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！

龙图腾网获悉厦门大学申请的专利一种RIS辅助的NOMA-MEC网络中通信与计算资源分配的联合优化方法、系统及程序产品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：CN119012279B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202410995248.X，技术领域涉及：H04W28/08；该发明授权一种RIS辅助的NOMA-MEC网络中通信与计算资源分配的联合优化方法、系统及程序产品是由林世俊;朱凯歌;洪学敏;石江宏设计研发完成，并于2024-07-24向国家知识产权局提交的专利申请。

本一种RIS辅助的NOMA-MEC网络中通信与计算资源分配的联合优化方法、系统及程序产品在说明书摘要公布了：本发明涉及一种RIS辅助的NOMA‑MEC网络中通信与计算资源分配的联合优化方法、系统及程序产品，其将模型分解为两个嵌套求解的子模型，即任务卸载比例与通信过程联合优化子模型和反射面相移优化子模型。对于前者，通过理论推导证明当反射面相移给定时最优发射功率可以表示为NOMA组传输时间以及任务卸载比例的函数，然后使用拉格朗日对偶算法求解最优任务卸载比例和最优NOMA组传输时间；对于后者，将其表述深度强化学习模型，使用PPO算法进行求解。如此，本发明将通信过程与计算过程紧密耦合，提高了NOMA‑MEC网络系统的整体性能。

