【技术实现步骤摘要】
多用户混合计算卸载方法、装置、电子设备及存储介质
本专利技术涉及无线通信
，特别涉及一种多用户混合计算卸载方法、装置、电子设备及存储介质。
技术介绍
近年来，以虚拟现实、增强现实为代表的计算密集型应用程序的广泛使用，对有限计算能力与电池容量的终端提出了极大的挑战。为解决智能终端处理计算密集型任务而面临的资源受限问题，移动边缘计算(MEC，mobileedgecomputing)技术作为一种新的范式得到了快速发展。MEC作为5G的一项核心技术，通过在靠近终端侧部署计算，存储等资源的方式，能快速响应用户的服务请求，降低核心网的计算负载压力。然而，由于终端数量的爆发式增长，越来越多的用户选择边缘计算卸载(D2E，Device-to-EdgeServer)模型以降低自身能耗与任务处理时延，这极大增加了MEC服务器的计算负载压力；也有用户采用邻近资源充足的终端协助处理计算任务的方式，即终端到终端(D2D，Device-to-Device)计算卸载的方式。传统的二元卸载模式如边缘服务器、邻近空闲终端方式，使得单点资源无法满...
【技术保护点】
1.一种多用户混合计算卸载方法，其特征在于，包括：/nS1、基于基础信息构建系统任务执行时延优化问题模型，所述基础信息包括多用户系统终端计算任务参数、MEC服务器计算资源、系统带宽资源；/nS2、搭建基于循环神经网络的深度强化学习网络模型LSTM-MMOP；/nS3、定义系统状态空间、动作空间以及奖励函数；/nS4、将系统状态进行预处理后，输入到LSTM-MMOP中，根据探索-利用方法得到UEs动作；/nS5、系统环境根据预先设置的奖励函数对动作进行奖惩计算，并根据loss值来进行循环神经网络参数的更新；/nS6、依次重复步骤S4、S5，直到奖励值趋于稳定，则停止LSTM-...
【技术特征摘要】
1.一种多用户混合计算卸载方法，其特征在于，包括：
S1、基于基础信息构建系统任务执行时延优化问题模型，所述基础信息包括多用户系统终端计算任务参数、MEC服务器计算资源、系统带宽资源；
S2、搭建基于循环神经网络的深度强化学习网络模型LSTM-MMOP；
S3、定义系统状态空间、动作空间以及奖励函数；
S4、将系统状态进行预处理后，输入到LSTM-MMOP中，根据探索-利用方法得到UEs动作；
S5、系统环境根据预先设置的奖励函数对动作进行奖惩计算，并根据loss值来进行循环神经网络参数的更新；
S6、依次重复步骤S4、S5，直到奖励值趋于稳定，则停止LSTM-MMOP训练并保存LSTM-MMOP参数。
2.如权利要求1所述的多用户混合计算卸载方法，其特征在于，所述步骤S1进一步包括：
S11、建立优化时隙系统中任务终端执行任务的总时延的约束条件；
S12、根据所述约束条件，优化时隙系统中任务终端执行任务的总时延。
3.如权利要求1所述的多用户混合计算卸载方法，其特征在于，所述步骤S2包括：
S21、搭建基于DuelingDQN的强化学习模型；
S22、将DuelingDQN网络与双向BiLSTM网络进行结合得到LSTM-MMOP。
4.如权利要求1所述的多用户混合计算卸载方法，其特征在于，所述LSTM-MMOP模型包括：
用于提取UE之间状态的两层双向LSTM网络。
5.如权利要求1所述的多用户混合计算卸载方法，其特征在于，所述步骤S3包括：
在时隙t内，在间隙t内，系统的状态空间S(t)包括终端状态、任务状态，记为S(t)＝{δ(t)，ζ(t)}，用一个N×(N+1)维的矩阵A(t)表示时隙t内系统的动作空间。
6.如权利要求2所述的多用户混合计算卸载方法，其特征在于，所述约束条件包括：
任务终端选择一个节点处理该时隙产生的全部计算任务；
任务执行时延要满足任务的最大可容忍时延约束；
终端的计算卸载过程消耗的能量小于或等于终端的预期的能耗成本；
分配给任务终端的MEC...
【专利技术属性】
技术研发人员：蔡君，付鸿添，刘燕，罗建桢，柯诗维，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。