CN116308578A - 一种基于深度学习的边缘云设备定价的优化方法及装置 - Google Patents
一种基于深度学习的边缘云设备定价的优化方法及装置 Download PDFInfo
- Publication number
- CN116308578A CN116308578A CN202310127822.5A CN202310127822A CN116308578A CN 116308578 A CN116308578 A CN 116308578A CN 202310127822 A CN202310127822 A CN 202310127822A CN 116308578 A CN116308578 A CN 116308578A
- Authority
- CN
- China
- Prior art keywords
- edge cloud
- pricing
- equipment
- loss
- rate
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明公开了一种基于深度学习的边缘云设备定价的优化方法及装置,包括:收集所有边缘云设备的硬件配置数据、资源供需数据及运行状态数据;利用深度神经网络分别建立设备定价和流失率间的损失函数、设备定价和使用率间的损失函数,利用多目标规划模型以最小化两个损失函数为目标构建使用率预测模型和流失率预测模型;将收集的数据输入两个预测模型得到边缘云设备的使用率集合以及流失率集合;以供应商预期收益最大化为目标构建边缘云设备的收益函数,根据使用率集合以及流失率集合中的数据基于线性规划的运筹优化方法求解收益函数最优解得到边缘云设备的最优定价集合。本发明可提高供应商设备定价准确性,提高设备使用率、降低流失率增加收益。
Description
技术领域
本发明属于边缘计算技术领域,具体涉及一种基于深度学习的边缘云设备定价的优化方法及装置。
背景技术
边缘云的超低时延、海量数据、边缘智能等特性,使得边缘云计算成为中心云与终端之间的重要组成。在边缘云场景中,支持终端设备将任务或应用程序卸载到边缘云服务器处理,边缘云处理外来任务时会消耗本地资源。为了激励边缘云提供资源服务,构建向终端设备收费以奖励边缘云的定价机制尤为重要。
常规边缘云设备的定价技术主要基于人工定价,但各个任务与各个边缘云计算设备之间往往存在较强的异构性与复杂性,因此理论上需要综合考虑各种设备的利用率、硬件要求、带宽要求以及供应商的预期要求等因素,所以很难通过一些传统的人工方法来实现最优化的定价方案。而且人工定价方式主要参考人的主观经验,较难针对每个设备的个性化配置进行精细化定价,且没有评估收益与流失之间的关系。同时报价往往不是价格越低越好,更低的价格可能意味着更高的流失概率,复杂的市场环境也会对报价的高低产生一定的影响。因此,如何对供应商提供的设备进行合理定价,不仅关系到边缘云招募业务线中基础设备的规模,也和边缘云商家的最终利润紧密相关。
发明内容
针对以上问题,本发明提出了一种基于深度学习的边缘云设备定价的优化方法及装置,不仅可以应用到边缘云场景,而且能复用到中心云、IDC、CDN等多个云计算场景中,实现了边缘云计算资源的有效利用。为解决以上技术问题,本发明所采用的技术方案如下:
一种基于深度学习的边缘云设备定价的优化方法,包括如下步骤:
S1,收集所有边缘云设备的硬件配置数据、资源供需数据及运行状态数据;
S2,利用深度神经网络分别建立设备定价和流失率之间的损失函数、设备定价和使用率之间的损失函数,利用多目标规划模型以最小化两个损失函数为目标构建使用率预测模型和流失率预测模型;
S3,将步骤S1的收集到的数据输入使用率预测模型和流失率预测模型得到所有边缘云设备的使用率集合以及流失率集合;
S4,以供应商预期收益最大化为目标构建边缘云设备的预期收益函数,根据使用率集合以及流失率集合中的数据基于线性规划的运筹优化方法求解收益函数最优解,得到边缘云设备的最优定价集合。
所述步骤S2包括如下步骤:
S2.1,利用两个深度神经网络基于资源供需数据分别对使用率和流失率进行预测,基于预测后的数据计算边缘云设备的设备定价和流失率之间的交叉熵损失函数、设备定价和使用率之间的交叉熵损失函数;
S2.2,利用多目标规划模型以最小化步骤S2.1中的两个交叉熵损失函数为目标分别构建流失率预测模型和使用率预测模型。
所述边缘云设备的设备定价和流失率之间的交叉熵损失函数采用L1(mn,pn)表示,其计算公式为:
L1(mn,pn)=-[pnlogf1(mn)+(1-pn)log(1-f1(mn))];
式中,f1(mn)表示第一深度神经网络的输出,mn表示边缘云设备n的设备定价,pn表示当设备定价为mn时边缘云设备n的流失率;
边缘云设备的设备定价和使用率之间的交叉熵损失函数采用L2(mn,un)表示,其计算公式为:
L2(mn,un)=-[unlogf2(mn)+(1-un)log(1-f2(mn))];
式中,f2(mn)表示第二深度神经网络的输出,un表示当设备定价为mn时边缘云设备n的使用率。
所述步骤S4包括如下步骤:
S4.1,以供应商预期收益最大化为目标构建预期收益函数;
S4.2,通过引入松弛变量对预期收益函数的约束条件进行转化,同时将预期收益函数最大化问题转换为标准线性规划问题,利用单纯形法求解线性规划问题最优解,即为最优设备定价集合。
所述预期收益函数的表达式为:
Max(y);
约束条件为:
式中,y表示边缘云设备供应商的预期收益,cn表示支付给边缘云设备n的客户支付价,bn表示边缘云设备n的设备流量,N表示边缘云设备的总数,g1表示边缘云设备供应商的预算,g2为常量,mn表示边缘云设备n的设备定价,pn表示当设备定价为mn时边缘云设备n的流失率,un表示当设备定价为mn时边缘云设备n的使用率,MMoE_1(-)为使用率预测模型的输出,MMoE_2(·)为流失率预测模型的输出,I表示输入因子也即所有边缘云设备的客户支付价和设备定价的集合。
一种基于深度学习的边缘云设备定价的优化装置,包括:
数据收集模块:用于收集边缘云设备的硬件配置数据、资源供需数据及运行状态数据;
预测模型建立模块:用于利用两个深度神经网络建立设备定价和流失率之间的交叉熵损失函数、设备定价和使用率之间的交叉熵损失函数,并利用多目标规划模型以最小化两个损失函数为目标构建使用率预测模型和流失率预测模型;
使用率和流失率预测模块:用于利用预测模型建立模块的使用率预测模型和流失率预测模型获取所有边缘云设备的使用率集合以及流失率集合;
最优定价求解模块:以供应商预期收益最大化为目标构建边缘云设备的收益函数,根据使用率和流失率预测模块输出的使用率集合及流失率集合中的数据基于线性规划的运筹优化方法求解收益函数最优解,即为边缘云设备的最优定价集合。
本发明的有益效果:
1、将传统的边缘云环境中对设备的人工定价改进为利用深度学习、多目标模型和运筹优化技术进行设备定价,充分考虑到了市场环境、机器配置等各种因子的影响,制定出更加精细的定价;
2、引入多目标模型,通过对流失率以及使用率的预测和优化,从而综合考虑到设备的各种影响因素,使得流失率降低,执行动态定价策略,最大化供应商的预期,增加各个边缘云计算商家的收入;
3、通过运筹优化等技术,为终端设备提供不同资源需求下的差异化定价,提高对供应商设备定价的准确性和效率,提高设备使用率以及降低设备流失率,从而最大化边缘云收益。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图。
图2为MMOE的框架示意图。
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
MMOE:在2018年的KDD会议上,谷歌提出了一种新的多任务学习算法(Multi-gateMixture-of-Expert,MMoE),该算法显式地从数据中学习任务关系模型。算法作者在所有任务间共享专家子模型,并通过Mixture-of-Experts(MoE,混合专家)结构进行自适应多任务学习,同时设计了一个门控网络来自动优化每个任务模型的权重。
多目标模型:在建立传统的多目标规划的常用模型的基础上,使用智能优化算法对多目标规划问题进行求解,通过Pareto Front(帕累托前沿)直观展现非劣解的分布情况,以解决传统的多目标规划问题将多目标转化为单目标问题带来的只有单一解的问题。
一种基于深度学习的边缘云设备定价的优化方法,如图1所示,包括如下步骤:
S1,收集所有边缘云设备的硬件配置数据、资源供需数据及运行状态数据;
所述硬件配置数据包括CPU配置、带宽类型、NAT类型、内存配置、设备所在地、设备运营商、带宽压测满意度及丢包压测满意度等。所述资源供需数据包括设备定价和客户支付价,设备定价是指边缘云设备商供应给边缘云商家的总价,客户支付价是指边缘云商家的客户需要支付给边缘云商家的对应于其任务需求所需的计算资源的总价,也即边缘云设备商按照设备定价将边缘云设备卖给或者租售给边缘云商家,边缘云商家对边缘云设备上的资源进行整合后再有偿提供给客户如抖音等的直播商家。所述运行状态数据包括设备流量和设备流失率,设备流量是指边缘云设备的95带宽流量,流失率是指一定时间内未被使用的设备数占总的边缘云设备的比率,通过将未被使用的设备数除以边缘云设备的总数得到。
S2,利用深度神经网络分别建立设备定价和流失率之间的损失函数、设备定价和使用率之间的损失函数,利用多目标规划模型以最小化两个损失函数为目标构建使用率预测模型和流失率预测模型,包括如下步骤:
