-
公开(公告)号：CN111901374A
公开(公告)日：2020-11-06
申请号：CN202010568459.7
申请日：2020-06-19
Applicant: 东南大学
Abstract: 本发明公开了一种电力物联网系统中基于联盟博弈的任务卸载方法，包括：（1）同区域内的智能电表和接入点AP组成网络；多个智能电表能利用同一子载波连接到AP；（2）电表具有计算任务，既可本地处理，也可卸载到AP处理；利用同一子载波的电表形成联盟；建立代价函数；（3）智能电表在策略集内选择卸载策略；智能电表和AP建立联盟博弈；（4）智能电表计算它加入各个联盟的卸载收益，加入使总卸载收益最大的联盟；（5）联盟博弈达到纳什均衡，网络内智能电表不再改变策略，根据策略进行任务卸载。本发明基于联盟博弈，充分利用AP的无线资源和计算资源，在以最小化智能电表的卸载代价为目标的同时，满足各智能电表的任务卸载需求。
-
公开(公告)号：CN111935825B
公开(公告)日：2023-02-28
申请号：CN202010567315.X
申请日：2020-06-19
Applicant: 东南大学
IPC: H04W72/0453 , H04W72/542 , H04W72/53
Abstract: 本发明公开了一种移动边缘计算系统中基于深度值网络的协作资源分配方法，包括：（1）计算用户和所有基站连接的信噪比，用户根据信噪比最大原则选择基站进行连接，得到用户基站连接矩阵；（2）随机给用户分配信道，并且给连接用户平均分配计算资源，得到资源分配的系统状态；（3）将服务提供商子载波分配作为动作空间，用载波容量来表示奖励值，利用深度值网络算法得到用户信道连接矩阵；（4）得到资源共享的系统状态；（5）利用深度值网络算法得到服务提供商资源借用集合。本发明基于深度强化学习，不仅考虑了面向移动端的资源分配问题，还通过多服务提供商之间的协作和计算资源共享，提高资源的有效利用率。
-
公开(公告)号：CN111935825A
公开(公告)日：2020-11-13
申请号：CN202010567315.X
申请日：2020-06-19
Applicant: 东南大学
Abstract: 本发明公开了一种移动边缘计算系统中基于深度值网络的协作资源分配方法，包括：（1）计算用户和所有基站连接的信噪比，用户根据信噪比最大原则选择基站进行连接，得到用户基站连接矩阵；（2）随机给用户分配信道，并且给连接用户平均分配计算资源，得到资源分配的系统状态；（3）将服务提供商子载波分配作为动作空间，用载波容量来表示奖励值，利用深度值网络算法得到用户信道连接矩阵；（4）得到资源共享的系统状态；（5）利用深度值网络算法得到服务提供商资源借用集合。本发明基于深度强化学习，不仅考虑了面向移动端的资源分配问题，还通过多服务提供商之间的协作和计算资源共享，提高资源的有效利用率。
-
公开(公告)号：CN111901374B
公开(公告)日：2022-08-09
申请号：CN202010568459.7
申请日：2020-06-19
Applicant: 东南大学
IPC: H04L67/1031 , G06F17/11 , G06F17/18 , G06Q50/06 , G16Y10/35
Abstract: 本发明公开了一种电力物联网系统中基于联盟博弈的任务卸载方法，包括：（1）同区域内的智能电表和接入点AP组成网络；多个智能电表能利用同一子载波连接到AP；（2）电表具有计算任务，既可本地处理，也可卸载到AP处理；利用同一子载波的电表形成联盟；建立代价函数；（3）智能电表在策略集内选择卸载策略；智能电表和AP建立联盟博弈；（4）智能电表计算它加入各个联盟的卸载收益，加入使总卸载收益最大的联盟；（5）联盟博弈达到纳什均衡，网络内智能电表不再改变策略，根据策略进行任务卸载。本发明基于联盟博弈，充分利用AP的无线资源和计算资源，在以最小化智能电表的卸载代价为目标的同时，满足各智能电表的任务卸载需求。
-
公开(公告)号：CN110381161B
公开(公告)日：2021-12-24
申请号：CN201910686327.1
申请日：2019-07-29
Applicant: 东南大学
IPC: H04L29/08
Abstract: 本发明公开了一种电力物联网系统中基于博弈论的资源调度方法，包括：（1）同区域内的智能电表和接入点AP组成一个网络。智能电表以单跳或多跳方式将信息通信到AP。建立传输能耗函数；（2）智能电表有计算任务，若本地计算资源不足，则将任务卸载到路径上的其他电表或AP上，建立任务卸载能耗函数；（3）智能电表选择可接入的下个智能电表或AP；网络内所有智能电表和AP建立网络形成博弈；（4）智能电表计算它的各个策略的代价函数，通过对比选择代价函数最小的策略；（5）每改变一个智能电表的策略更新一次网络的连接状态；（6）博弈达到纳什均衡，所有智能电表不再改变策略，各个智能电表根据所选策略形成的路径进行多跳传输及任务卸载。
-
Patent Agency Ranking
