公开(公告)号：CN117221925A

公开(公告)日：2023-12-12

申请号：CN202310692705.3

申请日：2023-06-13

Applicant: 东南大学

Inventor： 许威 ,  张薇 ,  钱玉蓉

IPC: H04W24/06 ,  H04L41/16

Abstract: 本发明公开了一种面向无蜂窝网络用户调度与资源配置的多智能体学习方法，构建无蜂窝网络系统模型，建立联合用户调度、子频带选择和功率控制的混合整数线性规划问题，顺序地使用深度Q学习和深度确定性策略梯度算法解决该问题，并设计合适的状态、动作空间以及奖励函数；设计深度强化学习神经网络结构并初始化深度强化学习相关参数；开始训练神经网络直至收敛，获得最终的系统性能。本发明能够联合解决用户调度、子频带选择以及功率控制问题，在降低复杂度的同时，逼近基于分式规划这一集中式方法的性能。每个接入点可以仅使用本地信道状态信息和部分非实时信息做出自己的决策；验证了使用深度确定性策略梯度算法解决连续功率控制问题的有效性。

公开(公告)号：CN116450357A

公开(公告)日：2023-07-18

申请号：CN202310437182.8

申请日：2023-04-21

Applicant: 东南大学

Inventor： 许威 ,  钱玉蓉

IPC: G06F9/50 ,  G06N5/04 ,  G06F30/27 ,  G06F111/04

Abstract: 本发明公开了一种面向设备直连移动边缘计算系统的卸载博弈方法，属于网络管理技术领域，基于设备直连移动边缘计算系统，研究用户卸载决策对系统时延的影响，并构建卸载决策优化问题；将卸载决策问题建模为一个非合作卸载匹配博弈；基于更好的响应的迭代策略求解该匹配博弈并得到所有任务设备的卸载决策；根据求得的卸载决策，任务设备完成卸载。本发明的方法能够有效解决设备直连移动边缘计算系统的卸载决策问题，并获得接近最优的系统性能，可以推广到类似的多用户多服务器的场景，具有很强的泛化能力。

公开(公告)号：CN116367310A

公开(公告)日：2023-06-30

申请号：CN202310436659.0

申请日：2023-04-21

Applicant: 东南大学

Inventor： 许威 ,  钱玉蓉

IPC: H04W72/044 ,  H04W72/50

Abstract: 本发明公开了一种面向移动边缘计算的最大增益导向的信道分配方法，属于网络管理技术领域，在移动边缘计算系统模型中，研究信道分配策略对系统卸载时延和能耗的影响，并构建卸载优化问题，旨在最小化系统卸载损耗；计算每个用户的卸载损耗，并确定每个用户的最佳信道；通过最大增益导向的分配策略在每一轮迭代中为具有最大卸载增益的用户分配信道，并将分配过的用户和信道从待分配用户集合和未被占用信道集合中删除，重复上述过程直至待分配用户集合为空；根据求得的用户信道分配策略，用户完成卸载。本发明的方法能够在降低实现复杂度的情况下获得较高的系统性能。