公开(公告)号：CN114025359B

公开(公告)日：2024-04-23

申请号：CN202111280872.4

申请日：2021-11-01

Applicant: 湖南大学

Inventor： 蒋洪波 ,  刘爽 ,  肖竹 ,  曾凡仔 ,  刘代波

IPC: H04W16/10 ,  H04W28/06 ,  H04W72/0453 ,  H04W72/0446

Abstract: 本发明公开了一种基于深度强化学习的资源分配与计算卸载方法、系统、设备及介质，方法为：将移动设备的能量收集时间、任务卸载大小、任务卸载时间、CPU频率联合作为计算任务卸载策略变量，基于移动设备的计算任务大小、运算能力、通信信道特点以及计算任务卸载策略变量，构建移动设备收集的能量计算模型和消耗的能量计算模型，两者相减得到移动设备在各时隙的剩余能量计算模型；对所有移动设备所有时隙的剩余能量求和，得到移动边缘计算系统的剩余能量计算模型；将移动边缘计算系统的剩余能量作为优化目标，采用深度强化学习方法，通过最大化优化目标，计算得到各移动设备的计算任务卸载决策。本发明提高移动设备用户的应用体验。

公开(公告)号：CN114025359A

公开(公告)日：2022-02-08

申请号：CN202111280872.4

申请日：2021-11-01

Applicant: 湖南大学

Inventor： 蒋洪波 ,  刘爽 ,  肖竹 ,  曾凡仔 ,  刘代波

IPC: H04W16/10 ,  H04W28/06 ,  H04W72/04 ,  H04W72/12

Abstract: 本发明公开了一种基于深度强化学习的资源分配与计算卸载方法、系统、设备及介质，方法为：将移动设备的能量收集时间、任务卸载大小、任务卸载时间、CPU频率联合作为计算任务卸载策略变量，基于移动设备的计算任务大小、运算能力、通信信道特点以及计算任务卸载策略变量，构建移动设备收集的能量计算模型和消耗的能量计算模型，两者相减得到移动设备在各时隙的剩余能量计算模型；对所有移动设备所有时隙的剩余能量求和，得到移动边缘计算系统的剩余能量计算模型；将移动边缘计算系统的剩余能量作为优化目标，采用深度强化学习方法，通过最大化优化目标，计算得到各移动设备的计算任务卸载决策。本发明提高移动设备用户的应用体验。