CN109922137A

CN109922137A - 无人机协助的计算迁移方法

Info

Publication number: CN109922137A
Application number: CN201910077764.3A
Authority: CN
Inventors: 周力; 魏急波; 张娇; 赵海涛; 熊俊; 唐麒
Original assignee: National University of Defense Technology
Current assignee: National University of Defense Technology
Priority date: 2019-01-28
Filing date: 2019-01-28
Publication date: 2019-06-21
Anticipated expiration: 2039-01-28
Also published as: CN109922137B

Abstract

本发明实施例提出了一种无人机协助的计算迁移方法，以统计到达任务为研究对象，在无人机协助边缘计算网络中实现计算任务的及时执行和系统整体能量消耗最低。综合考虑了计算任务迁移量约束、设备端的和云端计算能力约束和无人机航迹规划约束；由于目标函数的非凸性和变量之间的耦合性，构建李雅普诺夫函数作为系统模型并将系统平均能耗最小的优化问题分解成三个易于处理的子优化问题；结合交替方向乘子算法、内点罚函数法和CVX工具箱，联合求解。本发明实施例的无人机协助的计算迁移方法具有可行性，可获得较优的能耗节约或队列处理能力，能有效应用于未来未知且不可预测的网络场景中。

Description

无人机协助的计算迁移方法

技术领域

本发明涉及无线通信网络技术领域，尤其涉及一种无人机协助的计算迁移方法。

背景技术

随着智能移动设备的普及和物联网的快速发展，众多具有计算强度的新的物联网应用应运而生，例如增强/虚拟现实、无人驾驶和自动导航等应用。这类新的应用具有更加丰富和复杂的信息处理需求，对设备计算能力和服务体验都提出了更高的要求。基于受限的计算能力和电池寿命，如果将这些具有计算强度的应用全部放在移动设备端执行，势必加快移动设备的能量消耗和寿命缩短，大量密集的计算任务的执行也会造成计算体验质量急速下降。

如图1所示，移动边缘计算作为一种十分有前景的解决方案，将云计算服务器部署在移动网络的基于基础设施的边缘端，使云计算服务器更加靠近智能移动设备。移动边缘计算的核心思想是将具有计算强度的任务从移动终端迁移到计算能力更强的无线接入网边缘侧，实现执行任务的多项选择，既可本地化处理也可边缘云端处理，从而大大地提高计算任务的体验质量和移动设备的生存寿命。然而，对于具有有限或者不具有可用基础设施的网络场景，例如受灾地区、紧急救援、军事演习或者乡村环境等，边缘计算仍然无能为力。

基于无人机协助的移动边缘计算由于具有可靠的视距传输和可控的移动管理的优势，被提出用于解决无基础设施支撑的网络场景中的计算迁移问题。已有研究表明无人机协助的移动边缘计算可通过迁移所有或者部分移动设备端的计算任务来实现系统的能耗最低、传输率最大及时延能耗折中等效果。在进行系统建模时，计算和通信资源分配及无人机的航迹规划常常被综合考虑进来。而在实际系统中，计算任务在一定时间内以随机的方式产生且在未来的时间段内不可被预测，例如多媒体流和文件备份等。此时，现有的确定型计算任务的一些方法便不能再应用于解决随机任务的迁移问题。因此，针对借助无人机协助的移动边缘计算网络场景中基于随机任务的计算迁移问题的建模还有待探索。

发明内容

本发明实施例的目的在于提出一种无人机协助的计算迁移方法，旨在有效解决具有有限的可用基础设施或者不具有可用基础设施的网络场景中的系统平均能耗最小化问题，提出的联合设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略、云端的计算资源的优化分配策略和无人机航迹规划的计算迁移方法具有较低的计算复杂度，且可有效应用于未来未知且不可预测的网络场景中。本发明实施例的具体技术方案如下：

