CN110488868B - 一种多无人机协助用户的移动卸载方法 - Google Patents

Abstract

本发明提供了一种多无人机协助用户的移动卸载方法，属于移动云计算领域。本发明从无人机资源分配、航迹规划和任务分配三方面对多用户上传和下载需求的移动迁移进行建模；然后利用一个三阶段的迭代算法对模型进行转化、松弛并利用分支定界法进行迭代求解，得到最优的资源分配、任务分配以及航迹规划方案。本发明的有益效果在于：本发明提出的移动卸载方法同时考虑到用户的上传需求和下载需求，极大地提高了用户的计算速率；本发明提出的移动卸载方法通过最大化所有用户中最小的计算速率，实现用户的公平性。

Description

一种多无人机协助用户的移动卸载方法

技术领域

本发明属于移动云计算领域，具体涉及一种多无人机协助用户的移动卸载方法。

背景技术

随着智能手机、平板电脑以及台式电脑的爆炸性增长，移动数据流量产生指数型增长，导致蜂窝网络上的数据流量过载，无法提供足够的容量来满足众多移动数据要求，如何减少蜂窝频段上承载的过多数据量是现在面临的巨大挑战。移动卸载是一种解决上述问题的新兴技术，它包括计算卸载和数据卸载，指使用互补网络技术来为用户提供数据流量，通过卸载减少蜂窝频段上承载的数据量，为其它用户释放了带宽。对于一些边缘用户，传统的基站已经无法满足用户爆炸性的需求，且边缘用户距离蜂窝网络较远，用户的通信质量大大下降。因此，提出通过利用无人机为移动用户设备提供传输覆盖和计算能力，尤其适用于基础设施极其有限的偏远地区。在通信资源有限的环境以及紧急任务的场景中，用户可能同时具有数据卸载和计算卸载的需求，二者之间的资源竞争就产生了巨大的挑战。虽然单个无人机在其辅助用户移动卸载方面具备一定的优势，不过由于无人机体积、重量及功率的限制，单个无人机在用户区域大且移动卸载需求较大的情况下无法更好的满足所有用户的需求，因此通过部署多个无人机协助并行地为所有用户服务以实现更有效的通信、更高的吞吐量和更低地接入延迟。

多无人机移动卸载的主要问题就是如何在满足用户需求的同时节省设备的能量消耗。以前的很多工作研究了多无人机移动卸载降低传输时延、减少能耗以及航迹规划的问题。第一类，研究一种蜂窝连接无人机移动边缘计算系统，多个无人机由地面基站(TBS)服务以进行计算任务卸载，目标是最小化无人机的总能耗，包括推进能量，计算能量和通信能量，同时确保完全计算无人机的总位数，但只考虑了四种上行传输，没有考虑用户的数据卸载需求(Hua M,Huang Y,Wang Y,et al.Energy Optimization for Cellular-Connected Multi-UAV Mobile Edge Computing Systems with Multi-Access Schemes[J].2018.)。第二类，研究了一种基于多无人机的无线通信系统，采用多个无人机安装的空中基站服务于地面上的一组用户，通过优化多用户通信调度和关联，结合无人机的航迹和功率控制，使下行通信中所有地面用户的最小吞吐量最大化，但没有从用户需求上考虑任务上传和数据下载并存的情况(Wu Q,Zeng Y,Zhang R.Joint Trajectory andCommunication Design for Multi-UAV Enabled Wireless Networks[J].IEEETransactions on Wireless Communications,2017,PP(99):1-1.)。

综上所述，现在技术主要存在以下问题：

(1)许多研究只从计算卸载方面考虑，没有从用户数据下载方面考虑下行传输的问题，忽略了实际场景中用户需求复杂的情况。

(2)大多数研究多无人机作为空中基站在任务匹配上只考虑整个任务进行迁移，没有将无人机与用户匹配关系按时隙划分，降低了无人机利用效率。

发明内容

本发明提供了一种多无人机协助用户的移动卸载方法，从无人机资源分配、航迹规划和任务分配三方面对多用户上传和下载需求的移动迁移进行建模；然后利用一个三阶段的迭代算法对模型进行转化、松弛并利用分支定界法进行迭代求解，得到最优的资源分配、任务分配以及航迹规划方案。

