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！

龙图腾网获悉浙江理工大学申请的专利一种强化学习与启发式驱动的边缘计算依赖任务调度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：CN120578481B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202511073884.8，技术领域涉及：G06F9/48；该发明授权一种强化学习与启发式驱动的边缘计算依赖任务调度方法是由王鹏;徐伟强设计研发完成，并于2025-08-01向国家知识产权局提交的专利申请。

本一种强化学习与启发式驱动的边缘计算依赖任务调度方法在说明书摘要公布了：本发明涉及边缘计算与任务调度领域，具体公开了一种强化学习与启发式驱动的边缘计算依赖任务调度方法，包括以下步骤：先对多用户的任务进行合并，为所有没有前驱任务的任务添加一个开始节点；将边缘计算与依赖性任务调度问题转化成双层优化问题：上层优化中，使用基于强化学习的人工智能算法对任务的依赖关系进行修改，即增加新的边，从而增加新的约束条件；下层优化中，采用传统的启发式算法对任务进行卸载求解，得到任务的调度顺序和调度地点；迭代优化上下两层，以最小化目标函数。本发明采用上述的一种强化学习与启发式驱动的边缘计算依赖任务调度方法，通过动态增加任务间的依赖关系，实现高质量的用户体验，并且可以泛化到大规模场景中。

本发明授权一种强化学习与启发式驱动的边缘计算依赖任务调度方法在权利要求书中公布了：1.一种强化学习与启发式驱动的边缘计算依赖任务调度方法，其特征在于，包括以下步骤： S1、对多用户的任务进行合并，为所有没有前驱任务的任务添加一个开始节点； S2、将边缘计算与依赖性任务调度问题转化成双层优化问题： 在上层优化中，使用基于强化学习的人工智能算法对任务的依赖关系进行修改，即增加新的边，从而增加新的约束条件； 在下层优化中，采用传统的启发式算法对任务进行卸载求解，得到任务的调度顺序和调度地点； S3、迭代优化上下两层，以最小化目标函数； S2中，上层优化过程如下： Sa1、构建马尔科夫链MDP： 将问题表述成强化学习的马尔科夫链MDP，状态是当前有向无环图DAG Gk，动作被定义为向Gk添加一条边，得到一个新的DAG Gk+1； 添加的边强制执行额外的约束，缩减决策空间，其中，xk表示第k步调度的执行顺序和地点，在Gk+1上采用传统启发式算法计算xk+1； 根据xk计算问题的目标函数值f xk| Gk，定义奖励为前一个目标函数值f xk| Gk减去新的目标函数值f xk+1| Gk+1： Reward = f xk| Gk−f xk+1| Gk+1； 对于状态转换，每轮迭代设置一个最大动作数K作为结束条件，避免算法无法终止； Sa2、状态编码： 采用图卷积网络GCN对DAG表示的状态进行编码，以提取数据特征，考虑DAG结构，使用两个GCN，第一个GCN处理原始DAG，第二个GCN处理所有边都翻转的DAG； 连接两个GCN模块得到节点特征n，并采用注意力池化层提取图的整体特征g： n=[GCN1Gk||GCN2reverseGk]； g=Attn； 其中，reverseGk表示Gk对应边全翻转的DAG，为拼接函数； Sa3、使用由策略网络Actor Net和价值网络Critic Net组成的近端策略优化算法，策略网络Actor Net负责生成动作的概率分布，价值网络Critic Net负责评估当前状态长期价值； S2中，下层优化使用基于贪婪算法的传统启发式算法对任务卸载问题进行求解，具体过程如下： Sb1、将所有用户中无前驱节点的任务放入就绪队列ready list，并根据应用的截止时间进行非降序排序，得到第一轮调度的任务及其调度顺序； Sb2、将队列中的任务按顺序调度到时延、能耗和成本三个目标值加权和最小的地点执行，执行完后将任务从队列中移除，同时标记该任务已完成； Sb3、检查被调度任务的后继任务是否符合条件，即后继任务的所有直接前驱任务是否已完成，如果符合条件，将该后继任务放入就绪队列； Sb4、当一轮就绪队列中的任务全部完成，对新添加进队列的任务进行应用的截止时间的非降序排序，开始新一轮的任务调度；当所有任务都执行完成时，得到最终解。

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浙江理工大学，其通讯地址为：310018 浙江省杭州市经济技术开发区白杨街道2号大街928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。