CN109067490A - 蜂窝网联下多无人机协同移动边缘计算系统资源分配方法 - Google Patents
蜂窝网联下多无人机协同移动边缘计算系统资源分配方法 Download PDFInfo
- Publication number
- CN109067490A CN109067490A CN201811144945.5A CN201811144945A CN109067490A CN 109067490 A CN109067490 A CN 109067490A CN 201811144945 A CN201811144945 A CN 201811144945A CN 109067490 A CN109067490 A CN 109067490A
- Authority
- CN
- China
- Prior art keywords
- unmanned plane
- plane node
- data
- flight
- node
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004364 calculation method Methods 0.000 title claims abstract description 35
- 230000001413 cellular effect Effects 0.000 title claims abstract description 34
- 238000005265 energy consumption Methods 0.000 claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000001133 acceleration Effects 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 150000001875 compounds Chemical class 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000002828 fuel tank Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000021715 photosynthesis, light harvesting Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
-
- 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
- H04W72/0446—Resources in time domain, e.g. slots or frames
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
蜂窝网联下多无人机协同移动边缘计算系统资源分配方法，以最小化所有无人机节点的数据处理能耗、数据发射能耗和飞行能耗之和为目标，并考虑无人机节点自身飞行条件约束和基站能耗约束，对各个无人机节点的调度方案、数据负载分流量、数据发射功率、飞行路径、速度和加速度等参量进行联合优化求解得到最佳的资源分配方法。本发明有益效果：解决了现有多无人机协同作业中移动边缘计算系统能耗优化问题，降低无人机节点的能量消耗。
Description
技术领域
本发明涉及无线通信与云计算技术领域，具体地说是蜂窝网联下多无人机 协同移动边缘计算系统资源分配方法。
背景技术
无人机(UnmannedAerial Vehicle,UAV)技术的飞速发展为该领域的上下游 产业带来了广阔的发展前景，特别是无人机平台与信息技术的深度结合，为无人 机的应用市场带来了巨大的推动力，诸如，高速公路实时监控，偏远地区电力水 利巡检，蜂窝网络边缘小区增强覆盖，热点区域无人机基站负载分流，农业物联 网数据采集与分发等方面。尤其是，近些年来无人机研发与生产成本的不断降低， 推动了无人机群协同作业的应用发展，进一步挖掘了多机协同或蜂群协作在数据 采集、信息处理、实时回传、精准识别等方面的技术潜力。与此同时，随着无线 通信、图像信号处理等信息技术的飞速发展，通过在无人机上搭载先进的数据处 理模块、射频通信模块、音视频传感器等，使得移动互联网应用在无人机平台的 应用越来越广泛，诸如实时高清图像回传，目标识别，虚拟现实等。然而，随着 这些移动应用的普及，对于无人机的计算资源、能量资源、存储资源等也提出了 更高的要求。特别是对计算敏感型的移动应用而言，大量的数据信息需要实时处 理和运算，由此会大幅消耗无人机平台的能量资源，并占过多的硬件计算资源。 对于物理尺寸有限的无人机平台而言，其电池能量和运算资源都是十分受限的， 特别是目前绝大多数无人机主要依靠自带电源模块或油箱进行供电。无人机除了 数据处理时的能量消耗，另一部分则主要源自于无人机在飞行或悬停阶段的能 耗。如何在无人机能量受限的条件下，充分利用有效的能量资源用于无人机的数 据处理和飞行是未来无人机应用的一个关键问题。特别是，在多无人机协同系统 中，多个无人机共同作业，如何充分发挥多机协作的技术优势，利用好各无人机 的有限能源，这对于提升整个无人机系统性能具有重要的意义。
为了应对能量受限型多无人机协同系统在信息处理时的能量和资源消耗 问题，各大研究机构和学者提出了移动云计算系统(Mobile Cloud Computing System)，即无人机节点通过无线传输方式将部分数据处理任务传送到远端的云 资源池进行数据负载分流，从而降低无人机节点在本地的数据处理能量消耗。为 了进一步降低无人机节点到远端云资源池的传输时延和路径损耗，节省无人机节 点的能量消耗，并保证系统服务质量，研究人员又提出了移动边缘计算系统 (Mobile Edge Computing System)，即在无人机节点的近距离区域部署数据处理节 点，从而对无人机节点的数据处理任务进行负载分流。然而，对于无人机节点而 言，由于其飞行路径机动灵活，其在地理位置上具有随机分布特性，且多无人机 系统中需要多机协同作业，各个无人机节点需要协作规划其飞行路径和数据负载 分流规程。移动边缘计算系统为了实现较好的边缘计算节点覆盖，必须通过部署 大量的边缘计算节点，从而拉近与无人机节点的距离，完成近距离区域内的负载 分流，然而这样会造成移动边缘计算系统部署成本的大幅攀升。
