CN111132009B - 物联网的移动边缘计算方法、装置及系统 - Google Patents
物联网的移动边缘计算方法、装置及系统 Download PDFInfo
- Publication number
- CN111132009B CN111132009B CN201911344449.9A CN201911344449A CN111132009B CN 111132009 B CN111132009 B CN 111132009B CN 201911344449 A CN201911344449 A CN 201911344449A CN 111132009 B CN111132009 B CN 111132009B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- internet
- things
- things equipment
- 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
Links
Images
Classifications
-
- 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
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Telephonic Communication Services (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种物联网的移动边缘计算方法、装置及系统,该方法包括:基于各个无人机的当前模拟位置和目标物联网区域内的各个物联网设备的实际位置,为各个物联网设备分配无人机;模拟将物联网设备的任务卸载至分配的无人机,及模拟各个无人机基于深度增强学习算法对接收的任务进行调度;利用差分进化算法对各个无人机的当前模拟位置进行迭代更新,继续执行上述操作,直至迭代更新次数达到预设阈值时停止操作;基于每次操作中物联网设备分配的无人机、无人机进行任务调度的结果和无人机的当前模拟位置,确定各个无人机的最优坐标位置;触发各个无人机移动至其最优坐标位置下调度对应物联网设备上的任务。本发明提升了物联网设备的服务质量。
Description
技术领域
本发明涉及物联网技术领域,尤其是涉及一种物联网的移动边缘计算方法、装置及系统。
背景技术
由于物联网设备自身的能量有限,计算能力也十分有限,使得物联网设备无法处理复杂的业务。目前的使用无人机优化通信系统性能的技术,主要包括两种方式:一种是使用无人机作为空中中继,地面物联网设备将收集的数据传输给空中无人机,通过一个或多个空中无人机作为中继节点,将数据传输到目标数据中心,物联网设备也可以不直接从数据中心下载数据,而是通过无人机作为中继节点下载数据;另一种是使用无人机作为空中基站,通过无人机来增强覆盖区域的通信性能,并提高网络的吞吐量。但是,现有的无人机优化通信系统性能技术,并未解决物联网设备本身计算资源较低的问题,导致现有的物联网设备还存在因计算资源较低而存在的服务质量较低的问题。
发明内容
本发明实施例的目的在于提供一种物联网的移动边缘计算方法、装置及系统,通过使用无人机对物联网设备的任务进行调度,提升了物联网设备的服务质量。
第一方面,本发明实施例提供了一种物联网的移动边缘计算方法,所述方法应用于无人机调度控制器,所述方法包括:对于目标物联网区域内的各个无人机的当前模拟位置,均执行以下操作:基于各个所述无人机的当前模拟位置和所述目标物联网区域内的各个物联网设备的实际位置,为各个所述物联网设备分配无人机;模拟将所述物联网设备的任务卸载至分配的无人机,及模拟各个所述无人机基于深度增强学习算法对接收的任务进行调度;利用差分进化算法对各个所述无人机的当前模拟位置进行迭代更新,继续执行所述操作,直至迭代更新次数达到预设阈值时停止所述操作;基于每次所述操作中所述物联网设备分配的所述无人机、所述无人机进行任务调度的结果和所述无人机的当前模拟位置,确定各个所述无人机的最优坐标位置;触发各个所述无人机移动至其最优坐标位置下调度对应所述物联网设备上的任务。
在可选的实施方式中,基于各个所述无人机的当前模拟位置和所述目标物联网区域内的各个物联网设备的实际位置,为各个所述物联网设备分配无人机的步骤,包括:基于各个所述无人机的当前模拟位置和所述目标物联网区域内的各个物联网设备的实际位置之间的位置关系确定所述无人机的负载上限;基于所述无人机的负载上限,利用广义分配问题模型为各个所述物联网设备分配无人机。
在可选的实施方式中,所述无人机的负载上限的计算算式为:
其中,为在各个所述无人机的当前模拟位置下仅处于第n个无人机通信范围内的物联网设备的集合,eub(un)为在各个所述无人机的当前模拟位置下第n个无人机通信范围内覆盖的各个所述物联网设备的集合;K为所述物联网设备的个数;Eavg为所述无人机的平均负载;λ1和λ2分别是负载上界和负载下界的影响参数,为负载差额。
