CN108990158B - 基于二元加载机制下无人机充电边缘计算网络的资源分配方法 - Google Patents

基于二元加载机制下无人机充电边缘计算网络的资源分配方法 Download PDF

Info

Publication number
CN108990158B
CN108990158B CN201810762121.8A CN201810762121A CN108990158B CN 108990158 B CN108990158 B CN 108990158B CN 201810762121 A CN201810762121 A CN 201810762121A CN 108990158 B CN108990158 B CN 108990158B
Authority
CN
China
Prior art keywords
user
unmanned aerial
aerial vehicle
iteration
representing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810762121.8A
Other languages
English (en)
Other versions
CN108990158A (zh
Inventor
周福辉
林洪城
周辉林
王玉皞
周小雨
吴雨航
张祥
张雄健
周奕帆
钟宜洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang University
Original Assignee
Nanchang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanchang University filed Critical Nanchang University
Priority to CN201810762121.8A priority Critical patent/CN108990158B/zh
Publication of CN108990158A publication Critical patent/CN108990158A/zh
Application granted granted Critical
Publication of CN108990158B publication Critical patent/CN108990158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
    • H04W52/243—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account interferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/28—TPC being performed according to specific parameters using user profile, e.g. mobile speed, priority or network state, e.g. standby, idle or non transmission
    • H04W52/283—Power depending on the position of the mobile

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种基于二元加载机制的无人机充电边缘计算网络的资源分配方案，步骤是：设置功率及初始化参数；计算最佳中央处理器频率，加载时间和用户发射功率；计算拉格朗日乘子；计算用户操作选择方案，更新迭代次数；判断目标函数值是否满足终止条件；初始化迭代次数j＝1；计算最佳无人机轨迹，更新迭代次数和轨迹；判断无人机轨迹是否满足终止条件；将第j次迭代获得
Figure DDA0001728120090000011
赋值给第i次迭代
Figure DDA0001728120090000012
更新迭代次数i＝i+1；判断目标函数值是否满足终止条件；获得最佳的中央处理器频率、发送功率、加载时间和模式选择以及无人机轨迹。本发明具有可应用于无人机充电的移动边缘计算网络中实现所有用户加权计算比特之和最大化的资源分配，算法复杂度低，可实现快速收敛，易于实现的优点。