考虑到现有蜂窝通信网络已经非常成熟，蜂窝小区中的基站在计算资源、 能量供给、覆盖范围和站点数量等方面均具有较大的优势。利用蜂窝网络通信基 站作为边缘计算节点，与其覆盖范围内的多无人机协同系统进行数据传输，并在 基站进行数据处理，构成基于蜂窝网联的多无人机协同移动边缘计算系统，是一 种高效的数据负载分流模式。值得注意的是，多无人机系统在各无人机飞行过程 中，需要通过调度的方式分时或分频接入蜂窝基站进行负载分流，同时，在数据 负载分流的过程中需要向基站发送数据信号，而这一过程将消耗自身的能量。因 此，是将更多的数据分流至基站，还是将更多的数据留在无人机节点进行本地处 理，是一个复杂的折中优化问题。另一方面，无人机节点在飞行过程中，其到基 站之间的无线信道条件也会随飞行路径发生变化，好的信道条件下更适合于传送数据，而信道条件较差时，则更倾向于少传输数据。因此，从无人机节点能耗的 角度出发，如何在多无人机协同系统中，调度好每一架无人机，并在各无人机节 点的每一飞行时刻，对无人机节点与基站之间的数据信息比特分配、无人机的飞 行路径、飞行速度和加速度等参量进行优化，将具有十分重要的现实意义。
发明内容
本发明所要解决的技术问题是提供蜂窝网联下多无人机协同移动边缘计 算系统资源分配方法，解决现有多无人机协同作业中移动边缘计算系统能耗优化 问题，降低无人机节点的能量消耗。
本发明为解决上述技术问题所采用的技术方案是：蜂窝网联下多无人机协 同移动边缘计算系统资源分配方法，所述多无人机移动边缘计算系统包括多个无 人机节点和一个地面蜂窝网通信基站，各无人机节点均具有一定量的待处理数据 比特，无人机节点按照指定路径、速度以及加速度飞行，在每一个飞行时刻，根 据调度策略选择其中一个无人机节点，将该无人机节点的部分待处理数据发送给 地面蜂窝网通信基站，地面蜂窝网通信基站对这些数据进行运算处理，建立三维 空间直角坐标系(x,y,z)，z轴坐标表示空间的高度位置信息；地面蜂窝网通信基 站的坐标w＝(xw,yw,0)T，其中，(·)T表示矩阵/向量转置，系统中存在K个无 人机节点，第k个无人机节点有Lk个待处理数据信息比特，ρkLk个信息比特在第k个无人机节点进行本地计算，(1-ρk)Lk个信息比特通过负载分流方 式，在飞行过程中根据调度方案先后传输给地面蜂窝网通信基站，地面蜂窝网 通信基站对这些分流数据进行处理，其中，0≤ρk≤1表示第k个无人机的信 息比特分配因子，用于权衡第k个无人机节点的本地计算与负载分流的数据 量比例；K个无人机节点在三维空间中以固定高度H飞行，单次飞行时间为T， 将该时间段分割为N+1个时隙，每个时隙宽度为δ，即T＝δ(N+1)；第n个时 隙，第k个无人机节点的飞行参量包括：位置坐标q[n]＝(x[n],y[n],H)T，飞行 速度向量v[n]＝(vx[n],vy[n],0)T，加速度向量a[n]＝(ax[n],ay[n],0)T，所述能耗 优化方法包括以下步骤：
(1)建立第n个时隙内第k个无人机节点的数据通信能耗模型
(2)建立第k个无人机节点在时间长度T内处理数据比特时的能耗模型
(3)建立第k个无人机节点在单次飞行时间内的飞行能耗模型
(4)基于步骤(1)、步骤(2)和步骤(3)中无人机节点的数据处理 能耗、数据传输能耗和飞行能耗模型，以最小化所有无人机节点的总能耗为 优化目标，并考虑无人机节点飞行条件约束和基站能耗约束，建立关于无人 机节点飞行参量、信息比特分配参量、数据发送功率参量和调度参量的数学 模型并求解。
本发明所述步骤(1)中第n个时隙内第k个无人机节点的数据通信能耗 模型为：
其中，pk[n]表示第n个时隙内第k个无人机节点的数据发送功率。
本发明所述步骤(2)中建立的第k个无人机节点在时间长度T内处理数据比 特时的能耗模型为：
其中，G表示所有无人机节点的硬件计算能力常数。
本发明所述步骤(3)建立的第k个无人机节点在单次飞行时间内的飞 行能耗为：
其中，c1和c2是与无人机节点重量、机翼面积、空气密度等有关的正数常量因 子，g表示重力加速度，表示第k个无人机节点的 动能变化量，若起止速度参数固定，则Δp为固定量，m表示包无人机节点总重 量，假设第k个无人机节点起止速度相同，则Δp＝0。
本发明所述步骤(4)中建立的关于无人机节点飞行参量、信息比特分 配参量、数据发送功率参量和调度参量的数学模型为：
C4:xk[n]∈{0,1},
C9:0≤ρk≤1,
C10:0≤pk[n]≤Pmax,
C11:Lk[n]≥0,Lu,k[n+1]≥0,
其中，表示飞行参量，表示数据比特分配参量，C1表示基站用于处理数据信 息的最大能量约束值为Etotal，C2表示在第n时隙内，信道带宽为B条件下， 第k个无人机节点的数据传输比特约束，C3和C4表示无人机节点调度变量 约束条件，C5表示比特级联约束，即各飞行时刻基站运算处理的信息比特数 不超过无人机节点向其传输的信息比特数，C6表示无人机节点向基站传输的 总信息比特数，C7表示基站所处理的分流的总信息比特数，C8表示无人机 飞行参量间的关系约束，C9-C11表示优化参量的可行域边界约束条件，Lk[n] 表示第n时隙内第k个无人机节点向基站发送的比特数据，基站的数据处理延时 为1个时隙，Lu,k[n+1]表示第n+1时隙基站处理比特数据的数量，W表示本系统 中所使用的信道带宽，σ2表示加性复高斯白噪声功率， qk,I表示第k个无人机节点起始位置，qk,F表示第k个无人机节 点终止位置，Vmax表示第k个无人机节点最大飞行速度，amax表示第k个无人机 节点最大加速度；假设时隙宽度足够小，第k个无人机的三个飞行参量可由各时 隙的参量所组成的集合进行描述，即飞行路径的位置点集合飞行速 度集合加速度集合在每个时隙内，有且仅有一个无人机 节点被调度出来向基站发送数据，进行数据负载分流，以xk[n]表示第n个时隙 第k个无人机节点的调度变量，该变量为二进制变量，非0即1，当该无人机节 点被选出时，xk[n]＝1，否则，xk[n]＝0，每个时隙最多只有一个无人机节点被 选出，即
