一种基于强化学习的车联网边缘计算资源调度方法技术

本发明专利技术公开一种基于强化学习的车联网边缘计算资源调度方法；属于车载边缘计算技术领域；利用LSTM模型对预处理后的数据进行训练，预测数据的流行度；结合强化学习的当前状态进行训练，将流行度作为强化学习的状态；根据从边缘设备计算的时延以及消耗的能量作为奖励R，得到最优的任务卸载策略；主边缘设备根据接收的从边缘设备发送的计算结果进行任务处理的性能评估，将性能评估结果作为奖励R反馈给强化学习训练过程得到更新后的Q值，主边缘设备对任务卸载策略进行再优化，进一步调整任务资源分配；根据车辆状态和任务类型等因素，动态地调整资源分配策略，能够高效地利用车辆边缘计算的资源，提高计算的效率、性能和资源利用率。

【技术实现步骤摘要】

本专利技术属于车载边缘计算，具体涉及一种基于强化学习的车联网边缘计算资源调度方法。

技术介绍

1、在车联网中，车辆通过无线通信技术进行信息交换，可以实现车辆之间的协同，提高路况信息的准确性和实时性，促进交通安全和效率。然而，由于车辆资源和计算能力有限，车联网应用需要依赖于边缘计算，将计算任务卸载到边缘设备上进行处理，以减少通信延迟和降低能耗。

2、现有技术中，已经有一些任务卸载和资源分配的方法。例如，可以采用虚拟机的方式，在边缘设备上创建虚拟机来执行任务。也可以采用基于规则的方法，根据任务类型和车辆状态等因素，静态地分配任务和资源。此外，还有一些基于机器学习的方法，如基于神经网络的方法，可以自适应地学习任务卸载和资源分配策略。然而，现有技术中仍然存在一些问题：

3、1.现有的静态分配方法往往无法适应复杂的车联网环境和动态的交通状况，无法实现最佳性能和用户体验；

4、2.现有方法面对车联网场景时，往往没有考虑到任务卸载和资源分配的时延和能耗问题，无法在实际应用中满足实时性和能耗要求。

5、因此，如何在车联网边缘本文档来自技高网...

【技术保护点】

1.一种基于强化学习的车联网边缘计算资源调度方法，其特征在于，所述方法如下：

2.根据权利要求1所述的基于强化学习的车联网边缘计算资源调度方法，其特征在于，步骤2所述的主边缘设备对采集到的数据xt进行预处理后得到数据具体步骤如下：

3.根据权利要求1所述的基于强化学习的车联网边缘计算资源调度方法，其特征在于，LSTM预测模型包括三种类型的门：遗忘门、输入门、输出门。

4.根据权利要求3所述的基于强化学习的车联网边缘计算资源调度方法，其特征在于，步骤3所述的对步骤2中经过预处理后的数据进行训练，对缓存的训练结果进行排序，预测数据的流行度Curq，具体为：...

【技术特征摘要】

1.一种基于强化学习的车联网边缘计算资源调度方法，其特征在于，所述方法如下：

2.根据权利要求1所述的基于强化学习的车联网边缘计算资源调度方法，其特征在于，步骤2所述的主边缘设备对采集到的数据xt进行预处理后得到数据具体步骤如下：

3.根据权利要求1所述的基于强化学习的车联网边缘计算资源调度方法，其特征在于，lstm预测模型包括三种类型的门：遗忘门、输入门、输出门。

4.根据权利要求3所述的基于强化学习的车联网边缘计算资源调度方法，...

【专利技术属性】
技术研发人员：郭永安，狄杰斯，王宇翱，奚城科，钱琪杰，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：