一种基于深度强化学习的多智能体负载感知卸载策略制造技术

本发明专利技术公开了一种基于深度强化学习的多智能体负载感知卸载策略，该策略是在“边‑星‑云”三层算力网络架构中，本地边缘层采用电网供电，低轨卫星层采用太阳能供电，远端云层采用水能、风能等多种清洁能源混合供电，其电价取决于能源的种类。UE可以通过邻近的智能基站(Agent Base Station,ABS)将计算任务卸载到算力层。在确保多层算力资源负载均衡的基础上，实现单位时间周期内ABS的平均累计成本最小。仿真结果表明，与其他基准策略相比，本文所提策略的平均累计成本降低约14.08%，负载方差降低约67.14%。

【技术实现步骤摘要】

本专利技术涉及通信网络技术，具体是一种基于深度强化学习的多智能体负载感知卸载策略。

技术介绍

1、第六代移动通信技术(sixth generation mobile communications,6g)将推动算力资源打破地理界限，构建一张遍及全球的多层次算力网络。在这一架构中，用户设备(user equipment,ue)将不再局限于使用本地边缘云的算力资源，相反，它们能够更灵活地利用低轨道(low earth orbit,leo)卫星提供的算力资源，同时可以通过leo作为中继，接入位于地面远端地区的算力资源。这种方式不仅扩展了算力资源的可访问性，而且大幅提高了任务处理的效率和灵活性。

2、面向多层次的算力资源，不同层次的供电方式可能存在差异性，例如热能、太阳能、水能等，导致不同层次的电价存在差异。大多数ue通常更倾向于选择电价较低的算力层，以期望获得更低的卸载成本。然而，这种偏好可能导致该层长期处于过载状态，而其他层则处于空闲状态，整体呈现出一种负载不均的现象。

3、计算卸载中传统的负载均衡方法，如轮询法、源地址哈希法等，主要基于本文档来自技高网...

【技术保护点】

1.一种基于深度强化学习的多智能体负载感知卸载策略，其特征是：包括：

2.根据权利要求1所述的一种基于深度强化学习的多智能体负载感知卸载策略，其特征是：在多个UE的情况下，每个ABS在一个时间周期内会接收多个不同时隙UE发送的任务卸载请求；然而，考虑到多层算力资源负载均衡的情况，可能无法保证每个UE实现最低的卸载成本；因此，为了最小化在单位时间周期内ABS的平均累积卸载成本；优化问题表述为：

【技术特征摘要】

1.一种基于深度强化学习的多智能体负载感知卸载策略，其特征是：包括：

2.根据权利要求1所述的一种基于深度强化学习的多智能体负载感知卸载策略，其特征是：在多个ue的情况下，每个abs在一个时间...

【专利技术属性】
技术研发人员：王波，郭城瑞，黄冬艳，谢心颖，王旭，吕佳齐，卢泽林，方宇航，卢锐，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：