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！

龙图腾网获悉河北大学申请的专利空中STAR-RIS赋能移动边缘计算系统能耗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：CN120186682B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202510441335.5，技术领域涉及：H04W28/084；该发明授权空中STAR-RIS赋能移动边缘计算系统能耗优化方法是由李桐宇;李雨桐设计研发完成，并于2025-04-09向国家知识产权局提交的专利申请。

本空中STAR-RIS赋能移动边缘计算系统能耗优化方法在说明书摘要公布了：本发明涉及一种空中STAR‑RIS赋能移动边缘计算系统能耗优化方法，包括以下步骤：S1、构建一个空中STAR‑RIS赋能MEC系统；S2、通过求解空中STAR‑RIS每个时隙的飞行能耗以及IoT设备k每个时隙的本地计算能耗和IoT设备k在一个飞行周期内的任务卸载能耗，确定空中STAR‑RIS赋能MEC系统的能耗；S3、确定最小化空中STAR‑RIS赋能MEC系统能耗的约束条件；S4、根据约束条件对STAR‑RIS赋能MEC系统能耗进行最小化处理。本发明通过UAV与STAR‑RIS的集成，辅助建立通信链路，促进了IoT设备与MEC服务器之间的通信；通过联合优化空中STAR‑RIS的轨迹、任务卸载比例、传输与反射模式的幅度系数、传输与反射模式的相移系数以及功率分配，实现了空中STAR‑RIS赋能MEC系统低能耗目标。

本发明授权空中STAR-RIS赋能移动边缘计算系统能耗优化方法在权利要求书中公布了：1.一种空中STAR-RIS赋能移动边缘计算系统能耗优化方法，其特征是，包括以下步骤： S1、构建一个空中STAR-RIS赋能MEC系统；所述系统包括安装在UAV上的单个STAR-RIS，集成了MEC服务器和若干天线的BS，以及一组K个IoT设备k；空中STAR-RIS的飞行高度为H，其坐标为：，其约束条件为：，以确保空中STAR-RIS在飞行结束时能够返回其起始点；所述空中STAR-RIS由一组个单元组成，每个单元都包含有反射传输系数和移相器，用于将入射信号导向期望的方向；K个IoT设备k中有R个位于反射区域，构成反射型IoT设备r；有T个位于传输区域，构成传输型IoT设备t；其中，K=R+T；IoT设备k与BS之间的通信链路完全由空中STAR-RIS辅助； S2、通过求解空中STAR-RIS每个时隙的飞行能耗以及IoT设备k每个时隙的本地计算能耗和IoT设备k在一个飞行周期内的任务卸载能耗，确定空中STAR-RIS赋能MEC系统的能耗； S3、设定最小化空中STAR-RIS赋能MEC系统能耗的约束条件； S4、根据约束条件对STAR-RIS赋能MEC系统能耗进行最小化处理，得到空中STAR-RIS赋能移动边缘计算系统能耗优化设计方案； 步骤S4的具体操作方式是： S4-1定义MDP，其组成部分包括： ①状态空间：每个时刻n的状态设定是一个元组，表示为： .11 是空中STAR-RIS与BS之间的信道响应向量，是反射型IoT设备r到空中STAR-RIS的信道响应向量，是传输型IoT设备t到空中STAR-RIS的信道响应向量，为空中STAR-RIS的坐标，Ikn是每个计算任务的输入数据大小，Gk是处理1比特输入数据所需的计算资源量，Tkmaxn是任务完成的最大可容忍延迟，，为反射或传输系数矩阵，当δ=r时，为反射系数矩阵，当δ=t时，为传输系数矩阵； ②动作空间：每个时刻n的动作被定义为当前值的增量，包含任务卸载比例λk、空中STAR-RIS的位置q、相移系数向量、幅度向量β和发射功率p；其中，位置表示为：；相移系数向量表示为：；幅度向量表示为：；发射功率表示为：；其中，是哈达玛积，表示增量值； ③奖励rn：定义为rn=rsn，an； ④折扣因子γ：作为调节未来奖励在智能体决策过程中重要性的参数； S4-2运行包括策略网络Actor和价值网络Critic的DDPG算法： S4-2-1智能体会从环境中收集信息以生成初始状态； S4-2-2进行经验回放与价值网络评估：主策略网络根据当前状态sn、当前策略σ以及随机噪声序列，选择一个动作，在获得动作an之后，使用经验回放缓冲区，智能体将样本转移元组sn，an，rn，s′存储到回放缓冲区中；同时，基于当前状态和动作，主价值网络更新价值网络参数ξ并计算当前的Q值；主策略网络通过构建卷积神经网络来模拟贝尔曼方程，以求解递归Q函数，并通过从经验回放记忆中随机选择64-128个样本转移元组来更新价值网络；目标Q值yj由目标价值网络计算得出； S4-2-3更新价值网络和主策略网络：智能体从经验回放记忆中随机选择64-128个样本转移元组sn，an，rn，s′进行迭代；在每次迭代中，通过计算yj，将目标策略网络和目标价值网络结合起来，并将其发送到主价值网络，以最小化损失函数Lξ： 12 其中，m表示样本转移元组的数量； S4-2-4通过使用价值网络参数ξ和来自回放缓冲区的样本转移元组，主策略网络使用策略梯度来更新当前策略： 13 S4-3采用软更新方式更新参数，直到训练出所需的策略网络： 14 15 其中，表示更新参数； DDPG算法迭代运行，直到达到设定的迭代次数。

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河北大学，其通讯地址为：071002 河北省保定市五四东路180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。