CN112911618A - 一种基于资源退出场景的无人机服务器任务卸载调度方法 - Google Patents
一种基于资源退出场景的无人机服务器任务卸载调度方法 Download PDFInfo
- Publication number
- CN112911618A CN112911618A CN202110127441.8A CN202110127441A CN112911618A CN 112911618 A CN112911618 A CN 112911618A CN 202110127441 A CN202110127441 A CN 202110127441A CN 112911618 A CN112911618 A CN 112911618A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- user
- server
- task
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/04—Large scale networks; Deep hierarchical networks
- H04W84/06—Airborne or Satellite Networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/04—Large scale networks; Deep hierarchical networks
- H04W84/08—Trunked mobile radio systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明请求保护一种基于资源退出场景的无人机服务器任务卸载调度方法,属于通信技术领域。该方法针对单个无人机降落过程中,低空无人机网络服务器资源分布变化和缺失的问题,提出一种动态任务卸载调度方法。根据无人机服务器可用资源、用户接入距离与时延等约束条件,采用深度强化学习技术,对无人机集群的移动轨迹和服务器资源分配进行动态决策,实现单个无人机退出过程中,用户连接丢失率的最小化,以及资源利用率和任务卸载时延的最优化。
Description
技术领域
本发明属于通信技术领域,具体涉及一种基于资源退出场景的无人机服务器任务卸载调度方法。
背景技术
随着用户的普及和移动网络的发展,如增强现实、虚拟现实等计算密集型应用越来越多。用户面对计算量较大的应用,因有限的计算能力、存储空间和电池容量,无法快速有效地进行处理。移动云计算(Mobile Cloud Computing,MCC)通过将计算密集型的任务卸载到资源充足的云服务器进行计算,能够快速得到计算结果。然而架设于核心网的云服务器与距离用户很远,会产生很高的传输时延。移动边缘计算(Mobile Edge Computing,MEC)是5G移动通信的关键性技术,位于网络边缘的边缘服务器为用户提供计算服务,可以极大地降低传输时延及能耗,为用户提供高效、可靠的服务。
空天地一体化通信网络融合了卫星网络、低空网络和传统地面网络,是未来6G移动通信的重要发展趋势,而由无人机服务器构成的低空网络,是空天地一体化架构中的关键部分。无人机可以进一步缩短与用户的传输距离,减少时延和能耗;相比传统的地面通信设施,无人机位于高空有更高的概率与用户进行视距连接,提供更可靠和稳定的通信信道;无人机的位置可以实时变动,应对网络状态的变化和不同的场景需求。以多台无人机组成的无人机集群构建自适应网络,能够应对各种复杂场景。大规模灾难事件,如:地震,会对地面基础通信设施造成严重破坏,无人机集群可组成临时的通信网络,提供基础的应用服务。对于大型体育赛事、音乐节等高突发流量场景,无人机集群可作为现有通信设施的补充。因此,无人机集群构建的自适应网络具有重要的研究价值。
深度强化学习引入了深度神经网络(Deep Neural Network,DNN)对强化学习中的值函数、策略函数进行函数逼近,弥补了传统强化学习的缺陷,可以运用于大规模的复杂问题。目前深度强化学习已经在机器人、计算机视觉、自然语言处理等领域有大规模的应用。深度强化学习是控制无人机的一种有效方法,可根据当前的环境状态对无人机发出控制指令。近端策略优化(Proximal Policy Optimization,PPO)是深度强化学习中的一种策略梯度方法,拥有稳定、高效、适应性强的特点。基于PPO算法,可实现在复杂环境下对无人机集群的控制。
由于无人机的载重量限制,搭载的电池容量有限,每工作一段时间,就需要降落进行充电。无人机的能耗速率受到飞行、信道变化和任务卸载等因素的影响而动态变化,难以确定其精确的工作时间。因无人机服务器降落而使低空网络服务器资源分布变化和缺失的情况下,如何对低空网络进行重新组网,同时保证重新组网中服务质量的持续性,具有重要的研究价值。
