一种基于信息年龄感知的车联网资源分配方法

    公开(公告)号:CN115134779A

    公开(公告)日:2022-09-30

    申请号:CN202210744844.1

    申请日:2022-06-28

    Abstract: 本发明提出一种基于信息年龄感知的车联网资源分配方法,运用DDQN的V2V无线通信资源分配算法将信息年龄纳入主要优化目标,使得V2V链路能够通过选择合适的子信道和传输功率,实现对高可靠性和低延迟、高信息新鲜度的Qos需求。本发明仿真结果表明基于DDQN资源分配算法不会被数量庞大的负载数据影响传输成功率,有很高的可靠性。同时,DDQN的资源分配算法在信息新鲜度方面能够实现更好的效果,并且在车辆分配的传输功率低的环境下提高信息新鲜度和吞吐量的效果更加明显。

    一种基于多用户博弈与联邦学习的车联网计算卸载方法

    公开(公告)号:CN115134778B

    公开(公告)日:2025-04-18

    申请号:CN202210744843.7

    申请日:2022-06-28

    Abstract: 本发明提出的一种基于多用户博弈与联邦学习的车联网计算卸载方法,采用二进制卸载的方式对信道和功率进行选择,利用势博弈算法和联邦学习算法共同优化深度Q网络,通过这种方式选择的信道与发射功率可以有效降低整个系统的总开销,即减小服务时延、降低系统能量损耗。本发明使用的势博弈算法可以使用户车辆在训练之前就获得近最优的卸载决策,让深度Q网络更有效地收敛,经过训练的智能体能在特定环境中做出对整体最有利的卸载决策,降低系统开销,且经过联邦学习优化后的深度Q网络训练出的模型能够很好地适应于更多用户的场景,具备一定的鲁棒性。

    一种基于多用户博弈与联邦学习的车联网计算卸载方法

    公开(公告)号:CN115134778A

    公开(公告)日:2022-09-30

    申请号:CN202210744843.7

    申请日:2022-06-28

    Abstract: 本发明提出的一种基于多用户博弈与联邦学习的车联网计算卸载方法,采用二进制卸载的方式对信道和功率进行选择,利用势博弈算法和联邦学习算法共同优化深度Q网络,通过这种方式选择的信道与发射功率可以有效降低整个系统的总开销,即减小服务时延、降低系统能量损耗。本发明使用的势博弈算法可以使用户车辆在训练之前就获得近最优的卸载决策,让深度Q网络更有效地收敛,经过训练的智能体能在特定环境中做出对整体最有利的卸载决策,降低系统开销,且经过联邦学习优化后的深度Q网络训练出的模型能够很好地适应于更多用户的场景,具备一定的鲁棒性。

Patent Agency Ranking