Description

基于二元加载机制下无人机充电边缘计算网络的资源分配 方法
技术领域
本发明属于无线通信技术领域，更进一步涉及边缘计算通信技术领域中的一种基于二元加载机制的无人机充电边缘计算网络的资源分配方案。
背景技术
随着移动设备的不断更新，具有增强现实，移动在线游戏，自动驾驶和多媒体转换等先进功能的新兴应用正在涌现，物联网得到了快速发展。同时，以上应用程序均 需要在大规模无线设备上执行数据量巨大和对延时敏感的计算任务。然而，由于移动 设备通常体积小，存储能量有限，因此如何为它们提供足够计算能力和减少计算延时， 以提高服务质量是一项至关重要且又极具挑战性的任务。近年来，移动边缘计算和无 线充电被认为是解决上述挑战的两个有前景的技术。当移动边缘计算网络需要执行的 计算任务无法分离时，移动边缘计算操作模式以二元加载机制运行，即计算任务可在 本地执行或全部加载到移动边缘计算服务器执行。通过在无线通信网络(例如接入点 和基站)的边缘部署移动边缘计算服务器以提供类似云计算功能，使得无线设备可以 将数据量巨大且对延时敏感的计算任务加载到接入点或基站，以便在其已安装的移动 边缘计算服务器上进行远程计算，这明显减轻了移动设备的计算负担。
另一方面，基于射频的无线充电技术已成为有效解决电池容量有限难题的方案。具体来说，无线充电技术使用专用的射频能量发射器，可以为低功耗移动设备提供可 持续和高成本效益的能量供应。目前，商用无线能量传输发射器可以有效地提供几十 微瓦的射频功率和覆盖半径超过10米的范围，这足以为许多低功耗移动设备的运行提 供能量。因此，通过在移动边缘计算网络中集成无线能量传输可以显著提高移动设备 的计算性能。同时，考虑到无线能量传输电路设计和先进的信号处理技术(例如能量 波束形成和分布式多点无线能量传输)的快速发展，我们预期在不久的将来无线充电 技术可提供更高效和更稳定的电源。由于射频信号的广播性质，无线充电技术特别适 用于为大量分布式存在的移动设备供电，如在无线传感网络和物联网中部署的感知器。
无线充电技术和移动边缘计算技术的融合引入了一种新的无线充电移动边缘计算 模式，可以解决物联网网络中移动设备储能有限和计算能力有限问题。然而，移动设 备获得无线能量传输的能量受到信道衰落的严重影响。最近，受无人机辅助无线通信 技术发展的启示，研究人员已经提出了基于无人机辅助的无线充电技术来提高无线能 量传输的效率。在此技术下，无人机给地面分布的多个移动设备提供能量。结果表明， 由于短距离视距能量传输链路的高可能性，通过适当的轨迹设计及利用无人机可控的 机动性，无线能量传输效率可以显著提高。通过使用无人机辅助移动边缘计算二元加 载机制，也可以提高计算性能。此外，无人机辅助架构在灵活部署和低运营成本方面 具有优势，并且有助于避免通信系统被自然灾害破坏的情况。因此，如何将无人机计 算应用到无线充电边缘计算网络中具有重要的研究意义和应用价值。
J.Xu,Y.Zeng,and R.Zhang等人在其发表的论文“UAV-enabled wireless powertransfer:Trajectory design and energy region charaterization”(in Proc.IEEEGlobal Commun.Conf.Singapore,2017.)中提出了一种无人机无线能量传输的轨迹设计和能量 区域表征方案。该方案考虑使用双用户的无人机无线能量传输系统，装备有无人机的能量发射器广播无线能量以对地面上的分布式能量收集器进行充电，通过轨迹设计优 化无人机移动性，以最大限度地提高有限充电时间内传输给两个能量接收器的能量。 该资源分配方案存在的不足之处是：所提出的无人机无线能量传输方案无法适用于移 动边缘计算网络中，并不能提高移动边缘计算系统的计算性能。
S.Mao,S.Leng,K.Yang,X.Huang,and Q.Zhao等人在其发表的论文“Fair energy-efficient scheduling in wireless powered full-duplex mobile-egde computingsystems” (in Proc.IEEE Global Commun.Conf.,Singapore,2017.)中提出一种借助无线充电技术， 移动边缘计算和全双工等先进的无线通信技术，联合优化物联网通信，计算和能量资 源的分配方案。该方案通过联合优化发射功率，加载位，计算能量消耗以及用于计算 加载和能量转移的时隙，最大化了全双工无线移动边缘计算系统的能量效率。该资源分配方案存在的不足之处是：所提出资源分配方案无法适用于无人机辅助的无线充电 边缘计算网络中，因为计算性能不仅取决于能量，通信和计算资源的优化，而且还取 决于所设计的无人机飞行轨迹。
S.Bi and Y.Zhang等人在其发表的论文“Computation rate maximization forwireless powered mobile egde computing with binary computation offloading”(IEEE Transactions on Wireless Communications.2018,Early Access.)中提出了一种使用二元计算加载策略 的多用户无线充电移动边缘计算网络中的资源分配优化方案。考虑由无线充电技术支 持的多用户移动边缘计算网络，其中每个无线设备能量采集遵循二元计算加载策略， 即任务数据量必须作为整体通过本地执行或加载任务在无线边缘计算服务器上执行。 并通过联合优化个体计算模式选择(本地计算或加载)和系统传输时间分配(在无线 能量传输和任务加载上)来最大化网络中所有无线设备的加权计算比特之和。该资源 分配方案存在的不足之处是：利用无线充电技术所收获的能量受信道衰落的严重影响， 当能量发射器与无线设备之间的距离较大时，能量转换效率非常低。
发明内容
本发明针对上述现有技术的不足，提出一种基于二元加载机制的无人机充电边缘计算网络的资源分配方案，可以使移动设备加权计算比特之和最大化和获得最佳资源 分配，并应用于无人机充电边缘计算网络中。本发明是在二元加载计算模式下，根据 能量收集因果约束和无人机速度约束的影响，通过联合优化中央处理器频率，加载时 间，用户发射功率，用户计算模式选择以及无人机飞行轨迹，实现最大化加权用户计 算比特之和的目的。
为了实现上述目的，本发明的技术方法包括如下步骤：
(1)设置功率分配参数：
(1a)设置容错误差ξ,ξ1和ξ2，其取值范围为(0,1)；
