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！

龙图腾网获悉重庆邮电大学申请的专利一种能量收集MEC系统中任务卸载和资源分配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：CN116209084B 。

龙图腾网通过国家知识产权局官网在2025-12-30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：202310212011.5，技术领域涉及：H04W72/53；该发明授权一种能量收集MEC系统中任务卸载和资源分配方法是由鲜永菊;陈万琼;左维昊;汪帅鸽设计研发完成，并于2023-03-07向国家知识产权局提交的专利申请。

本一种能量收集MEC系统中任务卸载和资源分配方法在说明书摘要公布了：本发明属于移动通信技术领域，特别涉及一种能量收集MEC系统中任务卸载和资源分配方法，包括考虑由多个具有EH功能的终端设备和一个配有边缘服务器的基站组成的MEC系统，分别建立任务队列模型、任务计算模型和能量收集模型；建模一个时间平均意义上的长期随机优化问题，目标是最小化终端设备完成任务的执行时间和能量消耗总成本；首先通过Lyapunov随机优化理论，将随机优化问题解耦成每个确定时隙内的卸载决策子问题和资源分配子问题，然后通过深度强化学习算法和自适应遗传算法分别求解两个子问题；本发明可以有效降低终端设备完成任务的总成本，并保证队列长期稳定。

本发明授权一种能量收集MEC系统中任务卸载和资源分配方法在权利要求书中公布了：1.一种能量收集MEC系统中任务卸载和资源分配方法，其特征在于，包括以下步骤： 基于由多个具有EH功能的终端设备和一个配有边缘服务器的基站组成的MEC系统，分别建立任务队列模型、任务计算模型和能量收集模型；其中，EH为能量收集； 基于MEC系统的动态能量收集、随机任务到达以及实时信道变化，根据任务队列模型、任务计算模型以及能量收集模型建立一个时间平均意义上的长期随机优化问题，以最小化终端设备完成任务的执行时间和能量消耗总成本； 时间平均意义上的长期随机优化问题： 约束条件： C1:αmt∈{0,1}； 其中，At＝{αmt}＝{α1t,α2t,...,αmt}，Bt＝{βmt}＝{β1t,β2t,...,βmt}以及分别表示终端设备任务卸载决策集合，带宽分配集合以及服务器计算资源分配集合；Cmt表示终端设备m完成任务的执行时间和能量消耗总成本；αmt表示终端设备m的卸载决策变量；βmt表示分配给终端设备m的上行链路带宽比例；表示服务器分配给终端设备m的计算资源；表示服务器的最大计算资源；表示在时隙t终端设备m消耗的总能耗；Bmt表示时隙t终端设备m电池中剩余电量；emt表示时隙t终端设备m收集到的能量；表示时隙t处理任务花费的总时延；τm表示表示终端设备m的时延容忍阈值；Qmt表示在时隙t终端设备m任务队列中的任务量bit；T表示系统运行时间；M表示终端设备数量；表示求期望； 通过李雅普诺夫优化理论将该优化问题解耦成每个确定时隙内卸载决策子问题以及资源分配子问题； 每个确定时隙内的子问题表示为： 约束条件： C1:αmt∈{0,1}； 其中，HAt,Bt,Ft表示成本函数；V＞0是一个衡量惩罚的参数； 卸载决策子问题表示为： 其中，At*表示在时隙t的最优卸载决策； 资源分配子问题表示为： s.t.C2-C7 利用深度强化学习，通过建模马尔可夫决策过程，定义动作空间，状态空间以及奖励函数求解卸载决策子问题，获取最优的卸载策略； 求解解耦后的卸载决策子问题包括利用深度强化学习算法将卸载决策子问题建模成马尔可夫决策过程；根据在每个时隙信道条件的状态、能量队列的状态和任务队列的状态，构建出状态空间；智能体根据当前系统状态基于不同奖励所选择的不同卸载决策，确定出动作空间；根据执行卸载决策后，当前系统反馈给智能体的奖励，构建出奖励函数； 状态空间为：st＝{hmt,Qmt,Bmt}； 动作空间为：at＝{αmt}； 奖励函数为： 其中hmt表示终端设备m与基站之间的信道增益，HAt,Bt,Ft表示成本函数，C0与C1为正常数； 利用自适应遗传算法，通过交叉、变异、选择操作求解资源分配子问题，获取最优的资源分配方案。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区南山街道崇文路2号；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”。

以上内容由龙图腾AI智能生成。