本发明采用深度强化学习技术,对无人机集群的移动轨迹和服务器资源分配进行动态决策,实现单个无人机退出过程中,用户连接丢失率的最小化,以及资源利用率和任务卸载时延的最优化。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种能够根据当前的系统状态自适应调整无人机服务器的位置和资源分配,从而降低网络系统因低空网络资源退出而造成的性能损失的基于资源退出场景的无人机服务器任务卸载调度方法。本发明的技术方案如下:
一种基于资源退出场景的无人机服务器任务卸载调度方法,假设无人机集群I={i}中的一台无人机开始返回地面并最终退出服务,其总时长为T,令T=K·Δt,其中,Δt为时隙长度,K为总时隙数,地面用户集合为J={j},用户j在T时长内持续产生任务单元卸载请求,具体包括以下步骤:
101、建立马尔科夫决策过程MDP数学模型,构造状态向量Sk、动作向量Ak、奖励函数Rk,其中,k为时隙数,将无人机集群控制器作为智能体,根据近端策略优化算法PPO建立无人机集群控制策略网络πθ,其中,θ为经过训练的神经网络参数向量;
102、无人机i*发出返航指令,令时隙k=0;
103、令k=k+1,如果k≤K,智能体将当前时隙k的状态向量Sk输入策略网络πθ,获得动作向量Ak,同时,根据集合J中每一用户j的平均任务单元卸载时延对其服务器资源分配变量集合进行决策,跳转到步骤104,否则,跳转到步骤105;
104、根据动作向量Ak、服务器资源分配变量集合执行无人机集群移动控制及任务卸载,并返回计算结果,获得状态向量Sk+1,根据奖励函数评价智能体的决策,计算相应的奖励值Rk,将{Sk,Ak,Rk,Sk+1}保存至向量集B中,跳转到步骤103;
105、无人机i*完成返航,剩余滞空无人机完成部署,根据向量集B更新神经网络参数向量θ,进一步优化策略网络πθ,算法结束。
进一步的,所述步骤101中构建状态向量Sk,动作向量Ak,奖励函数Rk,分别如公式(1)、(2)、(3)所示:
Ak={μi} (2)
公式(1)中,表示无人机i的状态向量,表示无人机i在时隙k的坐标,非返回无人机高度固定为令Ci为无人机i的服务器资源总量,表示无人机i已分配给用户的服务器资源,其中计算一个任务单元需要占用一个单位的服务器资源;表示用户j的状态向量,xj、yj、hj表示地面用户j的坐标,其高度表示用户j在时隙k的服务器资源分配变量集合,其中,表示用户j与无人机i建立连接,且无人机i为其分配了大小的服务器资源,表示用户j未与无人机i建立连接,表示用户j在时隙k的平均任务单元卸载时延,如公式(4)所示,其中,表示用户j在时隙u的服务器资源分配变量,u∈[1,k];
公式(2)中,μi∈{0,1,...,8}表示无人机i的飞行控制决策变量,其中,0表示无人机i停止运动,{1,...,8}分别表示8个水平运动方向;
公式(3)中,Λi,j表示奖励函数的正反馈函数,如公式(5)所示,λ表示权重参数,Γj表示奖励函数的负反馈函数,如公式(6)所示:
进一步的,所述步骤101中无人机集群控制策略网络πθ,如公式(7)所示:
进一步的,所述步骤5)中任务卸载时延及其约束条件,分别如公式(9)和(10)所示:
公式(10)中,第一部分为任务卸载的传输时延,F表示任务单元的数据量,表示在距离下的传输速率,如公式(11)所示,公式(11)中,ω表示信道带宽,Pj表示用户的传输功率,ρ0表示单位距离信道增益,N0表示噪声功率,第二部分Dcomp为任务卸载的计算时延。
本发明的优点及有益效果如下:
本发明针对单个无人机降落过程中,低空网络服务器资源分布变化和缺失的问题,本发明提出一种动态任务卸载调度方法。本发明采用深度强化学习技术,设计MDP模型,动态决策无人机集群的移动轨迹和服务器资源分配,实现单个无人机退出过程中,用户连接丢失率的最小化,以及资源利用率和任务卸载时延的最优化。本发明充分利用无人机高机动性,能够根据当前的系统状态自适应调整无人机服务器的位置和资源分配,从而实现无人机集群移动轨迹和服务器资源利用率的动态最优,并最小化低空网络系统因单个无人机资源退出造成的性能损失。
附图说明
图1是本发明提供优选实施例基于资源退出场景的无人机服务器任务卸载调度方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
本发明内容所涉及的概念和模型如下:
1.系统模型:
假设无人机集群I={i}中的一台无人机开始返回地面并最终退出服务,其总时长为T,令T=K·Δt,其中,Δt为时隙长度,K为总时隙数,地面用户集合为J={j},用户j在T时长内持续产生任务单元卸载请求。
2.本发明内容所涉及的其它符号说明如下:
·k:当前时隙数
·πθ:策略网络
·θ:神经网络参数向量
·Sk:状态向量
·Ak:动作向量
·Rk:奖励函数
·B:数据向量集
·Qi:无人机i的用户队列
·ω:信道带宽
·Pj:用户j的传输功率
·Dcomp:任务卸载的计算时延
本发明的技术方案说明如下:
1、MDP数学模型的状态向量、动作向量、奖励函数:
如公式(1)、(2)、(3)所示:
Ak={μi} (2)
