-
公开(公告)号：CN115865914B
公开(公告)日：2025-02-14
申请号：CN202211494716.2
申请日：2022-11-26
Applicant: 福州大学
IPC: H04L67/10 , G06F30/27 , G06N3/092 , G06N3/098 , H04L67/1008 , H04L67/101 , H04L67/1001 , H04L67/12 , H04L41/16
Abstract: 本发明涉及一种车辆边缘计算中基于联邦深度强化学习的任务卸载方法，包括：1、将任务卸载问题建模为一个优化问题：找到一组最优的任务卸载策略以最小化系统中所有车辆到达任务的平均响应时间；2、构建卸载动作Q值预测模型；将每辆车看作智能体，在运行时环境中分布式使用DQN方法训练卸载动作Q值预测模型；每个智能体通过自己可观测的数据训练自己的模型；在训练过程中，结合联邦学习框架对各智能体的模型进行聚合，最终得到适用于各智能体的通用的卸载动作Q值预测模型；3、在运行时环境中，使用得到的通用模型，通过比较各卸载动作的Q值选择卸载动作；重复上述过程，为每个子任务决定卸载地点。该方法有利于优化整个系统的平均响应时间。
-
公开(公告)号：CN115168011A
公开(公告)日：2022-10-11
申请号：CN202210886097.5
申请日：2022-07-26
Applicant: 福州大学
Abstract: 本发明涉及一种模糊边云协同环境下的多工作流应用调度方法，包括：构建多工作流应用调度模型，包括带截止时间约束的多工作流应用模型、边云协同环境以及代价驱动调度器；针对建立的多工作流应用调度模型，采用基于遗传算子的粒子群优化调度策略来最小化多工作流应用在模糊边云协同环境中的模糊执行代价，并在其中引入二次惩罚方法，以使调度策略更快地搜索到可行解。该方法有利于降低截止时间约束下多工作流应用的模糊执行代价。
-
公开(公告)号：CN114942799B
公开(公告)日：2023-08-04
申请号：CN202210702389.9
申请日：2022-06-21
Applicant: 福州大学
Abstract: 本发明提出一种云边环境下基于强化学习的工作流调度方法，基于云、边、端三层协同体系结构，考虑云、边、端不同的处理能力和不同层次之间的不同的传输速率，以最小化计算任务响应时延为优化目标，设计好Q学习算法状态、动作和奖励三要素，让智能体不断地学习，不断地调整，使得智能体逐渐明白在什么样的状态下选择什么样的动作能够得到最好的结果，从而求解出最优的卸载决策。
-
Patent Agency Ranking
公开(公告)号：CN114942799A
公开(公告)日：2022-08-26
申请号：CN202210702389.9
申请日：2022-06-21
Applicant: 福州大学
Abstract: 本发明提出一种云边环境下基于强化学习的工作流调度方法，基于云、边、端三层协同体系结构，考虑云、边、端不同的处理能力和不同层次之间的不同的传输速率，以最小化计算任务响应时延为优化目标，设计好Q学习算法状态、动作和奖励三要素，让智能体不断地学习，不断地调整，使得智能体逐渐明白在什么样的状态下选择什么样的动作能够得到最好的结果，从而求解出最优的卸载决策。
-
公开(公告)号：CN117407168A
公开(公告)日：2024-01-16
申请号：CN202311458003.5
申请日：2023-11-04
Applicant: 福州大学
Abstract: 本发明涉及一种针对差异化设备的任务卸载方法，首先基于环境内已有移动设备的卸载经验，结合深度Q网络和联邦学习框架，构建并训练一个全局模型；然后每有一台新移动设备要获得其个人模型，就将全局模型推送至该新移动设备上，新移动设备在全局模型的基础上结合自身少量的卸载经验进行训练，得到个人模型。该方法有利于在保证模型质量的同时，降低获得个人模型的时延。
-
公开(公告)号：CN115220818A
公开(公告)日：2022-10-21
申请号：CN202210937248.5
申请日：2022-08-05
Applicant: 福州大学
Abstract: 本发明涉及一种基于深度强化学习的实时依赖型任务卸载方法，包括以下步骤：步骤S1:基于任务卸载的系统模型，在运行时环境中使用DQN算法训练卸载操作Q值预测模型；步骤S2:卸载操作Q值预测模型，根据计算节点的计算能力、计算节点之间的传输速率以及应用的卸载方案，预测不同卸载操作的Q值，然后，通过比较它们对应的Q值来选择合适的卸载操作；步骤S3:重复步骤S2，通过反馈迭代逐步为每个任务决定执行位置。本发明能够很好地适应不同的云边缘环境，并高效地生成卸载方案。
-
公开(公告)号：CN116582890A
公开(公告)日：2023-08-11
申请号：CN202310344158.X
申请日：2023-04-03
Applicant: 福州大学
IPC: H04W28/08 , H04W28/088 , G06F9/50
Abstract: 本发明的目的在于提供一种无线城域网中基于两阶段决策的多边缘协同负载均衡方法，首先，基于全局信息执行负载均衡的集中决策，其中设计了一个基于深度神经网络（DNN）的预测模型来评估相邻边缘之间的任务调度范围。接下来，基于局部信息执行负载均衡的分散决策，其中设计了一个基于深度Q网络（DQN）的调整操作Q值预测模型来评估边缘之间的负载均衡方案。最后，通过反馈控制获得目标负载均衡方案。通过仿真实验证明了TDB‑EC能够很好地适应新环境，并在秒级实现多边缘负载均衡。此外，TDB‑EC优于三种经典方法，并达到近似最优的性能。
-
公开(公告)号：CN115865914A
公开(公告)日：2023-03-28
申请号：CN202211494716.2
申请日：2022-11-26
Applicant: 福州大学
IPC: H04L67/10 , G06F30/27 , G06N3/092 , G06N3/098 , H04L67/1008 , H04L67/101 , H04L67/1001 , H04L67/12 , H04L41/16
Abstract: 本发明涉及一种车辆边缘计算中基于联邦深度强化学习的任务卸载方法，包括：1、将任务卸载问题建模为一个优化问题：找到一组最优的任务卸载策略以最小化系统中所有车辆到达任务的平均响应时间；2、构建卸载动作Q值预测模型；将每辆车看作智能体，在运行时环境中分布式使用DQN方法训练卸载动作Q值预测模型；每个智能体通过自己可观测的数据训练自己的模型；在训练过程中，结合联邦学习框架对各智能体的模型进行聚合，最终得到适用于各智能体的通用的卸载动作Q值预测模型；3、在运行时环境中，使用得到的通用模型，通过比较各卸载动作的Q值选择卸载动作；重复上述过程，为每个子任务决定卸载地点。该方法有利于优化整个系统的平均响应时间。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
