CN116582893A - 一种无线供能边缘智能场景下的神经网络模型分割及资源分配方法 - Google Patents
一种无线供能边缘智能场景下的神经网络模型分割及资源分配方法 Download PDFInfo
- Publication number
- CN116582893A CN116582893A CN202310530755.1A CN202310530755A CN116582893A CN 116582893 A CN116582893 A CN 116582893A CN 202310530755 A CN202310530755 A CN 202310530755A CN 116582893 A CN116582893 A CN 116582893A
- Authority
- CN
- China
- Prior art keywords
- time
- neural network
- representing
- energy
- decision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 37
- 238000013468 resource allocation Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000003062 neural network model Methods 0.000 title claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 12
- 230000002787 reinforcement Effects 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000005265 energy consumption Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000001934 delay Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0917—Management thereof based on the energy state of entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0925—Management thereof using policies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0958—Management thereof based on metrics or performance parameters
- H04W28/0967—Quality of Service [QoS] parameters
- H04W28/0975—Quality of Service [QoS] parameters for reducing delays
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Biodiversity & Conservation Biology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种无线供能边缘智能场景下的神经网络模型分割及资源分配方法,包括以下步骤:***中有一个边缘服务器、一个BS和N个用户设备,每个设备有一个单独的天线,可用于捕获能量或数据卸载,设备每个时隙都产生一个DNN推理任务;以用户设备捕获的能量和时隙长度为约束条件,以神经网络模型分割方案和资源分配方案为优化变量,建立以最大化计算任务的完成率为目标的优化问题采用强化学习结合MATLAB凸优化函数算法求解问题并把求得结果应用于用户设备上。本发明适用于无线信道时变且用户时延约束的无线供能多用户边缘智能场景,能大幅提高多用户神经网络推理计算任务的完成率。
Description
技术领域
本发明属于5G网络边缘智能技术领域,尤其涉及一种无线供能边缘智能***中神经网络(Deep Neural Network,DNN)模型的分割及资源分配方法,该方法适用于信道状态时变、用户设备有时延约束的情况下制定出合理的神经网络模型分割和资源分配决策,最大化用户任务完成率。
背景技术
在边缘智能***中,设备有限的能耗是执行DNN推理任务过程中很重要的一个制约因素。尽管有边缘服务器辅助完成DNN模型推理任务,但是本地计算和卸载也需要大量的计算和传输能耗,并且从不同的网络层对DNN进行分割所产生的总能耗差别很大,因此制定一个最优的分割决策非常重要。
