公开(公告)号：CN117251262A

公开(公告)日：2023-12-19

申请号：CN202310589011.7

申请日：2023-05-24

Applicant: 南京卓云邮通科技有限公司 ,  南京邮电大学

Inventor： 王皓天 ,  王思洋 ,  丁凌晖 ,  荀位 ,  彭敏鑫 ,  夏思思

IPC: G06F9/48 ,  G06F9/50 ,  G06N3/006

Abstract: 本发明公开了一种面向移动边缘计算的低时延任务分解与卸载方法，该方法首先用户在本地将给定的计算任务分解多个子任务。其次用户确定独立子任务以及顺序依赖子任务的最优任务分配比例。接着，用户在此基础上在本地决定每个子任务的具体卸载方案，执行卸载过程。本发明所提的方法将给定的计算任务分解为子任务，再将子任务分别卸载到不同的用户进行边缘计算，降低了系统成本，即延迟和能耗的加权和，并为设备提供更多的任务卸载选项，有效地缓解本地服务器压力。

公开(公告)号：CN117172302A

公开(公告)日：2023-12-05

申请号：CN202310588721.8

申请日：2023-05-24

Applicant: 南京卓云邮通科技有限公司 ,  南京邮电大学

Inventor： 王皓天 ,  王思洋 ,  文馨 ,  彭敏鑫 ,  荀位 ,  夏思思

IPC: G06N3/092 ,  G06F9/48

Abstract: 本发明公开了一种基于D3PG模型的任务分解与卸载方法，该方法首先建立一种新的深度强化学习模型DRL，即狄利克雷策略梯度深度确定性模型D3PG，并给出模型的奖励机制。其次对模型进行训练：设置学习环境并创建一个经验应答缓冲区用于收集深度强化学习模型DRL代理与MEC环境交互所收集到的训练数据；深度强化学习模型DRL代理与环境进行交互以生成训练数据集；代理从经验缓冲区中提取训练数据来训练深度强化学习模型DRL模型内的学习网络。最后，利用训练好的狄利克雷策略梯度深度确定性模型D3PG深度学习模型实现联合优化任务分解和计算卸载。本发明能够以端到端的方式优化多个目标，最大化处理任务的数量的同时实现最小化能源消耗。