欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024115804502
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于云边端协同计算的车联网异构资源分配方法,其特征在于,包括如下步骤:步骤S1,采集用户的历史行为,采用基于用户的协同过滤算法、基于物品的协同过滤算法和基于属性的协同过滤算法分别预测用户对产品的偏好,使用多目标进化算法对三种算法的预测结果进行加权,确定最终的预测结果,基于最终的预测结果生成边缘服务器和车辆终端的缓存替换表单;

步骤S2,采集边缘服务器中所有计算节点的资源使用情况,形成输入矩阵,将输入矩阵送入LSTM模型进行训练,输出对每个计算节点剩余资源的预测结果;

步骤S3,对车辆终端所需卸载的任务设定粒度级别,基于粒度级别确定每个任务卸载所需的资源阈值,判断计算节点的剩余资源是否满足资源阈值的要求,若是,则将任务卸载到对应的计算节点;反之,则将任务分解为更小的子任务,直至计算节点的剩余资源满足子任务卸载所需的资源阈值的要求,将子任务卸载到对应的计算节点;

步骤S4,构建双深度Q网络模型,以延迟和能耗的加权效用函数最大化为目标,对任务卸载的计算节点选择过程进行优化,确定任务卸载的最优计算节点,将任务卸载到最优计算节点上;

步骤S5,构建目标区域内的车辆边缘网络,在所述车辆边缘网络内,每个边缘服务器独立执行服务迁移并为其他边缘服务器的服务迁移分配资源,以车辆边缘网络内所有由车辆卸载的服务的总期望效用最大化为优化目标构建马尔可夫决策模型,采用深度确定性策略梯度算法对马尔可夫决策模型进行近似求解,确定车辆边缘网络中每个边缘服务器的服务迁移和资源分配的最优方案。

2.根据权利要求1所述的基于云边端协同计算的车联网异构资源分配方法,其特征在于,多目标进化算法的预测过程表示为:式中,和分别表示基于用户的协同过滤、基于物品的协同过滤和基于属性的协同过滤为用户u对项目k在时刻τ的预测评分;ατ和βτ表示权重系数。

3.根据权利要求2所述的基于云边端协同计算的车联网异构资源分配方法,其特征在于,基于用户的协同过滤算法中,物品k1和k2的相似度用余弦相似度公式表示:式中,和分别表示用户群对物品k1和k2所给出的评分向量;和分别表示用户u对产品k1和k2的评分;

用户u对物品k的预测评分通过以下公式计算:

式中,Nei(k)表示物品k的邻居合集,即与项目k相似度高的项目集合;表示用户u对与项目k相关的邻居项目k'的实际评分之和;表示物品k与物品k'之间的相似度。

4.根据权利要求2所述的基于云边端协同计算的车联网异构资源分配方法,其特征在于,基于物品的协同过滤算法中,用余弦相似度表示物品之间的相似度:式中,ruk表示用户u对物品k的评分,表示物品k的平均评分,U(k1,k2)表示同时对物品k1和k2进行过评分的用户集合;

对于一个没有对物品k进行过评分的用户u,对物品k的预测评分通过以下公式计算:式中,N(k)是物品k的最临近物品集合,ruk'是用户u对物品k'的实际评分。

5.根据权利要求2所述的基于云边端协同计算的车联网异构资源分配方法,其特征在于,基于属性预测的协同过滤算法中,对于物品k1和k2,其对应的特征向量分别为xk1和xk2,物品特征向量表示物品的属性,用余弦相似度衡量两个向量之间的角度,以适用于计算物品之间的相似度:其中xk1·xk2表示向量xk1和xk2的点积,||xk1||和||xk2||分别表示向量xk1和xk2的范数;

则用户u对物品k的预测评分可以通过以下公式计算:

式中,Pu表示用户u的偏好向量,bu表示用户u的偏差项,用于调整整体评分水平;T表示转置矩阵。

6.根据权利要求1所述的基于云边端协同计算的车联网异构资源分配方法,其特征在于,LSTM模型表示为:ht=σ(xt,ht-1,ct-1);