另外,考虑到无线设备通常是电池供电,需要频繁更换电池且不环保,应用无线能量传输(Wireless Power Transfer,WPT)技术可以为设备持续供电。在该无线供能量边缘智能***中,无线接入点(Access Point,AP)给设备传输能量同时也可以接收设备卸载的计算任务。同时,该***存在两个挑战,一个挑战是在无线信道衰落的环境中,信道状态的变化会给时间分配决策造成很大影响,如何联合优化卸载和时间资源分配是一个关键问题。另外在每个时隙内设备捕获能量有限,如何分配设备的发射功率和计算频率来保证设备能通过有限的能量完成DNN推理也未得到解决。
发明内容
本发明要克服现有技术的上述缺点,提供一种无线供能边缘智能***中神经网络的分割及资源分配方法。
首先,为了最大化DNN推理计算任务完成率,本发明提出了一个无线能量传输环境下的神经网络模型分割及资源分配模型,该模型在考虑无线信道状态时变的基础上,进一步考虑到了多个用户设备的时延约束。其次,本发明提出了一个基于强化学习和MATLAB凸优化函数的优化算法以实现有效的时间资源分配决策、DNN模型分割决策、发送功率分配决策和计算速率分配决策,从而最大化DNN推理任务完成率。
为了实现上述过程,本发明提供以下的技术方案:
一种无线供能边缘智能场景下的神经网络模型分割及资源分配方法,包括以下步骤:
步骤1:将边缘服务器放置于接入点AP,并通过有线与AP连接,AP有稳定的电源供应。在AP的通信范围内放置N个用户设备,每个设备i有一个单独的天线,既可以用来捕获能量,也可以进行数据卸载。
步骤2:***分为T个时隙,每个时隙设备i都会产生一个深度神经网络DNN推理任务ri={Li,Ci,Oi},其中Li表示DNN网络层数量,Ci={ci,j|j∈{1,…Li}},ci,j表示计算DNN模型i第j层所需要的浮点数计算量(FLOPs),Oi={oi,j|j∈{1,…Li}},oi,j表示第j层输出的数据量大小。s=(s0,s1,…,sN)是DNN模型分割决策向量,si表示第i个任务的分割决策。
步骤3:在时隙t内,信道状态ht不变,设备在前αT时间同时进行能量捕获,α∈[0,1],后(1-α)T时间以时分复用的通信方式进行数据卸载。设备i捕获到的能量为Ei=μPhiαT,其中μ∈(0,1)是能量捕获效率系数,P是AP的发送功率,hi是设备i的无线信道增益。
步骤4:以每个用户设备的能量Ei和时隙长度T为约束条件,以时间资源分配决策α、DNN模型分割决策s、发送功率分配决策p和计算速率分配f决策为优化变量,以最大化用户计算任务的完成率为优化目标建立优化问题
步骤5:通过强化学习算法训练时间分配决策,将优化问题转化为问题/>采用遍历搜索的方式搜索DNN模型分割决策,以此将问题/>转化为凸优化问题/>采用MATLAB中的fmincon函数求解凸优化问题/>最终求得优化问题/>从而得到最佳DNN网络分割及资源分配方案。
进一步地,所述步骤4中,优化问题的表达式为:
其中I(X)是一个指示性函数,这里/>表示网络层在本地计算需要的时延,fi表示设备i的计算速率,/>表示传输中间参数需要的传输时延,ri表示设备的传输速率,/>表示网络层在边缘服务器计算需要的时延,fe是服务器的计算速率;优化变量α表示能量捕获时间占比决策,s=(s0,s1,…,sN)表示DNN模型分割决策向量;p=(p0,p1,…,pN)表示功率分配决策向量;f=(f0,f1,…,fN)表示计算速率分配决策向量。
再进一步的,步骤4所述的优化问题的限制条件表达式为:
0≤α≤1 (4)
其中式(2)表示所有用户任务的传输时延之和不能超过总计算卸载时间;式(3)表示用户设备计算卸载所需的能量消耗不能超过前αT时间内捕获的能量,这里为本地计算所需能耗,k为设备芯片能耗效率系数,/>为传输能耗,/>为空闲能耗,/>是设备空转时的功率,/>为设备空转时间;式(4)表示设备能量捕获的时间限制在时隙长度之内;式(5)表示DNN切割点在0至网络层数Li之间;式(6)表示设备计算速率限制在0至/>之内,/>表示设备最大计算速率;式(7)表示设备发送功率限制在0至之内,/>表示设备最大发射功率。
更进一步的,所述步骤5中,问题的表达式为:
其中表示任务i的总完成时延;式(9)表示所有用户设备i传输时延不能超过分配给它的卸载时延,其中ρi表示任务i的时间资源限制占总卸载时延的比例。另外,上述问题/>中式(3)、式(5)、式(6)、式(7)也为问题/>的限制条件表达式。
问题的表达式为:
上述问题中式(3)、式(6)、式(7)和问题/>中式(9)为问题/>的限制条件表达式。
更进一步地,所述步骤5中,采用强化学习结合遍历搜索及MATLAB函数的算法对步骤4中问题进行求解的步骤为:
步骤5.1:随机初始化强化学习中神经网络的参数θ,从时隙t=1时刻开始遍历,根据t时刻信道状态ht输出决策按照探索步长Δ生成含有K个候选值的集合,表示为
步骤5.2:将从步骤4.1中得到的K个候选值全部代入问题求解,遍历每一个用户任务,通过遍历搜索的方式搜索si,将问题进一步转化为凸优化问题/>将每一个si代入问题/>并通过fmincon函数求解问题/>得到最优的/>遍历完成之后进一步得到和任务完成率。
步骤5.3:根据步骤4.2得到的结果,在候选决策值中选出使得任务完成率最大的最优决策值并将对应的状态-动作对/>放到经验回放池中。当回放池被放满的时候,旧的状态-动作会被新的/>替换。
步骤5.4:从经验回放池中批量选取状态-动作对作为样本用来训练神经网络,将神经网络参数从θt更新到θt+1(对应的策略也变为),最新的策略/>用在下一个时隙中根据ht+1来生成决策估计值/>
步骤5.5:重复上述过程直至收敛,求得最优策略
本发明的有益效果主要表现在:适用于无线供能多用户边缘智能场景下的神经网络任务分割及相关资源分配决策,根据无线信道状态和用户提出的时延约束,联合优化能量捕获时间分配、神经网络模型分割、发送功率分配和计算速率分配决策,最后大幅提高多用户神经网络推理计算任务的完成率。
附图说明
图1为本发明的无线供能边缘智能***DNN推理模型图。
图2为本发明的神经网络模型结构图。
图3为本发明的算法流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
结合图1、图2、图3,一种无线供能边缘智能场景下的神经网络模型分割及资源分配方法,包括如下步骤:
步骤1:将边缘服务器放置于接入点AP,并通过有线与AP连接,AP有稳定的电源供应,在基站的通信范围内放置N个用户设备。***是分时隙的,每个时隙t内设备与AP之间的信道状态为ht,并且每个时隙设备都会产生一个DNN推理任务,设备有单独的天线,既可以用来捕获能量,也可以卸载分割之后的DNN模型。
步骤2:每个时隙设备i都会产生一个DNN推理任务,本发明将其表示为ri={Li,Ci,Oi},其中Li表示DNN网络层数量,Ci={ci,j|j∈{1,…Li}},ci,j表示计算DNN模型i第j层所需要的浮点数计算量(FLOPs),Oi={oi,j|j∈{1,…Li}},oi,j表示第j层输出的数据量大小。s=(s0,s1,…,sN)是DNN模型分割决策向量,si表示第i个任务的分割决策。
步骤3:在时隙t内,信道状态ht不变,设备在前αT时间同时进行能量捕获,后(1-α)T时间以时分复用的通信方式进行数据卸载。设备i捕获到的能量为Ei=μPhiαT,其中μ∈(0,1)是能量捕获效率系数,P是AP的发送功率,hi是设备i的无线信道增益。
步骤4:以每个用户设备的能量Ei和时隙T为约束条件,以时间资源分配决策、DNN模型分割决策、发送功率分配决策和计算速率分配决策为优化变量,以最大化用户计算任务的完成率为优化目标建立优化问题
步骤5:通过强化学习算法训练时间分配决策,将优化问题转化为问题/>采用遍历搜索的方式搜索DNN模型分割决策,以此将问题/>转化为凸优化问题/>采用MATLAB中的fmincon函数求解凸优化问题/>最终求得优化问题/>从而得到最佳DNN网络分割及资源分配方案。
进一步地,所述步骤4中,优化问题的表达式为:
其中I(X)是一个指示性函数,这里/>表示网络层在本地计算需要的时延,fi表示设备i的计算速率,/>表示传输中间参数需要的传输时延,ri表示设备的传输速率,/>表示网络层在边缘服务器计算需要的时延,fe是服务器的计算速率;优化变量α表示能量捕获时间占比决策,s=(s0,s1,…,sN)表示DNN模型分割决策向量;p=(p0,p1,…,pN)表示功率分配决策向量;f=(f0,f1,…,fN)表示计算速率分配决策向量。
再进一步的,优化问题的限制条件表达式为:
0≤α≤1 (14)
其中式(12)表示所有用户任务的传输时延之和不能超过总计算卸载时间;式(13)表示用户设备计算卸载所需的能量消耗不能超过前αT时间内捕获的能量,这里为本地计算所需能耗,k为设备芯片能耗效率系数,/>为传输能耗,/>为空闲能耗,/>是设备空转时的功率,/>为设备空转时间;式(14)表示设备能量捕获的时间限制在时隙长度之内;式(15)表示DNN切割点在0至网络层数Li之间;式(16)表示设备计算速率限制在0至/>之内,/>表示设备最大计算速率;式(17)表示设备发送功率限制在0至/>之内,/>表示设备最大发射功率。
更进一步的,所述步骤5中,问题的表达式为:
