【技术实现步骤摘要】
本专利技术涉及车联网，尤其涉及车联网中元强化学习边缘计算卸载方法、终端及服务器。
技术介绍
1、车联网（internet of vehicles, iov）正在成为未来交通领域的关键发展方向，它综合运用传感器、人工智能及云计算服务等技术，实现智能道路交通中各要素的整合。这些要素包括自动网联车辆（connected and automated vehicle, cav）、装备各类感应器和传感器的路边单元（road side unit, rsu）、交通信号灯、摄像头，以及连接整个车联网的网络系统。通过引入移动边缘计算（mobile edge computing, mec）将边缘计算设备部署于路边单元，可通过将计算任务卸载至边缘设备来减少决策延迟，确保网络运行和服务交付的高效性，提升用户体验。
2、近年来随着mec技术发展，已经有学者将元学习用于解决边缘计算的卸载问题。元学习（meta-learning），也被称作“学习的学习”，是一种在机器学习领域中用于提高模型对新任务快速适应能力的方法。它的核心思想是让模型通过学习一系列任务来...
【技术保护点】
1.一种车联网中元强化学习边缘计算卸载方法，其特征在于，执行主体为车载终端，包括以下步骤：
2.根据权利要求1所述的车联网中元强化学习边缘计算卸载方法，其特征在于，所述序列到序列模型为门控循环单元神经网络，门控循环单元神经网络的编码器接收有向无环图的任务序列，编码器对任务序列进行编码处理并输入至解码器，解码器对输入数据进行处理生成隐藏状态向量，根据解码器当前步骤的隐藏状态和编码器的所有输出计算得到加权和，并根据加权和、编码器的所有输出计算上下文向量，将上下文向量和解码器生成的隐藏层状态向量进行连接，预测得到每个任务的卸载决策。
3.根据权利要求...
【技术特征摘要】
1.一种车联网中元强化学习边缘计算卸载方法，其特征在于，执行主体为车载终端，包括以下步骤：
2.根据权利要求1所述的车联网中元强化学习边缘计算卸载方法，其特征在于，所述序列到序列模型为门控循环单元神经网络，门控循环单元神经网络的编码器接收有向无环图的任务序列，编码器对任务序列进行编码处理并输入至解码器，解码器对输入数据进行处理生成隐藏状态向量，根据解码器当前步骤的隐藏状态和编码器的所有输出计算得到加权和，并根据加权和、编码器的所有输出计算上下文向量，将上下文向量和解码器生成的隐藏层状态向量进行连接，预测得到每个任务的卸载决策。
3.根据权利要求1所述的车联网中元强化学习边缘计算卸载方法，其特征在于，计算各子任务的优先级前，将单个车载任务中的子任务卸载过程建模为一个马尔可夫决策过程，定义车载任务的马尔可夫决策过程的状态空间、动作空间以及奖励函数；当车联网中拥有多个辆车接入，且每辆车均需要进行车载任务时，将车联网中多个车载任务建模为多个马尔可夫决策过程。
4.根据权利要求3所述的车联网中元强化学习边缘计算卸载方法，其特征在于，...
【专利技术属性】
技术研发人员：邵彩幸，杨洋，魏丽媛，左金辉，
申请(专利权)人：西南民族大学，
类型：发明
国别省市：
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。