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！

龙图腾网获悉北京科技大学申请的专利一种用户需求的自适应任务卸载方法及系统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：CN119576433B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202411610772.7，技术领域涉及：G06F9/445；该发明授权一种用户需求的自适应任务卸载方法及系统是由任语铮;张海君;范刘琪;于非;李琳佩;袁帅设计研发完成，并于2024-11-12向国家知识产权局提交的专利申请。

本一种用户需求的自适应任务卸载方法及系统在说明书摘要公布了：本发明提供一种用户需求的自适应任务卸载方法及系统，涉及深度强化学习领域，方法包括：构建用于确定推理任务卸载节点的网络模型；建立延迟模型，计算推理应用在终端设备上的总推理延迟；建立能耗模型，确定推理任务在终端设备上的总推理能耗；结合总推理延迟和总推理能耗，确定MEC任务调度服务器生成的卸载策略，并基于熵建立卸载策略的多目标优化函数；将多目标优化函数值作为奖励函数，基于历史卸载策略构建智能强化学习模型；获取实时推理任务；将实时推理任务输入至智能强化学习模型，输出最佳卸载策略。通过本发明，提升了计算卸载方案的泛化能力和卸载策略的适应性。

本发明授权一种用户需求的自适应任务卸载方法及系统在权利要求书中公布了：1.一种基于用户需求的自适应任务卸载方法，其特征在于，应用于自适应任务卸载平台，其中，所述自适应任务卸载平台包括云中心、多个终端设备和多个MEC服务器，其中，每个终端设备均通过MEC服务器与所述云中心连接，各个MEC服务器之间相互连接，其中，所述MEC服务器包括MEC任务调度服务器、MEC任务计算服务器和MEC任务转发服务器；方法包括： S1：构建用于确定推理任务卸载节点的网络模型，定义由MEC任务计算服务器和MEC任务转发服务器组成的MEC处理服务器、各个终端设备生成的推理应用，其中，所述推理应用用于发出推理任务； S2：建立延迟模型，计算所述推理应用在终端设备上的总推理延迟； S3：建立能耗模型，确定所述推理任务在终端设备上的总推理能耗； S4：结合所述总推理延迟和所述总推理能耗，确定所述MEC任务调度服务器生成的卸载策略，并基于熵建立所述卸载策略的多目标优化函数，其中，所述卸载策略包括卸载节点和资源分配量； S5：将所述多目标优化函数值作为奖励函数，基于历史卸载策略构建智能强化学习模型； S6：获取实时推理任务； S7：将所述实时推理任务输入至所述智能强化学习模型，输出最佳卸载策略； 其中，所述智能强化学习模型包括输入层模块、变换器块序列模块、动作预测模块、智能获取模块和神经网络更新模块； 所述输入层模块用于在轨迹中接收包括时间步长、状态和动作的输入数据，并在每个独立的轨迹内执行自注意力操作； 所述变换器块序列模块用于对所述输入数据进行特征提取，保证数据的顺序完整性，其中，所述变换器块序列模块包括因果注意力单元和多层感知器单元； 所述动作预测模块用于从最后一个带掩码的因果自注意力单元的输出中提取信息，输出包括序列中每个时间步长的动作预测结果； 所述智能获取模块和所述神经网络更新模块用于计算所述多目标优化函数值的增量； 所述S5具体包括： S501：获取具有最优卸载策略的轨迹数据，其中，所述轨迹数据包括状态、代表所述卸载策略的动作和总推理延迟、任务处理准确率和总推理能耗； S502：将所述轨迹数据输入至所述智能强化学习模型进行训练，确定所述智能强化学习模型的超参数，其中，所述超参数包括所述智能强化学习模型的嵌入长度、输入序列长度、最大训练迭代次数、每次训练迭代的更新次数、最大测试迭代次数、每次测试迭代的更新次数、样本集合、样本批量大小和学习率； S503：计算所述智能强化学习模型的损失函数值，其中，所述损失函数为基于所述动作生成的真实状态与所述智能强化学习模型的预测状态之间的KL散度值； S504：在所述损失函数值小于预设损失函数值，且所述多目标优化函数值的增量小于预设增量的情况下，输出当前动作，否则，更改所述超参数，返回步骤S502； S505：输出当前超参数下的智能强化学习模型。

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北京科技大学，其通讯地址为：100083 北京市海淀区学院路30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。