本发明的有益效果是：本发明以最小化所有无人机节点的数据处理能耗、 数据发射能耗和飞行能耗之和为目标，并考虑无人机节点自身飞行条件约束和基 站能耗约束，对各个无人机节点的调度方案、数据负载分流量、数据发射功率、 飞行路径、速度和加速度等参量进行联合优化，以得到使得无人机能耗最小化的 飞行参量和数据负载分流量。
附图说明
图1为本发明方法的系统模型图；
图2为本发明仿真实验中当飞行时间T＝60s时，本方法得到的两个无人机 节点的飞行路径图；
图3为本发明仿真实验中当无人机节点飞行时间T＝60s时，本方法得到的 两个无人机节点的数据信息比特分配因子(1-ρ)随着基站能量约束值的变化趋 势；
图4为本发明仿真实验中当无人机节点飞行时间T＝60s时，本方法得到的 每一飞行时刻无人机节点的数据传输量与基站的数据计算量变化情况。
具体实施方式
下面结合说明书附图对本发明实施例进行详细的阐述。
蜂窝网联下多无人机协同移动边缘计算系统资源分配方法，所述多无人机 移动边缘计算系统包括多个无人机节点和一个地面蜂窝网通信基站，各无人机节 点均具有一定量的待处理数据比特，无人机节点按照指定路径、速度以及加速度 飞行，在每一个飞行时刻，根据调度策略选择其中一个无人机节点，将该无人机 节点的部分待处理数据发送给地面蜂窝网通信基站，地面蜂窝网通信基站对这些 数据进行运算处理，所述资源分配方法包括以下步骤：
1).建立三维空间直角坐标系(x,y,z)，z轴坐标表示空间的高度位置信息；地 面蜂窝网通信基站的坐标w＝(xw,yw,0)T，其中，(·)T表示矩阵/向量转置，系统 中存在K个无人机节点，第k个无人机节点有Lk个待处理数据信息比特，ρkLk个信息比特在第k个无人机节点进行本地计算，(1-ρk)Lk个信息比特通过负 载分流方式，在飞行过程中根据调度方案先后传输给地面蜂窝网通信基站， 地面蜂窝网通信基站对这些分流数据进行处理，其中，0≤ρk≤1表示第k个无 人机的信息比特分配因子，用于权衡第k个无人机节点的本地计算与负载分流 的数据量比例；K个无人机节点在三维空间中以固定高度H飞行，单次飞行时间 为T，将该时间段分割为N+1个时隙，每个时隙宽度为δ，即T＝δ(N+1)；第n 个时隙，第k个无人机节点的飞行参量包括：位置坐标q[n]＝(x[n],y[n],H)T， 飞行速度向量v[n]＝(vx[n],vy[n],0)T，加速度向量a[n]＝(ax[n],ay[n],0)T，三者 满足如下关系
其中，qk,I表示第k个无人机节点起始位置，qk,F表示第k个无人 机节点终止位置，Vmax表示第k个无人机节点最大飞行速度，amax表示第k个无人 机节点最大加速度；假设时隙宽度足够小，第k个无人机的三个飞行参量可由各 时隙的参量所组成的集合进行描述，即飞行路径的位置点集合飞行 速度集合加速度集合在每个时隙内，有且仅有一个无人 机节点被调度出来向基站发送数据，进行数据负载分流，以xk[n]表示第n个时隙 第k个无人机节点的调度变量，该变量为二进制变量，非0即1，当该无人机节点 被选出时，xk[n]＝1，否则，xk[n]＝0，每个时隙最多只有一个无人机节点被选 出，即假设第n时隙内第k个无人机节点向基站发送Lk[n]比特数据， 基站的数据处理延时为1个时隙，则第n+1时隙基站处理Lu,k[n+1]比特数据，且二 者满足比特级联关系，如下所示
其中，假设各个无人机节点与基站之间的无线信道为直视径， 则第n时隙内第k个无人机节点到基站的无线信道服从自由空间路径损耗模型，即
其中，dk[n]表示第n时隙第k个无人机节点到基站的距离，β0表示距离为1米、 信号发射功率为1瓦时的信道增益参考值，||·||—表示欧几里得范数。
2).根据信息论香农信道容量公式可知，在第n时隙内，信道带宽为B 条件下，第k个无人机节点的数据传输比特Lk[n]满足如下关系式：
其中，W表示本系统中所使用的信道带宽，pk[n]表示第n个时隙内第k个无人机 节点的数据发送功率，σ2表示加性复高斯白噪声功率；由此可得，第n个时隙内 第k个无人机节点的数据通信能耗为
3).根据数据信息比特运算处理能耗定义可知，对于给定的M比特待 处理数据量和处理时间Δ，计算处理信息比特时所消耗的能量E为：
其中，Q为常数，由节点自身的硬件计算能力所决定；因此，第k个无人机节 点在时间长度T内处理数据比特时的能耗为
其中，G表示本系统中所有无人机节点的硬件计算能力常数。
4).定义第k个无人机节点在单次飞行时间内的飞行能耗如下：
其中，c1和c2是与无人机节点重量、机翼面积、空气密度等有关的正数常量 因子，g表示重力加速度，表示第k个无人机节 点的动能变化量，若起止速度参数固定，则Δp为固定量，m表示包无人机节 点总重量，假设第k个无人机节点起止速度相同，则Δp＝0，可忽略。
5).基于步骤2)、步骤3)和步骤4)中无人机节点的数据处理能耗、数据 传输能耗和飞行能耗模型，以最小化所有无人机节点的总能耗为优化目标， 并考虑无人机节点飞行条件约束和基站能耗约束，建立关于无人机节点飞行 参量、信息比特分配参量、数据发送功率参量和调度参量的数学模型，如下 所示，对该模型求解得到资源分配的最优方案：
C4:xk[n]∈{0,1},
C9:0≤ρk≤1,
C10:0≤pk[n]≤Pmax,
C11:Lk[n]≥0,Lu,k[n+1]≥0,
其中，表示飞行参量，表示数据比特分配参量，C1表示基站用于处理数据信 息的最大能量约束值为Etotal，C2表示步骤2)中的数据传输比特约束，C3和 C4表示无人机节点调度变量约束条件，C5表示比特级联约束，即各飞行时 刻基站运算处理的信息比特数不超过无人机节点向其传输的信息比特数，C6 表示无人机节点向基站传输的总信息比特数，C7表示基站所处理的分流的总 信息比特数，C8表示无人机飞行参量间的关系约束，C9-C11表示优化参量 的可行域边界约束条件。
