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！

龙图腾网获悉湘江实验室申请的专利基于边缘智能的任务计算卸载多目标动态决策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：CN120075846B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202510476934.0，技术领域涉及：H04W24/02；该发明授权基于边缘智能的任务计算卸载多目标动态决策方法是由陈晓红;唐鸿凯;梁伟;黄少枫;郭征凯;苑广洁设计研发完成，并于2025-04-16向国家知识产权局提交的专利申请。

本基于边缘智能的任务计算卸载多目标动态决策方法在说明书摘要公布了：本发明实施例中提供了一种基于边缘智能的任务计算卸载多目标动态决策方法，属于通信技术领域，具体包括：步骤1，建立边缘智能计算与基于正交频分复用的无线通信的时延与能耗模型；步骤2，根据时延与能耗模型设计边缘智能中任务调度与资源分配的多目标优化函数并据此构建多目标优化问题；步骤3，将多目标优化问题定义为多目标带约束的马尔可夫过程；步骤4，根据马尔可夫过程设计基于效用的双价值网络的偏好深度确定性策略梯度算法调度模型；步骤5，建立多目标效用函数动态调整机制并代入调度模型，输出策略动作。通过本发明的方案，提高了调度效率和适应性。

本发明授权基于边缘智能的任务计算卸载多目标动态决策方法在权利要求书中公布了：1.一种基于边缘智能的任务计算卸载多目标动态决策方法，其特征在于，包括： 步骤1，建立边缘智能计算与基于正交频分复用的无线通信的时延与能耗模型； 所述步骤1具体包括： 步骤1.1，GPU虚拟化技术将物理GPU资源划分为多个虚拟GPU实例并独立地分配给存储不同深度学习模型的容器，智能节点从算力维度出发按GPU资源占比ρn粒度切分GPU为任意大小的虚拟GPU，当智能节点为第n个IoT终端设备提交的深度学习推理任务Γn的GPU资源占比为ρn时，产生的计算时延为 其中，In＝[I1,I2,…,Io]表示用于标识深度学习推理任务所需模型容器的独热编码向量，表示在不同模型上进行单字节输入数据的推理所需的时间消耗比例向量，T表示矩阵的转置操作，Pn表示为第n个IoT终端设备感知的数据，G表示边缘AI盒的统一GPU资源规格； 步骤1.2，根据标准时间消耗比例向量和计算时延，对于GPU资源占比为ρn的计算卸载执行模式，计算其计算能耗 其中，δ表示与GPU芯片结构紧密相关的有效开关电容系数用来反映GPU在计算深度学习推理任务时的能耗效率； 步骤1.3，将具有不同相位和幅度的多径信号在接收端相互叠加的统计特性建模为瑞利衰落，在瑞利衰落信道中，根据自由空间路径损耗增益ht与一个服从瑞利分布的随机变量αt的乘积计算对于任务时隙t，位于中心频率fc的正交频分复用子载波所经历的非视距信道增益 其中，Ad是天线增益，d0是单位距离长度，di是发送端与接收端之间的距离，de是路径衰减指数，αt的概率密度函数为σ2是与环境散射特性有关的瑞利分布的参数； 步骤1.4，设定位于中心频率fc的正交频分复用子载波的信道带宽表示为Bc，基于香农公式计算该信道上的最大信号传输速率ψc 其中，Ptr是IoT终端设备天线输出的信号功率，ω0表示信道背景噪声功率； 步骤1.5，令cn为深度学习推理任务Γn所占用的子载波波束的数量，计算利用多个正交频分复用子载波进行并行传输的通信时延 其中，ψi表示第i个子载波上的最大信号传输速率； 步骤1.6，根据通信时延计算通信能耗 步骤2，根据时延与能耗模型设计边缘智能中任务调度与资源分配的多目标优化函数并据此构建多目标优化问题； 步骤3，将多目标优化问题定义为多目标带约束的马尔可夫过程； 步骤4，根据马尔可夫过程设计基于效用的双价值网络的偏好深度确定性策略梯度算法调度模型； 步骤5，建立多目标效用函数动态调整机制并代入调度模型，输出策略动作。

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湘江实验室，其通讯地址为：410000 湖南省长沙市长沙高新区尖山路217号北斗产业园1栋；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”。