(1b)设置无人机传输功率P0，持续飞行时间T，时间块T离散成相等的N份， 无人机最大飞行速度V0；
(1c)设置无人机初始位置q0和最终位置qF；
(2)初始化资源分配参数：
(2a)将选择执行本地计算的用户迭代次数i初始化为1；
(2b)初始化拉格朗日乘子
Figure BDA0001728120070000031
和
Figure BDA00017281200700000314
以及无人机飞行轨迹
Figure BDA0001728120070000032
(3)初始化资源分配参数：
(3a)将次级梯度迭代算法的迭代次数l初始化为1；
(3b)初始化模式选择
Figure BDA0001728120070000033
(4)计算最佳中央处理器频率，加载时间和用户发射功率：
(4a)按照下式，对给定的无人机飞行轨迹
Figure BDA0001728120070000034
和最佳二进制变量
Figure BDA0001728120070000035
计算 第m个用户在第n个时隙第i次迭代的最佳中央处理器频率
Figure BDA0001728120070000036
和最佳传输功率
Figure BDA0001728120070000037
Figure BDA0001728120070000038
Figure BDA0001728120070000039
否则，
其中ωm表示第m个用户的权重，考虑了用户间的优先级和公平性。C表示每个用户计算一位原始数据所需的中央处理器周期数。γc表示第m个用户处理器芯片的有效 电容系数，且γc取决于第m个用户的芯片架构。υm,k≥0表示与能量收集和执行本地计 算能量消耗约束条件相应的拉格朗日乘子。tm[n]表示第m个用户在第n个时隙加载时 间。B表示通信带宽，vm表示第m个用户加载任务中包含的通信开销，ln2表示2的 自然对数。
Figure BDA00017281200700000315
表示第m个用户的噪声功率，hm[n]表示无人机与第m个用户之间在第n 个时隙的信道功率增益。[a]+＝max(a,0)，且max(a,0)表示取a和0中较大值；
(4b)对给定的轨迹
Figure BDA00017281200700000310
通过使用二分法处理下式，可以得到第m个用户在 第n个时隙的最佳加载时间
Figure BDA00017281200700000311
Figure BDA00017281200700000312
其中，hm[n]表示无人机与第m个用户之间在第n个时隙的信道功率增益， zm[n]＝tm[n]Pm[n]，
Figure BDA00017281200700000313
tm[n]表示第m个用户在第n个时隙加载 时间，Pm[n]表示第m个用户在第n个时隙的传输功率，
Figure BDA0001728120070000041
表示第m个用户的噪声功 率，vm表示第m个用户加载任务中包含的通信开销，N表示时间块T离散成相等的第 N份，εn表示第m个用户在第n个时隙选择执行本地计算还是任务加载对应的拉格朗 日乘子，B表示通信带宽，T表示无人机持续飞行时间；
(5)使用次级梯度算法，更新拉格朗日乘子
Figure BDA0001728120070000042
和
Figure BDA0001728120070000043
υm,n(l+1)＝[υm,n(l)-θ(l)△υm,n(l)]+，
Figure BDA0001728120070000044
Figure BDA0001728120070000045
其中，l表示迭代指数，θ(l)和
Figure BDA0001728120070000046
表示在第l次迭代的迭代步。△υm,n(l)和△εn(l)表示相应的次级梯度，如下式：
Figure BDA0001728120070000047
Figure BDA0001728120070000048
其中，η0表示能量转换效率，T表示无人机持续飞行时间，N表示时间块T离散 成相等的第N份，hm[k]表示无人机与第m个用户之间在第k个间隙，的信道功率增益， P0表示无人机传输功率。γc是处理器芯片在第m个用户处的有效电容系数，且取决于 第m个用户的芯片架构。
Figure BDA0001728120070000049
和
Figure BDA00017281200700000410
表示第m个用户在第n个间隙第l次 迭代的最优值。无人机传输功率P0。
(6)计算用户操作选择方案
Figure BDA00017281200700000411
更新迭代次数：
(6a)按照下式，对任意给定的fm[n]，Pm[n]，tm[n]和qu[n]，可计算出用户 操作选择方案
Figure BDA00017281200700000412
Figure BDA00017281200700000413
Figure BDA00017281200700000414
Figure BDA00017281200700000415
其中υm,n≥0，表示与能量收集和执行本地计算及加载计算能量消耗约束条件对应的拉格朗日乘子。εn≥0表示第m个用户在第n个时隙选择执行本地计算还是任务加载 对应的拉格朗日乘子。vm表示加载任务中包含的通信开销；
(6b)更新次级梯度迭代算法的迭代次数l＝l+1；
(7)判断第l次迭代后的目标函数值(中央处理器频率、发射功率和加载时间的值)是否满足容错误差终止条件，若是，则执行步骤(9)，否则，将目标函数值的迭 代次数加1后执行步骤(4)；
(8)初始化迭代次数j＝1；
(9)计算最佳无人机飞行轨迹
Figure BDA0001728120070000051
更新迭代次数和轨迹：
(9a)对给定的最佳中央处理器频率
Figure BDA0001728120070000052
最佳发射功率
Figure BDA0001728120070000053
和最佳加载时 间
Figure BDA0001728120070000054
以及最佳用户操作选择方案
Figure BDA0001728120070000055
利用凸优化软件工具包，计算最佳无人机飞 行轨迹
Figure BDA0001728120070000056
(9b)更新迭代次数j＝j+1和无人机飞行轨迹
Figure BDA0001728120070000057
(10)判断相邻两次迭代无人机飞行轨迹之差是否满足轨迹终止条件，若是，则 执行步骤(11)，否则，将迭代次数加1后执行步骤(9)