S2.1,利用两个深度神经网络(DNN,Deep Neural Network)基于设备定价分别对使用率和流失率进行预测,基于预测后的数据计算设备定价和流失率之间的交叉熵损失函数、设备定价和使用率之间的交叉熵损失函数;
具体地,首先将设备定价分别输入两个深度神经网络中进行训练以对使用率和流失率进行初步预测,然后再利用预测到的数据计算交叉熵损失函数,所述设备定价与流失率的交叉熵损失函数采用L1(mn,pn)表示,其计算公式为:
L1(mn,pn)=-[pnlogf1(mn)+(1-pn)log(1-f1(mn))];
式中,f1(mn)表示第一深度神经网络的输出也即初步预测的流失率,其中,α1表示第一深度神经网络的权重,b1表示第一深度神经网络的偏置,mn表示边缘云设备n的设备定价,pn表示当设备定价为mn时边缘云设备n的流失率。
所述设备定价与使用率的交叉熵损失函数采用L2(mn,un)表示,其计算公式为:
L2(mn,un)=-[unlogf2(mn)+(1-un)log(1-f2(mn))];
S2.2,利用多目标规划模型以最小化步骤S2.1中的两个交叉熵损失函数为目标分别构建流失率预测模型和使用率预测模型;
由于每个设备的配置不同,因此不同的设备可能具有不同的设备定价。且由于对设备的定价会影响到边缘云设备的流失率和使用率,使用率是指边缘云设备被使用到的概率,通过将被使用的设备数除以边缘云设备的总数得到,因此,需要对设备定价进行合理的设置。本申请设定两个优化子目标,即通过设置合理的定价降低流失率,同时保证使用率的稳定以便提高供应商的预期收益。因此边缘云设备的定价是基于多目标决策的,所述目标的表达式为:
约束条件为:
式中,M表示所有边缘云设备关于变量设备定价的向量,且M=[m1,m2,...,mn,...,mN]T,记为决策变量,N表示边缘云设备的总数,g1表示边缘云设备供应商的预算,g2为常量,F(M)表示目标函数的向量,表示所有边缘云设备供应商的设备定价的总和需要满足的约束条件,/>表示所有边缘云设备供应商的使用率的总和需要满足的约束条件,表示约束函数的向量。
本申请使用MMOE框架进行预测模型的构建,模型的结构如图2所示。将客户支付价c、设备定价m作为输入,期望经过模型后的输出能够满足多目标的优化,即输出为使用率u、流失率p的预测数据。
作为两个优化子目标,经过Gate A时使用独立的权重ω1,经过Gate B时也使用独立的权重ω2,两个目标函数的权重关系为ω1+ω2=1。其中,Gate A与Gate B是控制门网络,均具有softmax层的输入的简单线性变换,记为G1、G2:
ω1,ω2∈Rh×d; (7)
式中,h是模型框架图中Expert的个数,d是特征维度。
输入的特征经过隐藏层对矩阵进行更新,经过隐藏层和两个控制门网络后,会得到边缘云设备n的使用率un以及流失率pn,将所有边缘云设备的客户支付价和设备定价进行输入,则将得到所有边缘云设备的使用率集合U以及流失率集合P,即:
U=MMoE_1(I); (8)
P=MMoE_2(I); (9)
式中,MMoE_1(·)为使用率预测模型的输出,MMoE_2(·)为流失率预测模型的输出,I表示输入因子也即所有边缘云设备的客户支付价和设备定价的集合,且M∈I。Expert的目的为如果两个目标不那么相关,那么Expert将受到惩罚,并且这两个目标的Gate将会学习利用不同的Expert。因此整个模型可以尽可能多的享受多目标学习中知识迁移的好处。
由此,两个优化目标得到联合训练,通过减小模型的参数规模可以防止模型过拟合。同时在性能方面,可以节省训练和预测的计算量。共享的参数在一定程度上限制了供应商预期的目标特异性,从而得到能最大化收益的流失率以及流量。
S3,将步骤S1的收集到的数据输入使用率预测模型和流失率预测模型得到所有边缘云设备的使用率集合以及流失率集合;
S4,以供应商预期收益最大化为目标构建边缘云设备的预期收益函数,根据使用率集合以及流失率集合中的数据利用基于线性规划的运筹优化方法求解预期收益函数最优解,得到边缘云设备的最优定价集合,包括如下步骤:
S4.1,以供应商预期收益最大化为目标构建预期收益函数;
Max(y); (12)
约束条件为:
式中,y表示边缘云设备供应商的预期收益,客户支付价c和设备流量b均为常数,cn表示支付给边缘云设备n的客户支付价,bn表示边缘云设备n的95带宽流量。
为激励边缘云提供资源服务,构建向终端设备收费以奖励边缘云的定价机制,引入运筹优化技术,为终端设备提供不同资源需求下的差异化定价,提高对供应商设备定价的准确性和效率,提高设备使用率以及降低设备流失率,从而最大化边缘云收益。设备定价和设备流量应符合一定的规则,低定价应适当提高设备流量,而高定价应适当降低设备流量。
