-
公开(公告)号：CN117034130A
公开(公告)日：2023-11-10
申请号：CN202311085413.X
申请日：2023-08-28
Applicant: 湖南大学
IPC: G06F18/2411 , G06F18/214
Abstract: 本申请提供一种基于深度强化学习的车联网联邦学习激励方法，通过设置训练决策，并针对所述训练决策构建激励网联车辆参与训练任务的收益模型，所述训练决策包括两个方向：第一，网联车辆选择本地进行模型训练；第二，网联车辆选择将数据传输至边缘服务器进行模型训练；在网联车辆端部署深度强化学习模型，根据深度强化学习模型学习最优决策以最大化其实际收益。本申请可以提高联邦学习的鲁棒性与可扩展性，可有效驱动网联车辆训练高精度的联邦学习模型，并且具备较高的训练效率。本申请还提供一种基于深度强化学习的车联网联邦学习激励系统。
-
公开(公告)号：CN111741438B
公开(公告)日：2021-10-08
申请号：CN202010594908.5
申请日：2020-06-28
Applicant: 湖南大学
Abstract: 本发明公开了一种考虑车辆移动性的边端协同任务卸载方法，包括如下步骤：步骤1，通过车辆短时行驶路径，获取车辆未来一段时间进入多路边单元信号覆盖区域内与各路边单元的连接率大小，通过比较连接率的大小选择连接范围最大的路边单元；步骤2，基于车辆实时移动状态信息，建立与附近路边单元之间的时变距离，以获取通信状态信息；步骤3，比较车辆当前可连接路边单元状态信息与车辆未来行驶路径内可连接的路边单元状态信息。本发明的考虑车辆移动性的边端协同任务卸载方法，通过步骤1至步骤3的设置，便可有效的实现考虑车辆的移动性，然后具体选择卸载方法了。
-
公开(公告)号：CN113904947A
公开(公告)日：2022-01-07
申请号：CN202111344258.X
申请日：2021-11-15
Applicant: 湖南大学无锡智能控制研究院
Abstract: 本发明公开了一种车路协同分布式边缘计算任务卸载与资源分配方法和系统，该方法包括：步骤1，获得车辆与基站之间的平均传输速率；步骤2，在满足任务截止时间前提下，建立由多网联车辆任务卸载时延与能耗多目标加权和优化模型描述的原优化问题；步骤3，联合优化任务卸载分割比例、本地计算资源分配策略、通信带宽与边缘计算资源分配策略组成的约束条件，通过可行性分析得到优化变量可行集；步骤4，将所述原优化问题转化为等价优化问题；步骤5，将所述等价优化问题依次分解为第一阶段子问题和第二阶段子问题进行求解，分别得到最优通信与边缘计算资源分配策略和最优车辆任务分割策略与本地计算资源分配策略。本发明能够解决现有的边缘计算集中式决策方案通信开销大、求解复杂度高、资源分配不合理、用户部分隐私泄露等问题。
-
公开(公告)号：CN111741438A
公开(公告)日：2020-10-02
申请号：CN202010594908.5
申请日：2020-06-28
Applicant: 湖南大学
Abstract: 本发明公开了一种考虑车辆移动性的边端协同任务卸载方法，包括如下步骤：步骤1，通过车辆短时行驶路径，获取车辆未来一段时间进入多路边单元信号覆盖区域内与各路边单元的连接率大小，通过比较连接率的大小选择连接范围最大的路边单元；步骤2，基于车辆实时移动状态信息，建立与附近路边单元之间的时变距离，以获取通信状态信息；步骤3，比较车辆当前可连接路边单元状态信息与车辆未来行驶路径内可连接的路边单元状态信息。本发明的考虑车辆移动性的边端协同任务卸载方法，通过步骤1至步骤3的设置，便可有效的实现考虑车辆的移动性，然后具体选择卸载方法了。
-
Patent Agency Ranking
公开(公告)号：CN115629873A
公开(公告)日：2023-01-20
申请号：CN202211268914.7
申请日：2022-10-17
Applicant: 湖南大学
IPC: G06F9/50 , G06N3/092 , G06N3/0442 , G06N3/0455 , G06F18/23
Abstract: 本发明公开了一种车路云协同任务卸载与任务队列稳定性控制系统和方法，其包括：车辆任务管理器，其用于获取任务车在当前时刻生成的任务信息，同时根据上一时刻的任务卸载决策在当前时刻更新本地任务队列状态；车辆任务调度器，其用于根据获取到的在当前时刻任务车与服务器之间的信道功率增益、本地任务队列状态、以及服务器任务队列状态，对卸载策略进行优化；服务器管理器，其具有：资源分配更新单元，其用于根据优化后的卸载策略中任务卸载决策，通过服务器为相应任务车分配计算资源，向车辆任务调度器传输更新后的任务车在当前时刻的服务器任务队列状态及计算资源分配、以及车辆与服务器之间的信道功率增益。
