买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉湖南理工学院申请的专利一种基于深度强化学习的车载边缘计算任务共享卸载方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115202757B 。

龙图腾网通过国家知识产权局官网在2025-07-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210834183.1，技术领域涉及：G06F9/445；该发明授权一种基于深度强化学习的车载边缘计算任务共享卸载方法是由彭鑫;韩政珂;朱鹏;余超;谢文武;刘新忠;邓惟滔;杨芷铭;李敏设计研发完成，并于2022-07-14向国家知识产权局提交的专利申请。

本一种基于深度强化学习的车载边缘计算任务共享卸载方法在说明书摘要公布了：为了降低边缘服务器的计算负载并提高系统响应速度，提出了一种基于深度强化学习的任务共享卸载方法。包括：1将车载任务分解为相对独立的任务单元并赋予完整的任务单元ID字段；2所有卸载计算的任务单元都缓存到VEC服务器的ID池，ID池按照任务单元的有效时间和最近最少使用原则进行缓存任务的更新；3建立新建任务单元与缓存任务单元的匹配机制，只有匹配成功的任务单元才能共享任务计算结果；4针对计算时延、能耗和计算成本建立任务卸载效用函数及其优化模型，将整体任务最优卸载方案等效为马尔可夫过程；5通过深度强化学习方法在任务单元卸载状态空间和策略空间的基础上，完成最优卸载方案的选择。

本发明授权一种基于深度强化学习的车载边缘计算任务共享卸载方法在权利要求书中公布了：1.一种基于深度强化学习的车载边缘计算任务共享卸载方法，其特征在于，包括以下步骤： 步骤一：任务单元建立；车辆产生的计算任务按照功能模块分解为相对独立的任务单元，每个任务单元被赋予唯一的任务单元ID；任务单元ID包括任务单元大小di、任务单元所需计算量ci、任务执行时限任务功能ζi、生成时间和任务计算结果有效时长Δti六个字段； 步骤二：任务单元卸载执行；首先在本地计算和VEC服务器计算之间做出权衡；当车载计算能力不足时，通过无线通信链路将任务单元卸载到RSU或BS的VEC服务器进行计算，所有卸载任务单元的ID及其计算结果将保存在VEC服务器的ID池中；当ID池数据满时，新的任务单元ID会覆盖之前的数据，覆盖算法使用最近最少使用原则，长时间未匹配的ID以后使用的可能性也较低，当新的任务单元进来时，这些缓存的任务单元可以先被覆盖，新来的任务单元如果与缓存的任务单元具有相同的功能字段且处于缓存任务单元计算结果有效时长Δti内，则匹配成功，新的任务单元可以共享服务器缓存的计算结果； 步骤三：建立任务单元卸载模型；定义任务单元i进行卸载计算的效用函数Rit，并将任务单元的整体效用函数之和定义为奖励函数Ut，Rit包含任务单元剩余时延、任务单元计算能耗以及卸载服务费用三大部分； 步骤四：任务单元卸载策略初始化；任务单元i具有BS卸载执行、BS共享卸载执行、RSU卸载执行、RSU共享卸载执行、本地执行五种执行方式，分别对应于标记变量标记变量取值为1表示任务单元i采用其对应的执行方式；在模型优化之前先将任务单元在BS、RSU和本地计算所需的时间与任务单元最大时限进行比较，同时根据任务单元i在BS和RSU的VEC服务器中共享计算结果的可能性给出卸载策略的初始化值； 步骤五：基于深度强化学习的卸载决策；最佳卸载策略P*的选择因素包括当前车联网信道状态、任务单元在VEC服务器的历史执行情况、VEC服务器计算能力，以及奖励函数Ut；通过更新价值函数找到各任务单元在时间序列中的最佳任务卸载策略，在此过程中使用卷积神经网络分别构建目标网络和评估网络，将两者计算的价值函数差值作为损失函数，然后通过损失函数的梯度下降法找到最佳任务卸载方案。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人湖南理工学院，其通讯地址为：414000 湖南省岳阳市湘北大道湖南理工学院；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。