一种基于李雅普诺夫和深度强化学习的任务卸载方法

AITNT
正文
推荐专利
一种基于李雅普诺夫和深度强化学习的任务卸载方法
申请号:CN202410880880
申请日期:2024-07-02
公开号:CN118733143A
公开日期:2024-10-01
类型:发明专利
摘要
本发明涉及了多移动设备和单个边缘服务器之间的端边协同任务处理系统。移动设备通过无线信道卸载计算密集型任务到边缘服务器,可以选择在本地计算和边缘计算两种模式,并且构建了一个以最小化任务能耗和时延的加权和为目标的长期系统优化问题。我们通过引入虚拟能量队列和李雅普诺夫函数,保证系统稳定性的同时最小化能耗和时延。引入多智能体深度强化学习方法,利用双层竞争深度神经网络结构进行任务迁移比例、CPU周期频率与传输功率的优化。算法通过经验回放机制和梯度下降算法训练智能体的actor和critic网络,实现各终端设备在动态环境中的最优策略学习。与现有技术相比,本发明能够有效降低任务处理时延和能耗,保证系统稳定性。
技术关键词
深度神经网络结构 李雅普诺夫优化 李雅普诺夫函数 卸载方法 保证系统稳定性 梯度下降算法 时延 能耗 终端设备 深度强化学习 移动设备 训练智能 卸载系统 系统开销 车载移动终端 策略 功率 队列模型
系统为您推荐了相关专利信息
1
一种基于多源感知融合的无人机动态路径控制方法
动态路径控制 激光雷达 延迟估计器 感知特征 动态时间规整算法
2
一种应用于自冲铆接的控制方法
多尺度滤波 动态校正 波动特征 控制策略 压力
3
磁悬浮水下机器人路径跟随控制方法、装置、设备及介质
水下机器人 路径跟随控制方法 基体 稳态误差 磁悬浮机器人
4
基于自反馈扩张状态观测器的船舶抗欺骗攻击控制方法
李雅普诺夫函数 扩张状态观测器 横摆角速度 非线性动力学模型 表达式
5
基于深度Q学习与CH算法的多用户依赖任务卸载方法
深度Q学习 卸载方法 时延 卸载策略 MEC系统
添加客服微信openai178,进AITNT官方交流群
驱动智慧未来:提供一站式AI转型解决方案
沪ICP备2023015588号