175.6
申请日：2019-12-27
Applicant: 东北大学秦皇岛分校
IPC: H04W72/52 , H04W72/53 , H04W72/566
Abstract: 本发明的系统收益最大化的无线体域网资源分配与任务卸载算法，该算法以博弈论中经典的讨价还价博弈模型为基础，将提供计算资源的边缘服务器作为模型中的资源卖家，而分布在服务器服务范围内的无线体域网作为资源买方，双方针对于CPU资源和无线信道资源，按照自私性行为模式，以最大化自身利益为目标进行讨价还价，最终得出整体系统最优的资源分配方案和任务卸载方案。可提高无线体域网数据处理的时效性和可靠性。
-
公开(公告)号：CN114928893A
公开(公告)日：2022-08-19
申请号：CN202210699515.X
申请日：2022-06-20
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供一种基于智能反射面的架构及任务卸载方法，涉及自动驾驶领域。该基于智能反射面的架构及任务卸载方法，包括以下步骤：S1、建立用于任务卸载的车辆‑智能反射面‑边缘计算服务器的无线通信信道；S2、降低系统的时延；S3、映射平面层将边缘设备进行数字孪生体映射；S4、深度强化学习DRL算法从历史数据中随机选择数据；S5、数字孪生网络DTN通过控制平面层对边缘网络EN进行卸载决策以及智能反射面的反射表明元素的反馈；S6、重复步骤S1‑S6直至达到终止条件。通过引入数字孪生技术，动态地监控车联网中的车辆状态以及智能反射面状态，协同调度车联网计算资源，合理分配卸载决策以及通过智能反射面增强任务卸载信道质量。
-
Patent Agency Ranking
公开(公告)号：CN114925857A
公开(公告)日：2022-08-19
申请号：CN202210699512.6
申请日：2022-06-20
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供一种用于交通状态估计的联邦学习算法，涉及交通状态监管领域。该用于交通状态估计的联邦学习算法，包括以下步骤：S1、构建LSTM；S2、发送给各个RSU；S3、模型训练；S4、利用A3C算法强化学习算法进行参数上传以及下载策略的分配；S5、各个RSU模型根据参数上传以及下载策略，选择是否将模型参数发送给服务器或者从服务器下载最新的模型参数以继续训练；S6、参数聚合并计算成本；S7、重复步骤S2‑S6；S8、得到预测结果以及成本。通过长短时记忆(LSTM)模型提取交通状态的时间相关性，并估计交通流量及道路车速两种交通状态指标，解决了基于联邦学习的交通状态估计研究网络资源分配不合理、客户端参与联邦学习不均衡的问题。
-
公开(公告)号：CN111163519A
公开(公告)日：2020-05-15
申请号：CN201911373175.6
申请日：2019-12-27
Applicant: 东北大学秦皇岛分校
Abstract: 本发明的系统收益最大化的无线体域网资源分配与任务卸载算法，该算法以博弈论中经典的讨价还价博弈模型为基础，将提供计算资源的边缘服务器作为模型中的资源卖家，而分布在服务器服务范围内的无线体域网作为资源买方，双方针对于CPU资源和无线信道资源，按照自私性行为模式，以最大化自身利益为目标进行讨价还价，最终得出整体系统最优的资源分配方案和任务卸载方案。可提高无线体域网数据处理的时效性和可靠性。
-
公开(公告)号：CN119322681A
公开(公告)日：2025-01-17
申请号：CN202411561974.7
申请日：2024-11-05
Applicant: 东北大学秦皇岛分校
IPC: G06F9/50 , G06F9/445 , G06N3/092 , H04W28/084 , H04W28/08
Abstract: 本发明提供一种基于多智能体深度强化学习的计算卸载优化策略，涉及智能算法技术领域。该基于多智能体深度强化学习的计算卸载优化策略，核心内容是针对MEC多用户计算卸载场景设计的多智能体深度强化学习算法。本发明，利用值分解技术，构建了针对每个任务的任务Q网络结构，并在考虑智能体所有任务关系的基础上生成相应的任务Q值。这些任务Q值可以进一步聚合以得到智能体的Q值，有效缓解了多任务智能体在复杂参数化动作空间中所面临的高时间和空间复杂度问题。此外，在混合网络中利用自注意力机制，针对不同用户的特征动态地分配相应的权重。从而实现更精准的智能体间交互表示，提升了整体决策的灵活性和有效性。
-
公开(公告)号：CN114925857B
公开(公告)日：2024-08-13
申请号：CN202210699512.6
申请日：2022-06-20
Applicant: 东北大学秦皇岛分校
IPC: G06N3/098 , G06N3/0442 , G06N3/092 , G08G1/01 , G06F21/62
Abstract: 本发明提供一种用于交通状态估计的联邦学习算法，涉及交通状态监管领域。该用于交通状态估计的联邦学习算法，包括以下步骤：S1、构建LSTM；S2、发送给各个RSU；S3、模型训练；S4、利用A3C算法强化学习算法进行参数上传以及下载策略的分配；S5、各个RSU模型根据参数上传以及下载策略，选择是否将模型参数发送给服务器或者从服务器下载最新的模型参数以继续训练；S6、参数聚合并计算成本；S7、重复步骤S2‑S6；S8、得到预测结果以及成本。通过长短时记忆(LSTM)模型提取交通状态的时间相关性，并估计交通流量及道路车速两种交通状态指标，解决了基于联邦学习的交通状态估计研究网络资源分配不合理、客户端参与联邦学习不均衡的问题。
-
公开(公告)号：CN114928893B
公开(公告)日：2024-04-16
申请号：CN202210699515.X
申请日：2022-06-20
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供一种基于智能反射面的架构及任务卸载方法，涉及自动驾驶领域。该基于智能反射面的架构及任务卸载方法，包括以下步骤：S1、建立用于任务卸载的车辆‑智能反射面‑边缘计算服务器的无线通信信道；S2、降低系统的时延；S3、映射平面层将边缘设备进行数字孪生体映射；S4、深度强化学习DRL算法从历史数据中随机选择数据；S5、数字孪生网络DTN通过控制平面层对边缘网络EN进行卸载决策以及智能反射面的反射表明元素的反馈；S6、重复步骤S1‑S6直至达到终止条件。通过引入数字孪生技术，动态地监控车联网中的车辆状态以及智能反射面状态，协同调度车联网计算资源，合理分配卸载决策以及通过智能反射面增强任务卸载信道质量。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.023 seconds)