在进行资源优化前，需要先完成如下操作：

首先，根据用户需求确认用户发射功率、坐标信息、计算每位数据所需的CPU周期数，保存至集合X中；

然后，无人机获取设备剩余电量、从起点到终点飞行的总时间、其处理器的能量转换效率以及各无人机在每一时隙可分配给用户的CPU频率，保存至集合Y中；

最后，所有用户将集合X中相关信息发送至部署在头无人机上的控制器，所有辅无人机将集合Y中相关信息发送至头无人机上的控制器，由控制器来控制整个流程的运行，主要任务包括对多无人机协助用户进行移动卸载问题进行建模、对模型进行优化与松弛和对模型进行求解。

本发明具体步骤如下：

步骤一：控制器根据收集到的全体用户和无人机信息，从无人机资源分配、航迹规划和任务分配三方面对多用户上传和下载需求的移动迁移进行建模，得到初始问题模型P0。

步骤二：控制器根据步骤一得到的初始问题模型P0的特点将变量进行解耦，设置无人机航迹规划变量和任务分配变量为合理化常量，得到无人机资源分配的问题模型P1，并将其转化为凸优化问题再利用拉格朗日乘子法求解得到资源分配的最优值。

步骤三：控制器根据步骤二得到的资源分配最优解带回初始问题P0并设置无人机任务分配变量为合理化常量，得到无人机航迹规划的问题模型P2，将非凸项进行松弛利用凸优化工具求解，得出无人机航迹规划的最优值。

步骤四：控制器将无人机资源分配和航迹规划最优解带回初始问题P0得到无人机任务分配的问题模型P3，利用分支定界法进行求解，将所得任务分配最优解带回步骤二中迭代求解直至两次迭代的目标函数最优值之差小于预先设定的阈值Θ后停止求解，即得到近似最优解。

本发明的主要参数表如图3所示；

本发明还包括：

所述的步骤一，具体还包括：

(1.1)根据时分复用的原理，上传与下载所有时间片所占用的比例和应小于等于1，则有用户动态带宽分配约束：

其中

代表在上行链路中，在时隙t中分配给用户i的上传持续时间所占的比例，

代表在下行链路中，在时隙t中分配给用户i的下载持续时间所占的比例，

代表用户i是否具有上传需求，θ_i ^(d)代表用户i是否具有有下载需求；

(1.2)令b_ij(t)代表在时隙t用户i是否选择UAVj进行服务，则有：

其中b_ij(t)在每个时隙可能是不同的，本发明限制用户i在每个时隙只能选择一个UAV进行服务，因此有如下约束：

(1.3)分别计算用户i在时隙t的上传速率

和下载速率

其中，

代表在时隙t时用户i的发射功率，

代表在时隙t内UAVj分配给用户i的传输功率，N₀代表空间噪声，h_ij(t)代表在时隙t内用户i到UAVj的信号传播损耗，采用的信道损耗模型是自由空间损耗模型

其中δ是指在距离为1米时的信道功率增益，UAVj与用户i之间的距离

(1.4)分别计算用户i在时隙t内上传和下载的数据量

以及

为了保证用户服务质量，规定用户在每个时隙下载的数据量都要大于某个最低标准阈值

因此有如下约束：

(1.5)UAVj在时隙t内的飞行速度v_j(t)表示为：

由于UAV自身体积及电量等因素的限制，其飞行速度都有一定的上限，

代表UAVj的最大飞行速度，因此有如下约束：

(1.6)由于用户设备体积以及安全因素等限制，用户的发射功率具有一定的上限，且大于等于0，因此有如下约束：

由于UAV体积等限制，UAV分配给用户的发射功率也有上限，其中

是指UAVj的最大发射功率，且大于等于0，因此有如下约束：

(1.7)计算UAV总能耗包括飞行能耗

计算能耗

以及下载通信能耗

和上传通信能耗

(1.8)由于UAV电池及体积限制等因素，其能量有限。UAVj所消耗的能量不能超过UAV所拥有的最大电量σ_j，因此对于UAVj有如下约束：

其中，g代表UAV的重量，

表示为UAV处理器的能量转换效率，γ_i表示为用户计算每位数据所需的CPU周期数，

表示UAVj在时隙t分配给用户i的CPU频率；

(1.9)由于多个UAV在同一平面飞行，所以避免冲突问题是必须解决。定义d_min为在同一个平面时多个UAV之间在飞行时能够避免冲突的最安全的距离，则在每个时隙t期间，UAVi与UAVj在飞行的过程中必须满足以下条件：

||q_i(t)-q_j(t)||≥d_min (8)