在可选的实施方式中,所述基于所述无人机的负载上限,利用广义分配问题模型为各个所述物联网设备分配无人机的步骤,包括:利用广义分配问题模型计算将各个所述物联网设备分配给所述无人机获得的收益;根据所述无人机获得的收益设置目标函数,所述目标函数的算式为:其中,N为所述无人机的数量;xn,k为第k个物联网节点与第n个无人机的分配情况的小数解;fn,k为将第k个物联网节点分配给第n个无人机获得的收益;计算所述目标函数GAP在满足预设条件下的最小值;获取所述目标函数GAP取最小值时对应的小数解xn,k,并根据所述小数解xn,k确定所述目标函数的整数解αn,k;其中,xn,k为小数解;αn,k为第k个物联网节点与第n个无人机的分配情况的整数解;αn,k的取值为0或1,αn,k=0为第k个物联网设备不分配给第n个无人机,αn,k=1为将第k个物联网设备分配给第n个无人机;所述预设条件包括:xn,k同时满足且wn,k为将第k个物联网节点分配给第n个无人机所产生的消耗。
在可选的实施方式中,根据所述小数解xn,k确定所述目标函数的整数解αn,k的步骤,包括:将所述小数解xn,k转换成二分图;将所述二分图中的增广路径的权重设置为0或1,并通过确定性舍入将所述小数解xn,k转换整数解αn,k。
在可选的实施方式中,所述基于每次所述操作中所述物联网设备分配的所述无人机、所述无人机进行任务调度的结果和所述无人机的当前模拟位置,确定各个所述无人机的最优坐标位置的步骤,包括:根据每次所述操作中所述物联网设备分配的所述无人机、所述无人机进行任务调度的结果和所述无人机的当前模拟位置确定种群目标函数;计算所述种群目标函数的最小值,将所述种群目标函数取最小值时对应的各个所述无人机的当前模拟位置作为各个所述无人机的最优坐标位置。
在可选的实施方式中,所述种群目标函数的计算算式为:
其中,为无人机负载均衡程度,为平均传输损耗的权重;td(un,mk)为所述无人机进行调度时获得的所述物联网设备卸载任务的延迟程度;SO(Ω)为所述无人机的负载均衡程度;tc(un,mk)为K个物联网设备的平均传输损耗,tc(un,mk)是基于所述无人机的当前模拟位置得到的。
第二方面,本发明实施例提供了一种物联网的移动边缘计算装置,所述装置设置于无人机调度控制器,所述装置包括:循环操作模块,用于对于目标物联网区域内的各个无人机的当前模拟位置,均执行以下操作:基于各个所述无人机的当前模拟位置和所述目标物联网区域内的各个物联网设备的实际位置,为各个所述物联网设备分配无人机;模拟将所述物联网设备的任务卸载至分配的无人机,及模拟各个所述无人机基于深度增强学习算法对接收的任务进行调度;位置更新模块,用于利用差分进化算法对各个所述无人机的当前模拟位置进行迭代更新,继续将迭代更新后的所述无人机的当前模拟位置输入所述循环操作模块,直至迭代更新次数达到预设阈值时停止将迭代更新后的所述无人机的当前模拟位置输入所述循环操作模块;最优坐标确定模块,用于基于每次所述操作中所述物联网设备分配的所述无人机、所述无人机进行任务调度的结果和所述无人机的当前模拟位置,确定各个所述无人机的最优坐标位置;任务调度模块,用于触发各个所述无人机移动至其最优坐标位置下调度对应所述物联网设备上的任务。
第三方面,本发明实施例提供了一种物联网的移动边缘计算系统,所述系统包括若干个无人机、若干个物联网设备和无人机调度控制器;其中,所述无人机调度控制器设置有如第二方面所述的物联网的移动边缘计算装置。
第四方面,本发明实施例提供了一种计算机可读介质,其中,所述计算机可读介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,所述计算机可执行指令促使所述处理器实现如第一方面所述的方法。
本发明实施例提供了一种物联网的移动边缘计算方法、装置及系统,该方法应用于无人机调度控制器,该方法包括:首先对于目标物联网区域内的各个无人机的当前模拟位置,均执行以下操作;基于各个无人机的当前模拟位置和目标物联网区域内的各个物联网设备的实际位置,为各个所述物联网设备分配无人机;模拟将物联网设备的任务卸载至分配的无人机,及模拟各个无人机基于深度增强学习算法对接收的任务进行调度;然后利用差分进化算法对各个无人机的当前模拟位置进行迭代更新,继续执行上述操作,直至迭代更新次数达到预设阈值时停止上述操作;再基于每次操作中物联网设备分配的无人机、无人机进行任务调度的结果和无人机的当前模拟位置,确定各个无人机的最优坐标位置;最后触发各个无人机移动至其最优坐标位置下调度对应物联网设备上的任务。在该方法中,通过利用差分进化算法迭代更新无人机在目标物联网区域的当前模拟位置,以便根据当前模拟位置的迭代更新过程,确定无人机在不同当前模拟位置下所分配的物联网设备,以及使无人机对物联网设备的任务进行调度,进而基于每次操作中物联网设备分配的无人机、无人机进行任务调度的结果和无人机的当前模拟位置,确定各个无人机的最优坐标位置,从而使最优位置下的无人机能够在各个无人机任务负载均衡的情况下,实现对目标物联网区域内所有物联网设备的任务进行调度,使得无人机能够为计算资源低下的物联网设备提供移动边缘计算服务,分担了物联网设备的计算任务,提升了物联网设备的服务质量。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种物联网的移动边缘计算方法流程图;