但是，由于该问题涉及的因素和变量较多，且形式也非常复杂，优化 迭代过程也将十分困难。因此利用一阶泰勒级数展开和连续凸近似方法，得 到一种交替迭代的优化方法求解得到该优化问题的次优解，具体过程如下。
6).由于步骤5)中优化问题的约束条件C2和C4影响，导致该优化问题 为混合整数变量非凸问题，无法直接求解，将其转换为如下两个子优化问题， 再通过交替迭代优化获得原问题的次优解，具体为：
6.1).给定无人机节点调度参量{xk[n]}，优化无人机节点飞行参量、信息比 特分配参量、数据发送功率参量，如下所示：
s.t.C1,C2,C5—C11
6.2).给定无人机飞行参量优化无人机节点调度 参量、信息比特分配参量、数据发送功率参量，如下所示
7).由于步骤6.1)中子优化问题的目标函数和约束条件C2是非凸的， 可采用松弛变量、连续凸近似等方法对其转化，具体步骤如下：
7.1).引入松弛变量集将第n个时隙内无人机节点的飞行能耗表 示为如下形式
并增加新的约束条件C12，如下所示
其中，再将C12中的||vk[n]||2在局部点{vk,l[n]}进行一阶泰勒 级数展开，得到||vk[n]||2的下界，如下所示
其中，l表示第l次迭代；利用下界flb(vk[n])将约束条件C12转换为新约束 条件C13，如下形式
7.2).针对步骤6.1)中约束条件C2，引入松弛变量集将C2重 新表示为如下形式
其中，表示参考信噪比；并引入新的约束条件C14，如下所示
7.3).将步骤7.2)中的在局部点{yl,k[n]}进行一阶泰勒级 数展开，得到其下界，如下所示
其中，
Ak[n]＝log2(yk[n]+pk[n]γ0)；
利用下界将约束条件C2转换为新的约束条件C15，如下所示
7.4).基于步骤7.1)中飞行能耗和步骤7.1)、步骤7.2)和步骤7.3) 中的新约束条件C13、C14和C15，将步骤6.1)中子优化问题转换成凸优化 问题，如下所示：
并采用标准的凸优化方法(如内点法等)即可求解得到该子问题次优解。
8).步骤6.2)中子问题存在整数变量，且存在变量耦合，采用 变量松弛、连续凸近似等方法进行求解，具体步骤如下：
8.1).将无人机节点调度参量{xk[n]}松弛为连续变量，将步骤6.2)中子问 题约束条件C2为新约束条件C16，如下所示：
8.2).将(xk 2[n]+pk 2[n])在局部点{xl,k[n]}和{pl,k[n]}处进行一阶泰勒级数 展开，得到其下界如下所示：
由此，可以得到的上界如下所示：
8.3).引入松弛变量集将第n个时隙内无人机节点的飞行能耗表 示为如下形式
并增加新的约束条件C17，如下所示
其中，再将C17中的||vk[n]||2在局部点{vk,l[n]}进行一阶泰勒 级数展开，得到||vk[n]||2的下界，如下所示
其中，l表示第l次迭代；利用下界flb(vk[n])将约束条件C17转换为新约束 条件C18，如下形式
8.4).引入松弛变量集{sk[n]}将步骤6.2)中子问题的约束条件C2重新表 示为新约束条件C19和C20，如下所示：
8.5).由于约束条件C20中变量xk[n]和sk[n]存在耦合，仍然是非凸的， 将其表示为其等价形式，如下所示：
再将(xk[n]+sk[n])2在局部点{xl,k[n]}和{sl,k[n]}处进行一阶泰勒级数展开，得 到其下界如下所示：
再利用下界将约束条件C20转换为新约束条件C21，如下所示：
8.6).基于步骤8.2)中上界步骤8.1)、步骤8.3)、步骤8.4)和 步骤8.5)的新约束条件C16、C18、C19和C21，将步骤6.2)中子问题转换为 凸优化问题，如下所示：
并采用标准的凸优化方法(如内点法等)即可求解得到该子问题次优解；
8.7).对于步骤8.6)中优化问题求解后得到的调度变量xk[n]取值，将其根 据如下准则重建为二进制0和1取值即可：
仿真实验
仿真参数设置：参考信噪比γ0＝5×103W，系统带宽W＝1MHz，无人机 节点数K＝2，分别标识为1号和2号，飞行高度H＝80m，最大飞行速度 Vmax＝50m/s，最大加速度amax＝5m/s2，1号无人机节点总共待处理数据比特为 0.5Mbits，2号无人机节点总共待处理数据比特为1Mbits，无人机节点飞行能耗 系数c1＝0.002和c2＝70.698，无人机节点计算能力常数G＝10-11，时隙长度 δ＝0.5s，无人机节点信号传输功率固定为Pmax＝2W，基站能量最大约束值为 Etotal＝4×103J。图2给出了当飞行时间T＝60s时，本发明方法得到的两个无人 机节点的飞行路径图。图3给出了当无人机节点飞行时间T＝60s时，本发明方 法得到的两个无人机节点的数据信息比特分配因子(1-ρ)随着基站能量约束值 的变化趋势。图4给出了当无人机节点飞行时间T＝60s时，本发明方法得到的 每一飞行时刻无人机节点的数据传输量与基站的数据计算量变化情况。
Claims (5)
1.蜂窝网联下多无人机协同移动边缘计算系统资源分配方法，其特征在于：所述多无人机移动边缘计算系统包括多个无人机节点和一个地面蜂窝网通信基站，各无人机节点均具有一定量的待处理数据比特，无人机节点按照指定路径、速度以及加速度飞行，在每一个飞行时刻，根据调度策略选择其中一个无人机节点，将该无人机节点的部分待处理数据发送给地面蜂窝网通信基站，地面蜂窝网通信基站对这些数据进行运算处理，建立三维空间直角坐标系(x,y,z)，z轴坐标表示空间的高度位置信息；地面蜂窝网通信基站的坐标w＝(xw,yw,0)T，其中，(·)T表示矩阵/向量转置，系统中存在K个无人机节点，第k个无人机节点有Lk个待处理数据信息比特，ρkLk个信息比特在第k个无人机节点进行本地计算，(1-ρk)Lk个信息比特通过负载分流方式，在飞行过程中根据调度方案先后传输给地面蜂窝网通信基站，地面蜂窝网通信基站对这些分流数据进行处理，其中，0≤ρk≤1表示第k个无人机的信息比特分配因子，用于权衡第k个无人机节点的本地计算与负载分流的数据量比例；K个无人机节点在三维空间中以固定高度H飞行，单次飞行时间为T，将该时间段分割为N+1个时隙，每个时隙宽度为δ，即T＝δ(N+1)；第n个时隙，第k个无人机节点的飞行参量包括：位置坐标q[n]＝(x[n],y[n],H)T，飞行速度向量v[n]＝(vx[n],vy[n],0)T，加速度向量a[n]＝(ax[n],ay[n],0)T，所述能耗优化方法包括以下步骤：