其中表示任务i的总完成时延;式(19)表示所有用户设备i传输时延不能超过分配给它的卸载时延,其中ρi表示任务i的时间资源限制占总卸载时延的比例。另外,上述问题/>中式(13)、式(15)、式(16)、式(17)也为问题/>的限制条件表达式。
问题的表达式为:
上述问题中式(13)、式(16)、式(17)和问题/>中式(19)为问题/>的限制条件表达式。
更进一步地,所述步骤5中,采用强化学习结合遍历搜索及MATLAB函数的算法对步骤4中问题进行求解的步骤为:
步骤5.1:随机初始化强化学习中神经网络的参数θ,从时隙t=1时刻开始遍历,根据t时刻信道状态ht输出决策按照探索步长Δ生成含有K个候选值的集合,表示为
步骤5.2:将从步骤4.1中得到的K个候选值全部代入问题求解,遍历每一个用户任务,通过遍历搜索的方式搜索si,将问题进一步转化为凸优化问题/>将每一个si代入问题/>并通过fmincon函数求解问题/>得到最优的/>遍历完成之后进一步得到/>和任务完成率。
步骤5.3:根据步骤4.2得到的结果,在候选决策值中选出使得任务完成率最大的最优决策值并将对应的状态-动作对/>放到经验回放池中。当回放池被放满的时候,旧的状态-动作会被新的/>替换。
步骤5.4:从经验回放池中批量选取状态-动作对作为样本用来训练神经网络,将神经网络参数从θt更新到θt+1(对应的策略也变为),最新的策略/>用在下一个时隙中根据ht+1来生成决策估计值/>
步骤5.5:重复上述过程直至收敛,求得最优策略
针对如图1所示的无线供能边缘智能***DNN推理场景来说明本发明的具体实施方案。
首先,***中有一个边缘服务器与接入点AP连接,在基站的通信范围内有N个用户设备,每个设备都有一个神经网络推理计算任务,并且有一个单独的天线,既可以用来捕获能量,也可以进行数据卸载。
其次,以每个用户设备的能量Ei和时隙T为约束条件,以时间资源分配决策、DNN模型分割决策、发送功率分配决策和计算速率分配决策为优化变量,以最大化用户计算任务的完成率为优化目标建立优化问题
然后,通过强化学习算法以及MATLAB中的fmincon函数求解出优化问题从而得到最佳DNN网络分割及资源分配方案。
最后,根据所求的最优解,将神经网络模型分割方案、资源分配方案应用到边缘物联网设备上。
本发明适用于无线信道时变且用户时延约束的无线供能多用户边缘智能场景,制定合适的能量捕获时间分配、神经网络模型分割、发送功率分配和计算速率分配决策,大幅提高多用户神经网络推理计算任务的完成率。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举,仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式,本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。
Claims (5)
1.一种无线供能边缘智能场景下的神经网络模型分割及资源分配方法,其特征在于,包括如下步骤:
步骤1:将边缘服务器放置于接入点AP,并通过有线与AP连接,AP有稳定的电源供应;在AP的通信范围内放置N个用户设备,每个设备i有一个单独的天线,既可以用来捕获能量,也可以进行数据卸载;
步骤2:***分为T个时隙,每个时隙设备i都会产生一个深度神经网络DNN推理任务ri={Li,Ci,Oi},其中Li表示DNN网络层数量,Ci={ci,j|j∈{1,…Li}},ci,j表示计算DNN模型i第j层所需要的浮点数计算量(FLOPs),Oi={oi,j|j∈{1,…Li}},oi,j表示第j层输出的数据量大小;s=(s0,s1,...,sN)是DNN模型分割决策向量,si表示第i个任务的分割决策;
步骤3:在时隙t内,信道状态ht不变,设备在前αT时间同时进行能量捕获,α∈[0,1],后(1-α)T时间以时分复用的通信方式进行数据卸载;设备i捕获到的能量为Ei=μPhiαT,其中μ∈(0,1)是能量捕获效率系数,P是AP的发送功率,hi是设备i的无线信道增益;
步骤4:以每个用户设备的能量Ei和时隙长度T为约束条件,以时间资源分配决策α、DNN模型分割决策s、发送功率分配决策p和计算速率分配f决策为优化变量,以最大化用户计算任务的完成率为优化目标建立优化问题
步骤5:通过强化学习算法训练时间分配决策,将优化问题转化为问题/>采用遍历搜索的方式搜索DNN模型分割决策,以此将问题/>转化为凸优化问题/>采用MATLAB中的fmincon函数求解凸优化问题/>最终求得优化问题/>从而得到最佳DNN网络分割及资源分配方案。
2.如权利要求1所述的一种无线供能边缘智能场景下的神经网络模型分割及资源分配方法,其特征在于,步骤4所述的优化问题的表达式为:
其中I(X)是一个指示性函数,这里/>表示网络层在本地计算需要的时延,fi表示设备i的计算速率,/>表示传输中间参数需要的传输时延,ri表示设备的传输速率,/>表示网络层在边缘服务器计算需要的时延,fe是服务器的计算速率;优化变量α表示能量捕获时间占比决策,s=(s0,s1,...,sN)表示DNN模型分割决策向量;p=(p0,p1,...,pN)表示功率分配决策向量;f=(f0,f1,...,fN)表示计算速率分配决策向量。
3.如权利要求1所述的一种无线供能边缘智能场景下的神经网络模型分割及资源分配方法,其特征在于,步骤4所述的优化问题的限制条件表达式为:
0≤α≤1 (4)
其中式(2)表示所有用户任务的传输时延之和不能超过总计算卸载时间;式(3)表示用户设备计算卸载所需的能量消耗不能超过前αT时间内捕获的能量,这里为本地计算所需能耗,k为设备芯片能耗效率系数,/> 为传输能耗,/>为空闲能耗,/>是设备空转时的功率,/>为设备空转时间;式(4)表示设备能量捕获的时间限制在时隙长度之内;式(5)表示DNN切割点在0至网络层数Li之间;式(6)表示设备计算速率限制在0至fi max之内,fi max表示设备最大计算速率;式(7)表示设备发送功率限制在0至/>之内,/>表示设备最大发射功率。
4.如权利要求1所述的一种无线供能边缘智能场景下的神经网络模型分割及资源分配方法,其特征在于,所述步骤5中,问题的表达式为:
其中表示任务i的总完成时延;式(9)表示所有用户设备i传输时延不能超过分配给它的卸载时延,其中ρi表示任务i的时间资源限制占总卸载时延的比例;另外,上述问题/>中式(3)、式(5)、式(6)、式(7)也为问题/>的限制条件表达式;
问题的表达式为:
上述问题中式(3)、式(6)、式(7)和问题/>中式(9)为问题/>的限制条件表达式。
5.如权利要求1所述的一种无线供能边缘智能场景下的神经网络模型分割及资源分配方法,其特征在于,所述步骤5中,采用强化学习结合遍历搜索及MATLAB函数的算法对步骤4中的优化问题进行求解的步骤为:
步骤5.1:随机初始化强化学习中神经网络的参数θ,从时隙t=1时刻开始遍历,根据t时刻信道状态ht输出决策按照探索步长Δ生成含有K个候选值的集合,表示为
步骤5.2:将从步骤4.1中得到的K个候选值全部代入问题求解,遍历每一个用户任务,通过遍历搜索的方式搜索si,将问题进一步转化为凸优化问题/>将每一个si代入问题/>并通过fmincon函数求解问题/>得到最优的/>fi *,/>遍历完成之后进一步得到/>和任务完成率;
步骤5.3:根据步骤4.2得到的结果,在候选决策值中选出使得任务完成率最大的最优决策值并将对应的状态-动作对/>放到经验回放池中;当回放池被放满的时候,旧的状态-动作会被新的/>替换;
步骤5.4:从经验回放池中批量选取状态-动作对作为样本用来训练神经网络,将神经网络参数从θt更新到θt+1(对应的策略也变为),最新的策略/>用在下一个时隙中根据ht+1来生成决策估计值/>
步骤5.5:重复上述过程直至收敛,求得最优策略
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310530755.1A CN116582893A (zh) | 2023-05-09 | 2023-05-09 | 一种无线供能边缘智能场景下的神经网络模型分割及资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310530755.1A CN116582893A (zh) | 2023-05-09 | 2023-05-09 | 一种无线供能边缘智能场景下的神经网络模型分割及资源分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116582893A true CN116582893A (zh) | 2023-08-11 |
Family
ID=87537112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310530755.1A Pending CN116582893A (zh) | 2023-05-09 | 2023-05-09 | 一种无线供能边缘智能场景下的神经网络模型分割及资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116582893A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117939635A (zh) * | 2024-01-11 | 2024-04-26 | 暨南大学 | 一种适用于工业物联网通信学习性能均衡的功率分配方案 |
