CN111464976B - 一种基于车队的车辆任务卸载决策和总体资源分配方法 - Google Patents
一种基于车队的车辆任务卸载决策和总体资源分配方法 Download PDFInfo
- Publication number
- CN111464976B CN111464976B CN202010317417.6A CN202010317417A CN111464976B CN 111464976 B CN111464976 B CN 111464976B CN 202010317417 A CN202010317417 A CN 202010317417A CN 111464976 B CN111464976 B CN 111464976B
- Authority
- CN
- China
- Prior art keywords
- task
- vehicle
- fleet
- server
- unloading
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
Abstract
本发明公开一种基于车队的车辆任务卸载决策和总体资源分配方法,应用于无线通讯技术和边缘计算领域,针对现有的车辆边缘计算方法中,服务器的覆盖范围与计算资源有限和车辆的高速移动性所造成的连接链路不稳定的问题;本发明将车队和具有边缘计算能力的RSU为任务卸载车辆提供任务处理服务,进行任务和资源分配的联合优化,使车联网环境下车载任务执行的时延和能量消耗最小化;并聚合多个车辆的计算能力,以头车作为任务卸载点,根据车队的计算资源和通信链路状况完成任务的二次卸载,并在车队内分配频谱资源,降低了车队内部交互的通信开销,提高了在车联网中车辆网络拓扑快速变化环境下的传输可靠性。
Description
技术领域
本发明属于无线通讯技术和边缘计算领域,特别涉及一种车辆任务卸载技术。
背景技术
车联网(Internet of Vehicles,IoV)是物联网(Internet of Things,IoT)在汽车行业的重要应用,被认为是下一代智能交通系统的信息基础。为了减少交通事故,提高出行便利,车辆自动驾驶、智能辅助驾驶等智能交通应用数量不断增加。然而,这些新兴的应用不仅需要较高的计算复杂度,而且对时延敏感。目前车载设备有限的计算能力和存储能力可能不能完全满足要求。另一方面,将移动边缘计算(Mobile Edge Computing,MEC)与车辆网络相结合的车辆边缘计算(Vehicular Edge Computing,VEC)被普遍认为是处理计算密集型任务的一种有效的方法。在这种情况下,车辆的计算密集型任务可以被卸载到接近它们的边缘服务器,而不是远程云服务器,从而大大降低了任务的处理延迟。
车队(Platoon)是道路上行驶方向一致的一组车辆。在车队中,头车由司机控制行驶方向和速度,后面跟随的车辆与头车保持一致。车辆以车队的形式行驶可以提高道路的安全性,降低燃油的消耗,同时有效地减少交通堵塞。车队已被确定为一种绿色车辆交通管理策略,以提高能源效率、环境可持续性、道路容量和道路安全,其中通过车辆之间的控制信息交换来确保车队的稳定性。
目前,针对车辆边缘计算中的任务处理研究主要有以下两种:
(1)任务卸载研究(参考文献:Y.Liu,S.Wang,J.Huang,and F.Yang,“Acomputation offloading algorithm based on game theory for vehicular edgenetworks,”in Proc.IEEE ICC,Kansas City,MO,USA,May 2018,pp.1–6.):该文研究了多车之间的计算卸载决策,将该问题转化为一个多用户计算卸载博弈问题,证明了博弈中纳什均衡的存在性,提出了一种分布式计算卸载算法来计算纳什均衡。如果太多的任务被卸载到相同的边缘服务器,性能增益将会降低。
(2)资源分配研究(参考文献:J.Du,F.R.Yu,X.Chu,J.Feng,and G.Lu,“Computation offloading and resource allocation in vehicular networks basedon dual-side cost minimization,”IEEE Trans.Veh.Technol.,vol.68,no.2,pp.1079–1092,Feb.2019.):该文研究了资源管理的随机优化问题。它通过联合优化车辆的卸载决策和本地CPU频率,以及服务器侧的无线资源分配和服务器供应,将车辆和MEC服务器的成本降至最低。
此外,与智能手机或平板电脑相比,车辆具有强大的计算能力,并且随着车辆数量的增加,车辆的总计算能力也会增加。因此,如果能够利用车辆来提供任务卸载服务,则车辆网络的计算性能将得到改善。但面对IoV庞大的计算需求,单个车辆的计算能力是非常有限的。若能聚合多个车辆的计算能力,则更能满足任务卸载的要求,即将车队引入车辆边缘计算系统。
发明内容
