本发明提出一种面向资源受限边缘云的物联网应用优化部署方法，其步骤为：首先，针对构建的智慧城市移动边缘计算系统模型分别构建资源浪费模型、资源负载不均衡模型、能源消耗模型和带宽资源消耗模型，并进行加权构建联合优化目标函数；其次，利用染色体编码方案对DE算法及控制参数进行改进，得到有效的改进DE算法；最后，利用改进的DE算法对联合优化目标函数进行优化求解，输出联合优化目标函数的最小值对应的闲置资源、资源负载不均衡水平、能源消耗的功率和带宽资源的消耗量。本发明提出一种近似最优的部署方案，能够在规定资源和执行延迟约束条件下同时提高了系统效用和带宽资源利用率，又通过采用多种优化策略来提高算法的多样性和收敛速度。
📄 2020108000804
📂 G06F9_50
👤 安阳师范学院
📅 2020-08-11
本发明涉及能源调度技术领域，尤其涉及一种物联网边缘计算赋能的分布式能源调度方法，采集各用电区域的实际用电信息；基于各用电区域的实际用电量与预期用电量确定平均消耗比；基于各用电区域在各分析周期内的实际用电量确定各用电区域的预期用电量，和针对各用电区域的能源调度比例，将电能分配调度至各用电区域；基于平均消耗比确定供电层的运行参数是否合格，在判定供电层的运行参数异常时，基于消耗差异量调节供电调度数据，包括基于实际用电量识别异常区域并基于异常区域影响参数和能源溢出参量修正针对异常区域的能源调度比例，或修正预期平均用电量。实现了预期用电量的精准预测、能源调度数据的精准确定。
📄 2025111919075
📂 G06Q10_0631
👤 闽西职业技术学院
📅 2025-08-25
本发明公开了一种基于二进制卸载的边缘计算资源分配方法，包括：建立边缘计算网络，每个无线节点的决策mi∈{0,1}；初始化卸载决策M0；根据第l次迭代的卸载决策Ml产生N个候选卸载决策；获取各候选卸载决策的资源分配结果及对应的网络总速率；将网络总速率最大的候选卸载决策作为Ml(j*)；判断Ml(j*)对应的网络总速率是否大于Ml对应的网络总速率，若是，将Ml(j*)及其对应的网络总速率作为Ml+1及Ml+1对应的网络总速率，返回执行下一次迭代，否则，将Ml及对应的资源分配结果作为最终决策分配结果。该方法可快速确定二进制卸载决策及对应的资源分配结果，达到较高的网络总计算速率。
📄 2022105070626
📂 H04W28_084
👤 浙江工业大学
📅 2022-05-10
本发明属于边缘计算技术领域，尤其涉及一种基于信息年龄的异构边缘计算网络卸载与资源分配方法。本发明包括根据每个移动设备的经验进行联邦学习，根据联邦学习得到的全局神经网络参数更新每个移动设备的本地神经网络；对本地神经网络进行训练，利用训练好的本地神经网络输出当前时隙对应任务的卸载决策；使用精英保留遗传算法对不满足能耗约束的卸载决策进行调整；计算每个基站分配给每个移动设备的计算资源和带宽资源；执行卸载决策和计算资源与带宽资源分配任务；计算每个移动设备的奖励。本发明既降低了问题求解的复杂度，又通过安全学习机制确保严格满足能耗约束，显著提升了策略的收敛速度和鲁棒性。
📄 2025107313293
📂 H04W72_0453
👤 浙江工业大学
📅 2025-06-03
一种基于深度强化学习的无人机辅助边缘卸载决策方法，包括以下步骤：设置S个静态边缘服务器和N架携带存储设备的无人机；服务器上的任务以均值为λi,t的泊松分布到达，并以一定的概率pi,t卸载给服务器进行处理，剩下的则在无人机处理；建立以最小化任务完成时间和计算任务成本为优化目标的优化问题模型，并采用深度强化学习方法来求解该问题，得到最优的无人机数量分配方案以及服务器与无人机之间的卸载方案。本发明适用于服务器计算任务不均衡的移动边缘计算系统场景，可以根据边缘服务器的计算任务负载情况，合理部署无人机，制定合适的卸载决策。
📄 2022104335117
📂 G06F9_445
👤 浙江工业大学
📅 2022-04-24
本发明涉及一种面向移动边缘计算的虚拟机部署方法，构建移动边缘计算环境，定义每一个边缘服务器的能源消耗模型、虚拟机集合VM和边缘服务器队列S，以引入二阶震荡因子的蝙蝠模型进行虚拟机部署，将m个虚拟机部署至n个边缘服务器，以虚拟机部署的历史数据训练改进的LSTM学习模型，基于学习模型进行虚拟机部署。本发明在Bat算法中引入二阶震荡，解决局部最优解的问题，并在搜索接近最优时使用订单转移机制，继续寻找最优解，最后使用该算法得到的历史部署数据训练改进的LSTM模型；本发明能充分利用边缘节点的历史数据，同时考虑到边缘端的资源有限和去中心化等问题，综合考虑能耗问题和时延问题，达到低能耗低时延的目标。
📄 2021102317660
📂 G06F9_455
👤 浙江工业大学
📅 2021-03-02
