成果介绍
车联网中的计算任务卸载策略,是一个热门研究方向。因为电动车辆的移动性,电动汽车剩余电量,电动汽车需要卸载的计算任务大小,以及异构计算资源的计算性能,以及卸载需要消耗的通信资源,都对计算任务卸载的决策有一定程度的影响。因为影响因素众多,很难通过理论推导给出最优方法,有必要提出种能根据环境决定使用何种计算任务卸载策略的方法。
本成果提出一种基于联邦学习架构的车联网中计算任务优化卸载方法及系统,属于车联网技术领域。
本方法通过对计算任务进行优化卸载,实现车联网中任务计算的负载均衡,提高了计算资源的利用率。
成果亮点
构建基于联邦学习架构的车联网模型,根据电动车辆的历史状态数据建立最小化计算时延和能耗的目标函数;所述历史状态数据包括电动车辆的位置、车辆速度、车辆剩余电量和车辆需要卸载的计算任务大小;采用强化学习算法对所述目标函数进行求解和参数优化,得到优化卸载模型;获取当前电动车辆的当前状态数据,将所述当前状态数据输入到所述优化卸载模型,输出计算任务的最优卸载方案。
团队介绍
联系人: 庄老师 单位名称:常州市武进区科技成果转移中心
成果资料