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: 2025115659749
申请人: 华东交通大学
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:2026-11-11
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.基于图神经网络的车联网多跳卸载优化方法,其特征在于,包括以下步骤:S1、进行系统初始化与环境建模,系统初始化后加载车辆、路侧单元与云服务器的初始状态信息,在每个调度周期内,车辆节点新产生计算任务,系统根据当前车辆、路侧单元与云服务器的状态及车辆节点新产生的计算任务,构建动态系统图;

S2、进行任务卸载策略决策,车辆代理基于异步多智能体MA-A3C架构,独立感知当前环境状态,环境状态包括动态系统图及调度周期内车辆节点新产生的计算任务;车辆代理通过MA-A3C架构输出两个联合决策动作,即目标卸载节点与任务卸载比例;

若策略判断任务全部本地执行,则将任务导入车辆本地计算队列进行排队计算;

若策略判断任务非全部本地执行,则进入多跳路径构建步骤,同时暂存本步骤决策过程中产生的状态-动作-奖励数据;

S3、进行多跳路径构建,以目标卸载节点为路径终点,以车辆与路侧单元节点为基础构建空间拓扑图,两节点间欧几里得距离小于通信范围时添加双向边,其中路侧单元到车辆的通信范围为路侧单元范围,车辆间的通信范围为车辆范围;

系统利用图神经网络提取空间拓扑图中节点的语义嵌入,结合信道参数,将时延与链路稳定性纳入路径代价函数,通过A*启发式搜索算法以任务车辆为起点、目标卸载节点为终点,规划出最优卸载路径;

进行多跳路径构建如下:

定义节点,所述节点由路侧单元和车辆构成,每个节点的特征向量定义为:;

其中,表示节点位置坐标,表示节点速度,表示为计算能力,表示为任务队列信息;

边的建立基于距离约束,若两节点间的欧几里得距离小于通信范围,则添加双向边,路侧单元到车辆为路侧单元范围,车辆间为车辆范围;

采用图神经网络对节点进行嵌入建模:

设第k层中,节点i的表示向量为,更新规则为:

;

其中,为节点i的邻居集合,为组合函数,且组合函数采用向量加和操作,为权重矩阵,σ(⋅)为ReLU激活函数;

为邻居特征的聚合函数,采用平均聚合,表示为:

;

其中,表示第k层中邻居节点u的嵌入表示向量,表示节点u属于节点i的邻居集合;

采用两层图神经网络结构对每个节点进行嵌入更新:

设第k层中所有节点的嵌入表示构成矩阵,其中,N为节点数,为特征维度,邻接矩阵为,则节点嵌入更新公式表示为:;

其中,为邻接矩阵加自环,为对应度矩阵,为可训练的权重矩阵,为第k+1层的嵌入输出;

完成节点嵌入后,利用其计算边的最终权重:

对于任意边,定义加权策略,具体策略如下:

;

其中,λ表示嵌入影响系数,表示L2范数,表示边的原始权重,、分别表示节点i、j在图神经网络中的嵌入表示向量;

在此基础上,使用A*算法搜索从源节点s到目标节点t的最短路径;

S4、进行链路状态检测与RIS配置,提取最优卸载路径的首段链路,首段链路为任务车辆至首跳节点的链路,结合信道参数检测首段链路的状态,以确定传输方式;

S5、进行任务传输与执行,根据任务卸载比例,将任务拆分为本地处理子任务与卸载子任务;本地处理子任务由车辆设备自行处理;卸载子任务依据最优卸载路径与传输方式,沿最优卸载路径中的中继节点逐跳转发至目标卸载节点执行;

任务完成后,系统记录任务延迟与成功率,并将任务延迟与成功率反馈至MA-A3C架构以更新其决策策略。

2.根据权利要求1所述的基于图神经网络的车联网多跳卸载优化方法,其特征在于,具体为以下步骤:S1中,初始状态信息包括位置坐标、速度、计算能力、任务缓存与信道参数;

S3中,空间拓扑图中每个节点包含位置信息、速度、计算资源与排队情况;

S4中,链路状态包括是否存在遮挡及信道质量;

若首段链路无遮挡且信道质量满足需求,则采用车辆至首跳节点的直链传输方式;

若首段链路存在遮挡或信道质量不足,则引入RIS构建车辆–RIS–首跳节点的间接链路,系统使用EPSO对RIS反射相位进行动态配置。

3.根据权利要求2所述的基于图神经网络的车联网多跳卸载优化方法,其特征在于,S2中所述进行任务卸载策略决策,包括基于MDP模型,使用车辆充当代理角色,负责求解模型并做出任务卸载的决策和决定任务卸载比率以及基于MA-A3C架构训练获得一个训练有素的代理;

其中,基于MDP模型,使用车辆充当代理角色,负责求解模型并做出任务卸载的决策和决定任务卸载比率的过程如下:定义状态空间和动作空间,在每个时隙开始时,车辆主动感知当前的道路环境,收集来自所有计算节点的信息,将收集到的信息构成代表当前系统的环境状态,即当前状态,在决策与状态更新的过程中,车辆代理根据当前状态选择并执行一个动作,以指导任务向最适当的节点进行卸载并且分配合适的任务比率,执行动作后,系统状态将更新为下一个状态,同时代理将接收到由该动作引起的相应奖励,即即时奖励;

状态空间:系统以离散时隙方式运行,时间集合表示为 {1,2,…,τ,…},集合表示车辆,集合表示均匀分布的路侧单元,每个时隙,代理从所有计算节点收集任务队列信息,当前状态表示为:;