公式(1)中,表示无人机i的状态向量,表示无人机i在时隙k的坐标,非返回无人机高度固定为令Ci为无人机i的服务器资源总量,表示无人机i已分配给用户的服务器资源,计算一个任务单元需要占用一个单位的服务器资源;表示用户j的状态向量,xj、yj、hj表示地面用户j的坐标,其高度表示用户j在时隙k的服务器资源分配变量集合,其中,表示用户j与无人机i建立连接,且无人机i为其分配了大小的服务器资源,表示用户j未与无人机i建立连接,表示用户j在时隙k的平均任务单元卸载时延,如公式(4)所示,其中,表示用户j在时隙u的服务器资源分配变量,u∈[1,k];
公式(2)中,μi∈{0,1,...,8}表示无人机i的飞行控制决策变量,其中,0表示无人机i停止运动,{1,...,8}分别表示8个水平运动方向。
公式(3)中,Λi,j表示奖励函数的正反馈函数,如公式(5)所示,λ表示权重参数,Γj表示奖励函数的负反馈函数,如公式(6)所示:
2、无人机集群控制策略网络:
如公式(7)所示:
3、用户的服务器资源分配变量集合的决策方法:
4、服务器资源分配变量的计算公式:
如公式(8)所示:
5、任务卸载时延及其约束条件:
如公式(9)、(10)所示:
公式(10)中,第一部分为任务卸载的传输时延,F表示任务单元的数据量,表示在距离下的传输速率,如公式(11)所示,公式(11)中,ω表示信道带宽,Pj表示用户的传输功率,ρ0表示单位距离信道增益,N0表示噪声功率,第二部分Dcomp为任务卸载的计算时延。
一种基于资源退出场景的无人机服务器任务卸载调度方法,其具体实施方法包括以下步骤:
步骤1:建立马尔科夫决策过程MDP数学模型,构造状态向量Sk、动作向量Ak、奖励函数Rk,其中,k为时隙数,将无人机集群控制器作为智能体,根据近端策略优化算法PPO建立无人机集群控制策略网络πθ,其中,θ为经过训练的神经网络参数向量;
步骤2:无人机i*发出返航指令,令时隙k=0;
步骤3:令k=k+1,如果k≤K,智能体将当前时隙k的状态向量Sk输入策略网络πθ,获得动作向量Ak,同时,根据J中每一用户j的平均任务单元卸载时延对其服务器资源分配变量集合进行决策,跳转到步骤4,否则,跳转到步骤5;
步骤4:根据Ak、执行无人机集群移动控制及任务卸载,并返回计算结果,获得状态向量Sk+1,根据奖励函数评价智能体的决策,计算相应的奖励值Rk,将{Sk,Ak,Rk,Sk+1}保存至向量集B中,跳转到步骤3;
步骤5:无人机i*完成返航,剩余滞空无人机完成部署,根据向量集B更新神经网络参数向量θ,进一步优化策略网络πθ,算法结束。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (6)
1.一种基于资源退出场景的无人机服务器任务卸载调度方法,其特征在于,假设无人机集群I={i}中的一台无人机开始返回地面并最终退出服务,其总时长为T,令其中,Δt为时隙长度,K为总时隙数,地面用户集合为J={j},用户j在T时长内持续产生任务单元卸载请求,具体包括以下步骤:
101、建立马尔科夫决策过程MDP数学模型,构造状态向量Sk、动作向量Ak、奖励函数Rk,其中,k为时隙数,将无人机集群控制器作为智能体,根据近端策略优化算法PPO建立无人机集群控制策略网络πθ,其中,θ为经过训练的神经网络参数向量;
102、无人机i*发出返航指令,令时隙k=0;
103、令k=k+1,如果k≤K,智能体将当前时隙k的状态向量Sk输入策略网络πθ,获得动作向量Ak,同时,根据集合J中每一用户j的平均任务单元卸载时延对其服务器资源分配变量集合进行决策,跳转到步骤104,否则,跳转到步骤105;
104、根据动作向量Ak、服务器资源分配变量集合执行无人机集群移动控制及任务卸载,并返回计算结果,获得状态向量Sk+1,根据奖励函数评价智能体的决策,计算相应的奖励值Rk,将{Sk,Ak,Rk,Sk+1}保存至向量集B中,跳转到步骤103;
105、无人机i*完成返航,剩余滞空无人机完成部署,根据向量集B更新神经网络参数向量θ,进一步优化策略网络πθ,算法结束。
2.根据权利要求1所述的一种基于资源退出场景的无人机服务器任务卸载调度方法,其特征在于,所述步骤101中构建状态向量Sk,动作向量Ak,奖励函数Rk,分别如公式(1)、(2)、(3)所示:
Ak={μi} (2)
公式(1)中,表示无人机i的状态向量,表示无人机i在时隙k的坐标,非返回无人机高度固定为令Ci为无人机i的服务器资源总量,表示无人机i已分配给用户的服务器资源,其中计算一个任务单元需要占用一个单位的服务器资源;表示用户j的状态向量,xj、yj、hj表示地面用户j的坐标,其高度hj=0,表示用户j在时隙k的服务器资源分配变量集合,其中,表示用户j与无人机i建立连接,且无人机i为其分配了大小的服务器资源,表示用户j未与无人机i建立连接,表示用户j在时隙k的平均任务单元卸载时延,如公式(4)所示,其中,表示用户j在时隙u的服务器资源分配变量,u∈[1,k];
公式(2)中,μi∈{0,1,...,8}表示无人机i的飞行控制决策变量,其中,0表示无人机i停止运动,{1,...,8}分别表示8个水平运动方向;