公开(公告)号：CN110519776B
公开(公告)日：2021-09-17
申请号：CN201910727736.1
申请日：2019-08-07
Applicant: 东南大学
Abstract: 本发明提供了一种雾计算系统中的均衡聚类和联合资源分配方法，该方法包括：(1)计算各个雾计算节点归属到各个簇时的损失函数，将令损失函数取得最小值的簇确定为该雾计算节点的归属簇；(2)统计各簇中，归属簇发生变化的雾计算节点的数量；(3)如果归属簇发生变化的雾计算节点数量超过阈值，则返回步骤(1)，如果小于阈值则继续向下执行；(4)在完成均衡聚类之后，对各簇内资源进行分配；(5)在完成任务卸载矩阵的优化之后，对计算资源和通信资源矩阵进行优化；(6)计算前后两次优化之后的目标函数值之差的绝对值，如果大于阈值，则返回步骤(5)，如果小于阈值，则流程结束。本发明降低簇内雾计算节点的最大响应时间和最大能耗。
-
公开(公告)号：CN111935205A
公开(公告)日：2020-11-13
申请号：CN202010568458.2
申请日：2020-06-19
Applicant: 东南大学
Abstract: 本发明公开了一种雾计算网络中基于交替方向乘子法的分布式资源分配方法，该方法主要包括两阶段，雾节点信息收集和分布式资源分配。本发明基于多凸不等式约束交替方向乘子法和凸优化理论，充分利用雾计算网络内雾节点的计算资源，通过雾节点间协作的方式，降低了雾计算网络的开销。相较于集中式资源分配算法，本发明中的分布式资源分配算法利用了雾计算网络的分布式特性，将资源分配问题的求解均匀地分散到雾计算网络中的每个节点上，解决了集中式资源分配问题造成单个节点负载过重的问题。同时基站在资源分配问题的求解中只负责任务卸载向量的收集和广播而不用收集所有雾节点的任务，有效降低了基站的负载和网络的传输负载。
-
公开(公告)号：CN110418416A
公开(公告)日：2019-11-05
申请号：CN201910680954.4
申请日：2019-07-26
Applicant: 东南大学
Abstract: 本发明公开了移动边缘计算系统中基于多智能体强化学习的资源分配方法，包括：（1）将无线信道划分成若干个子载波，每个用户仅仅可以选择一个子载波；（2）每个用户随机选择信道以及计算资源，然后计算用户卸载产生的时延和能耗；（3）将用户在本地计算产生的时延能耗和卸载到边缘云的进行对比，判断卸载是否成功；（4）通过多智能体强化学习得到当前卸载动作的奖励值，并计算价值函数；（5）用户根据策略函数进行动作选择；（6）改变用户的学习速率进行策略更新，得到最优动作集合。本发明基于可变速率的多智能体强化学习，充分利用移动边缘服务器的计算资源和无线资源，在考虑了用户卸载的必要性的同时，得到各智能终端效用函数的最大值。
-
公开(公告)号：CN110381161A
公开(公告)日：2019-10-25
申请号：CN201910686327.1
申请日：2019-07-29
Applicant: 东南大学
IPC: H04L29/08
Abstract: 本发明公开了一种电力物联网系统中基于博弈论的资源调度方法，包括：（1）同区域内的智能电表和接入点AP组成一个网络。智能电表以单跳或多跳方式将信息通信到AP。建立传输能耗函数；（2）智能电表有计算任务，若本地计算资源不足，则将任务卸载到路径上的其他电表或AP上，建立任务卸载能耗函数；（3）智能电表选择可接入的下个智能电表或AP；网络内所有智能电表和AP建立网络形成博弈；（4）智能电表计算它的各个策略的代价函数，通过对比选择代价函数最小的策略；（5）每改变一个智能电表的策略更新一次网络的连接状态；（6）博弈达到纳什均衡，所有智能电表不再改变策略，各个智能电表根据所选策略形成的路径进行多跳传输及任务卸载。
-
公开(公告)号：CN110418416B
公开(公告)日：2023-04-18
申请号：CN201910680954.4
申请日：2019-07-26
Applicant: 东南大学
IPC: H04W24/02 , H04W72/0453 , H04L67/10
Abstract: 本发明公开了移动边缘计算系统中基于多智能体强化学习的资源分配方法，包括：（1）将无线信道划分成若干个子载波，每个用户仅仅可以选择一个子载波；（2）每个用户随机选择信道以及计算资源，然后计算用户卸载产生的时延和能耗；（3）将用户在本地计算产生的时延能耗和卸载到边缘云的进行对比，判断卸载是否成功；（4）通过多智能体强化学习得到当前卸载动作的奖励值，并计算价值函数；（5）用户根据策略函数进行动作选择；（6）改变用户的学习速率进行策略更新，得到最优动作集合。本发明基于可变速率的多智能体强化学习，充分利用移动边缘服务器的计算资源和无线资源，在考虑了用户卸载的必要性的同时，得到各智能终端效用函数的最大值。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.017 seconds)