(1)建立第n个时隙内第k个无人机节点的数据通信能耗模型
(2)建立第k个无人机节点在时间长度T内处理数据比特时的能耗模型
(3)建立第k个无人机节点在单次飞行时间内的飞行能耗模型
(4)基于步骤(1)、步骤(2)和步骤(3)中无人机节点的数据处理能耗、数据传输能耗和飞行能耗模型，以最小化所有无人机节点的总能耗为优化目标，并考虑无人机节点飞行条件约束和基站能耗约束，建立关于无人机节点飞行参量、信息比特分配参量、数据发送功率参量和调度参量的数学模型并求解。
2.根据权利要求1所述的蜂窝网联下多无人机协同移动边缘计算系统资源分配方法，其特征在于：所述步骤(1)中第n个时隙内第k个无人机节点的数据通信能耗模型为：
其中，pk[n]表示第n个时隙内第k个无人机节点的数据发送功率。
3.根据权利要求1所述的蜂窝网联下多无人机协同移动边缘计算系统资源分配方法，其特征在于：所述步骤(2)中建立的第k个无人机节点在时间长度T内处理数据比特时的能耗模型为：
其中，G表示所有无人机节点的硬件计算能力常数。
4.根据权利要求1所述的蜂窝网联下多无人机协同移动边缘计算系统资源分配方法，其特征在于：所述步骤(3)建立的第k个无人机节点在单次飞行时间内的飞行能耗为：
其中，c1和c2是与无人机节点重量、机翼面积、空气密度等有关的正数常量因子，g表示重力加速度，表示第k个无人机节点的动能变化量，若起止速度参数固定，则Δp为固定量，m表示包无人机节点总重量，假设第k个无人机节点起止速度相同，则Δp＝0。
5.根据权利要求1所述的蜂窝网联下多无人机协同移动边缘计算系统资源分配方法，其特征在于：所述步骤(4)中建立的关于无人机节点飞行参量、信息比特分配参量、数据发送功率参量和调度参量的数学模型为：
其中， 表示飞行参量，表示数据比特分配参量，C1表示基站用于处理数据信息的最大能量约束值为Etotal，C2表示在第n时隙内，信道带宽为B条件下，第k个无人机节点的数据传输比特约束，C3和C4表示无人机节点调度变量约束条件，C5表示比特级联约束，即各飞行时刻基站运算处理的信息比特数不超过无人机节点向其传输的信息比特数，C6表示无人机节点向基站传输的总信息比特数，C7表示基站所处理的分流的总信息比特数，C8表示无人机飞行参量间的关系约束，C9-C11表示优化参量的可行域边界约束条件，Lk[n]表示第n时隙内第k个无人机节点向基站发送的比特数据，基站的数据处理延时为1个时隙，Lu,k[n+1]表示第n+1时隙基站处理比特数据的数量，W表示本系统中所使用的信道带宽，σ2表示加性复高斯白噪声功率，qk,I表示第k个无人机节点起始位置，qk,F表示第k个无人机节点终止位置，Vmax表示第k个无人机节点最大飞行速度，amax表示第k个无人机节点最大加速度；假设时隙宽度足够小，第k个无人机的三个飞行参量可由各时隙的参量所组成的集合进行描述，即飞行路径的位置点集合飞行速度集合加速度集合在每个时隙内，有且仅有一个无人机节点被调度出来向基站发送数据，进行数据负载分流，以xk[n]表示第n个时隙第k个无人机节点的调度变量，该变量为二进制变量，非0即1，当该无人机节点被选出时，xk[n]＝1，否则，xk[n]＝0，每个时隙最多只有一个无人机节点被选出，即
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811144945.5A CN109067490B (zh) | 2018-09-29 | 2018-09-29 | 蜂窝网联下多无人机协同移动边缘计算系统资源分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811144945.5A CN109067490B (zh) | 2018-09-29 | 2018-09-29 | 蜂窝网联下多无人机协同移动边缘计算系统资源分配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109067490A true CN109067490A (zh) | 2018-12-21 |
| CN109067490B CN109067490B (zh) | 2020-10-30 |
Family
ID=64766679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811144945.5A Active CN109067490B (zh) | 2018-09-29 | 2018-09-29 | 蜂窝网联下多无人机协同移动边缘计算系统资源分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109067490B (zh) |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109656270A (zh) * | 2019-01-21 | 2019-04-19 | 中国联合网络通信集团有限公司 | 基于边缘云的无人机编队协同飞行的控制系统和方法 |
| CN109753082A (zh) * | 2018-12-29 | 2019-05-14 | 北京邮电大学 | 多无人机网络协同通信方法 |
| CN109831797A (zh) * | 2019-03-11 | 2019-05-31 | 南京邮电大学 | 一种推动功率受限的无人机基站带宽和轨迹联合优化方法 |
| CN110069074A (zh) * | 2019-04-17 | 2019-07-30 | 南京航空航天大学 | 一种基于多目标三点定位的无人机协同航迹规划方法 |
