一种基于Rainbow DQN的车联网计算卸载方法技术

随着人工智能技术的飞速发展，计算密集型应用通常需要大量的计算资源，而移动端设备(例如车辆)的计算资源往往有限，难以满足这些应用的需求。为了解决这一挑战，本研究提出了一种基于Rainbow DQN算法的深度强化学习方法，专门针对车联网(Vehicle‑to‑everything,V2X)中的计算卸载问题。在考虑任务的特性和系统资源的情况下，根据云、边、端各类计算单元在数据运算、分析、决策等方面的能力差异，该方法集成了多种改进的深度强化学习方法，旨在解决端车辆计算能力不足的问题，并对整个系统时延和能耗进行优化，解决车联网场景下的计算卸载问题。

【技术实现步骤摘要】

本专利技术涉及一种车联网技术，尤其涉及一种车联网计算卸载中的优化方法，具体涉及一种基于rainbow dqn架构的车联网计算卸载方法。

技术介绍

1、随着人工智能技术的飞速发展，计算密集型应用如增强现实、自动驾驶、语音识别和自然语言处理等逐渐成为主流。这些应用通常需要大量的计算资源，而移动端设备(例如车辆)的计算资源往往有限，难以满足这些应用的需求。为了解决这一挑战，本研究提出了一种基于rainbow dqn算法的方法，专门针对车联网(vehicle-to-everything，v2x)中的计算卸载问题。该算法不仅显著提升了dqn的性能和稳定性，还能灵活地适应环境变化。

2、rainbow dqn架构：本专利技术基于rainbow dqn算法，通过引入dueling机制，prioritized experience replay，noisy nets构建了rainbow dqn算法。该架构将q网络分为两个部分：状态价值网络和动作优势网络。状态价值网络估计状态的固有质量，而不依赖于任何具体动作；动作优势网络则评估在给定状态下，每个动作相对于其他动本文档来自技高网...

【技术保护点】

1.一种面向车联网通信场景，基于Rainbow DQN的车联网计算卸载方法，其特征在于，包括步骤如下：

【技术特征摘要】

1.一种面向车联网通信场景，基于rainbow dq...

【专利技术属性】
技术研发人员：章敏，宋晓勤，吴思贤，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：