基于联邦深度强化学习的车路协同卸载方法及系统

本发明面向车路系统计算卸载领域，提出了一种基于联邦深度强化学习的车路协同卸载方法及系统。本发明首先从车路协同系统中获得服务范围内计算节点信息和具体车辆信息；然后建立车路协同计算卸载的数学模型，构造目标函数及约束条件；接着使用基于阈值排队模型的资源激励策略，发现闲置计算资源，筛选候选服务节点；其次以车路协同系统中的智能车辆作为智能体，建立马尔科夫决策过程模型；最后使用联邦深度强化学习算法，开始对解决计算卸载问题的训练，移动边缘服务器获取车辆的卸载策略信息进行聚合后，更新车辆本地参数，直到训练结束后，获得的卸载策略能够降低卸载时延并保护车辆隐私。本发明量化了动态隐私保护的需求，利用闲置的计算资源，与现有的车路协同卸载方法相比，本发明提高了车路协同系统计算卸载的质量和安全。