公开(公告)号：CN117973498A

公开(公告)日：2024-05-03

申请号：CN202410301944.6

申请日：2024-03-17

Applicant: 桂林理工大学

Inventor： 叶恒舟 ,  李焕然 ,  李高兴

IPC: G06N3/092 ,  G06F17/18

Abstract: 本发明旨在提出一种基于多智能体深度强化学习的边缘联盟资源预留策略，该资源预留策略包括构建边缘联盟场景、转化资源预留问题、构建多智能体深度学习网络、训练智能体等步骤。相较于现有技术，本发明的优势在于采用多智能体强化学习的分布式执行和集中式训练相结合的方式来解决资源预留问题。这种方法使得每个边缘资源提供商能够在本地执行，并通过集中式训练获取全局最优解。这种方法适用于边缘联盟环境，其中智能体通过与环境不断交互学习，以寻找全局最优的资源预留率，从而优化任务的平均计算时延。

公开(公告)号：CN118200255A

公开(公告)日：2024-06-14

申请号：CN202410301949.9

申请日：2024-03-17

Applicant: 桂林理工大学

Inventor： 叶恒舟 ,  李焕然 ,  李高兴

IPC: H04L47/726 ,  H04L47/83 ,  H04L67/10

Abstract: 本发明旨在建立一个分布式边缘联盟模型，引入一种综合考虑用户任务请求水平、边缘资源提供商剩余计算资源和任务执行情况的资源预留策略，该策略旨在确保边缘资源提供商之间充分合作，提高资源利用率，并降低联盟总体任务平均计算时延，具体步骤包括计算所有任务的平均计算时延、确定资源预留率以及确定任务调度策略。相较于现有技术，本发明的优势在于考虑了为下一时隙预留资源的任务卸载模型，有效降低了任务在边缘资源提供商之间传递的次数，从而降低了联盟整体任务平均处理时延，此外，提出的综合本地负载和联盟总体负载的资源预留策略实现了全局优化任务平均处理时延。