| CN110286699A (zh) * | 2019-05-28 | 2019-09-27 | 东南大学 | 一种无线传感网数据采集中基于实际模型的无人机最优速度调度方法 |
| CN110381445A (zh) * | 2019-06-28 | 2019-10-25 | 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 |
| CN110430550A (zh) * | 2019-08-06 | 2019-11-08 | 北京邮电大学 | 一种面向无人机辅助蜂窝网络的宏站用户分流方法 |
| CN110458283A (zh) * | 2019-08-13 | 2019-11-15 | 南京理工大学 | 基于深度强化学习的静态环境下的最大化全局吞吐量方法 |
| CN110601935A (zh) * | 2019-09-20 | 2019-12-20 | 青岛海尔科技有限公司 | 智能家居操作系统中任务的处理方法、装置及云平台系统 |
| CN111314123A (zh) * | 2020-02-04 | 2020-06-19 | 国网江苏省电力有限公司南京供电分公司 | 一种面向时延和能耗的电力物联网工作负载分配方法 |
| CN111443731A (zh) * | 2020-04-15 | 2020-07-24 | 北京邮电大学 | 一种无人机控制方法、装置及控制设备 |
| CN111552313A (zh) * | 2020-04-29 | 2020-08-18 | 南京理工大学 | 基于边缘计算动态任务到达的多无人机路径规划方法 |
| CN111709582A (zh) * | 2020-06-18 | 2020-09-25 | 广东电网有限责任公司 | 一种无人机边缘计算资源动态优化方法、系统及存储介质 |
| CN112104502A (zh) * | 2020-09-16 | 2020-12-18 | 云南大学 | 时敏多任务边缘计算与缓存协作卸载策略方法 |
| CN112203310A (zh) * | 2020-10-12 | 2021-01-08 | 重庆邮电大学 | 一种基于无人机协作的数据传输方法 |
| CN112423394A (zh) * | 2020-11-06 | 2021-02-26 | 四川大学 | 一种提高移动边缘计算蜂窝网络能耗效率的资源分配方法 |
| WO2021056635A1 (zh) * | 2019-09-29 | 2021-04-01 | 中国人民解放军陆军工程大学 | 一种基于能效优化的旋翼无人机网络数据传输方法和装置 |
| CN112865855A (zh) * | 2021-01-04 | 2021-05-28 | 福州大学 | 基于无人机中继的高效无线隐蔽传输方法 |
| CN113050453A (zh) * | 2021-03-25 | 2021-06-29 | 四川大学 | 一种固定翼无人机通信过程能量优化方法 |
| CN113179482A (zh) * | 2021-04-21 | 2021-07-27 | 中南大学 | 一种基于移动边缘计算的数据传输资源系统及方法 |
| CN113422803A (zh) * | 2021-05-19 | 2021-09-21 | 武汉工程大学 | 一种基于端边云协同的无人机智能巡检任务无缝迁移方法 |
| CN113472426A (zh) * | 2021-07-01 | 2021-10-01 | 云南大学 | 一种公平感知任务调度和资源分配方法 |
| CN114448490A (zh) * | 2021-12-22 | 2022-05-06 | 天翼云科技有限公司 | 一种多无人机的路径规划与频谱资源分配方法及系统 |
| CN117289725A (zh) * | 2023-11-27 | 2023-12-26 | 清华大学 | 无人机分布式通算一体资源调度方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107708135A (zh) * | 2017-07-21 | 2018-02-16 | 上海交通大学 | 一种适用于移动边缘计算场景的资源分配方法 |
| CN107947845A (zh) * | 2017-12-05 | 2018-04-20 | 中国科学院自动化研究所 | 基于通信中继的无人机编队协同目标分配方法 |
| CN108287542A (zh) * | 2018-01-04 | 2018-07-17 | 浙江大学 | 基于协同云控制的无人机与无人船协作控制系统与方法 |
-
2018
- 2018-09-29 CN CN201811144945.5A patent/CN109067490B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107708135A (zh) * | 2017-07-21 | 2018-02-16 | 上海交通大学 | 一种适用于移动边缘计算场景的资源分配方法 |
| CN107947845A (zh) * | 2017-12-05 | 2018-04-20 | 中国科学院自动化研究所 | 基于通信中继的无人机编队协同目标分配方法 |
| CN108287542A (zh) * | 2018-01-04 | 2018-07-17 | 浙江大学 | 基于协同云控制的无人机与无人船协作控制系统与方法 |
Non-Patent Citations (2)
| Title |
|---|
| MENG HUA等: "Optimal Resource Partitioning and Bit Allocation for UAV-enabled Mobile Edge Computing", 《IEEE》 * |