为解决现有的车辆边缘计算方法中,服务器的覆盖范围与计算资源有限和车辆的高速移动性所造成的连接链路不稳定的问题,本发明提出一种基于车队的车辆任务卸载决策和总体资源分配方法。
本发明采用的技术方案为:一种基于车队的车辆任务卸载决策和总体资源分配方法,基于的车联网场景包括:沿公路部署的若干RSU服务器、车队服务器以及中心控制器,所述车队服务器包括若干车队成员服务器,记其中一个车队成员服务器为车头服务器;中心控制器以最小化车载任务执行的时延和能量消耗为目标,来决策将任务卸载至RSU服务器或车队服务器;若任务卸载至RSU服务器,则各RSU服务器根据资源分配信息进行任务处理;若任务卸载至车队服务器,则将任务卸载至车头服务器,然后由车头服务器向剩下的车队成员服务器进行任务的再次卸载。
车头服务器向其他车队成员服务器进行任务的再次卸载,具体为:根据各车队成员服务器的计算资源以及车头服务器与剩下的车队成员服务器之间的通信质量,进行任务的再次卸载。
中心控制器根据计算得到的车队成员服务器的计算资源得到任务分配比例;
中心控制器根据任务分配比例以及车头服务器与剩下的车队成员服务器之间的通信质量进行频谱资源的分配;
各车队成员服务器根据分配的频谱资源进行任务处理。
每个任务卸载车辆在每个任务周期只卸载给一个RSU服务器或一个车队服务器。
还包括:中心服务器在相邻任务周期收集车辆网络中的计算与通信信息,所述车辆网络中的计算与通信信息具体为:车载任务的输入数据量、处理每bit输入数据所需的CPU周期数、RSU服务器或车队服务器的最大计算能力、有卸载任务需求的车辆和车头服务器的传输功率、有卸载任务需求的车辆与RSU服务器之间或车队成员服务器之间的信道增益。
还包括中心控制器根据收集到的车辆网络中的计算与通信信息,进行强化学习来进行后续任务卸载决策和资源分配。
本发明的有益效果:本发明通过一种基于车队的车辆任务卸载决策和总体资源分配方法,使得车队和具有边缘计算能力的RSU都能够为任务卸载车辆提供任务处理服务,进行任务和资源分配的联合优化,使车联网环境下车载任务执行的时延和能量消耗最小化。在考虑实际环境的影响因素,比如车辆的移动性以及系统动态性的情况下,比较V2I(vehicle-to-infrastructure)和V2V(vehicle-to-vehicle)两种通信形式,通过车队协同进行资源调度,充分利用了IoV系统中空闲的车辆资源。另外,本发明聚合多个车辆的计算能力,考虑到车队的可内部分割特性,将车队中头车作为任务卸载点,同时根据车队的计算资源和通信链路状况完成任务的二次卸载,并在车队内分配频谱资源,更加考虑到了不同车队的局部特性,且车队内部交互的通信开销也相应降低,提高了在车联网中车辆网络拓扑快速变化环境下的传输可靠性,降低了任务处理的整体能耗,延长了车载设备的使用寿命,满足智能交通应用的复杂计算和时延敏感要求。
附图说明
图1为本发明实施例的车联网场景示意图。
图2为本发明提供的基于车队的车辆任务卸载决策和总体资源分配方法流程图。
图3为本发明实施的强化学习网络架构图。
图4为本发明实施例的车队内部任务再分配时隙示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
本发明应用的车联网场景为:如图1所示的密集的公路场景,单向双车道,不属于任何车队的独立车辆有一些计算任务需求需要卸载到服务器进行相应的处理,这些车辆表示为服务器包括沿公路部署的RSU和由一组行驶在同一车道上并保持恒定相对速度的车辆组成的车队,每个车队有一个车头。本实施例将这两种服务器统一表示为即m个RSU,n个车队。第i个车队的大小为Ni。
基于上述场景,本发明提供了一种基于车队的车辆任务卸载决策和总体资源分配方法,如图2所示,包括以下步骤:
S1、在相邻任务周期的间隙,中心控制器收集车辆网络中的计算与通信信息。
首先以时间t为任务周期,该任务周期足够短,使得在该周期内,车辆速度和车辆位置保持不变。在两个任务周期间隔,中心服务器收集车辆网络中的计算与通信信息,包括:车载任务的输入数据量、处理每bit输入数据所需的CPU周期数、服务器的最大计算能力、有卸载任务需求的车辆和头车的传输功率、有卸载任务需求的车辆与服务器之间和车队成员之间的信道增益。这些需要反馈的信息用一个集合来表示:其中分别表示在第t个周期第u个车载任务的输入数据量处理每bit输入数据所需的CPU周期数服务器的最大计算能力ft,有卸载任务需求的车辆和头车的传输功率pt,有卸载任务需求的车辆与RSU服务器之间和车队成员之间的信道增益Rt。
S2、每一个时隙,需要进行任务处理的车辆将处理请求上报给中心控制器。
中心控制器根据所接收到的车辆网络中的计算与通信信息,中心控制器作为智能体根据这些信息进行强化学习来进行后续任务卸载决策和资源分配。
在强化学习中,智能体通过与环境的交互作用和试错学习来寻找最优策略。状态、行为和奖励是强化学习的三个关键因素,我们将任务描述为马尔可夫决策过程(MDP)。我们定义了一个4元组分别代表状态空间、动作空间、奖励和转换函数其中 是在采取动作a时从状态s转移到状态s'的概率。
在此我们采用DDPG网络架构,如3所示。