公式(3)中,Λi,j表示奖励函数的正反馈函数,如公式(5)所示,λ表示权重参数,Γj表示奖励函数的负反馈函数,如公式(6)所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110127441.8A CN112911618B (zh) | 2021-01-29 | 2021-01-29 | 一种基于资源退出场景的无人机服务器任务卸载调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110127441.8A CN112911618B (zh) | 2021-01-29 | 2021-01-29 | 一种基于资源退出场景的无人机服务器任务卸载调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112911618A true CN112911618A (zh) | 2021-06-04 |
CN112911618B CN112911618B (zh) | 2022-05-03 |
Family
ID=76121283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110127441.8A Active CN112911618B (zh) | 2021-01-29 | 2021-01-29 | 一种基于资源退出场景的无人机服务器任务卸载调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112911618B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113709883A (zh) * | 2021-08-30 | 2021-11-26 | 北京邮电大学 | 一种多无人机辅助工业场景下的动态资源分配方法及装置 |
CN114520991A (zh) * | 2022-01-27 | 2022-05-20 | 重庆邮电大学 | 基于无人机集群的边缘网络自适应部署方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110109745A (zh) * | 2019-05-15 | 2019-08-09 | 华南理工大学 | 一种针对边缘计算环境的任务协同在线调度方法 |
CN110868455A (zh) * | 2019-10-29 | 2020-03-06 | 北京邮电大学 | 一种基于空天地远程物联网的计算卸载方法及系统 |
US20200245174A1 (en) * | 2017-08-11 | 2020-07-30 | Sony Corporation | Apparatus and method in wireless communication system, and computer readable storage medium |
WO2020183182A1 (en) * | 2019-03-13 | 2020-09-17 | Airbus Defence And Space Limited | Managing satellite bearer resources |
CN111787509A (zh) * | 2020-07-14 | 2020-10-16 | 中南大学 | 边缘计算中基于强化学习的无人机任务卸载方法及系统 |
CN111988792A (zh) * | 2020-08-24 | 2020-11-24 | 中国人民解放军陆军工程大学 | 无人机联盟网络卸载模型及决策计算方法 |
CN112202847A (zh) * | 2020-09-14 | 2021-01-08 | 重庆邮电大学 | 一种基于移动边缘计算的服务器资源配置方法 |
-
2021
- 2021-01-29 CN CN202110127441.8A patent/CN112911618B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200245174A1 (en) * | 2017-08-11 | 2020-07-30 | Sony Corporation | Apparatus and method in wireless communication system, and computer readable storage medium |
WO2020183182A1 (en) * | 2019-03-13 | 2020-09-17 | Airbus Defence And Space Limited | Managing satellite bearer resources |
CN110109745A (zh) * | 2019-05-15 | 2019-08-09 | 华南理工大学 | 一种针对边缘计算环境的任务协同在线调度方法 |
CN110868455A (zh) * | 2019-10-29 | 2020-03-06 | 北京邮电大学 | 一种基于空天地远程物联网的计算卸载方法及系统 |
CN111787509A (zh) * | 2020-07-14 | 2020-10-16 | 中南大学 | 边缘计算中基于强化学习的无人机任务卸载方法及系统 |
