公开(公告)号：CN118215079A

公开(公告)日：2024-06-18

申请号：CN202410305495.2

申请日：2024-03-18

Applicant: 沈阳理工大学

Inventor： 张林丛 ,  高琳 ,  魏可峰 ,  张媛媛 ,  赵伟男

IPC: H04W28/08 ,  H04W72/044 ,  H04B7/0413 ,  G06N3/047 ,  G06N3/092

Abstract: 本发明提供基于深度强化学习的终端多任务并行卸载方法，涉及移动边缘计算卸载技术领域。该方法构建单服务器多终端用户的MEC卸载系统模型，获取终端用户任务列表；采用多输入多输出技术建立终端用户与边缘服务器之间的无线信道通信；采用功率动态离散分配方式为终端用户任务列表中的任务分配发射功率，并将已分配发射功率的任务通过无线信道卸载到边缘服务器，未分配发射功率的任务由终端用户执行；采用最短作业优先算法计算任务执行顺序；通过采用基于动作价值学习的Dueling DQN算法优化构建的总时延目标函数，得到最优决策神经网络，用于卸载终端用户任务列表的任务。针对单服务器多终端用户场景，通过同时卸载多个任务实现最小化任务平均时延的目标。

公开(公告)号：CN118075818A

公开(公告)日：2024-05-24

申请号：CN202410390914.7

申请日：2024-04-02

Applicant: 沈阳理工大学

Inventor： 张林丛 ,  张文波 ,  魏可峰 ,  刘雨晴 ,  赵伟男

IPC: H04W28/084 ,  H04W28/082 ,  H04L41/14 ,  H04L41/16 ,  H04L67/10 ,  H04L67/12

Abstract: 本发明提供一种基于深度强化学习的跨区域计算卸载方法，涉及深度强化技术领域，本发明针对多区域多服务器多终端用户场景，建立了一个多区域的任务卸载模型，并提出了基于深度强化学习Dueling Double DQN的跨区域计算卸载方法。该方法引入D2D通信技术，通过附近终端用户辅助卸载的方法，扩大边缘服务器的服务范围，均衡各边缘服务器的负载情况，从而有效降低了系统的平均任务时延。首先围绕所提出的问题构建了综合的系统模型、网络模型及任务计算卸载模型，并对这些模型进行了详细的数量关系分析。然后将任务卸载决策定义为马尔可夫决策问题，以最小化平均任务时延为目标，提出了一种基于深度强化学习D3QN算法的跨区域任务卸载决策方法。