DDPG拥有4个网络,分别是Actor当前网络,Actor目标网络,Critic当前网络,Critic目标网络。2个Actor网络的结构相同,2个Critic网络的结构相同。其中Actor当前网络负责策略网络参数θμ的迭代更新,负责根据当前状态s选择当前动作a,用于和环境交互生成下一状态s'和奖励R。Actor目标网络负责根据经验回放池中采样的下一状态s'选择最优下一动作a'。网络参数θμ'定期从当前网络的θμ复制,规则为其中τ∈[0,1]为更新系数。Critic当前网络负责价值网络参数θQ的迭代更新,负责计算当前Q值其中α和γ分别是学习率和折损因子。Critic目标网络负责计算目标Q值中的Q(s′,a′)部分,网络参数θQ'定期从当前网络的θQ复制。策略梯度的计算公式为
建立一个以最小化车联网环境下车载任务执行的时延和能量消耗的优化问题:
其中,为第t个周期的任务集合,为服务器集合,为任务周期集合,T为任务周期总数,分别为卸载决策变量、任务分配比例变量和频谱分配比例变量,α和β是权重因数,ρ,θ,ω分别为卸载决策变量、任务分配比例变量和频谱分配比例变量,Δt为时隙长度,为任务处理的总时延,为任务处理的总能耗,Pu,Pi L,Pth分别为任务卸载车辆、头车的传输功率和传输功率门限,分别为任务卸载车辆与头车之间、头车与车队成员之间的信噪比和信噪比门限。
S3、中心控制器根据当前时隙的信道质量和任务卸载车辆与服务器的链路持续时间,以在任务车辆连接范围内的服务器为对象进行任务卸载决策。
第i个服务器的坐标记为车队的坐标即为头车的坐标。使用表示任务卸载车辆在第t个时隙内的行驶速度,使用表示第i个车队在第t个时隙内的行驶速度。任务卸载车辆在第i个RSU覆盖范围内行驶的路程为其中ri、分别为第i个服务器的覆盖范围、第u个携带任务车辆的纵坐标和第i个服务器的纵坐标。在第i个RSU覆盖范围内的停留时间为其中分别为第u个携带任务车辆的横坐标和第i个服务器的横坐标。任务卸载车辆在第i个车队覆盖范围内行驶的路程Li为第i个车队的长度,ri L、ri Mem分别为第i个车队的车头和成员的通信覆盖范围,vrel为相对速度,
在第i个车队覆盖范围内的停留时间为
为了简便,距离设为每一个时隙开始的时候的两者的距离,车辆与RSU中心的每个时隙内距离保持不变。经过一个时隙距离变化为 Δt分别为t时隙第u个携带任务车辆的速度和一个时间周期的长度。同样,车辆与车队leader车辆的距离也设为每一个时隙开始的时候的两者的距离,经过一个时隙距离变化为
从到第i个服务器的信道增益其中为任务卸载车辆和第i个服务器(RSU覆盖范围中心或车头)之间的距离,G为放大器和天线引入的功率增益常数,h0~CN(0,1)表示瑞利衰落的复高斯变量。第t个时隙从任务卸载车辆到第i个服务器传输第u个任务的信噪比表示为σ2为加性高斯白噪声的功率。第t个时隙从任务卸载车辆到第i个服务器的传输速率B代表上传信道的带宽。
S4、若卸载到车队,中心控制器根据头车上报的车队成员资源信息进行任务比例的分配,若卸载到RSU,则转到S6;
S5、中心控制器根据头车上报的车队成员间的信道质量和所分配的任务比例进行频谱资源的分配;
如图4所示,在一个周期,大时间尺度内(即图4所示的周期1、周期2、周期t、周期T)完成本周期所有任务的处理,一个周期时间可能有剩余也有可能无法处理所有的任务。S4、S5在图4所示小时间尺度内(t1、t2、t3、t4、t5、tu(1))完成,对每个任务进行任务比例的分配,每个任务的处理时间根据任务大小和当时的计算、通信能力的不同而不同。
S6、各个服务器根据资源分配信息进行任务处理。
则总时延表示为:
由此得到整个车辆网络系统中对各时隙任务处理的结果,包括任务处理时延和能耗。
通过上述实施例可以看出,本发明采用基于车队的车辆任务卸载决策和总体资源分配方法,通过引入基于车队的车辆边缘计算机制,利用车队和RSU的计算能力,使得基于车队的任务处理的时延代价和能量消耗最小化,进而提高了在车联网中车辆网络拓扑快速变化环境下的传输可靠性,降低了任务处理的整体能耗,延长了车载设备的使用寿命,更适用于智能交通场景中大量复杂计算和时延敏感任务的要求。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种基于车队的车辆任务卸载决策和总体资源分配方法,其特征在于,基于的车联网场景包括:沿公路部署的若干RSU服务器、车队服务器以及中心控制器,所述车队服务器包括若干车队成员服务器,记其中一个车队成员服务器为车头服务器;中心控制器以最小化车载任务执行的时延和能量消耗为目标,来决策将任务卸载至RSU服务器或车队服务器;若任务卸载至RSU服务器,则各RSU服务器根据资源分配信息进行任务处理;若任务卸载至车队服务器,则将任务卸载至车头服务器,然后由车头服务器向剩下的车队成员服务器进行任务的再次卸载;优化问题表达式为:
2.根据权利要求1所述的一种基于车队的车辆任务卸载决策和总体资源分配方法,其特征在于,车头服务器向其他车队成员服务器进行任务的再次卸载,具体为:根据各车队成员服务器的计算资源以及车头服务器与剩下的车队成员服务器之间的通信质量,进行任务的再次卸载。
