一种基于深度确定性策略梯度方法的移动边缘计算速率最大化方法，包括以下步骤：1)计算出在给出模式选择下系统中所有无线设备的速率总和；2)所有无线设备集合；3)所有无线设备的计算速率总和最大化问题；4)通过深度确定性策略梯度方法来寻找一个最优的模式选择；5)所有无线设备的模式选择M0和M1作为深度确定性策略梯度方法的状态xt，动作a则是对状态xt的更改，更改后系统的总计算速率会与一个设定的标准值进行比较，如果比这个标准值大则使当前奖励r(xt，a)设为正值，反之设为负值，同时系统进入下一状态xt+1。本发明在保证用户体验的前提下最大化所有无线设备的总和计算速率。
📄 2018103423576
📂 H04W24_02
👤 浙江工业大学
📅 2018-04-17
一种基于无人机辅助无线能量协同传输的移动边缘计算方法，在该方法中，通信过程分为三个均等时隙，无人机UAV在第一时隙以无线能量传输的方式向两个移动设备传递能量；离UAV较远的移动设备在第二时隙把卸载数据发送给离UAV较近的移动设备；离UAV较近的移动设备在第三时隙利用收集到的能量将两个移动设备的卸载数据发送给UAV。本发明有效解决基于无线能量传输的移动边缘计算系统的“双远近”效应问题，提供一种基于无人机辅助无线能量协同传输的移动边缘计算方法，有助于提升移动边缘计算系统的性能。
📄 202010062314X
📂 H04B7_185
👤 浙江工业大学
📅 2020-01-20
一种基于移动边缘计算的非正交多址接入窄带物联网的系统能耗最小化方法，在兼备MEC和NOMA技术的窄带物联网络中通过联合优化发射功率、计算资源分配和解码排序实现系统能耗最小化，该优化问题描述为一个多变量优化；将P1分解为两个子优化问题：优化资源分配和优化解码排序，其中，针对资源分配的优化，首先根据一对一对数变换已将P1问题转换成P2的凸问题，再通过梯度下降算法来优化发射功率和计算资源分配的问题；其次针对设备解码排序的优化，采用禁忌搜索算法来优化变量。本发明提供一种在兼备MEC和NOMA技术的窄带物联网中通过设计一种联合发射功率、计算资源分配以及设备解码排序的优化算法实现整个系统能耗最小化的方法。
📄 2019106588185
📂 H04W52_02
👤 浙江工业大学
📅 2019-07-22
一种基于半监督学习的移动边缘计算分流决策方法，包括以下步骤：1)在一个由多个用户组成，并且每个用户都有多个独立的任务的移动通信系统中，计算出在给出分流决策下系统中所有的能量损耗；2)计算总的时间损耗考虑为所有时间消耗的总和；3)所有用户的分流决策将通过他们的发送数据DOnm和接收数据DInm的大小决定，半监督学习的作用则是将它们作为半监督学习中神经网络的输入，然后生成一个能使整个系统的能量损耗总和最小的分流决策。本发明通过半监督学习寻找出最优的分流决策方法，在保证用户体验的前提下最小化能量损耗，保证服务质量。
📄 2018103423716
📂 H04L12_24
👤 浙江工业大学
📅 2018-04-17
一种在多基站场景中的基于非正交多址接入的移动边缘计算布伦特式时延优化方法，包括以下步骤：(1)在集成边缘服务器的BSs的覆盖范围下有1个移动用户，优化问题描述为一个多变量非凸性优化问题；(2)将问题(DM‑i)分解为两层优化问题；(3)根据底层DM‑i‑E‑Sub问题，提出了基于拉格朗日乘数法的对分搜索方法，在移动用户i传输时间ti的情况下优化移动用户i的整体时延；(4)针对顶层DM‑i‑E‑Top问题，提出布伦特方法，优化移动用户i的传输时间ti；(5)通过底层问题与顶层问题的交互迭代，最终解决问题(DM‑i)。本发明提高了系统传输效率，节省带宽资源，获得更优质的无线网络体验质量。
📄 2018111057957
📂 H04W24_02
👤 浙江工业大学
📅 2018-09-21
本发明公开了一种小蜂窝集成移动边缘计算下分布式卸载方法，包括以下步骤：1、建立宏基站覆盖区域内全体用户终端总能耗优化模型；2、用服务器n分配给用户终端m的时隙变量ym,n，替换建立的优化模型中目标函数的传输能量消耗部分，并添加等式约束,得到替换模型；利用ADMM对替换模型进行松弛和分解，得到迭代框架，分别输出用户终端侧和小蜂窝侧的优化子模型；3、对输出的用户终端侧和小蜂窝侧子模型，分别利用KKT条件推导出最优闭式解；4、基于步骤三得到的闭式解，输出信令交互和优化迭代流程。该方法主要解决现有技术复杂度高、收敛慢等问题，能有效降低用户终端能耗，适用于叠加边缘计算的小蜂窝网络。
📄 2018112926860
📂 H04W24_02
👤 南京邮电大学
📅 2018-11-01