由于UAV有固定的起始点

及终点

因此有如下约束：

(1.10)考虑到用户的公平性，令变量η代表所有用户最小的计算速率，可以得到如下约束：

(1.11)综合动态带宽分配约束公式(1)、UAV和用户的动态匹配约束公式(2)、用户的最小下载数据量约束公式(3)、UAV最大飞行速度约束公式(4)、用户发射功率约束公式(5)、UAV分配给用户的发射功率约束公式(6)、UAV能量约束公式(7)、UAV防碰撞约束公式(8)、UAV起点终点位置约束公式(9)、用户最小上传速率约束公式(10)，为保证用户之间的公平性，取其目标函数为最大化最小的用户计算速率，可以得到如下优化问题模型P0：

s.t.(1)-(10)

所述的步骤二具体还包括：

(2.1)根据步骤(1.11)得到的初始问题模型P0的特点将变量进行解耦，设置q_j(t),b_ij(t)为合理化常量，取消相应约束条件可以得到无人机资源分配的问题模型P1：

s.t.(1),(3),(5)-(7)and(10)

(2.2)由于约束公式(3)和(7)存在变量的非线性耦合，问题P1是一个非线性规划问题。令

将问题P1转变为问题模型P1’：

由于问题中P1’约束公式(1)，(5)，(6)，(13)及目标函数都是线性函数，且约束公式(11)，(12)都是非线性凸的，则P1’是一个凸优化问题，采用凸优化工具对其进行求解。变量

的最优解

的表达式通过约束公式(1)，(5)，(6)，(11)-(13)相对应的拉格朗日乘子获得。通过拉格朗日乘子法将原始的约束问题P1’转化成无约束问题进行求解，用与变量无关的常数，也就是拉格朗日乘子分别乘各约束函数公式(1)，(5)，(6)，(11)-(13)，并与目标函数相加得到拉格朗日函数，再转化成拉格朗日对偶函数。最后求解它的对偶问题来获得P1’的最优解，由各约束可知，P1’的对偶问题对

分别求偏导并令其为0，解得最优解

所述的步骤三具体还包括：

(3.1)将变量

的值赋给步骤(1.11)得到的问题模型P0的变量

同时设置变量b_ij(t)为合理化常量，得到多无人机路径规划问题模型P2：

s.t.(3),(4),(9)

通过求函数的海森矩阵证明约束(14)-(16)均为非凸的，因此P2是非凸函数利用SCA

方法将其近似为凸优化问题。

(3.2)对于任何给定的可行UAV轨迹

以下不等式都成立：

当

时，不等式(17)，(18)的等号成立。

(3.3)利用步骤(3.2)将步骤(3.1)得到的问题模型P2非凸项进行松弛，得到凸优化问题P2’：

s.t.(4)

由于问题P2’中所有约束及目标函数都是凸的，则问题P2’是一个凸优化的问题。针对凸优化问题，利用凸优化的工具对其进行求解得到无人机航迹规划最优解q_j,opt(t)。

所述的步骤四具体还包括：

(4.1)将步骤(2.2)和(3.3)求得的变量

的最优值

带回步骤(1.11)得到的初始问题P0，得到无人机和用户任务分配的问题模型P3:

s.t.(2),(3),(7)and(10)

其中b_ij(t)为0-1整数变量，约束和目标函数都为线性，则P3为整数线性规划问题。

(4.2)利用分支定界法进行求解，将整数变量b_ij(t)进行松弛，变为连续变量，生成新的子问题。依据子问题求得的最优解不断得到原始问题P3的上界和下界，并以此对问题的解空间树进行剪枝。当问题的上界和下界相等时，就得到问题的最优解b_ij,opt(t)以及目标函数的最优值η_opt。