本发明实施例提供了一种无人机协助的计算迁移方法，在指定区域内，无人机从起点飞行到终点执行飞行任务，在飞行期间为已知位置的一个或多个设备端随机产生的计算任务借助云端提供计算能力，所述无人机协助的计算迁移方法包括步骤：(S1)将所述无人机的飞行时间进行等间隔时隙划分，获取所述设备端当前时隙内到达的计算任务队列、所述设备端相应的剩余计算任务队列和所述云端相应的剩余计算任务队列；根据所述设备端相应的剩余计算任务队列和所述云端相应的剩余计算任务队列构建李雅普诺夫函数作为系统模型；(S2)根据交替方向乘子算法(ADMM)获得所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略，并将所述计算任务迁移量反馈到所述云端；(S3)根据内点罚函数法及所述计算任务迁移量获得所述云端的计算资源的优化分配策略；(S4)根据CVX优化工具箱及步骤(S2)获得所述无人机航迹规划；(S5)以平均每个时隙内所述设备端的能量消耗和所述无人机的能量消耗的加权和最小化为收敛条件，以所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略、所述云端的计算资源的优化分配策略和所述无人机航迹规划作为约束条件对所述系统模型进行迭代；根据所述迭代的结果更新所述设备端相应的剩余计算任务队列和所述云端相应的剩余计算任务队列；以及(S6)返回步骤(S2)，直到所述无人机的飞行任务结束。

在本发明其中一个实施例中，所述构建李雅普诺夫函数的步骤包括：定义每个时隙的drift-plus-penalty方程，引入权衡因子来折中所述设备端及所述云端计算任务队列稳定性和系统平均能耗最小化问题的目标函数最优性；以及根据所述设备端相应的剩余计算任务队列的更新规则、所述云端相应的剩余计算任务队列的更新规则求解得到所述drift-plus-penalty方程的上界，并将所述系统平均能耗最小化问题转化为所述drift-plus-penalty方程的所述上界的优化问题。

在本发明其中一个实施例中，所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略的目标函数为所述设备端的任务执行速率和所述设备端的能耗的折中，所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略的约束条件为所述设备端的计算资源和计算任务迁移量受限、以及所述设备端的执行计算任务和计算任务迁移量不能超过所述设备端相应的剩余计算任务队列的长度；所述根据交替方向乘子算法(ADMM)获得所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略包括步骤：根据松弛向量、惩罚函数和交替方向乘子算法(ADMM)，构建所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略的目标函数；根据所述目标函数和所述约束条件建立增广的拉格朗日函数；以及根据交替方向乘子算法(ADMM)的更新规则对所述设备端的计算任务迁移量和所述设备端的计算资源、所述松弛向量和对偶变量进行更新，直到对偶残差和初始残差小于预设值，更新过程结束，最终得到所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略。

在本发明其中一个实施例中，所述云端的计算资源的优化分配策略的目标函数为所述云端的计算任务执行速率和所述云端的能耗的折中，所述云端的计算资源的优化分配策略的约束条件为所述云端的总计算资源受限和所述云端相应的剩余计算任务队列长度受限。

在本发明其中一个实施例中，所述无人机航迹规划的目标函数为所述无人机的飞行动力能量消耗和所述设备端在迁移计算任务时所产生的通信能量消耗的折中，所述无人机航迹规划的约束条件为所述无人机的位置约束、所述无人机的最大飞行速度约束以及通信信道与所述设备端的计算任务迁移量之间的约束。

在本发明其中一个实施例中，若所述设备端到达的计算任务队列为A_i(t)，所述设备端执行的计算任务队列为d_i(t)，所述设备端迁移到所述云端的计算任务队列为r_i(t)，则所述设备端相应的剩余计算任务队列的更新规则为：Q_i(t+1)＝max{Q_i(t)-d_i(t)-r_i(t),0}+A_i(t)；若所述云端执行的计算任务队列为c_i(t)，则所述云端相应的剩余计算任务队列的更新规则为：L_i(t+1)＝max{L_i(t)-c_i(t),0}+r_i(t)。

