[发明专利]一种基于SWIPT的MEC系统中任务卸载方法在审
申请号: | 202310211910.3 | 申请日: | 2023-03-07 |
公开(公告)号: | CN116234020A | 公开(公告)日: | 2023-06-06 |
发明(设计)人: | 鲜永菊;陈万琼;左维昊;汪帅鸽 | 申请(专利权)人: | 重庆邮电大学 |
主分类号: | H04W72/0446 | 分类号: | H04W72/0446;G06N3/092;H04W72/044;H04W72/53;G06F9/445;G06N3/08 |
代理公司: | 重庆辉腾律师事务所 50215 | 代理人: | 王诗思 |
地址: | 400065 重*** | 国省代码: | 重庆;50 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 swipt mec 系统 任务 卸载 方法 | ||
1.一种基于SWIPT的MEC系统中任务卸载方法,其特征在于,包括以下步骤:
S1、构建具有SWIPT功能的SWIPT-MEC网络,考虑终端设备与基站之间的供需关系,分别建立任务模型、通信模型、计算模型以及能量收集模型;
S2、将终端设备作为买方,根据自身的计算任务需求与能源需求向基站购买通信资源,采用博弈论理论,建立买方的收益最大化问题;
S3、将基站作为卖方,通过动态资源报价为终端设备提供不同的计算和通信资源,采用博弈论理论,建立卖方的收益最大化问题;
S4、利用拉格朗日乘子法和KKT条件求解买方的收益最大化问题和卖方的收益最大化问题,通过求解斯塔克尔伯格均衡,计算得到基站在训练时隙的最优下行功率和最优资源报价;
S5、将计算得出的最优下行功率和最优资源报价作为训练数据,训练深度强化学习模型;
S6、根据终端设备在待测时隙生成的计算任务,电池能量水平以及基站的资源报价,利用训练后的深度强化学习模型预测得到在待测时隙的最优任务卸载决策。
2.根据权利要求1所述的一种基于SWIPT的MEC系统中任务卸载方法,其特征在于,建立买方的收益最大化问题包括:
约束条件为:
C1:
C2:
C3:
C4:
C5:
C6:
C7:ε∈{0,1}
C8:ρn∈[0,1]
其中,αn,m(t)每个终端设备n的任务卸载策略,un(t)表示终端设备n在t时隙的收益;un,m(t)表示终端设备n购买基站m的对数效用函数;表示基站m在任务的计算过程中为终端设备n付出的传输能耗成本;sn,m(t)表示终端设备n购买基站m的功率资源需要支付的成本;em(t)表示基站m在时隙t收集到的能量;表示基站m在时隙t能收集到的最大能量值;表示基站m对终端设备n的传输功率;表示基站m对终端设备n的最小传输功率;表示基站m对终端设备n的最大传输功率;表示终端设备n的上行传输功率;表示终端设备n的最小上行传输功率;表示终端设备n的最大上行传输功率;fn(t)终端设备n的计算能力;表示终端设备n的最大计算能力;fm,n(t)表示基站m分配给终端设备n的计算能力;表示基站m分配给终端设备n的最大计算能力;ρn表示终端设备n的终端设备信息解码的功率分配比例;ε表示能源变量;M表示基站数量。
3.根据权利要求2所述的一种基于SWIPT的MEC系统中任务卸载方法,其特征在于,求解买方的收益最大化问题包括:
其中,表示基站m对终端设备n的最优下行功率;ξn表示终端设备n的一个大于零的能源效益权重参数;φn,m(t)表示终端设备n向基站m购买单位功率资源支付的成本;λm表示能量转换效率;表示基站j对终端设备n的传输功率;表示基站j对终端设备n的下行信道增益;表示下行链路的加性高斯白噪声功率;表示基站m对终端设备n的下行传输时延;表示基站m对终端设备n的下行信道增益。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于重庆邮电大学,未经重庆邮电大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202310211910.3/1.html,转载请声明来源钻瓜专利网。