(11)将第j次迭代获得
Figure BDA0001728120070000058
赋值给第i次迭代
Figure BDA0001728120070000059
(12)更新迭代次数i＝i+1；
(13)判断第i次迭代后的目标函数值(中央处理器频率、发射功率和加载时间的值)是否满足容错误差终止条件，若是，则执行步骤(14)，否则，将目标函数值的迭 代次数加1后执行步骤(4)；
(14)获得最佳中央处理器频率
Figure BDA00017281200700000510
最佳发射功率
Figure BDA00017281200700000511
最佳加载时间
Figure BDA00017281200700000512
和最佳模式选择
Figure BDA00017281200700000513
以及最佳轨迹
Figure BDA00017281200700000514
本发明与现有技术相比具有以下优点：
第一，由于本发明引入无人机充电边缘计算网络资源分配方案，以及联合优化中央处理器频率，加载时间和用户发射功率及无人机的轨迹，使得加权用户计算比特之 和最大化，克服了现有技术注重优化单个目标值且过度强调单个度量重要性的不足， 使得本发明能够在多个度量之间取得良好的权衡。
第二，由于本发明引入加权用户计算比特之和最大化，使得所考虑用户的优先级和公平性得到提高，克服了现有技术忽略移动边缘计算网络中用户间公平性的不足， 使得本发明资源分配方案获得的计算性能优于未进行联合优化方案获得的计算性能， 为用户带来更高用户体验。
第三，由于本发明引入二元加载模式，首次将无人机通信技术引入到无线充电边缘计算网络中，解决了边缘计算网络移动设备储能有限和计算能力有限等问题，并提 升了能量收集效率。
第四，由于本发明引入二元机制加载模式下的三阶段迭代算法，使得加权用户计算比特之和最大化问题得到解决，克服了现有技术处理混合整数非凸优化问题的不足， 使得本发明资源分配方案处理计算密集型和敏感型任务时更高效更稳定，并达到了迭 代算法快速收敛的效果。
附图说明
图1是本发明的流程图。
图2是采用本发明和现有技术在T＝2秒时的无人机飞行轨迹对比图。
图3是采用本发明和现有技术在不同无人机发射功率下，所有用户加权计算比特之和对比图。
图4是采用本发明在不同无人机飞行轨迹下，所有用户加权计算比特之和与发射功率对比图。
图5是采用本发明在发射功率P0＝0.1瓦下，各用户总计算速率对比图。
图6是采用本发明在不同无人机发射功率下，所有用户加权计算比特之和与算法迭代次数对比图。
具体实施方式
下面结合附图对发明做进一步描述。
结合附图1对本发明方法的具体步骤描述如下。
步骤1，设置功率分配参数。
无人机和移动设备根据所需要的容错误差，设置l次迭代目标函数值所需的容错误 差ξ，迭代最佳无人机飞行轨迹所需的容错误差ξ1，和i次迭代目标函数值所需的容错误差ξ2，ξ,ξ1和ξ2取值范围为(0,1)。
无人机传输功率P0，持续飞行时间T，时间块T离散成相等的N份，无人机最大 飞行速度V0；设置无人机初始位置为q0和最终位置为qF。
在本发明的实施例中ξ＝ξ1＝ξ2＝0.0001。容错误差越小，在进行迭代最佳中央处理 器频率，最佳发射功率，最佳模式选择和最佳加载时间以及最佳轨迹时，可能需要的 迭代次数越多，同时，容错误差越小，在使用次级梯度算法更新能量约束和模式选择 约束对应的拉格朗日乘子所需要的迭代次数越多。次级梯度算法的迭代次数还取决于 信道衰落状态。次级梯度算法的迭代步长的选择是迭代停止所需次数的关键影响因素， 根据约束条件的宽松，选择适当的迭代步长，当约束条件较宽松时，选择较大的迭代 步长，相反，如果约束条件很严格，则选择相对较小的迭代步长，选择合适的迭代步 长能保证快速得到最佳解，当迭代步长设置为常数时，次级梯度算法能保证得到的解 离最佳解更接近。
步骤2，初始化资源分配参数。
将迭代次数i初始化为1，设置i∈M0表示为用户i将收集的所有能量用于执行本地计算；初始化第n个时隙第i次迭代拉格朗日乘子分别为
Figure BDA0001728120070000061
和
Figure BDA0001728120070000062
以及无人机飞行轨迹
Figure BDA0001728120070000063
其中
Figure BDA0001728120070000064
且
Figure BDA0001728120070000065
表示时间块T离散成N等份中的第n份，
Figure BDA0001728120070000066
且
Figure BDA0001728120070000067
表示M个用户中的第m个。
步骤3，初始化资源分配参数。
将次级梯度迭代算法的迭代次数l初始化为1；初始化模式选择
Figure BDA0001728120070000068
其中ρm∈{0,1} 表示二进制变量，ρm＝0表示第m个用户选择执行本地计算模式，ρm＝1表示第m个用 户选择执行任务加载，此外，用户操作选择指示变量ρm被放宽为共享因子ρm＝[0,1]。
步骤4，计算最佳中央处理器频率，用户发射功率和加载时间。
按照下式，对给定的无人机飞行轨迹
Figure BDA0001728120070000069
和最佳二进制变量
Figure BDA00017281200700000610
计算最佳中央处理器频率
Figure BDA00017281200700000611
和第m个用户第n个时隙最佳传输功率
Figure BDA00017281200700000612
Figure BDA0001728120070000071
Figure BDA0001728120070000072
其中ωm表示第m个用户的权重，考虑了用户间的优先级和公平性。C表示每个用户计算一位原始数据所需的中央处理器周期数。γc表示第m个用户处理器芯片的有效 电容系数，且γc取决于第m个用户的芯片架构。υm,k≥0表示与能量收集和执行本地计 算能量消耗约束条件有关的对偶变量。tm[n]表示第m个用户在第n个时隙加载时间。B 表示通信带宽，vm表示加载任务中包含的通信开销，ln2表示2的自然对数。
Figure BDA0001728120070000073
表示 第m个用户的噪声功率，hm[n]表示无人机与第m个用户之间的信道功率增益。 [a]+＝max(a,0)，且max(a,0)表示取a和0中较大值。
上式表明，移动设备只有在与无人机之间的信道状态信息强于阈值，即
Figure BDA0001728120070000074
