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！

龙图腾网恭喜重庆邮电大学申请的专利车联网中连接时间约束下的基于资源重分配的任务卸载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：CN114599014B 。

龙图腾网通过国家知识产权局官网在2025-03-14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：202210261412.5，技术领域涉及：H04W4/44；该发明授权车联网中连接时间约束下的基于资源重分配的任务卸载方法是由林峰;胡强;彭贻;蒋建春设计研发完成，并于2022-03-16向国家知识产权局提交的专利申请。

本车联网中连接时间约束下的基于资源重分配的任务卸载方法在说明书摘要公布了：本发明涉及一种车联网中连接时间约束下的基于资源重分配的任务卸载方法，属于移动通信技术领域，包括以下步骤：S1：建立交通流模型，根据车辆的位置信息推导行驶速度，基于等效转换，计算车辆间的连接时间；S2：基于贪婪思想对车辆进行匹配；S3：将卸载决策、信道资源分配、新产生任务和正在计算的任务的资源分配统筹表示为方案矩阵，对迭代过程中不同的卸载决策提出概率变异策略和针对变异产生问题的修正算法，对部分卸载决策和资源分配进行归一化处理来满足约束条件；S4：基于同化变异算法和小生境改进的平衡优化器优化算法对方案矩阵进行迭代寻优。本方法提高了车辆间连接稳定性和任务卸载成功率，降低了超时率和系统成本。

本发明授权车联网中连接时间约束下的基于资源重分配的任务卸载方法在权利要求书中公布了：1.一种车联网中连接时间约束下的基于资源重分配的任务卸载方法，其特征在于：包括以下步骤：S1：建立交通流模型，根据车辆的位置信息推导行驶速度，基于等效转换，计算车辆间的连接时间；骤S1所述建立交通流模型，包括：以十字路口中心为原点建立交通流模型，假设RSU位于原点处，将车辆分为沿X轴正方向、沿X轴负方向、沿Y轴正反向、沿Y轴负方向四个车道，每个车道划分多个子车道，表示为Road＝{road1，road2，…，road4×τ}，τ表示子车道的个数，车辆表示为vj＝{xj，yj，roadi}，xj、yj表示车辆的横纵坐标，roadi表示车辆vj行驶在roadi车道；车辆的速度与RSU范围内的车辆数相关，同一车道的车辆越密集车辆的速度就越小；将车道roadi的容纳能力表示为Capi，max，当前车辆数表示为Capi，则roadi上的车辆的速度si表示为： 式中smin表示车辆行驶的最小速度，smax表示车辆行驶的最大速度；令randi∈0.9，1.1，roadi上的车辆的速度改写为： 车辆在道路上行驶时，将车辆之间的相对行驶状态描述为：行驶于相同车道、行驶于同向不同车道、行驶于相反方向车道、行驶于相交车道；首先将车辆等效转换到指定子车道上，然后使用统一的连接时间计算公式进行求解，连接时间计算过程如下：S11：初始化车辆，并根据车道信息计算行驶速度；S12：根据车辆的车道信息判断车辆间的相对行驶状态；S13：根据车辆的坐标信息对不处于指定车道的车辆进行等效转换；S14：使用指定车道的统一连接计算公式计算车辆间的连接时间；S2：根据车辆间的连接时间，基于贪婪思想对车辆进行匹配；定义计算任务的优先值，卸载车辆以优先值作为顺序依次选择其连接时间最长的未匹配空闲车辆；所述步骤S2包括建立任务卸载模型，在所述任务卸载模型中，车辆选择将计算任务部分卸载到RSU和附近空闲车辆，由RSU搭载的MEC服务器和车载终端进行计算，或者选择完全卸载到基站，传输到云服务器进行计算；RSU覆盖的小区内总共有N+M辆车，表示为V＝{v1，v2，v3，…，vN+M}，其中有N个车辆同时产生计算任务，表示为Task＝{task1，task2，task3，…，taskN}，后M个车辆为空闲车辆；每个任务表示为taskn＝{dn，zn，tn}，其中dn表示计算任务自身数据量的大小，zn表