| 董世友: "群无人机自组织资源分配方法研究", 《北京航空航天大学学报》 * |
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109753082B (zh) * | 2018-12-29 | 2020-08-14 | 北京邮电大学 | 多无人机网络协同通信方法 |
| CN109753082A (zh) * | 2018-12-29 | 2019-05-14 | 北京邮电大学 | 多无人机网络协同通信方法 |
| CN109656270B (zh) * | 2019-01-21 | 2021-07-20 | 中国联合网络通信集团有限公司 | 基于边缘云的无人机编队协同飞行的控制系统和方法 |
| CN109656270A (zh) * | 2019-01-21 | 2019-04-19 | 中国联合网络通信集团有限公司 | 基于边缘云的无人机编队协同飞行的控制系统和方法 |
| CN109831797A (zh) * | 2019-03-11 | 2019-05-31 | 南京邮电大学 | 一种推动功率受限的无人机基站带宽和轨迹联合优化方法 |
| CN109831797B (zh) * | 2019-03-11 | 2021-08-10 | 南京邮电大学 | 一种推动功率受限的无人机基站带宽和轨迹联合优化方法 |
| CN110069074A (zh) * | 2019-04-17 | 2019-07-30 | 南京航空航天大学 | 一种基于多目标三点定位的无人机协同航迹规划方法 |
| CN110286699A (zh) * | 2019-05-28 | 2019-09-27 | 东南大学 | 一种无线传感网数据采集中基于实际模型的无人机最优速度调度方法 |
| CN110381445A (zh) * | 2019-06-28 | 2019-10-25 | 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 |
| CN110430550A (zh) * | 2019-08-06 | 2019-11-08 | 北京邮电大学 | 一种面向无人机辅助蜂窝网络的宏站用户分流方法 |
| CN110458283A (zh) * | 2019-08-13 | 2019-11-15 | 南京理工大学 | 基于深度强化学习的静态环境下的最大化全局吞吐量方法 |
| CN110601935A (zh) * | 2019-09-20 | 2019-12-20 | 青岛海尔科技有限公司 | 智能家居操作系统中任务的处理方法、装置及云平台系统 |
| WO2021056635A1 (zh) * | 2019-09-29 | 2021-04-01 | 中国人民解放军陆军工程大学 | 一种基于能效优化的旋翼无人机网络数据传输方法和装置 |
| CN111314123A (zh) * | 2020-02-04 | 2020-06-19 | 国网江苏省电力有限公司南京供电分公司 | 一种面向时延和能耗的电力物联网工作负载分配方法 |
| CN111314123B (zh) * | 2020-02-04 | 2022-11-04 | 国网江苏省电力有限公司南京供电分公司 | 一种面向时延和能耗的电力物联网工作负载分配方法 |
| CN111443731B (zh) * | 2020-04-15 | 2021-06-18 | 北京邮电大学 | 一种无人机控制方法、装置及控制设备 |
| CN111443731A (zh) * | 2020-04-15 | 2020-07-24 | 北京邮电大学 | 一种无人机控制方法、装置及控制设备 |
| CN111552313A (zh) * | 2020-04-29 | 2020-08-18 | 南京理工大学 | 基于边缘计算动态任务到达的多无人机路径规划方法 |
| CN111552313B (zh) * | 2020-04-29 | 2022-06-28 | 南京理工大学 | 基于边缘计算动态任务到达的多无人机路径规划方法 |
| CN111709582A (zh) * | 2020-06-18 | 2020-09-25 | 广东电网有限责任公司 | 一种无人机边缘计算资源动态优化方法、系统及存储介质 |
| CN111709582B (zh) * | 2020-06-18 | 2021-12-17 | 广东电网有限责任公司 | 一种无人机边缘计算资源动态优化方法、系统及存储介质 |
| CN112104502A (zh) * | 2020-09-16 | 2020-12-18 | 云南大学 | 时敏多任务边缘计算与缓存协作卸载策略方法 |
| CN112203310A (zh) * | 2020-10-12 | 2021-01-08 | 重庆邮电大学 | 一种基于无人机协作的数据传输方法 |
| CN112423394A (zh) * | 2020-11-06 | 2021-02-26 | 四川大学 | 一种提高移动边缘计算蜂窝网络能耗效率的资源分配方法 |
| CN112423394B (zh) * | 2020-11-06 | 2022-05-24 | 四川大学 | 一种提高移动边缘计算蜂窝网络能耗效率的资源分配方法 |
| CN112865855A (zh) * | 2021-01-04 | 2021-05-28 | 福州大学 | 基于无人机中继的高效无线隐蔽传输方法 |
| CN113050453B (zh) * | 2021-03-25 | 2022-02-01 | 四川大学 | 一种固定翼无人机通信过程能量优化方法 |
| CN113050453A (zh) * | 2021-03-25 | 2021-06-29 | 四川大学 | 一种固定翼无人机通信过程能量优化方法 |
| CN113179482A (zh) * | 2021-04-21 | 2021-07-27 | 中南大学 | 一种基于移动边缘计算的数据传输资源系统及方法 |
