-
公开(公告)号：CN120085979A
公开(公告)日：2025-06-03
申请号：CN202510027246.6
申请日：2025-01-08
Applicant: 同济大学
Abstract: 本发明实施例提供了一种动态车载云赋能的无向加权图任务混合调度方法。该方法包括：将计算密集型任务与车载云视为无向加权图，对计算密集型任务进行任务图模型建模得到任务图模型，并对车载云进行车载云图模型建模，得到车载云图模型；基于此进行任务完成时间建模、数据交互代价建模以及不确定性建模，得到任务完成时间、数据交互代价、不确定性；在此基础上，将计算密集型任务的调度问题转换为优化问题，其目标在于找到最优的任务映射模板，以最小化任务调度的目标函数；采用离线任务调度模式对优化问题进行求解，若求解结果不可用，则采用在线任务调度模式对优化问题进行求解。以此方式，可以高效可靠地调度计算密集型任务。
-
公开(公告)号：CN119987960A
公开(公告)日：2025-05-13
申请号：CN202411934672.X
申请日：2024-12-26
Applicant: 同济大学
Abstract: 本发明实施例提供了一种面向云边端协同分层联邦学习的车联网多模型训练方法。该方法应用于云边端协同分层联邦学习架构，包括：获取车联网多模型训练的多个训练任务；为每个训练任务分配初始的智能车辆和训练顺序；使用改进的粒子群优化算法和遗传算法对训练任务进行调度，优化训练任务的分配；通过贪婪算法优化训练任务的训练顺序；根据混合同步‑异步聚合规则，执行边缘服务器和云服务器的模型聚合；根据训练任务的训练情况动态调整调度策略，确保全局时间成本最小化；当全局训练任务达到预设的准确率或时间要求时，输出最终的全局模型。以此方式，可以应对动态IoV环境中的多模型训练问题，同时实现全局时间成本最小化与任务间的训练平衡。
-
公开(公告)号：CN119129694A
公开(公告)日：2024-12-13
申请号：CN202411196040.8
申请日：2024-08-29
Applicant: 同济大学
Abstract: 本发明的实施例提供了一种多机器人协同区域探索智能决策方法以及装置。该方法包括：将对待探索区域的探索视为建立待探索区域的二维代价地图，为多机器人环境探索决策过程设置变权重代价函数；以各机器人为智能体，将多机器人环境探索决策过程建模为多智能体部分可观测马尔可夫决策过程模型；利用多智能体强化学习中心化训练分布式执行的MADDPG架构，让智能体不断与环境进行交互，并将变迁视为经验存储到经验池中，在此期间，基于MADDPG架构训练智能体的价值网络和策略网络中的各项参数；在参数固化后，基于策略网络对智能体的变权重代价函数中的各权重项进行决策，从而选择最优前沿点作为环境探索过程中下一步的目标点，并基于此进行探索。
-
Patent Agency Ranking
公开(公告)号：CN118982157A
公开(公告)日：2024-11-19
申请号：CN202410809273.4
申请日：2024-06-21
Applicant: 同济大学
IPC: G06Q10/0631 , G06Q40/04 , G06N3/006 , G06Q30/0208
Abstract: 本发明的实施例提供了一种移动群智感知任务匹配方法、装置、设备及存储介质。该方法包括：工人根据各个MCS任务的多维属性以及自身的个性化属性确定期望收益最大的MCS任务序列，并向其中的各个MCS任务发送请求；MCS任务根据向其发送请求的工人的能力、所需报酬以及带来的期望收益，将工人选择问题转换成背包问题，并选择带来最大期望收益的工人，以此向各个向其发送请求的工人发送对应的选择结果；工人面对MCS任务发送的选择结果，若选择结果为被MCS任务所接受，则所需报酬不变，否则降低自身所需报酬，重新确定MCS任务序列，并向其中的各个MCS任务发送请求；不断重复，直到各个工人所要求的报酬不再变化，此时各个MCS任务与其选择的工人签署远期合同。
-
公开(公告)号：CN120013136A
公开(公告)日：2025-05-16
申请号：CN202510040851.7