本发明实施例具有如下有益效果：本发明实施例基于统计到达的计算任务设计了一种无人机协助的计算迁移方法，计算任务在等时隙间隔内以随机的形式到达设备端，具有特定飞行任务的无人机在无基础设施建设的飞行区域与设备端组建边缘计算网络，协助实现计算任务的迁移和执行，以实现系统整体能效最低，提高计算体验和设备端的生存寿命。

附图说明

图1为借助无人机协助的移动边缘计算网络场景示意图。

图2为本发明实施例所提出的联合资源分配方案与基准方案之间的航迹规划对比图。

图3为本发明实施例在不同方案下平均能量消耗随最大任务到达变化的曲线。

图4为本发明实施例在云端能耗加权因子w_c下平均能量消耗随权衡因子V变化的曲线。

图5为本发明实施例在云端能耗加权因子w_c下平均队列长度随权衡因子V变化的曲线。

图6为本发明实施例在云端能耗加权因子w_c和权衡因子V下平均系统能耗随时隙数变化的曲线。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本发明实施例提供的一种无人机协助的计算迁移方法(或称联合资源分配方案)，用于解决具有有限的可用基础设施或不具有可用基础设施的网络场景中的系统平均能耗最小化问题，在指定区域内，无人机从起点飞行到终点执行飞行任务，在飞行期间为已知位置的一个或多个设备端随机产生的计算任务借助云端提供计算能力，所述无人机协助的计算迁移方法包括步骤：

(S1)将所述无人机的飞行时间进行等间隔时隙划分，获取所述设备端当前时隙内到达的计算任务队列、所述设备端相应的剩余计算任务队列和所述云端相应的剩余计算任务队列；根据所述设备端相应的剩余计算任务队列和所述云端相应的剩余计算任务队列构建李雅普诺夫函数作为系统模型；

(S2)根据交替方向乘子算法(ADMM)获得所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略，并将所述计算任务迁移量反馈到所述云端；

(S3)根据内点罚函数法及所述计算任务迁移量获得所述云端的计算资源的优化分配策略；

(S4)根据CVX优化工具箱及步骤(S2)获得所述无人机航迹规划；

(S5)以平均每个时隙内所述设备端的能量消耗和所述无人机的能量消耗的加权和最小化为收敛条件，以所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略、所述云端的计算资源的优化分配策略和所述无人机航迹规划作为约束条件对所述系统模型进行迭代；根据所述迭代的结果更新所述设备端相应的剩余计算任务队列和所述云端相应的剩余计算任务队列；以及

(S6)返回步骤(S2)，直到所述无人机的飞行任务结束。

具体地，考虑在一指定区域内，所述无人机需要从指定的起点飞行到终点执行特定飞行任务，且保证在飞行期间能够为已知位置坐标的设备端例如移动设备(SMD)随机产生的计算任务提供计算能力。在所述无人机飞行过程中，移动设备(SMD)等设备端在不同时间段内产生不同的计算任务，而所述无人机的具体飞行轨迹未知。因此，本发明实施例考虑将整个无人机飞行时间进行等间隔时隙划分，在每个时隙完成计算迁移决策和资源优化分配，从而实现计算任务的及时处理和航迹规划。

基于所述系统平均能耗最小化问题，本发明实施例提供的方法的具体实现过程可描述为：

(1)获取所述设备端i当前时隙内到达的计算任务队列A_i(t)、所述设备端i相应的剩余计算任务队列Q_i(t)(也即所述设备端i到达的计算任务被执行一部分后剩余的计算任务队列)和所述云端相应的剩余计算任务队列L_i(t)(也即所述设备端i迁移到所述云端的计算任务被执行一部分后剩余的计算任务队列)及所述无人机当前位置坐标；

(2)获取所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略，获得所述设备端的计算任务迁移量r_i(t)和所述设备端的计算资源f_l,i(t)，并将所述计算任务迁移量反馈到所述云端；

(3)所述无人机边缘计算端获取所有设备端的计算任务迁移量r(t)和所述云端相应的剩余计算任务队列L(t)；

(4)获取所述云端的计算资源的优化分配策略，获得所述云端的计算资源分配f_c,i(t)；

(5)获取所述无人机航迹规划，获得所述无人机的飞行轨迹p_c(t)；

(6)反馈所述云端相应的剩余计算任务队列L(t)和飞行轨迹p_c(t)到所有设备端；

(7)更新所述设备端相应的剩余计算任务队列Q_i(t)以及所述云端相应的剩余计算任务队列L_i(t)及飞行时隙；

(8)返回步骤(1)，直至所述无人机飞行任务结束。为更好地理解本发明实施例的技术方案，现对实现步骤(S1)～(S5)作进一步说明：

其中，所述系统平均能耗最小化问题的目标函数是平均每个时隙内所述设备端的能量消耗和所述无人机的能量消耗的加权和最小化。

所述步骤(S1)中的所述构建李雅普诺夫函数的步骤包括：基于所述设备端相应的剩余计算任务队列和所述云端相应的剩余计算任务队列建立李雅普诺夫函数；定义每个时隙的drift-plus-penalty方程，引入权衡因子来折中所述设备端及所述云端计算任务队列稳定性和所述系统平均能耗最小化问题的目标函数最优性；以及根据所述设备端相应的剩余计算任务队列的更新规则、所述云端相应的剩余计算任务队列的更新规则求解得到所述drift-plus-penalty方程的上界，并将所述系统平均能耗最小化问题转化为所述drift-plus-penalty方程的所述上界的优化问题。

所述步骤(S2)中的所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略的目标函数为所述设备端的任务执行速率和所述设备端的能耗的折中，所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略的约束条件为所述设备端的计算资源和计算任务迁移量受限、以及所述设备端的执行计算任务和计算任务迁移量不能超过所述设备端相应的剩余计算任务队列的长度；所述根据交替方向乘子算法(ADMM)获得所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略包括步骤：根据松弛向量z(t)、惩罚函数(表示对z(t)为负值的情况产生无限大函数值的惩罚)和交替方向乘子算法(ADMM)，构建所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略的目标函数；根据所述目标函数和所述约束条件建立增广的拉格朗日函数，其中包含对偶变量u(t)和拉格朗日乘子；以及根据交替方向乘子算法(ADMM)的更新规则对所述设备端的计算任务迁移量和所述设备端的计算资源、所述松弛向量z(t)和对偶变量u(t)进行更新，直到对偶残差和初始残差小于预设值，更新过程结束，最终得到所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略。在该算法中因为所有变量的更新过程是并行执行的，因此本发明实施例提出的根据交替方向乘子算法(ADMM)获得所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略的上述方法具有较低的计算复杂度。

所述步骤(S3)中的所述云端的计算资源的优化分配策略的目标函数为所述云端的计算任务执行速率和所述云端的能耗的折中，所述云端的计算资源的优化分配策略的约束条件为所述云端的总计算资源受限和所述云端相应的剩余计算任务队列长度受限。由于所述云端的计算资源的优化分配策略具有凸的目标函数和线性约束条件，因此采用经典的内点罚函数法进行求解，这里不再对内点罚函数法进行详细的阐述，可参考现有技术中的相关介绍。

所述步骤(S4)中的所述无人机航迹规划的目标函数为所述无人机的飞行动力能量消耗和所述设备端在迁移计算任务时所产生的通信能量消耗的折中，所述无人机航迹规划的约束条件为所述无人机的位置约束、所述无人机的最大飞行速度约束以及通信信道与所述设备端的计算任务迁移量之间的约束。在所述无人机航迹规划中，由于所述无人机的位置的改变同时会给所述无人机和所述设备端之间的通信信道带来影响，因此所述无人机航迹规划的目标函数既考虑了所述无人机的飞行动力能量消耗，也考虑了所述设备端在迁移计算任务时所产生的通信能量消耗，追求两者的折中。由于所述无人机航迹规划的目标函数为二次凸问题，且约束条件中含有二次凸约束，因此考虑采用CVX优化工具箱进行凸问题的迭代求解。当相邻时隙求解得到的无人机航迹规划之间的差异小于一个极小值时，迭代终止，则认定在该时隙求解得到的无人机航迹为最优的飞行轨迹。

所述步骤(S5)中，若所述设备端到达的计算任务队列为A_i(t)，所述设备端执行的计算任务队列为d_i(t)，所述设备端迁移到所述云端的计算任务队列为r_i(t)，则所述设备端相应的剩余计算任务队列的更新规则为：Q_i(t+1)＝max{Q_i(t)-d_i(t)-r_i(t),0}+A_i(t)；若所述云端执行的计算任务队列为c_i(t)，则所述云端相应的剩余计算任务队列的更新规则为：L_i(t+1)＝max{L_i(t)-c_i(t),0}+r_i(t)。

图2是本发明实施例所提出的无人机协助的计算迁移方法也即联合资源分配方案与基准方案之间的航迹规划对比图。图2中对比的基准方案主要包括最小设备端平均能量消耗方案(基准方案1)和最小无人机平均能量消耗方案(基准方案2)。由图2可知，为了最小化无人机能量消耗，最小无人机平均能量消耗方案得到的无人机航迹是从起点到终点的一条直线。而由最小设备端平均能量消耗方案得到的无人机航迹呈现弯弯曲曲的路径且一开始尽可能地靠近设备端，随后再以近似直线的路径返回到终点。这是因为最小设备端平均能量消耗方案旨在最小化设备端的能量消耗，为了尽可能满足设备端的任务执行需求，无人机刚开始会尽可能靠近设备端飞行。当飞行到距离终点较远时则不能继续远离终点飞行，因此会以近似直线的路径返回到重点，而且此时飞行速度接近最大。本发明实施例提出的无人机协助的计算迁移方法也即联合资源分配方案得到的无人机航迹规划也即无人机飞行路径则是一条从起点到终点的较为光滑的曲线，其飞行路径要比最小设备端平均能量消耗方案获得的路径更短，这是因为本发明实施例所提的无人机协助的计算迁移方法也即联合资源分配方案要折中考虑设备端和无人机的能量消耗。

图3是在不同方案下平均能量消耗随最大任务到达变化的曲线。随着最大任务到达速率的增大，可以明显观察到设备端、无人机和系统的平均能耗都在增大。最小设备端能量消耗可以通过最小设备端平均能量消耗方案获得，而最小的无人机能量消耗可以通过最小无人机平均能量消耗方案获得。这是由于最小设备端平均能量消耗和最小无人机平均能量消耗方案的目标函数分别只考虑了设备端也即设备端和边缘云端也即云端的能量消耗。为了实现设备端和无人机能耗折中，本发明实施例所提出的无人机协助的计算迁移方法也即联合资源分配方案所获得的平均能量消耗均在最小无人机平均能量消耗方案和最小设备端平均能量消耗之间。此外，随着最大任务到达速率的增加，设备端和无人机能量消耗都呈现增加然后近似趋于稳定的趋势，这是由有限的通信和计算资源所引起的结果。

图4是在不同云端能耗加权因子w_c下平均能量消耗随权衡因子V变化的曲线。在前述步骤(S1)中，权衡因子V权衡着系统效用和队列稳定性。可以观察到，设备端平均能量消耗随着V的增加而减小，且当V≤1e10和V≥1e14时减小的趋势不明显。这是因为当V≤1e10时，由于权衡因子过小而不能对系统目标和队列稳定性产生折中作用，而当V≥1e14时，权衡因子向系统能耗倾斜，系统考虑的主要是最小化能量消耗而忽略了队列的稳定性。显然过小的权衡因子V和过大的权衡因子V对系统整体性能都不是最有利的。图4给出了一个优化的权衡因子选择区间，如图4中的矩形区域所示。对于较小的云端能耗加权因子w_c，由于对应的设备端能量加权因子w_m较大(云端能耗加权因子w_c和设备端能耗加权因子w_m之和为1)，系统可获得较小的设备端能量消耗和较大的无人机能量消耗。此外，随着权衡因子V的增大可以观察到无人机的平均能量消耗具有一个能量跳变的过程，这是因为当权衡因子V增大时，系统目标向能耗倾斜，任务执行速度受限，造成设备端相应的剩余计算任务队列和云端相应的剩余计算任务队列堆积。当堆积的任务到达一定数量时则会在某个时隙以较大的量迁移到云端，此时需要无人机尽可能靠近设备端，造成无人机的位置跳变。为了返回到指定终点，无人机需要消耗更多的能量，因此造成能耗的跳变产生。