示完成第n个任务所需的CPU周期数，tn表示第n个任务的最大容忍时；任务能够分割，可同时部分卸载到边缘服务器和车辆，但每个任务只能请求一辆空闲车辆进行辅助，卸载到云服务器时将任务进行完全卸载；对于taskn，卸载决策定义为αn＝{αn，0，αn，1，αn，2，αn，3}，其中αn，0∈{0，1}表示是否将任务卸载到云服务器；根据卸载车辆vn与空闲车辆vN+mRSU的连接时间，构建N×M+1的连接时间矩阵，表示为Matrixlink，其中前M列表示卸载车辆vn与空闲车辆vN+m的连接时间，Matrixlinkn，M+1表示卸载车辆vn与RSU的连接时间；定义计算任务的优先值为其计算量与数据量的加权和除以最大容忍时延，表示为： 其中dn，zn，tn分别为计算任务taskn的数据量、计算量和最大容忍时延，θ表示数据量权重系数，1-θ表示计算量权重系数；卸载车辆以优先值作为顺序依次选择其连接时间最长的未匹配空闲车辆，选择卸载到边缘服务器和空闲车辆的卸载车辆集合表示为Vrsu，数量为Nrsu，空闲车辆匹配状态数组Sta初始值都为0，车辆匹配矩阵Match大小为minNrsu，M×2，第一列表示卸载车辆，第二列表示匹配的空闲车辆；车辆匹配具体包括以下步骤：S21：计算每个选择卸载到边缘服务器车辆的优先值；S22：按照优先值对车辆进行排序；S23：优先值大的卸载车辆以贪婪的方式选择与其连接时间最长的空闲车辆；S24：判断是否还有未匹配的卸载车辆与空闲车辆，若是转到步骤S23，否则转到步骤S25；S25：输出车辆匹配矩阵；S3：基于卸载方案编码的同化变异算法，将卸载决策、信道资源分配、新产生任务和正在计算的任务的资源分配统筹表示为方案矩阵，对迭代过程中不同的卸载决策提出概率变异策略和针对变异产生问题的修正算法，对部分卸载决策和资源分配进行归一化处理来满足约束条件；在步骤S3中，RSU覆盖范围内有N辆卸载车辆，边缘服务器有N′个正在计算的任务，卸载决策包括卸载到云服务器的决策、卸载到附近车辆的任务比例、卸载到边缘服务器的任务比例、本地计算的任务比例四个参数，侧链信道分配包括卸载车辆与RSU通信分配的信道比例和卸载车辆与空闲车辆通信分配的信道比例两个参数，将方案表示为N+N′×7的矩阵；引入概率变异策略解决二进制卸载决策不一致问题，最大变异概率表示为εmax，最小变异概率表示为εmin，最大迭代次数表示为Itermax，迭代次数表示为iter，二进制决策变量变异概率随着迭代次数增多而线性减小，表示为： 根据εiter使用εiter-greedy策略决定二进制决策变量是否变异，产生一个[0，1]的随机数，如果随机数大于εiter则二进制决策变量保持不变，否则卸载率随最优方案进行变化，如果至少产生了一个二进制决策变量变异，使用车辆匹配算法对车辆集合进行重新匹配；根据车辆匹配算法的结果，对新匹配到空闲车辆和不再匹配到空闲车辆的卸载车辆的卸载率和信道分配率进行转移；空闲车辆任务卸载比例应小于本地计算比例，对不满足的卸载车辆的卸载率进行转移；最后对所有卸载率、信道分配、计算资源分配进行归一化处理步骤S3中所述同化变异算法过程如下：S31：判断当前方案与最优方案二进制卸载决策是否不相同，如果是转到步骤S32，否则转到步骤S33；S32：计算变异概率并按照εiter-greedy策略决定是否更改二进制卸载决策；S33：判断是否产生了同化变异，如果是转到步骤S34，否则转到步骤S37；S34：根据变异后的方案更新Vrsu，使用车辆匹配算法重新匹配卸载车辆与空闲车辆；S35：对失去空闲车辆辅助的卸载车辆的卸载决策进行更新，将空闲车辆的份额转移到本地和边缘服务器；S36：对新获得空闲车辆辅助的卸载车辆的卸载决策进行更新，将部分计算任务转移到空闲车辆；S37：对空闲车辆卸载比例大于本地计算比例的情况进行修正；S38：对每个计算任务的卸载率进行归一化处理；S39：对卸载车辆与RSU空闲车辆之间的信道资源分配进行归一化处理；S310：对边缘服务器的资源分配进行归一化处理；S4：基于同化变异算法和小生境改进的平衡优化器优化算法对方案