本发明涉及一种基于多分类和分布式强化学习的卸载决策优化方法,包括:步骤1基于智能巡检集群的边缘系统模型获取参数信息,并采集若干不同时间段产生的任务信息和距离信息,步骤2计算任务处理时延和能耗,步骤3构建多分类和分布式强化学习的神经网络和设置网络超参数,步骤4将步骤获取的任务信息和距离信息输入到神经网络进行训练,训练包括候选卸载决策动作生成阶段和资源分配阶段。本发明的方法能够更大概率更快速度获得最佳卸载决策的优势,降低系统卸载所需的时延和能耗的加权和,达到保证智能巡检集群有效运行时间和保障监控功能的目的,实现最小化系统能耗和加权和的目的,同时普适性更好。
声明:
“基于多分类和分布式强化学习的卸载决策优化方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究,如用于商业用途,请联系该技术所有人。
我是此专利(论文)的发明人(作者)