-
公开(公告)号：CN116069414B
公开(公告)日：2023-06-09
申请号：CN202310201650.1
申请日：2023-03-06
Applicant: 湖北工业大学
Abstract: 本发明公开了一种电力物联网计算任务卸载激励优化方法和存储介质，该方法包括：构建边缘服务器效用函数以构建激励机制模型；构建电网用户效用函数以构建计算任务卸载模型；根据激励机制模型和计算任务卸载模型确定电力物联网计算任务卸载激励优化模型；基于电力物联网计算任务卸载激励优化模型对电网用户效用函数中的电网用户卸载到边缘服务器的计算任务量进行变量求解得到最佳计算任务卸载量，并对边缘服务器效用函数中的边缘服务器给电网用户的定价变量进行求解得到最佳定价，从而确定能够使电网用户和边缘服务器利益均能够达到最大化的最佳优化策略，进而便于降低系统能耗，并提高资源利用率。
-
Patent Agency Ranking
公开(公告)号：CN115866658A
公开(公告)日：2023-03-28
申请号：CN202310064987.2
申请日：2023-02-06
Applicant: 湖北工业大学
IPC: H04W24/06 , H04W24/02 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明属于无线通信技术领域，具体涉及一种基于动态时空超图卷积网络的流量预测方法和系统。首先建立门控时间卷积网络模型和高阶时间差分卷积网络模型的时间模块来模拟动态异构网络中移动流量更复杂的时间关系；建立空间渐进卷积网络模型构成空间模块，模拟动态异构网络中移动流量更复杂的空间关系；然后在图卷积网络的基础上建立移动数据流量的超图卷积网络模块，将时间模块、空间模块、超图卷积网络模块相融合，从而建立完整的移动数据流量的动态时空超图卷积预测模型；最后通过优化算法更新动态时空超图卷积预测模型中的网络参数以获取最小损失函数，得到最终的移动蜂窝流量预测结果，从而实现动态异构网络中高精度的移动流量预测。
-
公开(公告)号：CN116451800A
公开(公告)日：2023-07-18
申请号：CN202310187616.3
申请日：2023-02-28
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于深度强化学习的多任务联邦边缘学习激励方法及系统，首先通过将联邦边缘学习网络映射成劳动力市场，建立联邦边缘学习框架，构建边缘服务器与边缘设备的交互过程；然后建立边缘设备与边缘服务器的斯塔克尔伯格博弈模型以最大化边缘设备与边缘服务器的收益；最后分析纳什均衡的存在，并在此基础上以多智能体深度强化学习方式求解该斯塔克尔伯格博弈模型的最大化问题，以获得最优的边缘设备任务最优训练比和边缘服务器定价策略。本发明可以在多任务且信息不完全的联邦边缘学习场景下建立斯塔克尔伯格博弈模型以激励边缘设备参与联邦边缘学习，并以MA‑DDPG求解出最优的边缘设备任务最优训练比和边缘服务器定价策略，从而使收益最大化。
-
公开(公告)号：CN115866658B
公开(公告)日：2023-05-16
申请号：CN202310064987.2
申请日：2023-02-06
Applicant: 湖北工业大学
IPC: H04W24/06 , H04W24/02 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明属于无线通信技术领域，具体涉及一种基于动态时空超图卷积网络的流量预测方法和系统。首先建立门控时间卷积网络模型和高阶时间差分卷积网络模型的时间模块来模拟动态异构网络中移动流量更复杂的时间关系；建立空间渐进卷积网络模型构成空间模块，模拟动态异构网络中移动流量更复杂的空间关系；然后在图卷积网络的基础上建立移动数据流量的超图卷积网络模块，将时间模块、空间模块、超图卷积网络模块相融合，从而建立完整的移动数据流量的动态时空超图卷积预测模型；最后通过优化算法更新动态时空超图卷积预测模型中的网络参数以获取最小损失函数，得到最终的移动蜂窝流量预测结果，从而实现动态异构网络中高精度的移动流量预测。
-
公开(公告)号：CN116069414A
公开(公告)日：2023-05-05
申请号：CN202310201650.1
申请日：2023-03-06
Applicant: 湖北工业大学
Abstract: 本发明公开了一种电力物联网计算任务卸载激励优化方法和存储介质，该方法包括：构建边缘服务器效用函数以构建激励机制模型；构建电网用户效用函数以构建计算任务卸载模型；根据激励机制模型和计算任务卸载模型确定电力物联网计算任务卸载激励优化模型；基于电力物联网计算任务卸载激励优化模型对电网用户效用函数中的电网用户卸载到边缘服务器的计算任务量进行变量求解得到最佳计算任务卸载量，并对边缘服务器效用函数中的边缘服务器给电网用户的定价变量进行求解得到最佳定价，从而确定能够使电网用户和边缘服务器利益均能够达到最大化的最佳优化策略，进而便于降低系统能耗，并提高资源利用率。
-
公开(公告)号：CN115915147A
公开(公告)日：2023-04-04
申请号：CN202211335749.2
申请日：2022-10-28
Applicant: 湖北工业大学
Abstract: 本发明提出了一种深度强化学习的联邦学习资源分配优化系统及方法。基站与多个移动设备连接，将全局联邦学习模型发送至每个移动设备。移动设备进行局部训练并产生训练延迟和训练能量消耗。移动设备将训练后的模型上传至基站并生成传输延迟和传输能量消耗；结合训练延迟和训练能量消耗、传输延迟和传输能量消耗得到最大能量约束和最大异步通信时延约束。结合约束条件，构建联邦学习资源分配优化目标模型；以联邦学习资源分配优化目标模型效用最小化作为优化目标，通过深度强化学习求解得到移动设备的优化策略。本发明通过安全深度强化学习的联邦学习资源分配优化策略，结合最大能量约束和最大异步通信时延约束，达到获得系统最小效用的目的。
-
-
-
-
-
Search Results
6
records
(took 0.07 seconds)