图5是在不同云端能耗加权因子w_c下平均队列长度随权衡因子V变化的曲线。本发明实施例中，平均队列长度是指每个时隙在设备端相应的剩余计算任务队列和云端相应的剩余计算任务队列长度的和，可表示为其中，M为设备端数，N为总时隙数。可以观察到平均队列长度首先基本保持不变，当权衡因子V>1e11时开始呈现指数级的增长。这是因为当权衡因子V≤1e11时，由于权衡因子V的值过小对队列稳定性和系统能耗的折中产生不了影响，此时任务队列可以被很好的执行，而当权衡因子V增大后，系统目标向最小化能量消耗倾斜。由于受限的计算迁移量和计算资源，任务队列的任务执行速率减小造成剩余计算任务队列的增加。此外，当云端能耗加权因子w_c较低时，系统可获得较低的平均队列长度。这是因为能耗加权因子w_c也充当了任务执行速率和系统能量消耗的折中因子，当w_c减小时，系统更倾向于最大化任务计算速率，因此可获得更小的剩余计算任务队列。

图6是在不同的云端能耗加权因子w_c和权衡因子V下平均系统能耗随时隙数变化的曲线。图6中考虑任务的总执行时间为2s，可被划分成不同的时隙数。可以观察到的是，对于w_c＝0.5，系统能量消耗具有缓慢的降低趋势，而当w_c＝0.01时，系统能量消耗随着时隙数的增加呈明显的降低趋势。这是因为w_c＝0.5时无人机可获得较为光滑的飞行轨迹，而当w_c＝0.01时，无人机飞行轨迹弯弯曲曲具有更长的飞行路径，且由于计算任务的随机性，其飞行轨迹也具有更多的不确定性和多样性，造成能量消耗的差异更大。此外，对于w_c＝0.5，虽然V＝1e13获得的平均能量消耗大于V＝1e11情况下获得的平均能量消耗，但当w_c＝0.01时，具有相反的结论。这可以归因到当w_c减小时平均能量消耗跳变的后移，这在图4中可以观察得到。需要注意的是虽然随着时隙数的增加，系统平均能量呈现减小的趋势，但这并不表示系统整体能量消耗也会减小。例如，观察w_c＝0.5和V＝1e11的曲线，可以发现N＝35和N＝70时，系统总体能耗分别为257.7J和264.6J。通过观察w_c＝0.01和V＝1e11的曲线中N＝40、N＝50和N＝60的系统整体能耗，可以得到随着时隙数的增加，系统整体能耗的增量变化并不呈线性变化的关系。因此，为了确保系统能耗和任务执行，时隙划分不可过大也不可过小应该被合理地考虑。

综上所述，采用本发明上述实施例可以获得如下有益效果：本发明实施例以随机任务模型为研究对象，为了最小化系统整体能耗，本发明实施例联合考虑了计算迁移决策、设备端和云端计算资源分配及无人机航迹规划等约束。通过构建李雅普诺夫函数作为系统模型，系统平均能耗最小化问题被分解成三个易于处理的凸优化问题。本发明实施例提出了一种联合所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略、所述云端的计算资源的优化分配策略和无人机航迹规划的优化方法来对系统模型进行迭代求解。仿真结果表明，所提出的无人机协助的计算迁移方法也即联合资源分配方案相比于基准方案方案能够有效获得具有偏向性的最低能耗和最少剩余计算任务队列，可以通过调整不同的系统参数获得更优的能耗节约或计算任务队列处理能力，可应用于未来未知且不可预测的环境，对移动通信技术在边缘计算迁移和资源分配方面具有很好的指导意义。