其中,C表示用于处理任务队列中的所有任务所需的计算资源的总和,表示车辆节点的计算资源的总和,表示路侧单元节点的计算资源的总和,表示云服务器节点的计算资源的总和;

动作空间:在感知到当前状态之后,智能体做出卸载决策,动作空间表示为:;

其中,表示由路侧单元生成的任务的卸载决策,,为部分卸载比率。

4.根据权利要求3所述的基于图神经网络的车联网多跳卸载优化方法,其特征在于,基于MA-A3C架构训练获得一个训练有素的代理过程如下:所述MA-A3C架构中的每个代理由一个演员网络和一个评论家网络组成,在演员网络和评论家网络的非输出层共享相同参数,将当前状态被用作智能体网络的输入,在通过共享对偶深度神经网络之后,执行器网络执行动作空间输出为两个分支,节点选择分支输出,卸载比例分支输出任务卸载比例,而批评网络通过采用线性层生成,通过在当前状态处采取执行动作空间,代理接收下一个状态输出和即时奖励,重复推理过程,直到时隙达到给定的最大步长;

训练的目标是最小化演员和评论家网络的损失,定义作用器网络的损耗;

迭代进行推理和训练过程,获得优化后的代理。

5.根据权利要求4所述的基于图神经网络的车联网多跳卸载优化方法,其特征在于,所述A*算法的代价函数定义如下:;

其中,g(n)表示从源节点到当前节点n的实际路径总代价,h(n)为启发式函数;

采用欧几里得距离:

;

其中, 、分别表示当前节点n、t的位置坐标;

最终搜索结果为路径P=[s,…,t],及其总路径权重W(P),用于支撑后续的任务卸载传输。

6.根据权利要求5所述的基于图神经网络的车联网多跳卸载优化方法,其特征在于,边的权重定义为:;

其中,表示任务从节点i传输至节点j所需的通信时延的归一化处理结果,表示不稳定性指标的归一化结果,,、分别为通信指标、稳定性指标的权重系数。

7.根据权利要求6所述的基于图神经网络的车联网多跳卸载优化方法,其特征在于,S4中系统使用EPSO对RIS反射相位进行动态配置的过程如下:基于可重构智能表面辅助反射链路即RIS,将其反射相位配置问题建模,如下:构建由M个反射单元构成的RIS,其相位配置向量记为Φ=[ϕ1,...,ϕM],每个相位元素满足约束ϕM∈[0,2π];

系统的优化目标是最大化所有车辆节点的总接收信噪比,即:;

基于EPSO的RIS配置算法,如下:

将每个粒子表示为一个长度为M的相位向量,即每个粒子对应一组RIS配置方案,其适应度值定义为当前配置下的系统总SNR;

为了提升算法的收敛效率与稳定性,引入动态惯性权重机制以调节粒子的搜索行为,惯性因子随迭代轮数衰减,使得初期具有更强的全局探索能力,后期趋于局部收敛,其中,权重更新公式如下:;

其中,和分别表示初始与最终惯性系数,为当前迭代次数,为最大迭代次数。

8.根据权利要求7所述的基于图神经网络的车联网多跳卸载优化方法,其特征在于,上述基于EPSO的RIS配置算法如下:S41、初始化P个粒子群体,每个粒子对应一个候选相位配置;

S42、对所有粒子计算适应度值;

S43、更新个体历史最优解和当前全局最优解;

S44、基于速度与位置更新规则,迭代修正粒子状态;

S45、对所有相位值执行模2π映射,确保其物理可行性;

S46、重复步骤S422-S45,直到达到收敛条件或最大迭代次数。

9.基于图神经网络的车联网多跳卸载优化系统,其特征在于,采用上述权利要求1至8任一项所述的基于图神经网络的车联网多跳卸载优化方法,系统包括:系统初始化与环境建模模块,用于在系统初始化后加载车辆、路侧单元与云服务器的初始状态信息,并在每个调度周期内结合车辆节点新产生的计算任务及当前节点状态,构建动态系统图;

任务卸载策略决策模块,用于使车辆代理基于异步多智能体MA-A3C架构,感知包含动态系统图及新产生计算任务的环境状态,输出目标卸载节点与任务卸载比例,将全部本地执行的任务导入车辆本地计算队列,对非全部本地执行的任务触发多跳路径构建流程,并暂存决策过程中的状态-动作-奖励数据;

所述多跳路径构建模块,用于以任务卸载策略决策模块输出的目标卸载节点为路径终点,以车辆与路侧单元节点为基础构建空间拓扑图,利用图神经网络提取节点语义嵌入,结合信道参数并将时延与链路稳定性纳入代价函数,通过A*启发式搜索算法规划最优卸载路径;

链路状态检测与RIS配置模块,用于提取多跳路径构建模块规划的最优卸载路径首段链路,结合信道参数检测链路是否存在遮挡及信道质量,对满足需求的链路采用直链传输方式,对不满足需求的链路引入RIS构建间接链路,并使用EPSO对RIS反射相位进行动态配置;

任务传输与执行模块,用于根据任务卸载策略决策模块输出的任务卸载比例拆分任务数据为本地处理子数据与卸载子数据,使本地处理子数据由车辆设备自行处理,使卸载子数据沿最优卸载路径及确定的传输方式逐跳转发至目标卸载节点执行,在任务完成后记录任务延迟与成功率,并反馈至任务卸载策略决策模块以更新MA-A3C架构决策策略;

系统初始化与环境建模模块、所述任务卸载策略决策模块、所述多跳路径构建模块、所述链路状态检测与RIS配置模块以及所述任务传输与执行模块依次通信连接。