S4.2,通过引入松弛变量对预期收益函数的约束条件进行转化,同时将预期收益函数最大化问题转换为标准线性规划问题,利用单纯形法求解线性规划问题最优解,即为最优设备定价集合;
线性规划的解决方案包括单纯形法、对偶单纯形法、原始对偶方法、分解算法和各种多项式时间算法。对于只有两个变量的简单的线性规划问题,也可采用图解法求解,本申请采用单纯形法。单纯形法建立在标准线性规划问题上,即约束条件为等式,且决策变量为非负数,因此定义松弛变量s1、松弛变量s2,则约束条件变更为:
mn,s1,s2≥0; (18)
规定某些变量为0,使其他变量值可以通过等式约束唯一解出。对于上述变更后的约束条件,将等式左边的变量系数构成矩阵A,则矩阵A的每一行有n个数值,由于约束条件有2个,因此需要设置为0的变量个数为n-2个。然后求解剩下2个变量2个等式的方程组,进一步将不等式约束条件变为等式约束条件,也即化成标准型的线性规划,进一步更新后的约束条件为:
m1+m2+s1=g1; (19)
f2(m1)+f2(m2)+s2=g2; (20)
m1,m2,s1,s2≥0; (21)
选择m1为进基变量,s2为退变量,用s2的方程作为主元行,消去其他方程组中进基变量的系数。按照公式19、20、21的方法每次消去一个变量,重复以上步骤便可求解,直至收益函数中不存在负数的系数,即可得到最优解,这属于基本的求解方式,求解方法为现有技术,本实施例不再详述。
通过以上的深度学习方法、多目标模型构建以及运筹优化方法,为终端设备提供不同资源需求下的差异化定价,提高对供应商设备定价的准确性和效率,提高设备使用率以及降低设备流失概率,从而最大化供应商预期收益。
本申请实施例还提供一种基于深度学习的边缘云设备定价的优化装置,包括:
数据收集模块:用于收集边缘云设备的硬件配置数据、资源供需数据及运行状态数据;
预测模型建立模块:用于利用两个深度神经网络建立设备定价和流失率之间的交叉熵损失函数、设备定价和使用率之间的交叉熵损失函数,并利用多目标规划模型以最小化两个损失函数为目标构建使用率预测模型和流失率预测模型;
使用率和流失率预测模块:用于利用预测模型建立模块的使用率预测模型和流失率预测模型获取所有边缘云设备的使用率集合以及流失率集合;
最优定价求解模块:以供应商预期收益最大化为目标构建边缘云设备的收益函数,根据使用率和流失率预测模块输出的使用率集合及流失率集合中的数据基于线性规划的运筹优化方法求解收益函数最优解,即为边缘云设备的最优定价集合。
本申请实施例还提供一种电子设备,所述电子设备包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序被处理器执行时,实现如上所述的基于深度学习的边缘云设备定价的优化方法。
本申请实施例还提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时,实现如上所述的基于深度学习的边缘云设备定价的优化方法。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习的边缘云设备定价的优化方法,其特征在于,包括如下步骤:
S1,收集所有边缘云设备的硬件配置数据、资源供需数据及运行状态数据;
S2,利用深度神经网络分别建立设备定价和流失率之间的损失函数、设备定价和使用率之间的损失函数,利用多目标规划模型以最小化两个损失函数为目标构建使用率预测模型和流失率预测模型;
S3,将步骤S1的收集到的数据输入使用率预测模型和流失率预测模型得到所有边缘云设备的使用率集合以及流失率集合;
S4,以供应商预期收益最大化为目标构建边缘云设备的预期收益函数,根据使用率集合以及流失率集合中的数据基于线性规划的运筹优化方法求解收益函数最优解,得到边缘云设备的最优定价集合。
2.根据权利要求1所述的基于深度学习的边缘云设备定价的优化方法,其特征在于,所述步骤S2包括如下步骤:
S2.1,利用两个深度神经网络基于资源供需数据分别对使用率和流失率进行预测,基于预测后的数据计算边缘云设备的设备定价和流失率之间的交叉熵损失函数、设备定价和使用率之间的交叉熵损失函数;
S2.2,利用多目标规划模型以最小化步骤S2.1中的两个交叉熵损失函数为目标分别构建流失率预测模型和使用率预测模型。
3.根据权利要求2所述的基于深度学习的边缘云设备定价的优化方法,其特征在于,所述边缘云设备的设备定价和流失率之间的交叉熵损失函数采用L1(mn,pn)表示,其计算公式为:
L1(mn,pn)=-[pnlogf1(mn)+(1-pn)log(1-f1(mn))];