(4.3)记录步骤(4.2)得到的目标函数的最优值η_opt，不断重复步骤(2)-(4)，其中步骤(2.1)中变量q_j(t),b_ij(t)的合理化赋值常量由步骤(2.2)和(3.3)得到的最优解q_j,opt(t)，b_ij,opt(t)替换，步骤(3.1)中变量b_ij(t)的合理化赋值常量由步骤(3.3)得到的最优解q_j,opt(t)替换，直到两次迭代的目标函数最优值之差小于预先设定的阈值Θ后停止求解，即找到了近似最优解。

本发明的有益效果在于：

(1)本发明提出的移动卸载方法同时考虑到用户的上传需求和下载需求，极大地提高了用户的计算速率。

(2)本发明提出的移动卸载方法通过最大化所有用户中最小的计算速率，实现用户的公平性。

附图说明

图1是多无人机协助用户的移动卸载优化方法流程图；

图2是多无人机协助用户的移动卸载方法实例图；

图3是多无人机协助用户的移动卸载方法参数表。

具体实施方式

下面结合附图对本发明做进一步描述。

本发明属于移动云计算领域，具体涉及一种多无人机协助用户的移动卸载方法，对通信资源分配、无人机航迹以及任务分配进行优化，保证用户需求的情况下最大化所有用户中最小的计算速率。

在进行资源优化前，需要先完成如下操作。首先，根据用户需求确认用户发射功率、坐标信息、计算每位数据所需的CPU周期数，保存至集合A中；然后，无人机获取设备剩余电量、从起点到终点飞行的总时间、其处理器的能量转换效率以及各无人机在每一时隙可分配给用户的CPU频率，保存至集合B中；最后，所有用户将集合A中相关信息发送至部署在头无人机上的控制器，所有辅无人机将集合B中相关信息发送至头无人机上的控制器，由控制器来控制整个流程的运行，主要任务包括对多无人机协助用户进行移动卸载问题进行建模、对模型进行优化与松弛和对模型进行求解。

本发明的多无人机协助用户的移动卸载方法，具体步骤还包括：

(1)控制器根据收集到的全体用户和无人机信息，从无人机资源分配、航迹规划和任务分配三方面对多用户上传和下载需求的移动迁移进行建模，得到初始问题模型P0。

(2)控制器根据步骤(1)得到的初始问题模型P0的特点将变量进行解耦，设置无人机航迹规划变量和任务分配变量为合理化常量，得到无人机资源分配的问题模型P1，并将其转化为凸优化问题再利用拉格朗日乘子法求解得到资源分配的最优值。

(3)控制器根据步骤(2)得到的资源分配最优解带回初始问题P0并设置无人机任务分配变量为合理化常量，得到无人机航迹规划的问题模型P2，将非凸项进行松弛利用凸优化工具求解，得出无人机航迹规划的最优值。

(4)控制器将无人机资源分配和航迹规划最优解带回初始问题P0得到无人机任务分配的问题模型P3，利用分支定界法进行求解，将所得任务分配最优解带回步骤(2)中迭代求解直至两次迭代的目标函数最优值之差小于预先设定的阈值Θ后停止求解，即得到近似最优解。