-
公开(公告)号：CN113904947B
公开(公告)日：2022-10-25
申请号：CN202111344258.X
申请日：2021-11-15
Applicant: 湖南大学无锡智能控制研究院
Abstract: 本发明公开了一种车路协同分布式边缘计算任务卸载与资源分配方法和系统，该方法包括：步骤1，获得车辆与基站之间的平均传输速率；步骤2，在满足任务截止时间前提下，建立由多网联车辆任务卸载时延与能耗多目标加权和优化模型描述的原优化问题；步骤3，联合优化任务卸载分割比例、本地计算资源分配策略、通信带宽与边缘计算资源分配策略组成的约束条件，通过可行性分析得到优化变量可行集；步骤4，将所述原优化问题转化为等价优化问题；步骤5，将所述等价优化问题依次分解为第一阶段子问题和第二阶段子问题进行求解，分别得到最优通信与边缘计算资源分配策略和最优车辆任务分割策略与本地计算资源分配策略。本发明能够解决现有的边缘计算集中式决策方案通信开销大、求解复杂度高、资源分配不合理、用户部分隐私泄露等问题。
-
公开(公告)号：CN116633936A
公开(公告)日：2023-08-22
申请号：CN202310370158.7
申请日：2023-04-10
Applicant: 湖南大学
IPC: H04L67/1001 , H04L67/12 , H04L67/61 , G06F9/50 , G06N3/092
Abstract: 本发明公开了一种多智能体强化学习车联网计算卸载方法，包括以下步骤：步骤S1，构建系统模型；步骤S2，构建通信模型；步骤S3，构建任务与计算模型；步骤S4，构建能耗模型；步骤S5，构建优化模型并建立马尔可夫决策过程；步骤S6，使用MADDPG算法对优化模型进行神经网络训练；步骤S7，将完成训练的网络部署到各个智能体中。本发明通过将车联网系统中的服务车辆和MEC服务器也作为强化学习中的智能体进行资源分配的决策，并使用多智能体强化学习的方式让各智能体得到自己的策略网络，训练完成后，各智能体无需过多的通信就能够根据当前的局部信息快速输出自己的动作，能够应对快速变化的车联网环境，能够降低系统的能耗。
-
公开(公告)号：CN115631629B
公开(公告)日：2023-11-24
申请号：CN202211286196.6
申请日：2022-10-20
Applicant: 湖南大学
IPC: G08G1/01 , H04W4/40 , G06N3/0442 , G06N3/08 , G06F18/23
Abstract: 本发明公开了一种基于轨迹预测的城市动态车辆云构建方法，其步骤为：联合考虑车辆历史行驶信息与未来交通灯相位信息，对车辆历史数据和未来数据进行编码以及归一化处理，构建基于长短期记忆单元车辆轨迹预测模型，采用数据集车辆轨迹预测模型进行训练，保存训练好的车辆轨迹预测模型，利用车辆轨迹预测模型对城市交叉口的车辆轨迹预测；根据车辆轨迹预测结果，寻找轨迹近似车辆进行聚类，构建城市环境下的动态车辆云。本发明能保证车辆云在未来一定时间内的稳定性，且在选取候选服务车辆时仅需考虑车辆的位置坐标，不用考虑车辆行驶方向
-
公开(公告)号：CN115631629A
公开(公告)日：2023-01-20
申请号：CN202211286196.6
申请日：2022-10-20
Applicant: 湖南大学
IPC: G08G1/01 , H04W4/40 , G06N3/0442 , G06N3/08 , G06F18/23
Abstract: 本发明公开了一种基于轨迹预测的城市动态车辆云构建方法，其步骤为：联合考虑车辆历史行驶信息与未来交通灯相位信息，对车辆历史数据和未来数据进行编码以及归一化处理，构建基于长短期记忆单元车辆轨迹预测模型，采用数据集车辆轨迹预测模型进行训练，保存训练好的车辆轨迹预测模型，利用车辆轨迹预测模型对城市交叉口的车辆轨迹预测；根据车辆轨迹预测结果，寻找轨迹近似车辆进行聚类，构建城市环境下的动态车辆云。本发明能保证车辆云在未来一定时间内的稳定性，且在选取候选服务车辆时仅需考虑车辆的位置坐标，不用考虑车辆行驶方向等其他因素，降低聚类的复杂度。另外，能以预测的时间步长作为周期进行车辆云构建，有效减少计算资源消耗。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.015 seconds)