CN111988792A (zh) * | 2020-08-24 | 2020-11-24 | 中国人民解放军陆军工程大学 | 无人机联盟网络卸载模型及决策计算方法 |
CN112202847A (zh) * | 2020-09-14 | 2021-01-08 | 重庆邮电大学 | 一种基于移动边缘计算的服务器资源配置方法 |
Non-Patent Citations (2)
Title |
---|
L.JIN: "Research on distributed task allocation algorithm for unmanned aerial vehicles based on consensus theory", 《2016 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 * |
张梦琳: "智能无人机轨迹与任务卸载联合优化", 《计算机工程与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113709883A (zh) * | 2021-08-30 | 2021-11-26 | 北京邮电大学 | 一种多无人机辅助工业场景下的动态资源分配方法及装置 |
CN113709883B (zh) * | 2021-08-30 | 2023-12-05 | 北京邮电大学 | 一种多无人机辅助工业场景下的动态资源分配方法及装置 |
CN114520991A (zh) * | 2022-01-27 | 2022-05-20 | 重庆邮电大学 | 基于无人机集群的边缘网络自适应部署方法 |
CN114520991B (zh) * | 2022-01-27 | 2023-07-28 | 重庆邮电大学 | 基于无人机集群的边缘网络自适应部署方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112911618B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113950066B (zh) | 移动边缘环境下单服务器部分计算卸载方法、系统、设备 | |
CN113346944B (zh) | 空天地一体化网络中时延最小化计算任务卸载方法及系统 | |
CN112995913A (zh) | 一种无人机轨迹、用户关联和资源分配联合优化方法 | |
CN112911648A (zh) | 一种空地结合的移动边缘计算卸载优化方法 | |
CN112911618B (zh) | 一种基于资源退出场景的无人机服务器任务卸载调度方法 | |
CN113032120A (zh) | 一种基于边缘计算的工业现场大数据任务协调度方法 | |
CN113395654A (zh) | 一种边缘计算系统的多无人机任务卸载和资源分配的方法 | |
CN111757361B (zh) | 一种雾网络中基于无人机辅助的任务卸载方法 | |
CN110531996B (zh) | 一种多微云环境下基于粒子群优化的计算任务卸载方法 | |
CN112214301B (zh) | 面向智慧城市基于用户偏好的动态计算迁移方法及装置 | |
CN114567895A (zh) | 一种mec服务器集群的智能协同策略的实现方法 | |
CN112702714B (zh) | 一种无人机协作式的车联网运算任务卸载方法 | |
CN110471621B (zh) | 一种面向实时数据处理应用的边缘协同存储方法 | |
CN112399375A (zh) | 基于终端能效优化的无人机辅助边缘计算的卸载方法 | |
CN113282352A (zh) | 基于多无人机协同辅助边缘计算的节能卸载方法 | |
CN113660681A (zh) | 一种应用于无人机集群辅助传输的多智能体资源优化方法 | |
CN116893861A (zh) | 基于空地协同边缘计算的多智能体协作依赖任务卸载方法 | |
CN116257335A (zh) | 无人机辅助mec系统联合任务调度及运动轨迹优化方法 | |
CN116737391A (zh) | 一种联邦模式下基于混合策略的边缘计算协作方法 | |
CN117236561A (zh) | 一种基于sac的多无人机辅助移动边缘计算方法、装置及存储介质 | |
CN116723548A (zh) | 一种基于深度强化学习的无人机辅助计算卸载方法 | |
CN111930435A (zh) | 一种基于pd-bpso技术的任务卸载决策方法 | |
CN115967430A (zh) | 一种基于深度强化学习的成本最优空地网络任务卸载方法 | |
CN116321181A (zh) | 一种多无人机辅助边缘计算的在线轨迹及资源优化方法 | |
CN113452625B (zh) | 基于深度强化学习的卸载调度与资源分配方法 |
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 |