| CN113179482B (zh) * | 2021-04-21 | 2023-08-22 | 中南大学 | 一种基于移动边缘计算的数据传输资源系统及方法 |
| CN113422803A (zh) * | 2021-05-19 | 2021-09-21 | 武汉工程大学 | 一种基于端边云协同的无人机智能巡检任务无缝迁移方法 |
| CN113472426A (zh) * | 2021-07-01 | 2021-10-01 | 云南大学 | 一种公平感知任务调度和资源分配方法 |
| CN114448490A (zh) * | 2021-12-22 | 2022-05-06 | 天翼云科技有限公司 | 一种多无人机的路径规划与频谱资源分配方法及系统 |
| CN114448490B (zh) * | 2021-12-22 | 2024-04-26 | 天翼云科技有限公司 | 一种多无人机的路径规划与频谱资源分配方法及系统 |
| CN117289725A (zh) * | 2023-11-27 | 2023-12-26 | 清华大学 | 无人机分布式通算一体资源调度方法和装置 |
| CN117289725B (zh) * | 2023-11-27 | 2024-02-27 | 清华大学 | 无人机分布式通算一体资源调度方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109067490B (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109067490A (zh) | 蜂窝网联下多无人机协同移动边缘计算系统资源分配方法 | |
| CN109286913A (zh) | 基于蜂窝网联的无人机移动边缘计算系统能耗优化方法 | |
| CN110381444B (zh) | 一种无人机轨迹优化及资源分配方法 | |
| CN109831797B (zh) | 一种推动功率受限的无人机基站带宽和轨迹联合优化方法 | |
| CN108768497B (zh) | 无人机辅助无线传感网及其节点调度与飞行参量设计方法 | |
| CN108566670A (zh) | 无人机辅助无线传感网及其节点调度与路径规划功率分配设计方法 | |
| CN109936619A (zh) | 一种基于雾计算的空间信息网络架构、方法和可读存储介质 | |
| Wang et al. | Minimizing data collection time with collaborative UAVs in wireless sensor networks | |
| CN108966286A (zh) | 无人机辅助移动边缘计算系统及其信息比特分配方法 | |
| CN109818669A (zh) | 一种基于虚拟化的卫星业务处理方法、系统和存储介质 | |
| Ye et al. | Optimization for wireless-powered IoT networks enabled by an energy-limited UAV under practical energy consumption model | |
| Dai et al. | UAV-aided wireless communication design with energy constraint in space-air-ground integrated green IoT networks | |
| Liu et al. | Wireless distributed learning: A new hybrid split and federated learning approach | |
| CN112911537B (zh) | 一种多无人机信息采集系统任务时间最小化的方法 | |
| CN102254453A (zh) | 一种民航多机场终端区空域功能性扇区划分方法 | |
| Fu et al. | Joint optimization of 3D trajectory and scheduling for solar-powered UAV systems | |
| CN114466309A (zh) | 一种基于无人机的高效通信无线联邦学习架构构建方法 | |
| Yuan et al. | Harnessing UAVs for fair 5G bandwidth allocation in vehicular communication via deep reinforcement learning | |
| CN114690799A (zh) | 基于信息年龄的空天地一体化无人机物联网数据采集方法 | |
| CN114020024B (zh) | 基于蒙特卡洛树搜索的无人机路径规划方法 | |
| CN105281958A (zh) | 用于多层卫星网络环境中的卫星覆盖和星间链路分析方法 | |
| Zhang et al. | Deep reinforcement learning for aerial data collection in hybrid-powered noma-iot networks | |
| Wang et al. | Computation efficiency maximization for UAV-assisted relaying and MEC networks in urban environment | |
| CN107371177B (zh) | 一种航电网络无线化组网分析方法 | |
| Luo et al. | Revenue optimization of a UAV-fog collaborative framework for remote data collection 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |