公开(公告)号：CN111414252A

公开(公告)日：2020-07-14

申请号：CN202010190186.7

申请日：2020-03-18

Applicant: 重庆邮电大学

Inventor： 温醒醒 ,  夏士超 ,  李云 ,  黄鸿锐 ,  苏开荣

IPC: G06F9/50 ,  G06F30/20 ,  G06N3/04 ,  G06N3/08 ,  G06F111/04

Abstract: 本发明涉及无线通信技术领域，具体为一种移动边缘计算下基于深度强化学习的任务卸载方法，包括：根据移动用户到达的任务，建立一个队列模型来描述移动用户的任务卸载问题；根据任务卸载的目标服务器及任务量设定约束条件；在约束条件下，采用一种无模型的强化学习机制构建以最小化系统成本为目标的优化问题；利用深度强化学习DDPG进行求解最优卸载策略；根据本发明可以实现在不知道信道状态信息的情形下，通过探索和训练来自适应调整MEC系统的任务卸载策略，实现系统的卸载成本最小化，提升用户体验。

公开(公告)号：CN111414252B

公开(公告)日：2022-10-18

申请号：CN202010190186.7

申请日：2020-03-18

Applicant: 重庆邮电大学

Inventor： 温醒醒 ,  夏士超 ,  李云 ,  黄鸿锐 ,  苏开荣

IPC: G06F9/50 ,  G06F30/20 ,  G06N3/04 ,  G06N3/08 ,  G06F111/04

Abstract: 本发明涉及无线通信技术领域，具体为一种移动边缘计算下基于深度强化学习的任务卸载方法，包括：根据移动用户到达的任务，建立一个队列模型来描述移动用户的任务卸载问题；根据任务卸载的目标服务器及任务量设定约束条件；在约束条件下，采用一种无模型的强化学习机制构建以最小化系统成本为目标的优化问题；利用深度强化学习DDPG进行求解最优卸载策略；根据本发明可以实现在不知道信道状态信息的情形下，通过探索和训练来自适应调整MEC系统的任务卸载策略，实现系统的卸载成本最小化，提升用户体验。

公开(公告)号：CN111258677A

公开(公告)日：2020-06-09

申请号：CN202010056885.2

申请日：2020-01-16

Applicant: 重庆邮电大学

Inventor： 温醒醒 ,  夏士超 ,  李云 ,  苏开荣

IPC: G06F9/445 ,  G06F9/48

Abstract: 本发明涉及无线通信技术领域，具体涉及一种面向异构网络边缘计算的任务卸载方法，包括：移动用户请求计算任务，建立任务队列模型，得到移动用户的卸载任务量；根据移动用户的最大卸载任务量设定约束条件；建立系统模型，构建以最大化时间平均卸载收益为目标的任务卸载优化问题；利用李雅普诺夫优化理论将任务卸载优化问题转换为每一时隙内的优化问题，通过最小化李雅普诺夫漂移与惩罚项之和得到新的优化方程；提出一种基于最值的选择准则，在此基础上，决策用户卸载的最优目标服务器以及卸载的最优任务量。本发明提出的任务卸载方法可以确定卸载的最优目标服务器以及最优的任务卸载量，在保证系统的稳定性的同时，最大化系统的时间平均卸载收益。