本发明多无人机协助用户的移动卸载方法所述步骤(1)，具体还包括：

(1.1)根据时分复用的原理，上传与下载所有时间片所占用的比例和应小于等于1，则有用户动态带宽分配约束：

其中

代表在上行链路中，在时隙t中分配给用户i的上传持续时间所占的比例，

代表在下行链路中，在时隙t中分配给用户i的下载持续时间所占的比例，θ_i ^(u)代表用户i是否具有上传需求，θ_i ^(d)代表用户i是否具有有下载需求；

(1.2)令b_ij(t)代表在时隙t用户i是否选择UAVj进行服务，则有：

其中b_ij(t)在每个时隙可能是不同的，本发明限制用户i在每个时隙只能选择一个UAV进行服务，因此有如下约束：

(1.3)分别计算用户i在时隙t的上传速率

和下载速率

其中，

代表在时隙t时用户i的发射功率，

代表在时隙t内UAVj分配给用户i的传输功率，N₀代表空间噪声，h_ij(t)代表在时隙t内用户i到UAVj的信号传播损耗，采用的信道损耗模型是自由空间损耗模型

其中δ是指在距离为1米时的信道功率增益，UAVj与用户i之间的距离

(1.4)分别计算用户i在时隙t内上传和下载的数据量

以及

为了保证用户服务质量，规定用户在每个时隙下载的数据量都要大于某个最低标准阈值

因此有如下约束：

(1.5)UAVj在时隙t内的飞行速度v_j(t)表示为：

由于UAV自身体积及电量等因素的限制，其飞行速度都有一定的上限，

代表UAVj的最大飞行速度，因此有如下约束：

(1.6)由于用户设备体积以及安全因素等限制，用户的发射功率具有一定的上限，且大于等于0，因此有如下约束：

由于UAV体积等限制，UAV分配给用户的发射功率也有上限，其中

是指UAVj的最大发射功率，且大于等于0，因此有如下约束：

(1.7)计算UAV总能耗包括飞行能耗

计算能耗

以及下载通信能耗

和上传通信能耗

(1.8)由于UAV电池及体积限制等因素，其能量有限。UAVj所消耗的能量不能超过UAV所拥有的最大电量σ_j，因此对于UAVj有如下约束：

其中，g代表UAV的重量，

表示为UAV处理器的能量转换效率，γ_i表示为用户计算每位数据所需的CPU周期数，

表示UAVj在时隙t分配给用户i的CPU频率；

(1.9)由于多个UAV在同一平面飞行，所以避免冲突问题是必须解决。定义d_min为在同一个平面时多个UAV之间在飞行时能够避免冲突的最安全的距离，则在每个时隙t期间，UAVi与UAVj在飞行的过程中必须满足以下条件：

||q_i(t)-q_j(t)||≥d_min (8)

由于UAV有固定的起始点

及终点

因此有如下约束：

(1.10)考虑到用户的公平性，令变量η代表所有用户最小的计算速率，可以得到如下约束：

(1.11)综合动态带宽分配约束公式(1)、UAV和用户的动态匹配约束公式(2)、用户的最小下载数据量约束公式(3)、UAV最大飞行速度约束公式(4)、用户发射功率约束公式(5)、UAV分配给用户的发射功率约束公式(6)、UAV能量约束公式(7)、UAV防碰撞约束公式(8)、UAV起点终点位置约束公式(9)、用户最小上传速率约束公式(10)，为保证用户之间的公平性，取其目标函数为最大化最小的用户计算速率，可以得到如下优化问题模型P0：

s.t.(1)-(10)

本发明多无人机协助用户的移动卸载方法所述步骤(2)，具体还包括：

(2.1)根据步骤(1.11)得到的初始问题模型P0的特点将变量进行解耦，设置q_j(t),b_ij(t)为合理化常量，取消相应约束条件可以得到无人机资源分配的问题模型P1：

s.t.(1),(3),(5)-(7)and(10)

(2.2)由于约束公式(3)和(7)存在变量的非线性耦合，问题P1是一个非线性规划问题。令

将问题P1转变为问题模型P1’：

s.t.(1),(5),(6)

由于问题中P1’约束公式(1),(5),(6),(13)及目标函数都是线性函数，且约束公式(11),(12)都是非线性凸的，则P1’是一个凸优化问题，采用凸优化工具对其进行求解。变量

的最优解

的表达式通过约束公式(1),(5),(6),(11)-(13)相对应的拉格朗日乘子获得。通过拉格朗日乘子法将原始的约束问题P1’转化成无约束问题进行求解，用与变量无关的常数，也就是拉格朗日乘子分别乘各约束函数公式(1),(5),(6),(11)-(13)，并与目标函数相加得到拉格朗日函数，再转化成拉格朗日对偶函数。最后求解它的对偶问题来获得P1’的最优解，由各约束可知，P1’的对偶问题对