矩阵进行迭代寻优，将方案种群根据适应性函数大小划分子种群，基于子种群对平衡状态池进行改进，基于迭代后期进行更高概率更小范围探索的思想对质量生成速率进行改进，提出膨胀函数对任务超时和任务失败情况进行描述，与系统成本共同构成平衡优化器的适应性函数；在步骤S4中，首先初始化种群并基于小生境对种群进行划分，每个子种群独自构建平衡状态池，利用相邻子种群的最佳浓度粒子替代原平衡状态池中的平均浓度粒子；然后基于迭代后期进行更高概率更小范围探索的思想对质量生成速率进行改进，基于计算超时情况和卸载失败情况提出膨胀函数对系统成本进行膨胀，作为适应性函数进行浓度粒子更新，在更新过程中使用同化变异算法解决异常情况，并实时对平衡状态池进行更新；最后在结束一轮更新后，对子种群进行混合，根据适应性重新划分子种群进行下一轮更新，直到达到最大迭代次数；在步骤S4中，平衡优化器浓度更新公式表示为 其中，Ceq表示流入液体的浓度，C′now表示容器内液体的浓度，VEO表示受控容积的大小，λEO为液体流动速率与受控容积的比值，表示液体流动率；参考小生境中划分种群的思想对平衡状态池进行改进；按照适应性函数大小对方案进行排序，将排序后的方案等分为Nsub个区间，再将子区间内的方案进行随机排序，等分为Msub个子区间，假设总共有Numplan个初始方案，第msub个子种群表示为： 其中Plan表示方案；用第个子种群表示第msub个子种群的前一个子种群，满足 第msub个子种群平衡状态池的第五个元素改进为第个子种群的全局最优值，其平衡状态池表示为： 其中，分别表示第msub个子种群中最优秀的四个浓度方案，表示第msub个子种群的前一个子种群的最佳浓度方案；将质量生成速率GEO表示为：GEO＝GCPCeq-λEO·C'now 其中r1和r2都是0到1之间的随机数；将时间约束转换为罚函数，将罚函数构造为膨胀函数形式，即以任务成本为基础决定罚函数的值；首先对于最大容忍时延约束，以单个任务实际完成时间Tn与最大容忍时延tn的比值为基础构建单个任务成本膨胀函数Expn，表示为： 对于连接时间约束，归类于公式10中的else情况中；对于边缘服务器正在计算的任务taskn′，无法获知其计算总成本，罚函数定义为固定值，表示为： 其中tn′，rsu表示taskn′已经计算的时间，表示taskn′在计算资源重分配后还需计算的时间，tn′表示taskn′的最大容忍时延；最后根据任务超时率和任务失败率构建系统总成本膨胀函数，用asys和bsys表示超时系数和失败系数，表示为： 其中povertime表示不满足最大容忍时延约束的任务数与总任务数的比值，Pfail表示不满足连接时间约束的任务数与总任务数的比值；将经过单个任务成本膨胀与总系统成本膨胀之后的成本作为平衡优化器的适应性函数，taskn的成本表示为Hn，适应性函数表示为： Hn表示新到来任务的系统成本，N表示新到来的任务数量，H′n′表示正在计算的任务的系统成本，N′表示正在计算的任务数，Punishn′表示罚函数；步骤S4中所述基于同化变异算法和小生境改进的平衡优化器优化算法过程如下：S41：初始化浓度粒子组成的种群；S42：计算每个浓度粒子的适应性；S43：根据适应性划分子种群；S44：各个子种群分别构建平衡状态池；S45：判断迭代寻优过程中是否存在最优浓度粒子与当前浓度粒子二进制决策不相同，如果是转到步骤S46，否则转到步骤S47；S46：使用同化变异算法进行变异以及对异常情况进行修复；S47：根据改进平衡优化器算法更新浓度粒子；S48：判断当前浓度粒子是否优于平衡状态池粒子，如果是转到S49，否则转到步骤10；S49：更新平衡状态池；S410：判断是否达到最大迭代次数，如果是转到S412，否则转到S411；S411：混合子种群，转到步骤S42；S412：从平衡状态池中获取最优解。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2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”。