摘要: 随着低轨卫星在轨计算能力的提升与人工智能服务例如目标探测、卫星侦察等服务需求量激增,深度神经网络(DNN)以其独特的模型结构与高效的学习成为实现智能服务的首选。为解决由于卫星总处于高速移动状态、体积小且异构化而带来的资源强受限、通信较困难等问题,通过低轨卫星实现边缘计算并通过DNN进行分布式任务推理成为必然趋势。首先利用了有向无环图(DAG)探索了DNN模型结构,并研究了低轨卫星网络中的分布式DNN推理问题,然后设计了基于激励函数和处理时延的量子进化算法(QEA),实现了采样率设置和任务卸载的最优化决策。最后,通过仿真测试验证了基于激励函数与处理时延的量子进化算法整体性能优于传统方法。
中图分类号: