[发明专利]一种基于深度学习的无线供能边缘计算延迟优化方法

权利要求书

1.一种基于深度学习的无线供能边缘计算延迟优化方法，其特征在于，包括以下步骤：

1)基于节点协同传输的无线供能边缘计算，采用先获能后协同传输协议，将时间块分为下行能量传输时间和上行信息传输时间，建立下行能量传输模型和上行信息传输模型，依据上述两个模型建立任务卸载到边缘服务器时延模型；

步骤1)中基于建立流量守恒建立上行信息传输模型，具体过程如下：

C_ij＝Wlog(1+SNR_ij)

式中：C_ij为链路L_ij的链路容量，W为带宽，η为噪声信号功率，P_i为节点i的传输功率，g_ij为链路L_ij的功率增益；

每条链路上单位时间内传输的信息量r_ij满足链路容量约束，即r_i表示用户节点i自身产生的数据量，用户节点i满足的流量约束条件为

式中：L_ij为节点i和节点j之间形成的链路，r_ij为节点i通过链路L_ij发送的信息量，r_ui为节点i通过链路L_ui接受的信息量，L_ui为结点i和节点u之间形成的链路，t_ij为链路L_ij在上行传输过程中持续的时间；

基站满足以下流量守恒约束条件

步骤1)中任务卸载到边缘服务器时延模型为：

s.t.E_ri+E_ti≤E_i (1)

r_ij≥0,P_i≥0,t₀≥0,t_ij≥0 (5)

其中，E_i为t₀时间内用户节点获得的能量，E_ri为节点i接收数据消耗的能量，E_ti为节点i传输数据消耗的能量，L表示激活的链路，r表示节点和线路的流量，P表示功率，t₀为用户节点在下行获取无线能量的时间；

2)采用分段线性化算法将边缘服务器时延模型转化为线性整数规划模型；

3)进行仿真实验验证优化方法的有效性，与无协同直传方式的时延做对比，若时延得到优化，转到步骤4)；否则，转到步骤2)；

4)求解线性整数规划模型获得训练深度置信网络的数据集；

5)利用生成的数据集训练DBN网络，直至错误率小于预设值，得到训练好的网络模型。

2.根据权利要求1所述的基于深度学习的无线供能边缘计算延迟优化方法，其特征在于，还包括：

6)利用训练好的网络模型进行节点功率、链路选择预测，剔除多余链路。