-
2023
- 2023-05-09 CN CN202310530755.1A patent/CN116582893A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117939635A (zh) * | 2024-01-11 | 2024-04-26 | 暨南大学 | 一种适用于工业物联网通信学习性能均衡的功率分配方案 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947545B (zh) | 一种基于用户移动性的任务卸载及迁移的决策方法 | |
CN113568675B (zh) | 一种基于分层强化学习的车联网边缘计算任务卸载方法 | |
CN113543176B (zh) | 基于智能反射面辅助的移动边缘计算***的卸载决策方法 | |
CN112105062B (zh) | 时敏条件下移动边缘计算网络能耗最小化策略方法 | |
Nath et al. | Multi-user multi-channel computation offloading and resource allocation for mobile edge computing | |
CN111158902B (zh) | 一种移动边缘分布式机器学习***和方法 | |
CN113286317B (zh) | 一种基于无线供能边缘网络的任务调度方法 | |
CN110233755B (zh) | 一种物联网中雾计算的计算资源和频谱资源分配方法 | |
CN111132074A (zh) | 车联网环境下多接入边缘计算卸载和帧时隙资源分配方法 | |
CN113590279B (zh) | 一种面向多核边缘计算服务器的任务调度和资源分配方法 | |
CN116582893A (zh) | 一种无线供能边缘智能场景下的神经网络模型分割及资源分配方法 | |
Sadiki et al. | Deep reinforcement learning for the computation offloading in MIMO-based Edge Computing | |
CN111901400A (zh) | 一种配备缓存辅助装置的边缘计算网络任务卸载方法 | |
Cheng et al. | Energy-efficient resource allocation for UAV-empowered mobile edge computing system | |
Zhu et al. | Learn and pick right nodes to offload | |
Li et al. | Offloading and system resource allocation optimization in TDMA based wireless powered mobile edge computing | |
CN114025359B (zh) | 基于深度强化学习的资源分配与计算卸载方法、***、设备及介质 | |
CN115987375A (zh) | 融合网络的电力设备关联与资源优化方法、***及介质 | |
Giri et al. | Deep Q-learning based optimal resource allocation method for energy harvested cognitive radio networks | |
CN113821346B (zh) | 基于深度强化学习的边缘计算中计算卸载与资源管理方法 | |
CN117119486B (zh) | 一种保障多小区蜂窝网长期用户速率的深度无监督学习资源分配方法 | |
Liu et al. | Power allocation in ultra-dense networks through deep deterministic policy gradient | |
Yu et al. | Task delay minimization in wireless powered mobile edge computing networks: A deep reinforcement learning approach | |
CN114745386B (zh) | 一种多用户边缘智能场景下的神经网络分割及卸载方法 | |
CN114423070B (zh) | 一种基于d2d的异构无线网络功率分配方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |