【技术实现步骤摘要】
本专利技术属于人工智能领域，尤其涉及一种基于ddpg算法的去中心化自适应计算卸载方法。
技术介绍
1、随着智能汽车和车联网的发展，出现了各种延迟敏感和计算密集型应用，如自动驾驶、增强现实、自动导航和在线游戏等，这对车载资源构成挑战。幸运的是，得益于5g通信技术，车辆边缘计算(vec)可以通过基于ieee 802.11p的车对rsu(v2r)或车对车(v2v)通信将部分或全部计算任务卸载到物理上近端的rsu/bs或其他车辆，为车辆用户提供更加高效的计算和通信服务，从而解决车载资源不足的问题，该计算范式在城市交通场景中得到了广泛的应用。然而，在高速公路场景中，传统的vec模式面临着一些挑战：
2、(1)沿高速公路部署rsu/bs是一笔不可忽视的费用，rsu/bs在高速公路上的覆盖区域比城市道路更广泛，如果卸载任务仅在rsu/bs的边缘计算(ec)服务器上处理，则总计算延迟将超过可容忍的阈值。
3、(2)高速公路大部分建在偏远地区，rsu/bs的部署相对稀疏，无法满足高速公路上车辆的计算卸载需求。
4、(3)车辆在高速公路上快速行驶，车辆网络具有高度动态的拓扑结构，车辆与rsu/bs之间频繁切换位置通常会导致无线通信链路断开连接，从而减少车辆的有效通信时间和体验质量(qoe)。
5、为了应对上述挑战，车辆队列驾驶是一种有效的解决方案。作为列队技术最重要的应用场景之一，卡车编队可以降低能耗，提高物流效率和行车安全性。目前，卡车编队的研究主要集中在列队控制和协调上，对卡车编队系统中计算卸载方
技术实现思路
1、为了降低车队系统的平均能耗和任务处理延迟，本专利技术提供一种基于ddpg算法的去中心化自适应计算卸载方法。
2、本专利技术的一种基于ddpg算法的去中心化自适应计算卸载方法，用于卡车车队系统，卡车车队系统模型以及通信模型为：
3、卡车车队由一个头车pl和m个成员卡车pm组成，pm表示成：{1,2,...,m,...,m}；pl配备的带有边缘计算服务器的小型bs；每个pm都通过v2v与pl通信。
4、对车队中的pm应用经典车辆跟驰模型：智能驾驶员模型idm，并假设车队系统中任何两辆相邻卡车之间的距离相等并表示为d，则车队内平衡间距由下式给出：
5、
6、式中，d0是最小车队内间距，th是理想车头时距，v是行驶速度，vmax是最大行驶速度。
7、假设每辆卡车的长度为dt，则成员m和头车之间的通信距离写为：
8、dm＝m(d+dt) (2)
9、在卡车队列系统中，noma技术用于pm和pl之间的通信，由于多个pm在同一信道上同步上传任务数据，因此在卸载数据时会存在信号干扰；因此，在t时上行链路中，pl从pm m中接收到的信号可通过以下方式计算：
10、
11、是pm m的发射功率，是最大发射功率，是pm m的信道矢量，xm(t)是具有单位方差的复杂数据信号；ym(t)第一部分是来自目标pm的有效信号，第二部分是来自共享该信道的其他pm的干扰信号，第三部分n(t)～cn(0,σ2)是具有方差σ2的加性高斯白噪声矢量；对于pm m，使用ar模型来表征时间t和t+1之间的信道状态转换：
12、
13、其中，ρm是时间t和t+1之间的归一化相关系数且接近1，e(t+1)是一个误差矢量，同时也是一个与hm(t+1)不相关的复杂高斯分布，每个pm的信道矢量初始化为hm(0)～cn(0,h0(dref/dm)α)，h0是一个路径损耗常数，dref为参考距离，α路径损失指数。
14、考虑m个pm按其信道的降序在时间t中共享同一信道：h1(t)≥h2(t)≥…≥hm(t)≥…≥hm(t)，pm m的干扰信号可写成：
15、则时间t中pm m的相应信号干扰加噪声(sinr)为：
16、
17、
18、σ2是高斯白噪声功率。
19、因此，可以根据带宽b获得pm m和pl之间的任务数据传输速率：
20、rm,o(t)＝blog2(1+ζm(t)) (7)
21、车队系统计算模型：
22、am(t)量化时间t期间pm m的到达任务数据的数量，假设在所有时间上am(t)都是独立同分布，am(t)临时存储在缓存队列中，然后在从下一个时间t+1处理；对于每个pm，假设计算任务的到达率服从泊松分布λ，任务的数据大小服从均匀分布u～u(umin,umax)，则am(t)满足：e[am(t)]＝λu。
23、(1)本地计算模型
24、对于每个pm，假设任务数据按时间顺序临时存储在缓存队列系统中，然后从缓存队列中弹出并在本地计算或卸载到pl，则pm m的本地计算的任务数据大小可写成：
25、
26、是通过使用dvfs技术调整芯片电压来调度的pm m的cpu周期频率，是为cpu分配的本地计算功率，为最大本地计算功率，κm是pm m处理器的有效转换电容参数，lm为可通过离线测量获得的任务数据执行所需的cpu周期数。
27、在时间t中，pm m本地计算所消耗的能量可写成：
28、em,l(t)＝τ0pm,l(t) (9)
29、(2)计算卸载模型
30、由于pm的计算资源不足，部分任务数据将被卸载到pl并由ec服务器执行，根据公式(8)，ec服务器处理pm m的卸载任务数据所需的时间表示为：
31、
32、是ec服务器分配给pm m的功率，是分配给pm m的最大计算功率，κh是ec服务器的有效转换电容参数，lh是pl处理任务数据所需的cpu周期数。
33、根据公式(7)，在时间t中卸载pm m的任务数据的大小计算如下：
34、
35、在时间t中pm m卸载任务数据所消耗的能量可写成：
36、em,o(t)＝τ0pm,o(t) (12)
37、pl在时间t中计算pm m的卸载任务数据所消耗的能量可写成：
38、em,h(t)＝τ0pm,h(t) (13)
39、车队系统问题建模：
40、在时间t中，pm m本地计算和卸载到pl的任务数据分别为qm,l(t)和qm,o(t)，因此，所有计算的任务数据量为qm,l(t)+qm,o(t)；qm(t)表示缓存队列的当前长度，通过给定到达的任务数据am(t)，下一个时间t+1中的缓存队列长度表示为：
41、qm(t+1)＝min([max((qm(t)-qm,l(t)-qm,o(t)),0)+am(t)],qmmax) (14)
42、qmmax为最大缓存队列长度。
43、根据排队论中m/m/1模型和little公式，队本文档来自技高网...
【技术保护点】
1.一种基于DDPG算法的去中心化自适应计算卸载方法，用于卡车车队系统，其特征在于，卡车车队系统模型以及通信模型为：
【技术特征摘要】
1.一种基于ddpg算法的去中心化自适应计算卸载方法，用于...
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。