一种移动用户深度神经网络计算卸载时延最小方法，通过对处在移动状态下的用户处理基于深度神经网络的智能应用进行分析，以最小化时延为目的建立相应模型；将深度神经网络建模为一张有向无环图，通过对该图的多次切割制定最佳的卸载决策；切割过程分为两个阶段：第一阶段仅考虑一个时隙内的优化问题，寻找到一个最佳切割点，把该时隙内的网络模型分为前后两部分，第一部分进行本地计算，第二部分卸载至边缘云计算；第二阶段从全局角度出发，将整个有向无环图且切割为多个分块，实现最小化完成整个DNN任务所需的时隙数。本发明以最小化DNN计算时延为目标，实现移动用户和边缘云服务器的协同合作，同时保证用户移动过程中处理任务的连续性。
📄 2020103308043
📂 H04L29_08
👤 浙江工业大学
📅 2020-04-24
一种单个边缘计算服务器场景下基于线性搜索的移动区块链优化算力分配方法，包括以下步骤：(1)在单个边缘计算服务器的覆盖范围下总共有n个移动用户，提出了一种在有限的边缘服务器算力资源下，优化系统移动终端的算力分配与最大化系统的收益，优化问题描述为一个非凸性优化问题；(2)在给定μ的条件下将TRO问题等价转化为TRO-sub问题；(3)分成三种情况讨论求解TRO-sub；基于线性搜索的方法求出全局最优的解，并求出最大化的系统收益。对于移动终端而言，本发明利用边缘计算技术大大提高了率先完成工作量证明的概率；对于边缘计算服务器而言，在有限的算力资源条件下，满足了移动终端的需求；提高了系统最终的收益。
📄 2018111707423
📂 G06F9_50
👤 浙江工业大学
📅 2018-10-09
一种在多个边缘计算服务器场景下基于模拟退火的移动区块链优化算力分配方法，包括以下步骤：(1)在多个边缘计算服务器的覆盖范围下总共有n个移动用户，提出了一种在有限的边缘服务器算力资源下，最优系统移动终端的算力分配与最大化系统的收益，优化问题描述为一个非凸性优化问题；(2)在给定vi的条件下将TRO问题等价转化为TRO-sub问题；(3)讨论求解决TRO-Sub问题确定 基于模拟退火的方法求出全局最优的解，并求出最大化的系统收益。本发明对于移动终端而言，利用边缘计算技术大大提高了率先完成工作量证明的概率；对于边缘计算服务器而言，在有限的算力资源条件下，满足了移动终端的需求；提高了系统最终的收益。
📄 2018111707230
📂 G06F9_50
👤 浙江工业大学
📅 2018-10-09
本发明属于移动边缘计算领域，公开了一种基于基线的自动化边缘计算网络资源分配方法。包括获取各无线设备与各混合接入点之间的信道增益；将信道增益输入离散网络分支预测卸载决策；将信道增益和卸载决策输入并行的第一和第二连续网络分支，预测能量分配比例和卸载时间分配比例；取历史迭代训练后并行的分支作为基线，根据当前时隙的信道增益，输出历史的预测结果；根据当前时隙和历史的预测结果分别计算最大计算速率，更新离散网络分支；根据当前时隙的预测结果，计算当前时隙的最大计算速率，更新第一连续网络分支和第二连续网络分支。本发明在分布式可再生能源为无线设备功能的情况下，达到较高的边缘计算网络整体的最大计算速率。
📄 2026100269580
📂 H04W28_084
👤 浙江工业大学
📅 2026-01-09
一种最小化网络时延的边缘节点负载均衡方法，结合了MEC和SDN的优势，用于解决边缘网络节点负载不均衡及单个节点资源有限的问题。首先设计了过载节点卸载策略，即过载节点分割计算任务，通过一跳或者多跳的方式分别卸载到其它相对欠载的边缘节点；然后将过载节点的优化卸载问题建模最小化时延的数学问题。再设计了一种基于量子粒子群算法的边缘节点卸载算法求解该节点的最佳卸载策略包括任务的分割比例、目标节点的选择以及路径。本发明利用SDN控制器根据监控边缘网络的状态，调度过载节点向欠载节点卸载，优化卸载决策，降低过载节点的负载，最终降低边缘网络的处理时延。
📄 2021100367773
📂 H04L67_1008
👤 浙江工业大学
📅 2021-01-12
一种基于契约的无人机边缘缓存策略和奖励优化方法，在该方法中，无人机和地面用户设备按照契约进行边缘缓存；能提供缓存资源的用户设备根据自己的信道、功率、速率和共享缓存资源代价等条件设计自己的类型和缓存策略；无人机根据每个用户设备可能的类型和缓存策略给其设计相应的契约；用户设备根据无人机提供的契约参与无人机边缘缓存，获得相应的奖励。本发明有效解决移动边缘网络中激励机制需要用户设备完全信息的问题，提供一种不需要用户设备完全信息的基于契约的无人机边缘缓存策略和奖励优化方法，有助于提升网络总体效益。
📄 2020100623084
📂 H04W16_22
👤 浙江工业大学
📅 2020-01-20
柿子坊 · 知识产权运营
柿子坊知识产权运营平台