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！

龙图腾网获悉安徽工业大学申请的专利一种基于深度强化学习的RSU辅助车联网多跳任务卸载优化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：CN119854871B 。

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：202510038904.1，技术领域涉及：H04W28/08；该发明授权一种基于深度强化学习的RSU辅助车联网多跳任务卸载优化方法是由左奇学;崔绍欣;陈龙;赵伟设计研发完成，并于2025-01-10向国家知识产权局提交的专利申请。

本一种基于深度强化学习的RSU辅助车联网多跳任务卸载优化方法在说明书摘要公布了：本发明公开了一种基于深度强化学习的RSU辅助车联网多跳任务卸载优化方法，属于边缘计算与任务卸载技术领域。本发明的步骤为：一、根据道路环境，RSU的传感器主动感知道路信息，生成感知任务；二、根据不同的任务卸载节点建立卸载时延模型和卸载成本模型，然后根据建立的卸载时延模型和卸载成本模型构建用于卸载决策的目标函数；三、根据目标函数，将任务决策问题转化为马尔可夫决策过程问题，选取使得任务处理时延和任务处理成本最小的计算卸载节点；四、利用A3C算法实现任务处理时延和任务处理成本的共同优化，得到最优任务决策。本发明实现了车辆移动下的多跳任务卸载，合理利用了RSU通信范围外的计算资源，且保证了通信链路质量。

本发明授权一种基于深度强化学习的RSU辅助车联网多跳任务卸载优化方法在权利要求书中公布了：1.一种基于深度强化学习的RSU辅助车联网多跳任务卸载优化方法，其特征在于，其步骤为： 步骤一、根据道路环境，RSU上的传感器主动感知道路信息，生成感知任务； 步骤二、根据不同的任务卸载节点建立对应感知任务的卸载时延模型和卸载成本模型，然后根据建立的卸载时延模型和卸载成本模型构建用于卸载决策的目标函数；其中： 所述的卸载时延模型为任务在车辆上计算、在RSU上计算以及在云服务器上计算的总处理时延Drt；所述的卸载成本模型为任务在车辆上计算、在RSU上计算以及在云服务器上计算的总处理成本Crt； 任务卸载至车辆上进行处理时，需要评估通信链路质量以找到合适的通信链路，包括V2V链路质量评估、R2V链路质量评估；其中，将车辆i和车辆j相对距离的变化量小于车辆i和车辆j剩余通信距离的概率，作为V2V链路质量的评估；将RSUr和车辆i相对距离的变化量小于RSUr和车辆i剩余通信距离的概率，作为R2V链路质量的评估； 将任务ft从RSUr卸载到车辆v上包括三个步骤：找到候选车辆、确定传输路径和执行卸载决策；其中： 在寻找候选车辆的过程中，RSUr向其通信范围内的所有车辆发送服务请求，在接收到请求时，每个车辆进一步将请求中继到通信范围内的其他车辆；当车辆接收到服务请求时，该车辆记录请求在到达车辆之前经过的所有转发节点；然后，车辆将记录信息与当前状态一起发送回RSUr； 在找到候选车辆之后，将获得可以与RSUr通信的所有候选车辆的集合ζrt，假设在RSUr和候选车辆v之间存在η条路径组成的集合给定一条路径hr，v由u条单跳链路组成：RSUr→车辆h1→车辆h2→…→车辆hu-2→车辆hu-1→车辆v，其中路径hr，v的质量被定义为每个单跳链路的连接概率的乘积，表示如下： 用于将任务ft从RSUr发送到候选车辆v的最优路径是所有路径中质量最高的路径； 在获得候选车辆和最优传输路径后，RSUr做出卸载决策，并将任务卸载到合适的车辆上进行计算； 任务卸载到车辆的总处理成本、任务卸载到RSU的总处理成本均由中继成本和计算成本组成，任务卸载到云服务器的总处理成本由计算成本组成； 任务在车辆上计算、在RSU上计算以及在云服务器上计算的总处理成本为： 其中，{1，2，...，v，...V}为车辆集合，{1，2，...，r，...R}为RSU集合，为任务卸载到车辆集合中某个车辆的总处理成本，为任务卸载到RSU集合中某个RSU的总处理成本，为任务卸载到云服务器的总处理成本，xr，yt∈{0，1}是一个二元变量，y∈{1，...，V，V+1，...，V+R，V+R+1}表示卸载节点； 步骤三、根据目标函数，将任务决策问题转化为马尔可夫决策过程问题，选取使得任务处理时延和任务处理成本最小的计算卸载节点； 步骤四、利用A3C算法实现任务处理时延和任务处理成本的共同优化，得到最优任务决策。

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安徽工业大学，其通讯地址为：243002 安徽省马鞍山市花山区湖东路59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。