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！

龙图腾网获悉南京邮电大学申请的专利一种基于时序图的6G网络多智能体实时任务卸载算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：CN119815426B 。

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：202510042720.2，技术领域涉及：H04W28/084；该发明授权一种基于时序图的6G网络多智能体实时任务卸载算法是由朱晓荣;张才铭设计研发完成，并于2025-01-10向国家知识产权局提交的专利申请。

本一种基于时序图的6G网络多智能体实时任务卸载算法在说明书摘要公布了：本发明涉及移动边缘计算领域，具体为一种基于时序图的6G网络多智能体实时任务卸载算法，包括：针对智能助理在移动过程中与边缘节点之间的动态连接关系，建立基于时序图的表征模型；根据任务的卸载选择模型和卸载节点的任务执行能耗最小化任务卸载的能效成本，建立多目标优化问题任务卸载和资源分配模型；将任务卸载决策与资源分配问题解耦；基于时序图的网络拓扑结构，设计图强化学习框架，用于在6G网络环境中实现任务卸载的最优决策，并通过多轮训练和更新，逐步求解出最优的任务卸载策略和边缘资源分配策略，显著提升了多智能体任务卸载的效率与能效，解决了现有方法在动态环境中优化效果不足的问题。

本发明授权一种基于时序图的6G网络多智能体实时任务卸载算法在权利要求书中公布了：1.一种基于时序图的6G网络多智能体实时任务卸载方法，其特征在于：所述方法包括： 步骤1、针对智能助理在移动过程中与边缘节点之间的动态连接关系，建立基于时序图的表征模型； 步骤2、根据任务的卸载选择模型和卸载节点的任务执行能耗最小化任务卸载的能效成本，建立多目标优化问题任务卸载和资源分配模型； 其中，所述步骤2中建立多目标优化问题任务卸载和资源分配模型，包括： S201、设定时延限制为的计算密集型任务由个子任务构成，形成子任务集合；则基于子任务的子任务决策变量集合：，满足任务卸载选择模型； 其中，表示选择在智能助理本地执行，表示卸载到智能助理周边的智能体终端执行，表示选择卸载到基站服务器中进行计算；表示边缘节点下标集合，表示基站下标集合； 其中，当在本地执行时，，，；当任务卸载到智能体时，，，；当智能助理选择卸载到基站时，，，； S202、基于任务卸载选择模型，当子任务选择在智能助理处进行本地处理时，其完成时间为执行计算时间；当子任务选择卸载到边缘节点上进行服务时，其完成时间包括数据转移时间、排队等待时间、执行计算时间以及计算结果返回时间；其中每个子任务的计算结果最终都返回给智能助理； 通过分析卸载的完成时间和节点能耗，计算频率最小化任务卸载的能效成本，确认任务卸载和资源分配模型，具体公式为： ； 其中，、分别是能耗和完成时间的权重，可以通过调整权重来动态控制能耗和延迟之间的偏好，满足； 其中，表示节点能耗，表示智能体能耗，表示智能助理向智能体的传输能耗，表示基站服务器的能耗，表示智能助理向基站的传输能耗，表示子任务本地处理的任务完成时间，表示子任务m的完成时延； 步骤3、将任务卸载决策与资源分配问题解耦；基于时序图的网络拓扑结构，设计图强化学习框架，用于在6G网络环境中实现任务卸载的最优决策；图神经网络负责从时序图中提取节点和边的特征，并通过强化学习算法进行卸载决策优化，通过多轮训练和更新，逐步求解出最优的任务卸载策略和边缘资源分配策略； 其中，所述步骤3中求解出最优的任务卸载策略和边缘资源分配策略，包括： S301、基于任务卸载和资源分配模型，将系统能效成本构造的优化问题解耦为两个子问题：卸载决策和具有凸性质的优化问题； 所述卸载决策为：； 其中，表示任务的卸载选择矩阵，表示智能体需要决策的任务集，表示智能体下标集合，表示子任务集合，约束条件表示智能助理的每个子任务有三种选择卸载方式，第一种在本地处理，第二种在基站服务器处理，第三种在智能体执行，且一个任务只能由一个节点执行； 所述凸性质的优化问题为：； 其中，表示基站分配的RB资源块数目，表示计算终端的计算频率； 约束条件6分别表示： C2：子任务的执行时间必须在规定的时间内，智能助理任务实际完成时间小于计算出的时延限制； C3：智能助理子任务应在位于边缘节点覆盖范围时候内进行； C4：所有的蜂窝用户禁止共享相同的RB资源块以及每个RB资源块只能被一对D2D用户重用； 其中，所述蜂窝用户表示将选择卸载任务到基站的智能助理，所述D2D用户表示选择卸载到智能体的智能助理； C5：每个蜂窝用户获得RB资源块的数量0，且每对D2D用户重用RB资源块的数量0； C6：智能体分配的计算能力智能体最大计算能力； S302、利用T-GRL框架分析任务卸载的最优决策； 所述T-GRL框架中，将GNN推理框架构建为一个Actor网络，则将任务卸载和资源分配模型作为Critic部分，并将每次迭代得到的四元组保存到内存中，基于经验回放训练GNN，通过探索和快速学习经验来逼近最优策略； 同时，由于使用时序图作为GNN输入，则将前后智能助理做出决策并执行的平均系统总能效成本之差作为奖励函数，在每一位新智能助理做出决策的同时更新网络参数。

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南京邮电大学，其通讯地址为：210003 江苏省南京市鼓楼区新模范马路66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。