专利交易市场

本发明公开了一种面向多智能体协同的有向网络预设时间分布式博弈方法及系统，该方法基于权重平衡的强连通有向通信网络，构建包含局部目标函数和全局耦合等式约束的多智能体博弈控制模型，通过引入一致性估计变量与自适应参数机制，各智能体仅依赖邻居信息对控制变量、辅助变量进行迭代更新，在预设时间内使所有智能体在满足全局等式约束条件下，协同收敛至系统纳什均衡状态；本发明在有向通信条件下即可实现系统全局耦合等式约束的满足与广义纳什均衡的分布式达成，通过引入自适应机制实现了参数的在线自调整，增强了系统对不同通信环境和初始状态的适应能力。

本发明提供了面向ICV云平台分布式数据中心的工作负载优化方法及系统，方法包括：获取总任务到达速率、地理分布式数据中心的相关配置参数及隐私约束条件；根据所述总任务到达速率、地理分布式数据中心的相关配置参数及隐私约束条件，基于隐私感知的工作负载优化模型，得到工作负载管理策略；其中，所述隐私感知的工作负载优化模型基于M/M/m排队模型、隐私模型、功耗模型构建，并将任务到数据中心的映射作为染色体编码方式，通过遗传算法的进化过程，在满足隐私约束条件的情况下寻找最优工作负载策略。本发明面向ICV云平台分布式数据中心的工作负载优化方法，从而从根源上解决了现有的数据安全性低、不满足隐私约束、工作负载管理策略不佳的问题。

本发明公开了一种基于全局费用最小化的雾计算任务卸载方法及系统，方法包括：S1，获取整个雾网络的信息；S2，根据S1获取的信息，判断各终端和雾节点的卸载可行性，并计算可行匹配的最优卸载比例和对应的费用；S3，根据S2得到的信息，计算各终端节点与雾节点之间的权重；S4，利用扩展Kuhn‑Munkres算法，根据S3得到的权重，以网络整体权重最大为目标，求解终端节点与雾节点之间的一对一匹配，得到任务卸载决策矩阵X；S5，以S4得到的决策矩阵X为索引，得到终端节点和对应雾节点的卸载比例、费用，以及系统总体的费用。本发明考虑多个终端节点和多个雾节点的场景，以全局的思想，保证最大化卸载成功率的前提下最小化网络的卸载费用，避免了局部最优的情况。

本发明涉及无线通信技术领域，具体涉及一种面向异构移动边缘网络的动态任务卸载方法，包括移动设备产生计算任务，根据计算任务的属性建立两个任务队列模型，并得出卸载任务的处理策略；计算卸载任务的卸载效用、通信成本以及通信与计算能耗成本；建立移动设备在进行任务卸载中的系统模型，并以最大化时间平均卸载收益为优化目标的任务卸载问题；根据李雅普诺夫优化理论将任务卸载优化问题转化为单时隙内的优化问题，通过最小化李雅普诺夫漂移加惩罚项之和求出新的优化方程；根据计算任务卸载的属性请求，建立搜索树，进行快速的分支定界，得到移动设备最优的卸载策略和卸载的任务量；本发明能够保证系统的稳定性，最大化系统的时间平均卸载收益。