移动设备选择加载其计算任务。这表示当移动设备与无人机之间的水平距离大于阈值，即
Figure BDA0001728120070000075
移动设备选择执行本地计算。而且，上式表明，权重越大移动设备选择加载其计算任务机会的可能性越高。
对给定的轨迹
Figure BDA0001728120070000076
通过使用二分法处理下式，可以得到第m个用户在第n个时隙的最佳加载时间
Figure BDA0001728120070000077
Figure BDA0001728120070000078
其中，hm[n]表示无人机与第m个用户之间在第n个时隙的信道功率增益， zm[n]＝tm[n]Pm[n]，
Figure BDA0001728120070000079
tm[n]表示第m个用户在第n个时隙加载 时间，Pm[n]表示第m个用户在第n个时隙的传输功率，
Figure BDA00017281200700000710
表示第m个用户的噪声功 率，vm表示第m个用户加载任务中包含的通信开销，N表示时间块T离散成相等的第 N份，εn表示第m个用户在第n个时隙选择执行本地计算还是任务加载对应的拉格朗 日乘子，B表示通信带宽，T表示无人机持续飞行时间；
步骤5，计算拉格朗日乘子。
使用次级梯度迭代算法，计算拉格朗日乘子
Figure BDA0001728120070000081
和
Figure BDA0001728120070000082
υm,n(l+1)＝[υm,n(l)-θ(l)△υm,n(l)]+，
Figure BDA0001728120070000083
Figure BDA0001728120070000084
其中υm,n≥0，表示与能量收集和执行本地计算及加载计算能量消耗约束条件相应的拉格朗日乘子。εn≥0，表示第m个用户在第n个时隙选择执行本地计算还是任务加 载相应的拉格朗日乘子。其中l表示迭代指数，θ(l)和
Figure BDA0001728120070000085
表示在第l次迭代的迭代步。 △υm,n(l)和△εn(l)表示相应的次级梯度，如下式：
Figure BDA0001728120070000086
Figure BDA0001728120070000087
其中，η0表示能量转换效率，T表示无人机持续飞行时间，N表示时间块T离散 成相等的第N份，hm[k]表示无人机与第m个用户之间在第k个间隙，的信道功率增益， P0表示无人机传输功率。γc是处理器芯片在第m个用户处的有效电容系数，且取决于 第m个用户的芯片架构。
Figure BDA0001728120070000088
和
Figure BDA0001728120070000089
表示第m个用户在第n个间隙第l次 迭代的最优值。无人机传输功率P0。
步骤6，计算用户操作选择方案
Figure BDA00017281200700000810
更新迭代次数。
第一步，按照下式，对任意给定的fm[n]，Pm[n]，tm[n]和qu[n]，可计算出用户 操作选择方案
Figure BDA00017281200700000811
Figure BDA00017281200700000812
Figure BDA00017281200700000813
Figure BDA00017281200700000814
其中vm表示加载任务中包含的通信开销。上式表明用户操作方案
Figure BDA00017281200700000815
取决于可实现计算速率和运行开销之间的权衡。如果本地计算所实现的用户权衡优于任务加载所 获得权衡，则用户选择执行本地计算；否则，用户选择将其计算任务加载到无人机或 计算机。
第二步，更新次级梯度迭代算法的迭代次数l＝l+1，本次迭代指数加1表示完成第一阶段第l次迭代。
步骤7，判断第l次迭代后的目标函数值是否满足容错误差终止条件，若是，则执行步骤(9)，否则，将目标函数值的迭代次数加1后执行步骤(4)。
|Rl-Rl-1|≤ξ
其中，第l次迭代后的最佳目标函数值Rl，具体是表示中央处理器频率、发射功 率和加载时间的值。ξ表示容错误差，|·|表示绝对值操作。将第l次迭代最佳目标函数 值Rl减去第l-1次迭代最佳目标函数值Rl-1差的绝对值，与容错误差比较，判断是否满 足容错误差终止条件。
步骤8，初始化迭代次数j＝1。
步骤9，计算最佳无人机飞行轨迹
Figure BDA0001728120070000091
更新迭代次数和轨迹。
第一步，对给定的最佳中央处理器频率
Figure BDA0001728120070000092
最佳发射功率
Figure BDA0001728120070000093
和最佳加载时 间
Figure BDA0001728120070000094
以及最佳用户操作选择方案
Figure BDA0001728120070000095
利用凸优化软件工具包，计算最佳无人机飞行轨迹
Figure BDA0001728120070000096
第二步，更新迭代次数j＝j+1和无人机飞行轨迹
Figure BDA0001728120070000097
步骤10，判断相邻两次迭代无人机飞行轨迹之差是否满足轨迹终止条件，若是，则执行步骤(11)，否则，将迭代次数加1后执行步骤(9)。
Figure RE-GDA0001798669240000098
其中，qu[n]＝[[xu[n],yu[n]]表示第n个时隙无人机的水平面坐标，
Figure RE-GDA0001798669240000099
Figure RE-GDA00017986692400000910
N表示时间T离散的最大时隙数，在
Figure RE-GDA00017986692400000911
表示第j次迭代后第n个时 隙无人机飞行轨迹。ξ表示容错误差，||·||表示欧几里得范数。
步骤11，将第j次迭代获得
Figure BDA00017281200700000911
赋值给第i次迭代
Figure BDA00017281200700000912
本发明提出的三阶段迭代算法，在第二阶段第j次迭代获得无人机飞行轨迹
Figure BDA00017281200700000913
并将此次迭代值赋予第三阶段第i次迭代无人机飞行轨迹
Figure BDA00017281200700000914
继续下一阶段算法。
步骤12，更新迭代次数i＝i+1。
