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！

龙图腾网获悉绵阳师范学院申请的专利一种基于深度学习的边缘云计算资源分配优化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：CN121501517B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202610031067.4，技术领域涉及：G06F9/50；该发明授权一种基于深度学习的边缘云计算资源分配优化方法是由陈虹颐设计研发完成，并于2026-01-12向国家知识产权局提交的专利申请。

本一种基于深度学习的边缘云计算资源分配优化方法在说明书摘要公布了：本发明涉及智能调度分配领域，具体是一种基于深度学习的边缘云计算资源分配优化方法，本发明采用一种基于多头注意力与门控机制优化的时空预测算法，设计时间编码与空间编码，捕捉算力负荷的时序特征与边缘服务器节点之间的空间关系与相互作用，同时将多头注意力机制与扩张因果卷积进行结合，既能捕捉瞬时算力负荷波动，又能挖掘算力负荷的长期趋势，以此预测准确的算力负荷为后续的算力调度提供可靠的基础；本发明设计一种基于遗传算法优化的交替方向乘子法，既适用于非线性、多约束优化问题又可扩展到更大规模的分布式边缘节点云计算系统，同时通过遗传算法快速逼近全局最优解，提高初始解质量，加速模型收敛，提高分布式协同分配调度效率。

本发明授权一种基于深度学习的边缘云计算资源分配优化方法在权利要求书中公布了：1.一种基于深度学习的边缘云计算资源分配优化方法，其特征在于：具体包括以下步骤： 步骤S1：边缘服务器部署，分布式部署边缘服务器，其中每个边缘服务器节点可调整自身计算资源； 步骤S2：通信与数据共享，通过物联网技术连接各边缘服务器，实现节点间信息交互； 步骤S3：算力负荷预测，采用一种基于多头注意力与门控机制优化的时空预测算法预测终端设备的算力负荷需求，具体包括以下步骤： 步骤S31：数据采集，采集终端设备对各个边缘服务器的历史时序负荷需求M，其中M的维度为T×N×1，T代表历史时序的步长，N代表边缘服务器节点的数量，各个节点按照地理位置共同组成节点图； 步骤S32：时空编码，对各个边缘服务器节点的历史时序负荷需求M进行时空特征编码，得到时空编码，具体包括以下步骤： 步骤S321：时间编码，对历史时序进行时间编码： ； ； 式中，代表历史时序的步长，代表编码中隐藏层的维度，代表在历史时序的时刻，和即为时间编码； 步骤S322：全局结构信息采集，采用归一化拉普拉斯矩阵对节点图进行空间编码，得到全局结构矩阵； 步骤S323：空间编码，对全局结构矩阵与历史时序负荷需求M进行矩阵乘法，得到空间编码； 步骤S324：时空编码，将空间编码与时间编码进行融合，得到时空编码； 步骤S33：扩张因果卷积处理，对时空编码进行扩张因果卷积处理，得到时序依赖关系： ； 式中，代表时空编码在时间步t-k处的值，代表膨胀率，代表卷积核权重,代表卷积核大小，即代表时序依赖关系； 步骤S34：多头注意力机制处理，对时空编码与时序依赖关系进行多头注意力处理，得到时空特征，具体包括以下步骤： 步骤S341：查询向量与键向量生成，对时空编码进行线性变换生成查询向量与键向量； 步骤S342：值向量生成，对时序依赖关系进行线性编码生成值向量； 步骤S343：对查询向量、键向量和值向量进行注意力机制处理： ； 式中，分别代表查询向量、键向量和值向量，代表查询向量与键向量的维度，代表激活函数； 步骤S344：多头注意力优化，对注意力机制处理的结果进行多头注意优化，得到时空特征； 步骤S35：基于门控机制的特征融合，对时空特征与时序依赖关系进行基于门控机制与残差连接的融合优化，得到优化时空特征： ； 式中，代表层处理，代表层归一化，代表时空特征，代表Sigmoid激活函数，代表时序依赖关系，代表时空编码，代表优化时空特征； 步骤S36：多层感知机处理与预测输出，对优化时空特征进行多层感知机处理并进行激活预测，得到预测的算力负荷需求； 步骤S4：云端分布式优化与协同控制，采用一种基于遗传算法优化的交替方向乘子法，以达到预测用户的算力负荷需求为限制条件，通过云端中心对所有边缘服务器进行协同调度分配，并输出最终调度分配方案； 进一步的，一种基于遗传算法优化的交替方向乘子法，具体包括以下步骤： 步骤S41：最小化目标函数设计，计算分布式边缘服务器节点的运行成本与网络时延并设计目标函数： ； 式中，代表目标函数，代表第i个边缘服务器节点的运行成本，代表网络时延成本，代表第i个边缘服务器节点的网络时延，代表网络时延的权重系数； 步骤S42：约束条件设计，设置算力供需平衡约束、节点算力限制、可用算力动态约束和网络时延约束； 步骤S43：算法初始化，初始化边缘服务器节点的输出算力范围、遗传算法参数以及交替方向乘子法ADMM参数，具体包括以下步骤： 步骤S431：采集实时边缘服务器节点的算力参数，并计算对应的边缘服务器节点的输出算力范围； 步骤S432：初始化种群大小、交叉概率、变异概率以及遗传的最大代数，并随机生成初始种群，每个个体表示一组调度方案即分配到每个边缘服务器节点的输出算力，其中每组的调度方案的输出算力大于等于预测的算力负荷需求； 步骤S433：初始化ADMM参数，包括拉格朗日乘子、松弛变量、步长参数以及ADMM收敛条件； 步骤S44：遗传算法优化全局搜索，对种群进行遗传算法优化并输出最终最优个体及其所对应的最优调度方案，具体包括以下步骤： 步骤S441：个体适应度计算，对种群中的每个个体，解码为各边缘服务器节点的输出算力对应的调度方案并计算适应度函数即种群的目标函数值； 步骤S442：个体选择，采用轮盘赌选择法根据适应度值选择优秀个体； 步骤S443：优秀操作，对优秀个体进行交叉操作，生成新的子代种群； 步骤S444：个体变异，对部分个体随机变异并重新计算适应度； 步骤S445：种群更新，根据最小化的适应度值保留最优个体，更新种群； 步骤S446：当达到遗传的最大代数时，遗传算法停止，得到最终最优个体，并输出其所对应的最优调度方案作为初始解进入ADMM求解； 步骤S45：ADMM局部优化与分布式调度优化，输出最终调度分配方案，具体包括以下步骤： 步骤S451：局部优化问题分解，将最小化目标函数分解为N个边缘服务器节点的局部优化问题： ； 式中，代表最优调度方案中第i个边缘服务器节点的运行成本与网络时延成本之和，代表步长参数，代表松弛变量，代表拉格朗日乘子； 步骤S452：各边缘服务器节点独立计算局部优化问题，并更新对应的调度方案，得到更新的调度方案； 步骤S453：根据更新的调度方案更新全局松弛变量，得到更新的全局松弛变量； 步骤S454：根据更新的调度方案以及更新的全局松弛变量对拉格朗日乘子进行更新； 步骤S455：多轮优化，重复步骤S451-步骤S454，直至达到ADMM收敛条件，并输出对应的最终调度分配方案。

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绵阳师范学院，其通讯地址为：621000 四川省绵阳市高新区绵兴西路166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。