公开(公告)号：CN110971706A

公开(公告)日：2020-04-07

申请号：CN201911300667.2

申请日：2019-12-17

Applicant: 大连理工大学

Inventor： 夏秋粉 ,  娄铮 ,  徐子川

IPC: H04L29/08

Abstract: 本发明属于移动边缘计算卸载技术领域，提供了一种MEC中近似最优化与基于强化学习的任务卸载方法。本发明对问题建立数学模型，将待解决问题转化为整数线性规划问题。针对此问题，本发明中提出的离线算法对问题中的整数约束条件进行松弛操作，然后对求解结果依次进行过滤、舍入操作，以得到最终解。本发明同时也给出了解决此问题的在线算法，先基于强化学习理论使用线性回归方法预测并给出卸载策略，然后在此基础上结合深度神经网络进一步给出相应的最优资源分配策略。以上方法可以在有限的资源条件下为用户制定合理的任务卸载与资源分配策略，有效减少用户设备的应用程序执行延迟以及设备能耗，在提高服务质量的同时提高整个网络的利用率。

公开(公告)号：CN110971706B

公开(公告)日：2021-07-16

申请号：CN201911300667.2

申请日：2019-12-17

Applicant: 大连理工大学

Inventor： 夏秋粉 ,  娄铮 ,  徐子川

IPC: H04L29/08

Abstract: 本发明属于移动边缘计算卸载技术领域，提供了一种MEC中近似最优化与基于强化学习的任务卸载方法。本发明对问题建立数学模型，将待解决问题转化为整数线性规划问题。针对此问题，本发明中提出的离线算法对问题中的整数约束条件进行松弛操作，然后对求解结果依次进行过滤、舍入操作，以得到最终解。本发明同时也给出了解决此问题的在线算法，先基于强化学习理论使用线性回归方法预测并给出卸载策略，然后在此基础上结合深度神经网络进一步给出相应的最优资源分配策略。以上方法可以在有限的资源条件下为用户制定合理的任务卸载与资源分配策略，有效减少用户设备的应用程序执行延迟以及设备能耗，在提高服务质量的同时提高整个网络的利用率。