公开(公告)号：CN117014832A

公开(公告)日：2023-11-07

申请号：CN202311041910.X

申请日：2023-08-18

Applicant: 吉林大学

Inventor： 丛玉良 ,  刘战 ,  王超英 ,  刘迈欧 ,  程曦 ,  赵静荣

IPC: H04W4/40 ,  H04W72/54

Abstract: 本发明公开了一种车联网中基于近端策略优化的MEC任务调度方法，建立MEC系统模型；对车联网移动边缘计算中所有任务的加权平均时延进行数学建模，以最小化所有任务的加权时延为目标进行任务调度优化，并利用深度强化学习方法解决此优化问题；然后采用近端策略优化算法作为深度强化学习模型的基本结构；然后将任务调度优化问题转化为马尔科夫决策过程，对状态空间、动作空间、奖励函数、算法的网络结构进行设计；然后形成基于近端优化策略的任务调度算法；最后对算法的任务调度优化；通过本方法可以在系统计算资源不同的情况下，在时延性能优化方面均有着显著的作用；不仅能够显著改善系统的时延性能，而且其在运行时间上也有很大优势。

公开(公告)号：CN115082337A

公开(公告)日：2022-09-20

申请号：CN202210676035.1

申请日：2022-06-15

Applicant: 吉林大学

Inventor： 丛玉良 ,  刘慧敏 ,  程曦 ,  王超英 ,  刘战 ,  刘迈欧

IPC: G06T5/00 ,  G06T7/11

Abstract: 本发明提供了一种基于双重全变分的高光谱混合噪声去除方法，获取含有混合噪声的高光谱图像，选取SSTV正则项来描述高光谱图像全局稀疏结构，同时设计重加权范数约束高光谱图像主成分图的空间方向差分影像的局部稀疏结构，引入双重约束，选取更稀疏的全局特征和局部特征，稀疏正则项用于隔离稀疏噪声，范数刻画影像的高斯噪声，构建基于双重全变分的高光谱图像去噪模型，引入辅助变量优化基于双重全变分的高光谱图像去噪模型，采用ALM算法框架来优化提出的模型，将复杂的问题转换成多个简单的子问题来交替迭代求解，得到去噪后高光谱图像；本发明可以有效提高高光谱影像去噪的适用性和精度。

公开(公告)号：CN118870433A

公开(公告)日：2024-10-29

申请号：CN202411140656.3

申请日：2024-08-20

Applicant: 吉林大学

Inventor： 丛玉良 ,  王利伟 ,  刘战 ,  刘迈欧

IPC: H04W28/08 ,  H04W4/40 ,  G06N3/092

Abstract: 本发明公开了一种基于离散软演员‑评论家算法的MEC任务卸载决策方法，建立MEC卸载模型；对车联网移动边缘计算中所有车辆用户的任务加权时延进行数学建模，车辆用户的任务加权时延最小化为目标进行任务卸载决策优化，并利用深度强化学习方法解决此优化问题；然后采用离散软演员‑评论家算法作为深度强化学习模型的基本结构；然后将任务卸载决策优化问题转化为马尔科夫决策过程，对状态空间、动作空间、奖励函数、算法的网络结构进行设计；然后形成基于离散软演员‑评论家算法的任务调度算法；最后对算法的任务卸载决策优化；通过本方法可以在不同总计算资源大小及不同任务数据大小的情况下均能够实现对任务处理时延进行显著优化。

公开(公告)号：CN116801309A

公开(公告)日：2023-09-22

申请号：CN202310723946.X

申请日：2023-06-19

Applicant: 吉林大学

Inventor： 丛玉良 ,  王超英 ,  孙淑娴 ,  刘战 ,  刘迈欧 ,  程曦 ,  邹卓雅

IPC: H04W28/06 ,  H04W4/40 ,  H04W28/08

Abstract: 本发明提供了一种面向不同时延敏感型任务的车辆卸载决策优化方法，首先，建立了一个多用户车联网移动边缘计算场景；其次，根据车联网移动边缘计算场景得出面向不同时延敏感型任务的数学模型；然后，基于不同时延敏感型任务的类别提出资源倾向性分配策略并应用改进的天鹰算法来求出任务卸载决策问题数学模型的最优解；最后，将数学模型最优解所对应的有限资源下卸载决策方法作为最终优化方法；本方法通过所提的基于资源倾向性分配策略的改进天鹰算法来求解有限资源下卸载决策问题，能够有效地解决车辆计算资源不足的问题，节省了大量的时延敏感型任务的处理时延和能耗，提高了任务的完成率和可靠性，满足车联网环境下时延和能耗的要求。

公开(公告)号：CN118175632A

公开(公告)日：2024-06-11

申请号：CN202311726837.X

申请日：2023-12-14

Applicant: 吉林大学

Inventor： 丛玉良 ,  王超英 ,  孙淑娴 ,  刘战 ,  刘迈欧

IPC: H04W72/044 ,  H04W4/44 ,  H04W72/53 ,  G06N3/006 ,  G06N20/00

Abstract: 本发明涉及一种车联网场景下基于MEC的NOMA上行功率分配优化方法。其方法为：首先建立一个非正交多址接入技术NOMA辅助的多路侧单元RSU和多车辆的多接入边缘计算MEC系统场景；其次根据车联网场景得出面向不同时延敏感型任务的上行传输阶段功率分配数学模型；最后通过基于混合NOMA分组策略UCGD‑FN的强化学习功率分配算法解决功率优化问题模型，并将数学模型最优解所对应的功率分配优化方法作为最终上行功率分配优化方法；本方法基于不同时延敏感型任务的车联网场景，提出了混合NOMA分组策略UCGD‑FN，利用强化学习功率分配算法对NOMA上行功率分配过程进行优化，将时延与能耗纳入综合考量，进一步降低了上行传输阶段车辆用户的任务完成时延，提高MEC系统性能。