3.根据权利要求2所述的一种基于车队的车辆任务卸载决策和总体资源分配方法,其特征在于,中心控制器根据车队成员服务器的计算资源得到任务分配比例。
4.根据权利要求3所述的一种基于车队的车辆任务卸载决策和总体资源分配方法,其特征在于,中心控制器根据任务分配比例以及车头服务器与剩下的车队成员服务器之间的通信质量进行频谱资源的分配。
5.根据权利要求4所述的一种基于车队的车辆任务卸载决策和总体资源分配方法,其特征在于,各车队成员服务器根据分配的频谱资源进行任务处理。
6.根据权利要求1所述的一种基于车队的车辆任务卸载决策和总体资源分配方法,其特征在于,每个任务卸载车辆在每个任务周期只卸载给一个RSU服务器或一个车队服务器。
7.根据权利要求5或6所述的一种基于车队的车辆任务卸载决策和总体资源分配方法,其特征在于,还包括:中心服务器在相邻任务周期收集车辆网络中的计算与通信信息,所述车辆网络中的计算与通信信息具体为:车载任务的输入数据量、处理每bit输入数据所需的CPU周期数、RSU服务器或车队服务器的最大计算能力、有卸载任务需求的车辆和车头服务器的传输功率、有卸载任务需求的车辆与RSU服务器之间或车队成员服务器之间的信道增益。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010317417.6A CN111464976B (zh) | 2020-04-21 | 2020-04-21 | 一种基于车队的车辆任务卸载决策和总体资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010317417.6A CN111464976B (zh) | 2020-04-21 | 2020-04-21 | 一种基于车队的车辆任务卸载决策和总体资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111464976A CN111464976A (zh) | 2020-07-28 |
CN111464976B true CN111464976B (zh) | 2021-06-22 |
Family
ID=71681064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010317417.6A Expired - Fee Related CN111464976B (zh) | 2020-04-21 | 2020-04-21 | 一种基于车队的车辆任务卸载决策和总体资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111464976B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101728A (zh) * | 2020-08-18 | 2020-12-18 | 华南理工大学 | 一种移动边缘计算系统能源优化分配方法 |
CN112511614B (zh) * | 2020-11-20 | 2022-12-06 | 福建师范大学 | 基于强化学习的车载边缘环境下智能网联车辆任务卸载方法 |
CN112584351B (zh) * | 2020-12-08 | 2022-07-22 | 重庆邮电大学 | 一种面向车联雾计算的“通信-计算”一体化资源分配方法 |
CN112750298B (zh) * | 2020-12-17 | 2022-10-28 | 华路易云科技有限公司 | 一种基于smdp和drl的货车编队动态资源分配方法 |
CN112714178B (zh) * | 2020-12-25 | 2023-05-12 | 北京信息科技大学 | 一种基于车载边缘计算的任务卸载方法及装置 |
CN112887905B (zh) * | 2021-01-29 | 2022-05-03 | 重庆邮电大学 | 一种车联网中基于周期性资源调度的任务卸载方法 |
CN113038616B (zh) * | 2021-03-16 | 2022-06-03 | 电子科技大学 | 一种基于联邦学习的频谱资源管理分配方法 |
CN113382383A (zh) * | 2021-06-11 | 2021-09-10 | 浙江工业大学 | 一种基于策略梯度的公交车辆计算任务卸载方法 |
CN113423087B (zh) * | 2021-06-17 | 2022-04-15 | 天津大学 | 面向车辆队列控制需求的无线资源分配方法 |
CN113489793B (zh) * | 2021-07-07 | 2022-04-22 | 重庆大学 | 一种混合交通场景下的快速路双车道协同控制方法 |
CN113760511B (zh) * | 2021-09-07 | 2022-07-12 | 江南大学 | 一种基于深度确定性策略的车辆边缘计算任务卸载方法 |
