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！

龙图腾网获悉杭州电子科技大学申请的专利一种利用深度强化学习优化车联网中依赖性任务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：CN116455903B 。

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：202310522700.6，技术领域涉及：H04L67/10；该发明授权一种利用深度强化学习优化车联网中依赖性任务卸载方法是由刘鹏;张飞设计研发完成，并于2023-05-10向国家知识产权局提交的专利申请。

本一种利用深度强化学习优化车联网中依赖性任务卸载方法在说明书摘要公布了：本发明公布了一种利用深度强化学习优化车联网中依赖性任务卸载方法。本发明步骤包：S1、构建车辆系统网络；S2、构建应用程序的任务模型；S3、构建任务负载模型：根据车辆网络系统和任务模型，分别计算本地计算、卸载到附近车辆、卸载到附近路边单元这3种卸载方式的时延、能耗以及支付的激励报酬；S4、确定任务优先级：首先根据子任务的前驱节点的分配再结合动态网络环境确定每个子任务的优先级，然后根据多队列算法进行调度；S5、通过深度强化学习寻找最优卸载策略。本发明的方法不需要过多的先验知识，且在类似的应用场景中具有良好的复用性，具有较高的实用价值。

本发明授权一种利用深度强化学习优化车联网中依赖性任务卸载方法在权利要求书中公布了：1.一种利用深度强化学习优化车联网中依赖性任务卸载方法，其特征在于，包括如下步骤： S1、构建车辆系统网络：所提出的车辆系统网络由依次连接的MEC服务器、RSU、车辆用户端组成； S2、构建应用程序的任务模型：具有时序依赖和数据依赖关系的任务被建模为一个DAG任务模型； S3、构建任务负载模型：根据车辆网络系统和任务模型，分别计算本地计算、卸载到附近车辆、卸载到附近路边单元这3种卸载方式的时延、能耗以及支付的激励报酬；具体实现如下： 3.1在不同车辆节点上执行的相互依赖子任务需要进行数据传递； 将在车辆节点m上执行的子任务φj的计算结果传递给在车辆节点n上执行的子任务φi需要一定的时间，将这个数据传递时间定义如下： 其中，符号k、m、n分别代表车辆节点的标号，φj是φi的子任务前驱节点，rmn代表车辆节点m到车辆节点n之间的传输带宽，表示子任务φi对φj的依赖数据的数据大小，emn表示车辆节点m和n是否在通信范围内；表示路边单元RSUi通信范围内车辆通过单跳V2V通信建立的边的集合； 3.2计算在本地执行任务的时间； 3.3计算在本地执行任务的能耗： 3.4执行一个子任务φi所需花费的时间ti、能耗ei和所需要支付的费用ci 3.5为了做出最优的卸载决策，建立了考虑完成任务的能耗和激励报酬的优化问题，具体如下： C4:α+β＝1,α＞0β＞0 其中，CX表示总激励报酬成本，EX表示总计算成本；C1表示每个子任务都必须要被卸载到某一个设备上；表示将子任务的卸载决定；C2和C3表示如果子任务被卸载到服务端车辆上或者RSU上，其完成时间不能超过最大允许时间阈值lc,k或C4表示能耗和激励报酬的权重之和为1，且两者都必须为正数； 优化问题分解为两个子问题：任务优先级确定和卸载决策；首先，任务优先级确定问题是为了满足时延和任务依赖性的约束，确定每个子任务的执行顺序；然后，将任务调度顺序用于卸载决策，利用深度强化学习来决定每个子任务在本地计算、卸载到RSU或者卸载到服务端车辆的哪种方式中执行，以最小化能耗和激励报酬的加权和； S4、确定任务优先级：首先根据子任务的前驱节点的分配再结合动态网络环境确定每个子任务的优先级，然后根据多队列算法进行调度； S5、通过深度强化学习寻找最优卸载策略：通过深度强化学习学习最优卸载策略，即每个子任务选择相应的执行设备来完成任务的卸载使在时延限制下能耗和支付的激励报酬最小化，以此提高用户的服务质量。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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。