步骤13，判断第i次迭代后的目标函数值(中央处理器频率、发射功率和加载时 间的值)是否满足容错误差终止条件，若是，则执行步骤(14)，否则，将目标函数值 的迭代次数加1后执行步骤(4)。
|Ri-Ri-1|≤ξ2
其中，第i次迭代后的最佳目标函数值Ri，具体是表示中央处理器频率、发射功 率和加载时间的值。ξ1表示容错误差，|·|表示绝对值操作。更新最佳无人机飞行轨迹
Figure BDA00017281200700000915
后，将第l次迭代最佳目标函数值Ri减去第i-1次迭代最佳目标函数值Ri-1差的绝 对值，与容错误差比较，判断是否满足容错误差终止条件。
步骤14，得到第m个用户在第n个时隙的最佳中央处理器频率、最佳发送功率和 最佳加载时间，第m个用户最佳模式选择以及第n个时隙无人机最佳轨迹。
迭代停止时第m个用户在第n个时隙的最佳中央处理器频率为
Figure BDA00017281200700000916
最佳发射功率为
Figure BDA00017281200700000917
和最佳加载时间为
Figure BDA00017281200700000918
第m个用户最佳模式选择为
Figure BDA00017281200700000919
以及第n个时隙无人 机最佳轨迹为
Figure BDA00017281200700000920
下面结合仿真实验对本发明的效果做进一步说明。
1、仿真条件：
本发明的仿真实验在MATLAB R2014a(8.3.0)软件下进行的。本发明用户的数 量M设置为4，所有用户位置分别设置为：q1＝[0,0]，q2＝[0,10]，q3＝[10,10]，q4＝[10,0]。 无人机飞行高度H设置为10米，无人机持续飞行时间长度T设置为2秒，每个用户计 算1比特原始数据的中央处理器周期数C设置为103周期/位，能量转换效率η0设置为 0.8，通信带宽B设置为40兆赫兹，第m个用户接收的噪声功率
Figure BDA0001728120070000101
设置为10-9瓦，时间 T等分的间隙数N设置为50，第m个用户的有效开关电容γc为10-28，参考距离d0＝1米 的信道功率增益β0设置为-50位比特，容错误差ξ,ξ1设置为10-4，无人机的初始位置 设置为q0＝[0,0]，无人机的最终位置设置为qF＝[10,0]，无人机飞行的最大速率V0设置 为20米/秒，每个用户的权重矢量[ω1ω2ω3ω4]分别设置为[0.10.40.30.2]。
2、仿真内容：
参照附图2，通过对采用本发明和现有技术在无人机持续飞行时间T＝2秒和发射功率P0＝0.1W条件下无人机飞行轨迹的对比结果得到的轨迹图中，得到恒定速度方案 的无人机飞行轨迹是从初始位置到最终位置以恒定速度直线飞行，半圆方案的无人机 飞行轨迹是沿着半径为||qF-q0||的半圆轨道飞行，而二元模式的无人机飞行轨迹是使 用本发明提出算法获得的二元计算加载模式的轨迹。由此得出，本发明提出方案的无 人机飞行轨迹与用户2和用户3接近，而与操作模式选择无关。其原因为用户2和用 户3的权重大于用户1和用户4的权重。因此，无人机需要靠近用户2和用户3以向 其提供更多的能量。同时，这表明用户之间的优先权和公平性可以通过使用权向量来 获得。
参照附图3，是对采用本发明和现有技术在不同无人机发射功率下的所有加权用户计算比特之和对比图。图3中横坐标表示无人机发射功率(瓦)，纵坐标表示所有加 权用户计算比特之和(比特)。以粉红色圆形标示的折线表示采用本发明方案的所有加 权用户计算比特之和，以黑色倒三角标示的折线表示采用最佳本地计算方案的所有加 权用户计算比特之和，以蓝色菱形标示的折线表示采用最佳加载方案的所有用户计算 速率。最佳本地计算方案是指所有用户只执行本地计算的方案，而最佳加载方案是所 有用户只执行任务加载的方案。在这两个基准方案下，无人机的轨迹被联合优化。二 元加载方案下的结果通过本发明提出算法得到。从图3可以看出，二元加载方案下实 现的加权用户计算比特之和是所有方案中获得加权用户计算比特之和中最大的。原因 在于所有用户可以在二元加载方案下根据信道状态信息质量动态地选择操作模式。此 外，可以看出，最佳加载方案优于最佳本地计算方案。同时，也得出所有加权用户计 算比特之和随着无人机的发射功率增加而增加。原因在于用户收获的能量可以随着无 人机发射功率的增大而增大。因此，用户将有更充足的能量执行本地计算或任务加载。
参照附图4，是采用本发明在无人机不同飞行轨迹下，所有加权用户计算比特之和和发射功率的对比图。图4中横坐标表示无人机发射功率(瓦)，纵坐标表示所有加 权用户计算比特之和(比特)。以红色菱形标示的折线表示采用本发明方案的所有加权 用户计算比特之和，以粉红色方形标示的折线表示采用以半圆轨迹二元加载方案的所 有加权用户计算比特之和，以黑色圆形标示的折线表示采用以恒定速度轨迹二元加载 方案的所有加权用户计算比特之和。如图4所示，通过使用本发明提出方案、使用具 有恒定速度轨迹方案和通过使用半圆轨迹方案三种方案实现的所有加权用户计算比特 之和，使用本发明实现的加权用户计算比特之和是最大的。由此表明，无人机飞行轨 迹的优化可以大大改善加权用户计算比特之和。同时，也验证了本发明提出资源分配 方案优于不相交优化方案。
参照附图5，是采用本发明在发射功率P0＝0.1瓦下每个用户的总计算速率对比结果 所得的条形图。图5横坐标表示用户，纵坐标表示每个用户的总计算速率(比特)。如 图5所示，用户2和用户3的总计算速率高于用户1和用户4的总计算速率。原因在 于用户2和用户3的权重大于用户1和用户4的权重。因此，资源分配方案应该考虑 用户2和用户3的优先级。这进一步验证了权重矢量的应用可以提高用户的优先级和 公平性。
参照附图6，是采用本发明在不同无人机发射功率下，所有加权用户计算比特之和和算法迭代次数的对比图。图6横坐标表示算法迭代次数，纵坐标表示所有加权用 户计算比特之和(比特)。如图6所示，无人机的发射功率为P0＝0.1瓦或P0＝0.2瓦，验 证了本发明提出的算法效率。可以看出，本发明提出算法仅需要若干次迭代便可收敛 到最终值，表明提出算法在收敛速度方面是高效的。同时，也验证了发射功率越高所 有加权用户计算比特之和越高。
综合上述仿真结果和分析，本发明所提出基于二元加载机制的无人机充电边缘计算网络资源分配方案，能保证用户获得最大的加权计算比特之和，提高用户的优先级 和公平性，实现最佳资源分配。并且算法复杂度低，可实现快速收敛，所得结果由于 其他基准方案获得结果，适应于无人机充电的移动边缘计算网络，这使得本发明在物 联网或无线传感网络等中能更好的得到应用。