CN113904947B (zh) * | 2021-11-15 | 2022-10-25 | 湖南大学无锡智能控制研究院 | 车路协同分布式边缘计算任务卸载与资源分配方法和系统 |
CN114650567B (zh) * | 2022-03-17 | 2024-04-23 | 江苏科技大学 | 一种无人机辅助v2i网络任务卸载方法 |
CN114363857B (zh) * | 2022-03-21 | 2022-06-24 | 山东科技大学 | 一种车联网中边缘计算任务卸载方法 |
CN115359652B (zh) * | 2022-07-07 | 2024-04-19 | 华中科技大学 | 基于车路协同的自动驾驶视频分析任务调度方法及介质 |
CN116723526B (zh) * | 2023-08-08 | 2023-10-24 | 北京航空航天大学 | 一种无人机辅助的网联车辆队列随机任务分配决策方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108777852A (zh) * | 2018-05-16 | 2018-11-09 | 国网吉林省电力有限公司信息通信公司 | 一种车联网内容边缘卸载方法、移动资源分配系统 |
CN108924796A (zh) * | 2018-08-15 | 2018-11-30 | 电子科技大学 | 一种资源分配及卸载比例联合决策的方法 |
CN108921437A (zh) * | 2018-07-10 | 2018-11-30 | 电子科技大学 | 一种基于雾计算的多车辆间多计算任务调度方法 |
CN108990016A (zh) * | 2018-08-17 | 2018-12-11 | 电子科技大学 | 一种多车协同的计算任务卸载与传输方法 |
CN109343946A (zh) * | 2018-09-19 | 2019-02-15 | 长安大学 | 一种软件定义车联网计算任务迁移和调度方法 |
CN110035410A (zh) * | 2019-03-07 | 2019-07-19 | 中南大学 | 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法及系统 |
CN110557732A (zh) * | 2019-08-05 | 2019-12-10 | 西北工业大学 | 一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法 |
CN110650457A (zh) * | 2019-10-14 | 2020-01-03 | 河海大学 | 一种车联网中任务卸载计算成本与时延的联合优化方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104869151A (zh) * | 2015-04-07 | 2015-08-26 | 北京邮电大学 | 一种业务卸载方法及系统 |
US10440096B2 (en) * | 2016-12-28 | 2019-10-08 | Intel IP Corporation | Application computation offloading for mobile edge computing |
CN107959708B (zh) * | 2017-10-24 | 2020-10-13 | 北京邮电大学 | 一种基于云端-边缘端-车端的车联网服务协同计算方法与系统 |
US11153721B2 (en) * | 2018-12-27 | 2021-10-19 | Intel Corporation | Sensor network enhancement mechanisms |
-
2020
- 2020-04-21 CN CN202010317417.6A patent/CN111464976B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108777852A (zh) * | 2018-05-16 | 2018-11-09 | 国网吉林省电力有限公司信息通信公司 | 一种车联网内容边缘卸载方法、移动资源分配系统 |
CN108921437A (zh) * | 2018-07-10 | 2018-11-30 | 电子科技大学 | 一种基于雾计算的多车辆间多计算任务调度方法 |
CN108924796A (zh) * | 2018-08-15 | 2018-11-30 | 电子科技大学 | 一种资源分配及卸载比例联合决策的方法 |
CN108990016A (zh) * | 2018-08-17 | 2018-12-11 | 电子科技大学 | 一种多车协同的计算任务卸载与传输方法 |
CN109343946A (zh) * | 2018-09-19 | 2019-02-15 | 长安大学 | 一种软件定义车联网计算任务迁移和调度方法 |
CN110035410A (zh) * | 2019-03-07 | 2019-07-19 | 中南大学 | 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法及系统 |
CN110557732A (zh) * | 2019-08-05 | 2019-12-10 | 西北工业大学 | 一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法 |
CN110650457A (zh) * | 2019-10-14 | 2020-01-03 | 河海大学 | 一种车联网中任务卸载计算成本与时延的联合优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111464976A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111464976B (zh) | 一种基于车队的车辆任务卸载决策和总体资源分配方法 | |
CN108777852B (zh) | 一种车联网内容边缘卸载方法、移动资源分配系统 | |
Mekrache et al. | Deep reinforcement learning techniques for vehicular networks: Recent advances and future trends towards 6G | |
Li et al. | Adaptive computing scheduling for edge-assisted autonomous driving | |
CN110650457B (zh) | 一种车联网中任务卸载计算成本与时延的联合优化方法 | |
CN109067842A (zh) | 面向车联网的计算任务卸载方法 | |
CN113382383A (zh) | 一种基于策略梯度的公交车辆计算任务卸载方法 | |
Şahin et al. | Reinforcement learning scheduler for vehicle-to-vehicle communications outside coverage | |
CN113783959B (zh) | 一种车联网联合优化计算任务卸载比率和资源分配方法 | |
CN111311091B (zh) | 基于车载云及无人机的高速公路任务检测调度方法及系统 | |
CN106793142B (zh) | 一种车载短距离通信网的信道资源调度优化方法 | |
CN112750298A (zh) | 一种基于smdp和drl的货车编队动态资源分配方法 | |
Nguyen et al. | EdgePV: collaborative edge computing framework for task offloading | |
CN112888021A (zh) | 一种车联网中避免中断的任务卸载方法 | |
CN116360996A (zh) | 一种车联网环境下的可靠边缘加速推理任务分配方法 | |
CN108833486B (zh) | 面向复杂车载雾计算系统环境的混合动态任务调度方法 | |
US20220150129A1 (en) | Adaptive deep learning inference apparatus and method in mobile edge computing | |
CN114928611A (zh) | 一种基于IEEE802.11p协议的车联网节能计算卸载优化方法 | |
CN115208892A (zh) | 基于动态资源需求的车路协同在线任务调度方法及系统 | |
CN114637552A (zh) | 一种基于模糊逻辑策略的雾计算任务卸载方法 | |
Wang et al. | Cooperative path planning of a UAV swarm to meet temporal-spatial user demands | |
Wang et al. | Actor-Critic Based DRL Algorithm for Task Offloading Performance Optimization in Vehicle Edge Computing | |
CN106534367A (zh) | 基于用户QoE最大化的车载云视频数据传输方案确定方法 | |
Cao et al. | Research on Edge Resource Allocation Method Based on Vehicle Trajectories Prediction | |
Şahin et al. | Scheduling Out-of-Coverage Vehicular Communications Using Reinforcement Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210622 |