式中,f1(mn)表示第一深度神经网络的输出,mn表示边缘云设备n的设备定价,pn表示当设备定价为mn时边缘云设备n的流失率;
边缘云设备的设备定价和使用率之间的交叉熵损失函数采用L2(mn,un)表示,其计算公式为:
L2(mn,un)=-[unlogf2(mn)+(1-un)log(1-f2(mn))];
式中,f2(mn)表示第二深度神经网络的输出,un表示当设备定价为mn时边缘云设备n的使用率。
4.根据权利要求1所述的基于深度学习的边缘云设备定价的优化方法,其特征在于,所述步骤S4包括如下步骤:
S4.1,以供应商预期收益最大化为目标构建预期收益函数;
S4.2,通过引入松弛变量对预期收益函数的约束条件进行转化,同时将预期收益函数最大化问题转换为标准线性规划问题,利用单纯形法求解线性规划问题最优解,即为最优设备定价集合。
6.一种基于深度学习的边缘云设备定价的优化装置,其特征在于,包括:
数据收集模块:用于收集边缘云设备的硬件配置数据、资源供需数据及运行状态数据;
预测模型建立模块:用于利用两个深度神经网络建立设备定价和流失率之间的交叉熵损失函数、设备定价和使用率之间的交叉熵损失函数,并利用多目标规划模型以最小化两个损失函数为目标构建使用率预测模型和流失率预测模型;
使用率和流失率预测模块:用于利用预测模型建立模块的使用率预测模型和流失率预测模型获取所有边缘云设备的使用率集合以及流失率集合;
最优定价求解模块:以供应商预期收益最大化为目标构建边缘云设备的收益函数,根据使用率和流失率预测模块输出的使用率集合及流失率集合中的数据基于线性规划的运筹优化方法求解收益函数最优解,即为边缘云设备的最优定价集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310127822.5A CN116308578A (zh) | 2023-02-17 | 2023-02-17 | 一种基于深度学习的边缘云设备定价的优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310127822.5A CN116308578A (zh) | 2023-02-17 | 2023-02-17 | 一种基于深度学习的边缘云设备定价的优化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116308578A true CN116308578A (zh) | 2023-06-23 |
Family
ID=86816002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310127822.5A Pending CN116308578A (zh) | 2023-02-17 | 2023-02-17 | 一种基于深度学习的边缘云设备定价的优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116308578A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117474534A (zh) * | 2023-12-26 | 2024-01-30 | 成都天府通数字科技有限公司 | 一种条件支付的管理系统 |
-
2023
- 2023-02-17 CN CN202310127822.5A patent/CN116308578A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117474534A (zh) * | 2023-12-26 | 2024-01-30 | 成都天府通数字科技有限公司 | 一种条件支付的管理系统 |
CN117474534B (zh) * | 2023-12-26 | 2024-03-19 | 成都天府通数字科技有限公司 | 一种条件支付的管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiao et al. | Toward an automated auction framework for wireless federated learning services market | |
CN111757354B (zh) | 一种基于竞争博弈的多用户切片资源分配方法 | |
Liu et al. | A multi-attribute personalized recommendation method for manufacturing service composition with combining collaborative filtering and genetic algorithm | |