本发明公开了移动边缘计算网络中任务卸载及资源分配的联合优化方法，包括以下步骤：步骤一：建立一个基于OFDMA的多MEC基站、多用户的场景模型，其中MEC基站支持多用户接入；步骤二：引入卸载决策机制；同时构建本地计算模型和远端计算模型，选出需要进行计算卸载的用户，根据上述条件建立满足时延约束情况下基于最小能耗的计算任务卸载和资源分配方案；步骤三：通过对卸载决策变量、无线资源分配变量及计算资源分配变量三个相互约束的优化变量进行变量融合，使问题简化；步骤四：通过分支定界算法获得使MEC系统中用户总能耗最低的卸载决策及资源分配结果。本发明具有在保证严格时延限制的前提下，能有效降低系统能耗的优点。
📄 2019100619423
📂 G06F9_445
👤 南京邮电大学
📅 2019-01-22
本发明涉及一种移动边缘计算网络中联合任务卸载和资源分配方法，属于无线通信和移动边缘计算领域。该方法包括：UE产生新的计算任务，向MEC服务器发送任务卸载请求；MEC服务器收集本时隙内所有用户端发送的计算卸载请求信息；将用户计算任务和MEC服务器资源进行首次匹配，构成初始卸载策略集，计算初始目标函数的值；求得最小的目标函数值和获得最优目标函数值的用户。更新所有用户的卸载决定，判断得到的最优的目标函数不小于上一次的目标函数值是否成立，成立则输出卸载决定，信道分配矩阵和最优计算资源。本发明降低了用户卸载的成本开销，节约了移动用户总的成本；能够接纳更多的计算卸载任务，提升了系统的任务执行效率。
📄 2020101692541
📂 H04W16_06
👤 北京电子数智科技有限责任公司
📅 2020-03-12
本发明涉及移动边缘计算领域，是一种基于移动边缘计算的能耗优化计算、卸载方法和系统；所述计算方法包括利用生物地理学优化算法求解出各个成本模型中时间成本和能耗成本的一系列成本解；采用快速非支配排序算法对这一系列成本解分别进行排序，并分别得到成本解集合；根据多准则决策方法TOPSIS，计算各自理想解与负理想解，从成本解集合中找到最接近理想解的最优解；将所述最优解代入到对应的成本模型中，确定出当前任务采用边缘设备或者中心设备进行卸载的最优的时间成本和能耗成本以及当前任务采用本地设备进行计算的最优的时间成本和能耗成本，本发明能够综合考虑了时间，能耗以及移动设备的移动性，保证了能耗计算以及任务卸载的效果。
📄 2020106516809
📂 H04W24_02
👤 重庆邮电大学
📅 2020-07-08
一种基于三支决策模型的移动边缘任务卸载方法，其包括：S100：用户在移动终端发起任务，将任务数据加载到一个任务队列里；S200：分别将所述任务数据代入到三支决策模型中进行计算，获取任务的总时间和能耗进而获得用户的开销；S300：基于上述获取的用户的开销计算阈值；S400：如果当前任务的计算资源充足，将移动终端的当前任务全部卸载到边缘服务器；如果当前任务的所需计算资源不是很充足时，预测该当前任务的下一个计算资源充足的概率，并将该概率与所述阈值进行比较，进而选择将当前任务全部卸载、部分卸载还是不卸载到边缘服务器上。该方法通过阈值的确定为后续到来的任务的卸载提供策略参考，从而减少计算的复杂性，优化移动设备的服务水平。
📄 2020111863819
📂 H04W4_029
👤 陕西师范大学
📅 2020-10-29
本发明公开了一种基于移动边缘计算的智能仓储任务卸载方法，首先将每个终端设备的计算任务发送给最近的边缘服务器，然后边缘服务器的任务选择智能体和卸载决策智能体均基于多指针注意力模型进行马尔科夫决策，使得任务选择智能体从任务对列中选择优先级最高的计算任务，卸载决策智能体为所选计算任务做出卸载决策，选择将计算任务卸载到边缘服务器或者云服务器进行计算，从而能够有效平衡边缘服务器与云服务器中的计算资源，减少任务处理延迟，在智能仓储任务卸载场景中具有极高的应用价值。
📄 202410808906X
📂 G06F9_445
👤 安徽大学
📅 2024-06-21
本申请涉及一种3D无人机移动边缘计算网络中的空地能量权衡方法及装置，通过联合计算卸载模式、3D无人机轨迹优化以及计算资源分配优化三个方面最小化空地能量消耗的加权总能耗，同时保证多个任务在允许的时间内完成。其次，利用块坐标下降(BCD)方法将子模型迭代优化求解，直到收敛。在任务卸载模式和计算资源分配优化的子模型中，通过惩罚方法放松二元约束以逼近二元解，采用逐次凸逼近(SCA)方法将其转化为一系列易于处理的凸优化问题，最终揭示了3D无人机空地能量权衡以及与高度相关的仰角‑距离的权衡。
📄 2022110660638
📂 H04W52_02
👤 西南大学
📅 2022-09-01
柿子坊 · 知识产权运营
柿子坊知识产权运营平台