申请日：2025-01-10
Applicant: 同济大学
IPC: G06Q10/0631 , G06Q10/063 , G06F17/18 , G06N3/092 , G06N7/01 , G06N3/045 , G06N3/084 , H04W28/084 , H04W28/08 , H04W84/06
Abstract: 本发明实施例提供了一种基于边缘系统和数据流年龄的多无人机动态任务智能分配方法。该方法包括：设置工作场景，包括多个无人机、多个待采集数据点PoI和多个边缘节点，边缘节点组成边缘系统；在该工作场景下，将无人机前往待采集数据点执行任务，无人机前往边缘节点共享任务状态信息这两项宏观主动行为视为选项，将无人机在时槽内的微观行为视为动作，将无人机的移动群智感知任务的优化目标确定为在能量约束下最小化所有PoI在数据采集过程中的数据流年龄均值，将每个无人机看作智能体，建立多智能体基于选项的部分可观测马尔可夫决策过程模型，通过多智能体分层深度强化学习进行宏观选项决策与微观动作决策，提高动态任务智能分配效果。
-
公开(公告)号：CN119199889A
公开(公告)日：2024-12-27
申请号：CN202411412261.4
申请日：2024-10-11
Applicant: 同济大学
Abstract: 本发明实施例提供了一种基于相机和激光雷达的冰缝检测方法以及装置，该方法包括：对驾驶平台的相机和激光雷达进行联合标定；利用联合标定后的相机获取周围冰雪环境的图像；根据图像进行可见冰缝检测，得到可见冰缝检测结果；利用联合标定后的激光雷达获取周围冰雪环境的点云数据；根据点云数据进行不可见冰缝检测，得到不可见冰缝检测结果；将可见冰缝检测结果以及不可见冰缝检测结果转换至驾驶平台坐标系。以此方式，可以结合相机和激光雷达的优势准确高效地检测驾驶平台所处冰雪环境中的可见冰缝以及不可见冰缝，优化驾驶平台在冰雪环境中的导航。
-
公开(公告)号：CN118863090A
公开(公告)日：2024-10-29
申请号：CN202410809397.2
申请日：2024-06-21
Applicant: 同济大学
Abstract: 本发明的实施例提供了一种分层联邦学习方法、装置、设备及存储介质。该方法包括：基于边缘服务器可关联到的客户端的属性信息，对其可关联到的客户端进行聚类；在模型训练开始之前，执行第一方案：以离线方式根据各个客户端参与每一轮全局迭代学习的概率选择一组长期客户端，并将其分配至合适的边缘服务器，用于后续的全局模型聚合；在模型训练开始之后，执行第二方案：若边缘服务器下属的长期客户端中存在掉线的长期客户端，则从其对应的聚类结果中掉线的长期客户端所在的类中在线招募短期客户端，并将其分配至合适的边缘服务器，用于后续的全局模型聚合。以此方式，可以优化客户端选择、客户端与边缘服务器间的关联，达到减轻决策开销的目的。
-
公开(公告)号：CN118735664A
公开(公告)日：2024-10-01
申请号：CN202410809560.5
申请日：2024-06-21
Applicant: 同济大学
IPC: G06Q30/08 , G06Q10/04 , G06Q10/0631
Abstract: 本发明的实施例提供了一种基于资源超售的快速可信双阶段双重拍卖方法。该方法包括：S1，对MEC网络进行初始化以及参数定义；第一阶段，包括S2‑S4：S2，令各个资源卖家和各个资源买家以密封方式向拍卖平台提交报价，并通过预设交易算法来执行预双重拍卖，根据不同的超售率测试结果来确定最优资源分配和合同条款；S3，利用预双重拍卖阶段的结果来优化资源分配；S4：重复S2‑S3，直到找到最佳超售率，并获得最终的资源分配和合同条款；第二阶段，包括S5‑S7：S5，基于资源买家的实际出席情况和资源卖家的空闲资源情况筛选出参与第二阶段拍卖的资源买家；S6，更新参与第二阶段拍卖的资源买家；S7，执行第二阶段拍卖，得到最终的匹配矩阵和定价方案。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.017 seconds)