式中,ht表示LSTM模型在时间步t的隐藏状态;ct-1表示LSTM模型在时间步t-1的状态;xt表示输入矩阵MX在同一时间步的切片;σ(·)表示sigmoid函数;

LSTM模型的输出Y表示为:

Y=σ(MX);

预测结果表示的是最后一个时间步的隐藏状态ht,还需要添加一个全连接层将其具体化表示,则LSTM模型的实际输出Y'表示为:Y'=Wfc×ht+bfc;

式中,Wfc表示全连接层的权重矩阵,bfc表示偏置向量。

7.根据权利要求6所述的基于云边端协同计算的车联网异构资源分配方法,其特征在于,多粒度任务分解算法的具体步骤如下:任务图结构建模:将计算任务表示为有向无环图,有向无环图中的每个节点代表一个计算操作,每条边代表操作之间的依赖关系;

多粒度任务分解:根据LSTM资源预测的结果,基于模块化进行分解,将一个或多个节点从有向无环图分解成一个子任务;

子任务映射:定义将子任务分配到可用计算节点上的映射,使一个任务只能给一个计算节点分配一个子任务且每个任务最多可以部署在K个节点上,K等于总的子任务数。

8.根据权利要求1所述的基于云边端协同计算的车联网异构资源分配方法,其特征在于,双深度Q网络优化的过程具体包括如下步骤:初始化:初始化估计网络Q和目标网络Q'的参数,两者具有相同的结构但不同的参数θ和θ';

与环境交互收集经验:在每个时间步t,根据智能体当前状态st选择并执行动作at,观察得到的新状态st+1和奖励rt,再将(st,at,rt,st+1)存储至经验重放池D中;其中,动作空间可以表示为:式中,代表时间t上的第i个节点的动作向量;ai代表卸载决策向量,表示是否将任务卸载到节点i上;oi代表任务分配向量,表示卸载到节点i上的任务的分配情况;Nnodes表示节点的数量;其中,ai=[a1(t),a2(t),...,an(t)],an(t)∈{0,1},an(t)=1表示卸载任务,an(t)=0表示不卸载任务;

更新估计网络Q的参数:使用当前状态st的Q值Q(st,at;θ)和下一状态st+1中的最佳行动a'的Q值Q'(st+1,a';θ')来计算目标值rt+γQ'(st+1,a';θ'),更新估计网络Q的参数θ,使其朝向减少损失函数的方向调整,损失函数定义为Q值估计值与Q值真实值之间的均方误差;

目标网络更新:每隔一定步数N,将在估计网络Q的参数θ复制给目标网络Q';

循环迭代:持续上述步骤直到满足停止条件,如达到预定的训练轮次或者环境的终止状态。

9.根据权利要求1所述的基于云边端协同计算的车联网异构资源分配方法,其特征在于,马尔可夫决策模型的优化过程具体包括如下步骤:初始化状态和动作:每个时间槽开始时,边缘服务器的状态包括:当前覆盖范围内所有车辆终端的数量、可能的服务迁移数量以及可以提供的计算资源数量;边缘服务器采用的动作包括:分配给每个车辆终端的带宽资源块和计算资源块的数量,以及需要发起的服务迁移数量;

状态表示:使用向量来表示边缘服务器当前的状态;

选取动作:根据边缘服务器当前的状态,使用深度确定性策略梯度算法中的策略网络来选取动作;

执行动作并观察奖励:根据选定的动作,实际执行资源分配和服务迁移;根据执行动作的结果,计算奖励;奖励是基于服务延迟来计算的,如果服务延迟低于或等于一个阈值,则奖励为正;如果服务延迟超出阈值,则奖励逐渐减少直至变为零;

更新状态、策略和价值函数:根据执行的动作和结果,更新边缘服务器下一时刻的状态,并使用深度确定性策略梯度算法中的价值网络来评估选取的动作的价值,并据此更新策略网络,同时根据实际执行的动作和观察到的奖励,使用经验重放来更新价值网络;

循环迭代:不断重复上述步骤,直到达到预定的训练周期或者满足终止条件。