-
公开(公告)号：CN118170449A
公开(公告)日：2024-06-11
申请号：CN202311276785.0
申请日：2023-10-06
Applicant: 西北工业大学
IPC: G06F9/445 , G06F9/50 , G06N3/0464 , G06N3/092
Abstract: 本发明提出一种面向无线供电车载边缘计算系统的基于二阶段采样的鲁棒智能卸载方法，通过二阶段采样方法获取数据样本进行训练，并在此基础上，通过深度强化学习，联合优化车辆卸载决策、信道资源分配、边缘服务器计算资源分配、车辆的计算速度和传输功率，从而能够在快速衰落的无线信道环境下为每个车辆做出更具适应性和鲁棒性的卸载决策。
-
Patent Agency Ranking
公开(公告)号：CN117278997A
公开(公告)日：2023-12-22
申请号：CN202311215433.4
申请日：2023-09-19
Applicant: 西北工业大学
IPC: H04W16/10 , H04W72/0446 , H04B7/185 , H04W84/06
Abstract: 本发明公开了一种基于双尺度时变图的非地面网络资源表征方法及系统，初始化网络中各网络节点的集合，记录所有能进行数据传输的时间窗口，并建立双尺度资源时变图，其大尺度表示网络的拓扑结构的变化情况，小尺度表示能够对资源进行调配的最小时间单位。具体而言，通过构造双尺度资源时变图，从双尺度来刻画非地面网络资源随不同时间尺度的承接关系：用大尺度刻画网络资源的拓扑结构的实时变化，用小尺度表征网络资源的实时性与任务的突发性，进而可以高效地将高动态网络中的资源管理问题转化为图论中的经典问题。因此，本发明通过提出的双尺度时变图的方法，大大简化网络中资源管理问题的复杂度，进而保障了问题的求解效率与质量。
-
公开(公告)号：CN117200870A
公开(公告)日：2023-12-08
申请号：CN202311322399.0
申请日：2023-10-12
Applicant: 西北工业大学
IPC: H04B7/185 , H04W72/0446 , H04W72/044 , H04W84/06
Abstract: 本发明公开了一种面向空天地一体化网络的在线数据卸载方法及系统，通过构建双尺度资源时变图，从不同时间尺度准确刻画空天地一体化网络的动态性，即从大尺度时隙上刻画网络拓扑的快速变化，从小尺度时隙上对任务的信息和网络资源进行实时更新；然后，在每个小尺度时隙内，通过联合优化功率分配和数据卸载实现网络资源利用率的提升。具体而言，利用空天地一体化网络的通信链路特点，设计最优的功率分配方法，构建带权二部图为每颗低轨用户卫星匹配最优的地面站或者中继卫星，将复杂的空间数据卸载和功率控制联合优化问题统一转化为图论中经典的二部图匹配问题，大大降低了数据卸载问题的求解复杂度，有效提高空天地一体化网络的数据卸载效率。
-
公开(公告)号：CN117132051A
公开(公告)日：2023-11-28
申请号：CN202311006986.9
申请日：2023-08-10
Applicant: 西北工业大学
IPC: G06Q10/0631 , H04B7/185 , G06Q50/30 , G06N3/126
Abstract: 本发明公开了一种面向地球观测卫星网络的高能效数据卸载方法及系统，任务规划和调度中心接收各地球观测卫星的任务请求，并根据双层优化架构的高能效数据卸载方法进行地球观测卫星网络的资源分配。在上层优化中，使用高效的基因架构对功率和任务调度进行优化。在底层优化中，为上层优化计算染色体的适应度函数值；具体而言，通过构造卸载任务冲突图以刻画卫星的卸载任务冲突性，并通过求解卸载任务冲突图的最大权独立集生成任务卸载方案，按照此方案计算出染色体适应度函数值。本发明通过两层优化的方法，提高了数据卸载的效率和资源的利用率，通过使用卸载任务冲突图表征卸载任务间的冲突性，降低了卸载任务调度的复杂性，有效减少了能量的消耗并提升了卸载任务的总价值。
-
公开(公告)号：CN115460710A
公开(公告)日：2022-12-09
申请号：CN202211048897.6
申请日：2022-08-30
Applicant: 西北工业大学
Abstract: 本发明提出一种基于深度强化学习的车辆边缘计算场景中的智能计算卸载方法，根据无线信道的时变性，采用基于深度强化学习的在线框架，联合优化各个车辆终端的卸载决策、车辆本地计算能力、车辆数据传输功率、信道时隙资源分配决策以及边缘服务器的计算资源分配决策，最小化系统计算时延，得到最优的卸载决策。本发明相较于传统的启发式算法，因采用深度强化学习，同时有着深度学习的强大计算能力和强化学习的自主学习能力，能够在高动态变化的车联网环境下自动的更新卸载策略。不仅能够在无线信道时变环境下能够快速收敛至最优卸载策略；当各个车辆终端的权重发生变化时，还可以自动调整卸载策略并快速收敛到新的最优卸载策略，具有较强的鲁棒性。
-
公开(公告)号：CN115460710B
公开(公告)日：2024-08-23
申请号：CN202211048897.6
申请日：2022-08-30
Applicant: 西北工业大学
IPC: H04W72/542 , H04W4/40 , G06N3/092
Abstract: 本发明提出一种基于深度强化学习的车辆边缘计算场景中的智能计算卸载方法，根据无线信道的时变性，采用基于深度强化学习的在线框架，联合优化各个车辆终端的卸载决策、车辆本地计算能力、车辆数据传输功率、信道时隙资源分配决策以及边缘服务器的计算资源分配决策，最小化系统计算时延，得到最优的卸载决策。本发明相较于传统的启发式算法，因采用深度强化学习，同时有着深度学习的强大计算能力和强化学习的自主学习能力，能够在高动态变化的车联网环境下自动的更新卸载策略。不仅能够在无线信道时变环境下能够快速收敛至最优卸载策略；当各个车辆终端的权重发生变化时，还可以自动调整卸载策略并快速收敛到新的最优卸载策略，具有较强的鲁棒性。
-
-
-
-
-
Search Results
6
records
(took 0.02 seconds)