分别求偏导并令其为0，解得最优解

本发明多无人机协助用户的移动卸载方法所述步骤(3)，具体还包括：

(3.1)将变量

的值赋给步骤(1.11)得到的问题模型P0的变量

同时设置变量b_ij(t)为合理化常量，得到多无人机路径规划问题模型P2：

s.t.(3),(4),(9)

通过求函数的海森矩阵证明约束(14)-(16)均为非凸的，因此P2是非凸函数，利用SCA方法将其近似为凸优化问题。

(3.2)对于任何给定的可行UAV轨迹

以下不等式都成立：

当

时，不等式(17)，(18)的等号成立。

(3.3)利用步骤(3.2)将步骤(3.1)得到的问题模型P2非凸项进行松弛，得到凸优化问题P2’：

s.t.(4)

由于问题P2’中所有约束及目标函数都是凸的，则问题P2’是一个凸优化的问题。针对凸优化问题，利用凸优化的工具对其进行求解得到无人机航迹规划最优解q_j,opt(t)。

本发明多无人机协助用户的移动卸载方法所述步骤(4)，具体还包括：

(4.1)将步骤(2.2)和(3.3)求得的变量

的最优值

带回步骤(1.11)得到的初始问题P0，得到无人机和用户任务分配的问题模型P3:

s.t.(2),(3),(7)and(10)

其中b_ij(t)为0-1整数变量，约束和目标函数都为线性，则P3为整数线性规划问题。

(4.2)利用分支定界法进行求解，将整数变量b_ij(t)进行松弛，变为连续变量，生成新的子问题。依据子问题求得的最优解不断得到原始问题P3的上界和下界，并以此对问题的解空间树进行剪枝。当问题的上界和下界相等时，就得到问题的最优解b_ij,opt(t)以及目标函数的最优值η_opt。

(4.3)记录步骤(4.2)得到的目标函数的最优值η_opt，不断重复步骤(2)-(4)，其中步骤(2.1)中变量q_j(t),b_ij(t)的合理化赋值常量由步骤(2.2)和(3.3)得到的最优解q_j,opt(t)，b_ij,opt(t)替换，步骤(3.1)中变量b_ij(t)的合理化赋值常量由步骤(3.3)得到的最优解q_j,opt(t)替换，直到两次迭代的目标函数最优值之差小于预先设定的阈值Θ后停止求解，即找到了近似最优解。

Claims (1)

1.一种多无人机协助用户的移动卸载方法，进行资源优化前，先完成如下操作：

首先，根据用户需求确认用户发射功率、坐标信息、计算每位数据所需的CPU周期数，保存至集合X中；

然后，无人机获取设备剩余电量、从起点到终点飞行的总时间、其处理器的能量转换效率以及各无人机在每一时隙可分配给用户的CPU频率，保存至集合Y中；

最后，所有用户将集合X中相关信息发送至部署在头无人机上的控制器，所有辅无人机将集合Y中相关信息发送至头无人机上的控制器，由控制器来控制整个流程的运行；

其特征在于：具体步骤如下：

步骤一：控制器根据收集到的全体用户和无人机信息，从无人机资源分配、航迹规划和任务分配三方面对多用户上传和下载需求的移动迁移进行建模，得到初始问题模型P0；

步骤二：控制器根据步骤一得到的初始问题模型P0的特点将变量进行解耦，设置无人机航迹规划变量和任务分配变量为合理化常量，得到无人机资源分配的问题模型P1，并将其转化为凸优化问题再利用拉格朗日乘子法求解得到资源分配的最优值；

步骤三：控制器根据步骤二得到的资源分配最优解带回初始问题P0并设置无人机任务分配变量为合理化常量，得到无人机航迹规划的问题模型P2，将非凸项进行松弛利用凸优化工具求解，得出无人机航迹规划的最优值；

步骤四：控制器将无人机资源分配和航迹规划最优解带回初始问题P0得到无人机任务分配的问题模型P3，利用分支定界法进行求解，将所得任务分配最优解带回步骤二中迭代求解直至两次迭代的目标函数最优值之差小于预先设定的阈值Θ后停止求解，即得到近似最优解。

Images