本发明授权一种RIS辅助的NOMA-MEC网络中通信与计算资源分配的联合优化方法、系统及程序产品在权利要求书中公布了：1.一种RIS辅助的NOMA-MEC网络中通信与计算资源分配的联合优化方法，其特征在于：所述方法适用于RIS辅助的NOMA-MEC网络，MEC服务器与BS相连，一个元件的RIS协助个单天线用户到MEC服务器的计算卸载；用户组成集合，反射面元件组成集合，整个NOMA-MEC系统的时间被划分为等间隔的离散时隙，每个时隙长度为；在每个时隙，用户都有一个任务需要计算，用户采用部分卸载策略，将部分任务卸载至边缘服务器进行计算，其余部分在本地进行计算； 所述方法具体包括以下步骤： 步骤1、构建原始模型； 用户在时隙的计算任务由元组表征，其中表示用户在时隙的任务数据量，表示用户在时隙计算每bit任务需要的CPU的周期数量，表示用户在时隙所允许的最大任务延迟，任务需要在之内完成计算；所有用户的任务总能在一个时隙内完成计算； 设用户在时隙卸载的数据量占总任务数据量的比重为，用户在时隙的本地计算频率为，则此时的本地计算时延表示为： 本地计算的能耗表示为： 其中，为能耗系数； 用户的计算能力不是无限的，存在计算资源约束，所以有： 并且，本地计算的总时延要满足用户任务的最大时延约束，即： 使用表示维度的复空间，使用表示用户在时隙与服务器之间的直连信道，使用表示用户在时隙到RIS的信道，使用表示在时隙中RIS到服务器的信道；使用表示第个元件在时隙的相移，表示RIS在时隙的相移矩阵，则用户在时隙与服务器之间的等效信道增益表示为： 所有用户在一个NOMA组中采用NOMA协议进行卸载，设在时隙用户的发射功率为，系统带宽为，系统噪声为，则用户在时隙的卸载速率表示为： 设NOMA组的传输时间为，则用户在时隙的传输能耗表示为： 使用NOMA协议进行卸载时，应该保证所有用户的卸载完成，因此需满足以下约束： 同时，用户的发射功率存在最大发射功率限制，即： 设在时隙为用户分配的服务器计算资源为，则以下约束需要满足： 其中为服务器能够提供的总的计算资源；用户在时隙中的服务器计算时延表示为： 服务器在时隙为用户的卸载任务进行计算所产生的计算能耗为： 其中为与服务器硬件有关的能耗系数； 卸载计算的总时延包括NOMA组的传输时延与服务器计算时延，其需要满足用户任务的最大时延约束，因此有： 基于以上，每个时隙下优化目标表示为： 则原始模型表示为： 优化的目标是，联合优化NOMA组的传输时间、本地计算频率、服务器计算资源分配、用户发射功率、任务卸载比例以及反射面相移，以最小化系统的长期能耗； 步骤2、将原始进行转化； 步骤2.1、替换本地计算频率变量； 引理1：用户在时隙的本地计算频率的最优解总是满足： 并且有： 将引理1的结果带入原始模型，得到模型： 步骤2.2、替换服务器计算频率变量； 引理2：模型中约束的小于等于号可以用等号替代，模型的最优解不变；即有： 根据引理2，在时隙为用户分配的服务器计算频率表示为： 将的表达式带入，得到： 同时，为了保证分配的服务器计算频率为正，引入新的约束： 将上述结果带入模型，可以进一步得到模型： 步骤3、当反射面相移给定时优化其他变量； 步骤3.1、求解每个时隙下反射面相移给定时的资源分配优化模型； 考虑每个时隙中给定反射面相移的条件下的能耗最小化模型： 步骤3.2、替换发射功率优化变量； 引理3：模型中的约束中小于等于号用等号替代，模型的最优解不变；即有： 而当时隙的反射面相移给定时，用户的信道增益大小也随之确定；把时隙中信道增益排在第位的用户记为，则此时按照信道增益按照从小到大的顺序用户排列为： 根据引理3，根据用户序号的不同情况得到： 所以发射功率通过下式进行计算： 由式上式可得，当时，总与信道质量更差的用户的发射功率相关，此时视信道增益较低的用户信号为干扰；当时，的表达式两边同时乘以得到： , 移项后整理，有： , 所以当时，通过连续累乘的方式计算： 将上述推导带入表达式中，得到时： 所以，用户的发射功率表示为的函数，将其记作； 综上，用户的发射功率表示为： 通过上述转化，每个时隙下的模型重新表述为模型，，即任务卸载比例与通信过程联合优化子模型： 步骤3.3、写出模型的朗格朗日函数，令： 模型的拉格朗日函数表示为： 其中， 使用表示模型中各个约束对应的拉格朗日乘子集合，，因此原模型的对偶函数表示为： 对偶模型的目标是最大化对偶函数，即： 对偶模型约束条件是所有的拉格朗日乘子大于等于0； 步骤3.4、在给定拉格朗日乘子的前提下求最优；此时和对拉格朗日函数是无约束的，使用坐标下降算法求解给定的拉格朗日乘子的条件下的最优和最优，按照一定的顺序更新每一个变量并且保证更新变量时其他的变量处于最新，设为坐标下降法的迭代次数，坐标下降算法表示为： 不断循环上述过程直至收敛或者达到最大迭代步数； 步骤3.5、更新拉格朗日乘子； 得到和之后，计算用户发射功率，记作，然后沿着拉格朗日函数关于拉格朗日乘子的梯度方向更新所有的拉格朗日乘子，即对于每个，，，以及，其更新方向分别为： 和 设更新方向为，为每次更新的步长，将新的拉朗格朗日乘子更新为： 步骤3.6、重复步骤3.3-步骤3.5，直至达到最大迭代步数； 步骤4、将反射面相移优化模型表述为深度强化学习模型； 步骤4.1、定义状态空间与动作空间；智能体都是基于状态来获得更好的累积奖励，把状态设置为NOMA-MEC系统的信道信息；设为时隙内所有信道增益的集合，则状态设置为： 目标是优化反射面的相移，因此把动作空间进行如下设置： 步骤4.2、定义奖励，基于奖励，智能体更新策略，建立从状态到行动的映射；目标是最小化系统能耗，因此把时隙的奖励设置为： 其中，表示惩罚，当使得模型无解时，并将的值设置为，否则；这样智能体会逐渐抛弃这些无效动作，并且低的系统能耗能带来更高的奖励，通过不断训练，最大化长期奖励即可最小化长期总能耗； 步骤4.3、使用近端策略优化算法求解反射面相移； 随机初始化Actor网络的参数与Critic网络参数，清空经验池；在每个回合中，基于每个状态，智能体利用策略来选择动作，基于动作，RIS辅助的NOMA-MEC环境向智能体反馈奖励并进入下一个状态，并将经验放入经验池中；在每个回合结束之后，对PPO智能体进行次更新，使用Adam优化器更新Actor网络参数和Critic网络参数；重复多个回合，直至达到最大训练回合数，得到反射面相移； 步骤5、训练完成后，即可实时生成接近最优的反射面相移，然后进一步使用步骤3中模型的求解方法，得到最优卸载比例以及最优传输时间，进而得到最优发射功率、最优本地计算频率以及最优的服务器计算资源分配。

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厦门大学，其通讯地址为：361000 福建省厦门市思明南路422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。