-
公开(公告)号：CN115334551B
公开(公告)日：2023-03-24
申请号：CN202211264605.2
申请日：2022-10-17
Applicant: 湖北工业大学
Abstract: 本发明涉及一种基于契约理论的任务卸载与资源分配优化方法及系统。首先建立基站和边缘服务器的模型，针对任务卸载场景，计算基站和边缘服务器的效用；然后构建基于契约理论的边缘计算网络任务卸载与资源分配联合优化目标函数，最后通过数学方法和遗传优化算法求解基于契约理论的边缘计算网络任务卸载与资源分配联合优化目标函数，获取最优的契约项。本发明提出的基于契约理论的激励方法以实现任务卸载和资源分配，并保证基站效用的最大化。同时，本发明还首次引入计算激励来平衡计算任务卸载和资源分配，可以实现实时高效的任务卸载和资源分配。
-
公开(公告)号：CN114158085A
公开(公告)日：2022-03-08
申请号：CN202111366432.0
申请日：2021-11-18
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于时空聚合图卷积网络的移动蜂窝流量高效预测方法，首先，聚合图卷积网络将预测区域划分成多个子区域并将其作为网络中的各个节点，通过对移动流量的每日历史模式和每小时当前模式建模，捕获跨不同时间所有节点的复杂时空相关性。接着，通过嵌入模块将K层聚合图卷积网络模块的输出进行连接。然后，利用回归模块将预测信息与外部模块提取的外部特征进行融合，得到最终的移动流量预测结果，并更新模型参数以获取最小损失函数。本发明有效提高了移动蜂窝流量的预测性能。
-
公开(公告)号：CN115334551A
公开(公告)日：2022-11-11
申请号：CN202211264605.2
申请日：2022-10-17
Applicant: 湖北工业大学
Abstract: 本发明涉及一种基于契约理论的任务卸载与资源分配优化方法及系统。首先建立基站和边缘服务器的模型，针对任务卸载场景，计算基站和边缘服务器的效用；然后构建基于契约理论的边缘计算网络任务卸载与资源分配联合优化目标函数，最后通过数学方法和遗传优化算法求解基于契约理论的边缘计算网络任务卸载与资源分配联合优化目标函数，获取最优的契约项。本发明提出的基于契约理论的激励方法以实现任务卸载和资源分配，并保证基站效用的最大化。同时，本发明还首次引入计算激励来平衡计算任务卸载和资源分配，可以实现实时高效的任务卸载和资源分配。
-
Patent Agency Ranking
公开(公告)号：CN115169800A
公开(公告)日：2022-10-11
申请号：CN202210628049.6
申请日：2022-06-06
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于博弈论的车辆边缘计算资源分配激励方法及系统，旨在通过优化车辆对服务器计算资源需求策略和服务器对车辆计算资源的定价策略，来实现服务器利润和车辆效用最大化。首先，针对车辆边缘计算中计算需求日益膨胀的问题，考虑服务器有限的资源、数据传输损耗和服务器计算成本等约束限制基础上，建立车辆与服务器的斯塔克尔伯格竞争模型。其次，计算收益最大化问题。在此基础上，求解收益最大化问题，以获得最优的车辆计算资源需求策略和服务器定价策略。本发明在考虑服务器有限的资源、数据传输损耗、多台车辆之间存在计算资源竞争关系和服务器计算成本环境下，同时实现车辆高效计算卸载和服务器利润最大化，从而最小化计算成本。
-
公开(公告)号：CN114158085B
公开(公告)日：2023-07-21
申请号：CN202111366432.0
申请日：2021-11-18
Applicant: 湖北工业大学
IPC: H04W24/08 , H04L41/16 , G06F18/25 , G06F18/27 , G06N3/042 , G06N3/0464 , G06N3/049 , G06N3/08 , G06Q10/04
Abstract: 本发明公开了一种基于时空聚合图卷积网络的移动蜂窝流量高效预测方法，首先，聚合图卷积网络将预测区域划分成多个子区域并将其作为网络中的各个节点，通过对移动流量的每日历史模式和每小时当前模式建模，捕获跨不同时间所有节点的复杂时空相关性。接着，通过嵌入模块将K层聚合图卷积网络模块的输出进行连接。然后，利用回归模块将预测信息与外部模块提取的外部特征进行融合，得到最终的移动流量预测结果，并更新模型参数以获取最小损失函数。本发明有效提高了移动蜂窝流量的预测性能。
-
公开(公告)号：CN114065963B
公开(公告)日：2024-10-22
申请号：CN202111297200.4
申请日：2021-11-04
Applicant: 湖北工业大学
Abstract: 本发明公布了一种电力物联网中基于深度强化学习的计算任务卸载方法，旨在通过联合优化无人机位置、发射功率和任务划分变量来最小化能耗和时延。首先，针对计算任务卸载问题的非凸性，通过设计状态、动作空间和奖励函数，制定了马尔可夫决策过程，奖励函数基于面向输电线路巡检的电力物联网系统模型，涉及采集设备、巡检无人机和边缘服务器之间的交互，对计算任务卸载问题进行描述。在此基础上，由于马尔可夫模型具有连续的动作空间，提出了双延迟深度确定性策略梯度算法，获得了任务卸载的最优策略。
-
公开(公告)号：CN114615744A
公开(公告)日：2022-06-10
申请号：CN202210185185.2
申请日：2022-02-28
Applicant: 湖北工业大学
Abstract: 本发明公布了一种知识迁移强化学习网络切片通感算资源协同优化方法，旨在针对移动边缘网络切片用户差异化服务需求，在考虑网络切片通感算资源、用户设备时延和能耗等约束限制基础上，以用户设备总吞吐量最大化为优化目标，建立网络切片通感算资源协同优化问题模型。在此基础上，将上述优化问题建模为多智能体随机博弈过程，研究多智能体间知识迁移强化学习算法，提升协同优化策略探索效率和可扩展性，实现多样化业务场景下网络切片通感算资源协同优化。
-
公开(公告)号：CN114065963A
公开(公告)日：2022-02-18
申请号：CN202111297200.4
申请日：2021-11-04
Applicant: 湖北工业大学
Abstract: 本发明公布了一种电力物联网中基于深度强化学习的计算任务卸载方法，旨在通过联合优化无人机位置、发射功率和任务划分变量来最小化能耗和时延。首先，针对计算任务卸载问题的非凸性，通过设计状态、动作空间和奖励函数，制定了马尔可夫决策过程，奖励函数基于面向输电线路巡检的电力物联网系统模型，涉及采集设备、巡检无人机和边缘服务器之间的交互，对计算任务卸载问题进行描述。在此基础上，由于马尔可夫模型具有连续的动作空间，提出了双延迟深度确定性策略梯度算法，获得了任务卸载的最优策略。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.017 seconds)
