(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211244117.5 (22)申请日 2022.10.11 (71)申请人 中国人民武装警察部队工程大 学 地址 710086 陕西省西安市三 桥人民武装 警察路1号 (72)发明人 郑会吉　崔翛龙　张友善　邱鑫源　 (74)专利代理 机构 深圳市精英专利事务所 44242 专利代理师 李燕娥 (51)Int.Cl. G06F 9/50(2006.01) G06N 20/20(2019.01) (54)发明名称 战场动态数据采集时效性优化方法、 装置及 计算机设备 (57)摘要 本发明实施例公开了战场动态数据采集时 效性优化方法、 装置及计算机设备。 所述方法包 括： 获取环境数据动态采集信号； 将移动终端数 据的平均信息年龄转换为数学问题； 将所述数学 问题输入至融合注意力机制的Actor ‑Critic网 络模型中进行带宽分配比例集合计算， 以得到计 算结果； 利用所述计算结果分配边缘服务器， 以 进行所述环境数据的卸载计算。 其中， 融合注意 力机制的Actor ‑Critic网络模型部署在移动终 端和边缘服务器上。 通过 实施本发 明实施例的方 法可实现提高动态数据采集的时效性。 权利要求书1页 说明书12页 附图8页 CN 115509759 A 2022.12.23 CN 115509759 A 1.战场动态数据采集时效性优化方法， 其特 征在于， 包括： 获取环境数据动态采集信号； 将移动终端数据的平均信息年龄转换为数 学问题； 将所述数学问题输入至融合注意力机制的Actor ‑Critic网络模型中进行带宽分配比 例集合计算， 以得到计算结果； 利用所述计算结果分配边 缘服务器， 以进行 所述环境数据的卸载计算； 其中， 融合注意力机制的Actor ‑Critic网络模型部署在移动终端和边 缘服务器上。 2.根据权利要求1所述的战场动态数据采集 时效性优化方法， 其特征在于， 所述将移动 终端数据的平均信息年龄转换为数 学问题， 包括： 将移动终端数据的平均信 息年龄的优化问题建模为一个马尔可夫过程， 以得到数学问 题。 3.根据权利要求1所述的战场动态数据采集 时效性优化方法， 其特征在于， 在融合注意 力机制的Actor ‑Critic网络模型的训练过程中， 设置每Ef轮学习后， 所有智能体共享各自 的模型参数并更新； 每个移动终端的智能体的Actor和Critic网络各自保留权重为w的参 数， 并结合 其他智能体的参数进行 更新。 4.根据权利要求3所述的战场动态数据采集 时效性优化方法， 其特征在于， 采用联邦学 习算法训练融合注 意力机制的Actor ‑Critic网络模 型， 智能体与环 境交互的过程作为经验 缓存集合中， 作为训练样本训练融合注意力机制的Actor ‑Critic网络模型。 5.根据权利要求4所述的战场动态数据采集 时效性优化方法， 其特征在于， 融合注意力 机制的Actor ‑Critic网络模 型通过Actor ‑Critic网络模型输出的带宽分配比例集合， 经过 注意力机制融合后， 结合 从经验缓存集合中采样的数据作为样本集训练Actor ‑Critic网络 模型。 6.战场动态数据采集时效性优化装置， 其特 征在于， 包括： 信号获取 单元， 用于获取环境数据动态采集信号； 转换单元， 用于将移动终端数据的平均信息年龄转换为数 学问题； 计算单元， 用于将所述数学问题输入至融合注意力机制的Actor ‑Critic网络模型中进 行带宽分配比例集 合计算， 以得到计算结果； 分配单元， 用于利用所述计算结果分配边 缘服务器， 以进行 所述环境数据的卸载计算。 7.根据权利要求6所述的战场动态数据采集 时效性优化装置， 其特征在于， 所述转换单 元， 用于将移动 终端数据的平均信息年龄的优化问题建模为一个马尔可夫过程， 以得到数 学问题。 8.一种计算机设备， 其特征在于， 所述计算机设备包括存储器及处理器， 所述存储器上 存储有计算机程序， 所述处理器执行所述计算机程序时实现如权利要求 1至5中任一项所述 的方法。 9.一种存储介质， 其特征在于， 所述存储介质存储有计算机程序， 所述计算机程序被处 理器执行时可实现如权利要求1至 5中任一项所述的方法。权　利　要　求　书 1/1 页 2 CN 115509759 A 2战场动态数据采集时效性优化方 法、 装置及计算机设 备 技术领域 [0001]本发明涉及计算机， 更具体地说是指战场动态数据采集时效性优化方法、 装置及 计算机设备。 背景技术 [0002]在执行任务时， 作战人员可以利用移动终端， 比如无人机以及机器人等， 采集环境 数据以便更新和掌握环境安全态势， 采集到的数据需要及时地上传到云中心进行数据更 新， 这对系统的时效性和数据的新鲜度有较高要求， 但由于移动终端计算能力有限， 且数据 传输可能面临带宽 压力， 导致数据处 理时延大和传输中断等问题。 [0003]动态数据采集过程对时效性十分敏感， 传统的时延计算一般是接收时刻与传输时 刻的差值， 这种方法有一个不 足， 就是不能反映数据的新鲜度， 可能会因为信道质量等原因 导致先产生的数据后发送和， 这对需要实时更新状态的系统是不 合适的。 [0004]因此， 有必要设计一种新的方法， 实现提高动态数据采集的时效性。 发明内容 [0005]本发明的目的在于克服现有技术的缺陷， 提供战场动态数据采集时效性优化方 法、 装置及计算机设备。 [0006]为实现上述目的， 本 发明采用以下技术方案： 战场动 态数据采集时效性优化方法， 包括： [0007]获取环境数据动态采集信号； [0008]将移动终端数据的平均信息年龄转换为数 学问题； [0009]将所述数学问题输入至融合注意力机制的Actor ‑Critic网络模型中进行带宽分 配比例集 合计算， 以得到计算结果； [0010]利用所述计算结果分配边 缘服务器， 以进行 所述环境数据的卸载计算； [0011]其中， 融合注意力机制的Actor ‑Critic网络模型部署在移动终端和边缘服务器 上。 [0012]其进一步技术方案为： 所述将移动终端数据的平均信息年龄转换为数学问题， 包 括： [0013]将移动终端数据的平均信息年龄的优化问题建模为一个马尔可夫过程， 以得到数 学问题。 [0014]其进一步技术方案为： 在融合注意力机制的Actor ‑Critic网络模型的训练过程 中， 设置每Ef轮学习后， 所有智能体共享各自的模型参数并更新； 每个移动终端的智能体的 Actor和Critic网络各自保留权 重为w的参数， 并结合 其他智能体的参数进行 更新。 [0015]其进一步技术方案为： 采用联邦学习算法训练融合注意力机制的Actor ‑Critic网 络模型， 智能体与环境交互的过程作为经验缓存集合中， 作为训练样本训练融合注意力机 制的Actor ‑Critic网络模型。说　明　书 1/12 页 3 CN 115509759 A 3