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！

龙图腾网获悉北京理工大学申请的专利基于信息感知与强化学习的多智能体可视化数据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：CN119917183B 。

龙图腾网通过国家知识产权局官网在2025-07-29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：202510415258.6，技术领域涉及：G06F9/445；该发明授权基于信息感知与强化学习的多智能体可视化数据卸载方法是由朱超;周怡航;陈霄;王小园;冯凌云设计研发完成，并于2025-04-03向国家知识产权局提交的专利申请。

本基于信息感知与强化学习的多智能体可视化数据卸载方法在说明书摘要公布了：本发明属于数据处理技术领域，公开了基于信息感知与强化学习的多智能体可视化数据卸载方法，包括以下步骤：基于边缘计算设备集收车辆状态和任务数据并进行处理，形成训练集数据；对以DQN为基础的多智能体强化学习网络进行训练，构建强化学习决策模型，即DQN模型；边缘计算设备将训练好的DQN模型分配到进入其通讯范围的各个车辆，车辆自身进行自主决策，决定发送到边缘计算设备的图片的压缩比例。本发明采用上述基于信息感知与强化学习的多智能体可视化数据卸载方法，以DQN为基础，使得每辆车能够根据实时计算资源负荷灵活调整图像的压缩级别，旨在资源受限的车辆环境中平衡视觉数据处理的时间消耗和处理精度。

本发明授权基于信息感知与强化学习的多智能体可视化数据卸载方法在权利要求书中公布了：1.基于信息感知与强化学习的多智能体可视化数据卸载方法，其特征在于，包括以下步骤： 步骤S1、基于边缘计算设备收集车辆状态和任务数据，并对所收集的数据进行处理，构建形成训练数据集； 其中，训练集数据收集与处理的具体过程如下： 步骤S11、每一个进入边缘计算设备通信范围的车辆都作为一个智能体，车辆首先获取视觉图片，并记录获取到该图片的时间；基于边缘计算设备获取与其连接的车辆在当前时刻产生的图像处理任务的相关信息； 步骤S12、完成信息收集后，边缘计算设备对每张图像进行不同压缩比例的处理，具体压缩比例为：1.0、0.9、0.8、0.7、0.6、0.5、0.4、0.3、0.2和0.1； 步骤S13、边缘计算设备根据不同智能体发来的图片信息，生成深度Q网络训练所需的状态state，并记录每个图片被特定的应用程序处理后准确率以及图片从生成到被处理结束所花费的总时间，便于边缘计算设备中的DQN进行后续训练； 步骤S2、对以深度Q网络为基础的多智能体强化学习网络进行训练，构建用于决策的DQN模型； 基于DQN的多智能体强化学习网络的训练过程，具体如下： 步骤S21、首先，定义状态state为三元组e，s，F；其中，e表示图像的信息熵，反映图像的复杂度和信息量；s代表图像的原始大小，表示由车辆集捕获的视觉数据的视觉数据大小；F代表边缘计算节点上的计算资源负荷，表示当前时刻边缘计算设备同时连接的车辆数量； 步骤S22、定义动作空间action，如下所示： ； 其中，1，0.9，0.8，...，0.1代表图片压缩比例； 步骤S23、以最小化时间消耗T，并最大化所有图像的识别精度G为目标，定义强化学习的reward，如下所示： ； 其中，代表边缘计算节点处理过的所有图片的平均识别精度，代表边缘计算节点处理过的所有图片的平均处理总时间，即压缩时间与模型处理时间之和；为一个权重因子，用来调节DQN模型对和的侧重程度； 步骤S24、因此，DQN强化学习的最终优化目标，如下所示： ； 步骤S3、深度Q网络训练结束后，边缘计算设备将训练好的DQN模型分配到进入其通讯范围的各个车辆，车辆在获取到经过训练的深度Q网络后，在车辆自身自主进行决策，来决定发送到边缘计算设备的图片的压缩比例； 将训练好的DQN模型分配到进入其通讯范围的各个车辆，车辆自身进行自主决策的具体过程如下： 步骤S31、当车辆有新的视觉数据处理任务时，车辆上的计算设备计算出图像的信息熵以及图片的原始大小，同时车辆向边缘计算设备发送信息获知其连接的车辆总数； 步骤S32、然后，将图像的信息熵、图片的原始大小和边缘计算设备所连接的车辆总数作为state，输入训练好的DQN模型中，再根据state做出相应的决策，给出关于这个图像的最优压缩比例； 步骤S33、最后，车辆按照DQN模型给出的最优压缩比例对图片进行分辨率调整，随后将调整分辨率后的图片发送给边缘计算设备进行后续处理。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5号院；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”。