Mashhadi et al. | Optimal auction for delay and energy constrained task offloading in mobile edge computing | |
CN111262944B (zh) | 异构移动边缘计算网络中分层任务卸载的方法与系统 | |
CN108876132B (zh) | 基于云的工业企业能效服务推荐方法和系统 | |
Wang et al. | Constraint handling technique based on Lebesgue measure for constrained multiobjective particle swarm optimization algorithm | |
CN116308578A (zh) | 一种基于深度学习的边缘云设备定价的优化方法及装置 | |
Nguyen et al. | Weighted proportional allocation | |
Tong et al. | Stackelberg game-based task offloading and pricing with computing capacity constraint in mobile edge computing | |
Sun et al. | Workload transfer strategy of urban neighboring data centers with market power in local electricity market | |
CN107329887A (zh) | 一种基于推荐系统的数据处理方法以及装置 | |
Zhang et al. | Two-stage reinforcement learning policy search for grid-interactive building control | |
Li et al. | Pricing game with complete or incomplete information about spectrum inventories for mobile virtual network operators | |
CN116862551A (zh) | 一种考虑用户隐私保护的新能源消纳电价决策方法 | |
Zhang et al. | A deep reinforcement learning approach for online computation offloading in mobile edge computing | |
Zhang et al. | A reinforcement and imitation learning method for pricing strategy of electricity retailer with customers’ flexibility | |
CN107688901B (zh) | 数据调整方法及装置 | |
Pang et al. | A Stackelberg game scheme for pricing and task offloading based on idle node-assisted edge computational model | |
Timilsina et al. | Prospect theory-inspired automated p2p energy trading with q-learning-based dynamic pricing | |
Xiao et al. | Aoi-aware incentive mechanism for mobile crowdsensing using stackelberg game | |
CN114330891A (zh) | 一种面向云计算的多目标资源调度方法 | |
Zhang et al. | Offloading demand prediction-driven latency-aware resource reservation in edge networks | |
CN114399369A (zh) | 一种配电网侧多利益主体随机动态交易博弈方法 | |
CN114650568A (zh) | 一种移动Ad Hoc云中基于能量收集的分布式卸载方法 |
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 |