公开(公告)号：CN119225845A

公开(公告)日：2024-12-31

申请号：CN202411171958.7

申请日：2024-08-26

Applicant: 湖南汽车工程职业学院

Inventor： 郭飞雁 ,  罗校清 ,  谢鑫 ,  晏园 ,  杨明鄂 ,  王东涛 ,  肖名涛 ,  沈言锦 ,  李治国 ,  王颖

IPC: G06F9/445 ,  G06F9/50 ,  G06N3/0499 ,  G06N3/092

Abstract: 本发明公开了一种云边协同环境下基于移动性感知的车辆任务卸载方法，步骤包括：先将车辆边缘环境下车辆任务卸载问题定义为一个以用户访问延迟最小化为目标的车辆任务卸载优化问题VTOP；再将VTOP问题建模成一个约束马尔可夫决策过程，引入MEC服务器选择策略经验池应对移动边缘环境的复杂性；然后提出基于在线(on‑line)异策(off‑policy)式深度强化学习算法建立VTO‑TD3方法解决VTOP问题；再构建车辆边缘环境下车辆任务卸载模型和学习框架，建立深度强化学习构成的VTO‑TD3算法。初始化后，根据访问延迟最小化目标进行卸载策略优化和计算，得到最优车辆任务卸载策略，解决了移动边缘环境下数据密集和延迟敏感的车辆计算任务卸载的问题。

公开(公告)号：CN117749795A

公开(公告)日：2024-03-22

申请号：CN202311694578.7

申请日：2023-12-11

Applicant: 湖南汽车工程职业学院

Inventor： 郭飞雁 ,  罗校清 ,  唐科 ,  晏园 ,  肖名涛 ,  李治国 ,  沈言锦 ,  王颖

IPC: H04L67/10 ,  G06F18/23213 ,  G06N3/092 ,  G06F9/50 ,  H04L67/12 ,  H04L41/16

Abstract: 本发明公开了基于强化学习算法的车辆边缘服务器部署方法，其方法的步骤包括：S1：在云端与边缘端协同环境下对部署车辆边缘服务器的场景进行建模；S2：构建寻找云边协同计算网络下车联网边缘服务器部署问题最优解时的目标函数和约束条件；S3：采用层次聚类算法和强化学习算法求解目标函数，得到目标函数的最优解；综上所述，本发明将强化学习机制应用于划分路边单元RSU的归属与决策边缘服务器位置，以实现用户服务访问延迟最小化及边缘服务器之间的负载均衡，满足了车载用户对车联网服务“低延时、高带宽、高可靠”的性能需求。