[發(fā)明專利]資源分配方法和裝置

有效

• 申請?zhí)枺?/td>: 202011322047.1
• 申請日: 2020-11-23
• 公開（公告）號: CN112492612B
• 公開（公告）日: 2023-07-21
• 發(fā)明（設計）人: 王智明;徐雷;陶冶
• 申請（專利權）人: 中國聯合網絡通信集團有限公司
• 主分類號: H04W16/10
• 分類號: H04W16/10
• 代理公司: 北京天昊聯合知識產權代理有限公司 11112
• 代理人: 彭瑞欣;柴亮

1.一種資源分配的方法，其特征在于，所述方法包括：

獲取邊緣節(jié)點的多個資源分配請求，每個所述資源分配請求包括資源分配評價指標；資源分配評價指標為功耗效率和時間效率；

對多個所述資源分配請求中的資源分配評價指標進行深度分析和深度分析評價，生成資源分配方案；

將所述資源分配方案發(fā)送至邊緣節(jié)點，以供所述邊緣節(jié)點根據所述資源分配方案執(zhí)行資源分配；所述對多個所述資源分配請求中的資源分配評價指標進行深度分析和深度分析評價，生成資源分配方案，包括：

新迭代循環(huán)開始，將迭代次數清零，設置最大迭代次數并根據多個所述資源分配請求中的資源分配評價指標設置初始迭代的迭代參數；

以多層卷積神經元、量子理論、深度無監(jiān)督學習策略分析迭代參數，并生成資源分配方案以及下一次迭代的迭代參數；

判斷迭代次數是否達到最大迭代次數，若是則結束循環(huán)，并將此次迭代獲取的資源分配方案作為發(fā)送至邊緣節(jié)點的資源分配方案輸出；

若不是，則根據評價函數對此次迭代獲取的資源分配方案進行評價，在此次迭代獲取的資源分配方案不滿足評價函數的情況下，迭代次數加1并返回以多層卷積神經元、量子理論、深度無監(jiān)督學習策略分析迭代參數，并生成資源分配方案以及下一次迭代的迭代參數步驟；

在此次迭代獲取的資源分配方案滿足評價函數的情況下，結束循環(huán)，并將此次迭代獲取的資源分配方案作為發(fā)送至邊緣節(jié)點的資源分配方案輸出。

2.根據權利要求1所述的方法，其特征在于，

第k次迭代時，所述迭代參數包括功耗效率和時間效率其中，

i＝1,2,…m，

j＝1,2,…n，

t＝1,2,…,p，

m為i所有取值的最大值，n為j所有取值的最大值，p為t所有取值的最大值。

3.根據權利要求2所述的方法，其特征在于，

第k次迭代時的評價函數為：

其中，P表示概率。

4.根據權利要求3所述的方法，其特征在于，多層卷積神經元、量子理論、深度無監(jiān)督學習策略包括優(yōu)化函數，

第k次迭代時的優(yōu)化函數為：

其中，

μ^k為第k次迭代循環(huán)遞歸激勵函數，

χ,λ∈(0,1)，χ+λ＝1。

5.一種資源分配的裝置，其特征在于，所述裝置包括：

獲取模塊，用于獲取邊緣節(jié)點的多個資源分配請求，每個所述資源分配請求包括資源分配評價指標；資源分配評價指標為功耗效率和時間效率；

分析模塊，用于對多個所述資源分配請求中的資源分配評價指標進行深度分析和深度分析評價，生成資源分配方案；

發(fā)送模塊，用于將所述資源分配方案發(fā)送至邊緣節(jié)點，以供所述邊緣節(jié)點根據所述資源分配方案執(zhí)行資源分配；所述分析模塊包括：

初始單元，用于在新迭代循環(huán)開始，將迭代次數清零，設置最大迭代次數并根據多個所述資源分配請求中的資源分配評價指標設置初始迭代的迭代參數；

分析單元，用于以多層卷積神經元、量子理論、深度無監(jiān)督學習策略分析迭代參數，并生成資源分配方案以及下一次迭代的迭代參數；

第一判斷單元，用于判斷迭代次數是否達到最大迭代次數，若是則結束循環(huán)，并將此次迭代獲取的資源分配方案作為發(fā)送至邊緣節(jié)點的資源分配方案輸出；

第二判斷單元，用于在第一判斷單元判斷迭代次數未達到最大迭代次數的情況下，根據評價函數對此次迭代獲取的資源分配方案進行評價，在此次迭代獲取的資源分配方案不滿足評價函數的情況下，迭代次數加1；

以及在此次迭代獲取的資源分配方案滿足評價函數的情況下，結束循環(huán)，并將此次迭代獲取的資源分配方案作為發(fā)送至邊緣節(jié)點的資源分配方案輸出。

6.根據權利要求5所述的裝置，其特征在于，

第k次迭代時，所述迭代參數包括功耗效率和時間效率其中，

i＝1,2,…m，

j＝1,2,…n，

t＝1,2,…,p，

m為i所有取值的最大值，n為j所有取值的最大值，p為t所有取值的最大值。