以上包含了本发明优选实施例的说明，这是为了详细说明本发明的技术特征，并不是想要将发明内容限制在实施例所描述的具体形式中，依据本发明内容主旨进行的其他修改和变型也受本专利保护。本发明内容的主旨是由权利要求书所界定，而非由实施例的具体描述所界定。

Claims

1.一种无人机协助的计算迁移方法，其特征在于，在指定区域内，无人机从起点飞行到终点执行飞行任务，在飞行期间为已知位置的一个或多个设备端随机产生的计算任务借助云端提供计算能力，所述无人机协助的计算迁移方法包括步骤：

(S4)根据CVX优化工具箱及步骤(S2)获得所述无人机航迹规划；

(S6)返回步骤(S2)，直到所述无人机的飞行任务结束。

2.如权利要求1所述的一种无人机协助的计算迁移方法，其特征在于，所述构建李雅普诺夫函数的步骤包括：

定义每个时隙的drift-plus-penalty方程，引入权衡因子来折中所述设备端及所述云端计算任务队列稳定性和系统平均能耗最小化问题的目标函数最优性；以及

根据所述设备端相应的剩余计算任务队列的更新规则、所述云端相应的剩余计算任务队列的更新规则求解得到所述drift-plus-penalty方程的上界，并将所述系统平均能耗最小化问题转化为所述drift-plus-penalty方程的所述上界的优化问题。

3.如权利要求1所述的一种无人机协助的计算迁移方法，其特征在于：所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略的目标函数为所述设备端的任务执行速率和所述设备端的能耗的折中，所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略的约束条件为所述设备端的计算资源和计算任务迁移量受限、以及所述设备端的执行计算任务和计算任务迁移量不能超过所述设备端相应的剩余计算任务队列的长度；

所述根据交替方向乘子算法(ADMM)获得所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略包括步骤：

根据松弛向量、惩罚函数和交替方向乘子算法(ADMM)，构建所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略的目标函数；

根据所述目标函数和所述约束条件建立增广的拉格朗日函数；以及

根据交替方向乘子算法(ADMM)的更新规则对所述设备端的计算任务迁移量和所述设备端的计算资源、所述松弛向量和对偶变量进行更新，直到对偶残差和初始残差小于预设值，更新过程结束，最终得到所述设备端的计算任务迁移量和所述设备端的计算资源的优化分配策略。

4.如权利要求1所述的一种无人机协助的计算迁移方法，其特征在于：所述云端的计算资源的优化分配策略的目标函数为所述云端的计算任务执行速率和所述云端的能耗的折中，所述云端的计算资源的优化分配策略的约束条件为所述云端的总计算资源受限和所述云端相应的剩余计算任务队列长度受限。

5.如权利要求1所述的一种无人机协助的计算迁移方法，其特征在于：所述无人机航迹规划的目标函数为所述无人机的飞行动力能量消耗和所述设备端在迁移计算任务时所产生的通信能量消耗的折中，所述无人机航迹规划的约束条件为所述无人机的位置约束、所述无人机的最大飞行速度约束以及通信信道与所述设备端的计算任务迁移量之间的约束。

6.如权利要求1所述的一种无人机协助的计算迁移方法，其特征在于，若所述设备端到达的计算任务队列为A_i(t)，所述设备端执行的计算任务队列为d_i(t)，所述设备端迁移到所述云端的计算任务队列为r_i(t)，则所述设备端相应的剩余计算任务队列的更新规则为：Q_i(t+1)＝max{Q_i(t)-d_i(t)-r_i(t),0}+A_i(t)；若所述云端执行的计算任务队列为c_i(t)，则所述云端相应的剩余计算任务队列的更新规则为：L_i(t+1)＝max{L_i(t)-c_i(t),0}+r_i(t)。