Claims (1)

1.一种基于二元加载机制下无人机充电边缘计算网络的资源分配方法，包括如下步骤：
(1)设置功率分配参数：
(1a)设置容错误差ξ,ξ1和ξ2，其取值范围为(0,1)；
(1b)设置无人机传输功率P0，持续飞行时间T，时间块T离散成相等的N份，无人机最大飞行速度V0；
(1c)设置无人机初始位置q0和最终位置qF；
(2)初始化资源分配参数：
(2a)将选择执行本地计算的用户迭代次数i初始化为1；
(2b)初始化拉格朗日乘子
Figure FDA0003114525950000011
和
Figure FDA0003114525950000012
以及无人机飞行轨迹
Figure FDA0003114525950000013
(3)初始化资源分配参数：
(3a)将次级梯度迭代算法的迭代次数l初始化为1；
(3b)初始化模式选择
Figure FDA0003114525950000014
(4)计算最佳中央处理器频率，加载时间和用户发射功率：
(4a)按照下式，对给定的无人机飞行轨迹
Figure FDA0003114525950000015
和用户操作选择方案
Figure FDA0003114525950000016
计算第m个用户在第n个时隙第i次迭代的最佳中央处理器频率
Figure FDA0003114525950000017
和最佳发射功率
Figure FDA0003114525950000018
Figure FDA0003114525950000019
Figure FDA00031145259500000110
其中ωm表示第m个用户的权重，考虑了用户间的优先级和公平性；C表示每个用户计算一位原始数据所需的中央处理器周期数；γc表示第m个用户处理器芯片的有效电容系数，且γc取决于第m个用户的芯片架构；υm,k≥0表示与能量收集和执行本地计算能量消耗约束条件相应的拉格朗日乘子；tm[n]表示第m个用户在第n个时隙加载时间；B表示通信带宽，vm表示第m个用户加载任务中包含的通信开销，ln2表示2的自然对数；
Figure FDA00031145259500000111
表示第m个用户的噪声功率，hm[n]表示无人机与第m个用户之间在第n个时隙的信道功率增益；[a]+＝max(a,0)，且max(a,0)表示取a和0中较大值；
(4b)对给定的轨迹
Figure FDA00031145259500000112
通过使用二分法处理下式，得到第m个用户在第n个时隙的最佳加载时间
Figure FDA00031145259500000113
Figure FDA0003114525950000021
其中，hm[n]表示无人机与第m个用户之间在第n个时隙的信道功率增益，zm[n]＝tm[n]Pm[n]，
Figure FDA00031145259500000217
tm[n]表示第m个用户在第n个时隙加载时间，Pm[n]表示第m个用户在第n个时隙的传输功率，
Figure FDA00031145259500000218
表示第m个用户的噪声功率，vm表示第m个用户加载任务中包含的通信开销，Ν表示时间块T离散成相等的第N份，εn表示第m个用户在第n个时隙选择执行本地计算还是任务加载对应的拉格朗日乘子，B表示通信带宽，T表示无人机持续飞行时间；
(5)使用次级梯度算法，更新拉格朗日乘子
Figure FDA0003114525950000022
和
Figure FDA0003114525950000023
Figure FDA0003114525950000024
Figure FDA0003114525950000025
其中l表示迭代次数，θ(l)和
Figure FDA0003114525950000026
表示在第l次迭代的迭代步；△υm,n(l)和△εn(l)表示相应的次级梯度，如下式：
Figure FDA0003114525950000027
Figure FDA0003114525950000028
其中，
Figure FDA0003114525950000029
表示所有地面用户形成的用户集合，η0表示能量转换效率，T表示无人机持续飞行时间，Ν表示时间块T离散成相等的第N份，hm[k]表示无人机与第m个用户之间在第k个间隙的信道功率增益，P0表示无人机传输功率；γc是处理器芯片在第m个用户处的有效电容系数，且取决于第m个用户的芯片架构；
Figure FDA00031145259500000210
和
Figure FDA00031145259500000211
表示第m个用户在第n个间隙第l次迭代的最优值；
(6)计算用户操作选择方案
Figure FDA00031145259500000212
更新迭代次数：
(6a)按照下式，对任意给定的fm[n]，Pm[n]，tm[n]和qu[n]，可计算出用户操作选择方案
Figure FDA00031145259500000213
Figure FDA00031145259500000214
Figure FDA00031145259500000215
Figure FDA00031145259500000216
其中υm,n≥0，表示与能量收集和执行本地计算及加载计算能量消耗约束条件对应的拉格朗日乘子；εn≥0表示第m个用户在第n个时隙选择执行本地计算还是任务加载对应的拉格朗日乘子；vm表示加载任务中包含的通信开销；
(6b)更新次级梯度迭代算法的迭代次数l＝l+1；
(7)判断第l次迭代后的目标函数值：中央处理器频率、发射功率和加载时间的值，是否满足容错误差终止条件，若是，则执行步骤(8)，否则，将目标函数值的迭代次数加1后执行步骤(4)；
(8)初始化迭代次数j＝1；
(9)计算最佳无人机飞行轨迹
Figure FDA0003114525950000031
更新迭代次数和轨迹：
(9a)对给定的最佳中央处理器频率
Figure FDA0003114525950000032
最佳发射功率
Figure FDA0003114525950000033
和最佳加载时间
Figure FDA0003114525950000034
以及最佳用户操作选择方案
Figure FDA0003114525950000035
利用凸优化软件工具包，计算最佳无人机飞行轨迹
Figure FDA0003114525950000036
(9b)更新迭代次数j＝j+1和无人机飞行轨迹
Figure FDA0003114525950000037
(10)判断相邻两次迭代无人机飞行轨迹之差是否满足轨迹终止条件，若是，则执行步骤(11)，否则，将迭代次数加1后执行步骤(9)
(11)将第j次迭代获得
Figure FDA0003114525950000038
赋值给第i次迭代
Figure FDA0003114525950000039
(12)更新迭代次数i＝i+1；
(13)判断第i次迭代后的目标函数值：中央处理器频率、发射功率和加载时间的值，是否满足容错误差终止条件，若是，则执行步骤(14)，否则，将目标函数值的迭代次数加1后执行步骤(4)；
(14)获得最佳中央处理器频率
Figure FDA00031145259500000310
最佳发射功率
Figure FDA00031145259500000311
最佳加载时间
Figure FDA00031145259500000312
和最佳模式选择
Figure FDA00031145259500000313
以及最佳轨迹
Figure FDA00031145259500000314
CN201810762121.8A 2018-07-12 2018-07-12 基于二元加载机制下无人机充电边缘计算网络的资源分配方法 Active CN108990158B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810762121.8A CN108990158B (zh) 2018-07-12 2018-07-12 基于二元加载机制下无人机充电边缘计算网络的资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810762121.8A CN108990158B (zh) 2018-07-12 2018-07-12 基于二元加载机制下无人机充电边缘计算网络的资源分配方法

Publications (2)

Publication Number Publication Date
CN108990158A CN108990158A (zh) 2018-12-11
CN108990158B true CN108990158B (zh) 2021-09-28

Family

ID=64537849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810762121.8A Active CN108990158B (zh) 2018-07-12 2018-07-12 基于二元加载机制下无人机充电边缘计算网络的资源分配方法

Country Status (1)

Country Link
CN (1) CN108990158B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109743099A (zh) * 2019-01-10 2019-05-10 深圳市简智联信息科技有限公司 移动边缘计算系统及其资源分配方法
CN111988791B (zh) * 2019-05-22 2023-06-20 国网能源研究院有限公司 基于雾计算的无线充电网络节点计算能力提升方法及系统
CN110446215B (zh) * 2019-06-11 2023-02-03 成都工业学院 一种基于wpt-mec网络中通信资源分配与功率控制方法
CN110381445B (zh) * 2019-06-28 2021-01-15 广东工业大学 一种基于无人机基站系统的资源分配与飞行轨迹优化方法
CN111510192A (zh) * 2020-03-20 2020-08-07 西安电子科技大学 一种具有高能效的无人机多维资源管理方法
CN112859912B (zh) * 2021-01-11 2022-06-21 中国人民解放军国防科技大学 中继充电模式下无人机路径规划的自适应优化方法与系统
CN113825177B (zh) * 2021-10-08 2023-12-26 北京邮电大学 一种对多无人机辅助边缘计算系统的控制方法及控制系统
CN114666803B (zh) * 2022-03-01 2024-02-23 北京邮电大学 一种移动边缘计算系统的部署、控制方法及其系统
CN115278905B (zh) * 2022-09-29 2022-12-27 香港中文大学（深圳） 一种用于无人机网络传输的多节点通信时机确定方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106358245A (zh) * 2016-11-07 2017-01-25 北京佰才邦技术有限公司 移动边缘计算应用负荷分担的方法和控制器
CN107707031A (zh) * 2017-08-30 2018-02-16 南京邮电大学 一种采用无人机代理的空中无线传能系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10484451B2 (en) * 2016-10-18 2019-11-19 Huawei Technologies Co., Ltd. Virtual network state management in mobile edge computing

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106358245A (zh) * 2016-11-07 2017-01-25 北京佰才邦技术有限公司 移动边缘计算应用负荷分担的方法和控制器
CN107707031A (zh) * 2017-08-30 2018-02-16 南京邮电大学 一种采用无人机代理的空中无线传能系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Wireless Powered Cooperation-Assisted Mobile Edge Computing";Xiaoyan Hu;《IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS》;20180430;第17卷(第4期);全文 *
"一种为地面节点充电的多UAV任务分配与路线规划方法";胡洁;《电讯技术》;20180430;第58卷(第4期);全文 *

Also Published As

Publication number Publication date
CN108990158A (zh) 2018-12-11

Similar Documents

Publication Publication Date Title
CN108990158B (zh) 基于二元加载机制下无人机充电边缘计算网络的资源分配方法
CN108924936B (zh) 无人机辅助无线充电边缘计算网络的资源分配方法
Faisal et al. Machine learning approaches for reconfigurable intelligent surfaces: A survey
CN112118287B (zh) 基于交替方向乘子算法与移动边缘计算的网络资源优化调度决策方法
Shi et al. Toward energy-efficient federated learning over 5G+ mobile devices
CN113377533B (zh) 无人机协助移动边缘计算中的动态计算卸载和服务器部署方法
Fan et al. RIS-assisted UAV for fresh data collection in 3D urban environments: A deep reinforcement learning approach
WO2022242468A1 (zh) 任务卸载方法、调度优化方法和装置、电子设备及存储介质
Hu et al. Task and bandwidth allocation for UAV-assisted mobile edge computing with trajectory design
CN112788569A (zh) 无线供能蜂窝物联网中全双工基站的联合休眠与关联方法
CN116634544A (zh) 反向散射ris辅助无人机使能的mec能效最大化方法
CN114363803B (zh) 一种移动边缘计算网络节能的多任务分配方法及系统
CN115767758A (zh) 一种基于信道与局部模型更新结合的设备调度方法
Acheampong et al. A parallel computing based model for online binary computation offloading in mobile edge computing
Hu et al. Reinforcement learning for energy efficiency improvement in UAV-BS access networks: A knowledge transfer scheme
Zhang et al. Multi-objective optimization for UAV-enabled wireless powered IoT networks: an LSTM-based deep reinforcement learning approach
CN113627013A (zh) 基于无人机二元卸载边缘计算的系统吞吐量最大化方法
Pan et al. Leveraging ai and intelligent reflecting surface for energy-efficient communication in 6g iot
CN116528250A (zh) 一种基于noma的无人机辅助mec资源优化方法
Liao et al. UAV swarm trajectory and cooperative beamforming design in double-IRS assisted wireless communications
Sun et al. Predictive resource allocation in mmWave systems with rotation detection
Hu et al. IRS‐Aided Mobile Edge Computing: From Optimization to Learning
Hydher et al. Recent Results of Machine Learning InspiredWireless Communications
Ren et al. Joint Location, Bandwidth and Computation Offloading for Thz-Enabled Hierarchical Multicoalition UAV MEC Networks
Liang et al. Meta-Reinforcement Learning for UAV-Assisted Mobile Edge Computing of Virtual Reality Services

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhou Fuhui

Inventor after: Zhong Yijie

Inventor after: Lin Hongcheng

Inventor after: Zhou Huilin

Inventor after: Wang Yuhao

Inventor after: Zhou Xiaoyu

Inventor after: Wu Yuhang

Inventor after: Zhang Xiang

Inventor after: Zhang Xiongjian

Inventor after: Zhou Yifan

Inventor before: Lin Hongcheng

Inventor before: Zhong Yijie

Inventor before: Zhou Fuhui

Inventor before: Zhou Huilin

Inventor before: Wang Yuhao

Inventor before: Zhou Xiaoyu

Inventor before: Wu Yuhang

Inventor before: Zhang Xiang

Inventor before: Zhang Xiongjian

Inventor before: Zhou Yifan

GR01 Patent grant
GR01 Patent grant