图2为本发明实施例提供的一种基于多无人机辅助的移动边缘计算流程图;
图3为本发明实施例提供的一种物联网的移动边缘计算方法仿真结果图;
图4为本发明实施例提供的一种无人机的收益实验结果图;
图5为本发明实施例提供的一种无人机的任务等待时间实验结果图;
图6为本发明实施例提供的一种物联网的移动边缘计算装置结构示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
考虑到现有的物联网设备还存在因计算资源较低而存在的服务质量较低的问题,本发明实施例提供了一种物联网的移动边缘计算方法、装置及系统,可以应用于提升物联网设备的服务质量。
本发明实施例提供了一种物联网的移动边缘计算方法,参见如图1所示的物联网的移动边缘计算方法流程图,该方法可以由无人机地面站或无人机调度中心的无人机调度控制器执行,该方法包括以下步骤S102~步骤S110:
步骤S102:对于目标物联网区域内的各个无人机的当前模拟位置,基于各个无人机的当前模拟位置和目标物联网区域内的各个物联网设备的实际位置,为各个物联网设备分配无人机。
在上述目标物联网区域内设置一个或多个无人机,其中,各个无人机的最初的当前模拟位置是随机设置的。上述为各个物联网设备(也可以称为物联网节点)分配无人机是指为各个物联网分配可以通信连接的无人机,以便使无人机为与之通信连接的物联网设备提供计算服务。上述目标物联网区域内的每个物联网设备的任务只能分配给一个无人机,每个无人机可以与其通信范围内的多个物联网设备进行通信连接。
步骤S104:模拟将物联网设备的任务卸载至分配的无人机,及模拟各个无人机基于深度增强学习算法对接收的任务进行调度。
通过模拟将物联网设备的任务卸载至分配无人机,及模拟各个无人机基于深度增强学习算法对接收的任务进行调度的过程,可以检验各个无人机所处的当前模拟位置是否可以完成对目标物联网区域内所有物联网设备的任务调度。物联网设备的任务卸载是在物联网设备的任务计算量较大的情况下,诸如,目前的物联网设备(例如手机)可以提供增强现实、人脸识别或移动在线游戏等业务,计算量大,当物联网设备的计算资源无法满足用户需求时,将超出阈值的计算任务或计算量较大的计算任务卸载至物联网设备分配的无人机,使无人机辅助物联网设备完成计算。
步骤S106:利用差分进化算法对各个无人机的当前模拟位置进行迭代更新,继续执行上述操作,直至迭代更新次数达到预设阈值时停止操作。
利用差分进化算法对各个无人机的当前模拟位置进行迭代更新,对于迭代更新后的无人机的当前模拟位置,继续执行上述步骤S102~步骤S104的操作,基于各个无人机的当前模拟位置和目标物联网区域内的各个物联网设备的实际位置,为各个物联网设备分配无人机,然后模拟将物联网设备的任务卸载至分配的无人机,及模拟各个无人机基于深度增强学习算法对接收的任务进行调度的操作,当上述步骤S102~步骤S104的操作的执行次数达到预设阈值时,即达到最大迭代次数时,停止更新无人机的当前模拟位置。
步骤S108:基于每次操作中物联网设备分配的无人机、无人机进行任务调度的结果和无人机的当前模拟位置,确定各个无人机的最优坐标位置。
上述无人机的最优坐标位置是指无人机在该最优坐标位置下,可以在最短的时间内完成对目标物联网区域内所有物联网设备的任务调度。因此,可以基于每次操作中物联网设备分配的无人机,及模拟无人机进行任务调度的结果和相对应的无人机当前模拟位置,找出满足条件的无人机的最优坐标位置,由于该最优坐标位置是基于每次操作中物联网设备分配的无人机、无人机进行任务调度的结果和无人机的当前模拟位置获得的,在确定无人机的最优坐标位置后,还可以获得各个无人机在该最优坐标位置下所分配的物联网设备,及无人机在该最优坐标位置下的进行任务调度的结果。
步骤S110:触发各个无人机移动至其最优坐标位置下调度对应物联网设备上的任务。
触发各个无人机移动至其最优坐标位置,根据各个无人机在该最优坐标位置下所分配的物联网设备,使物联网设备将任务卸载至分配的无人机,触发各个无人机基于深度增强学习算法对接收的任务进行调度,或者使无人机根据之前得到的在该最优坐标位置下的进行任务调度的结果,对接收到的任务进行调度。
本实施例提供的上述物联网的移动边缘计算方法,能够使最优位置下的无人机在各个无人机任务负载均衡的情况下,实现对目标物联网区域内所有物联网设备的任务进行调度,分担了物联网设备的计算任务,提升了物联网设备的服务质量。
为了实现物联网设备与无人机的最优分配,本实施例提供了基于各个无人机的当前模拟位置和目标物联网区域内的各个物联网设备的实际位置,为各个物联网设备分配无人机的实施方式,具体可参照如下步骤(1)~步骤(2)执行:
步骤(1):基于各个无人机的当前模拟位置和目标物联网区域内的各个物联网设备的实际位置之间的位置关系确定无人机的负载上限。
上述目标物联网区域内有N个无人机,K个物联网设备(物联网节点)。上述N个无人机的总体负载的计算算式为:
上述N个无人机的平均负载的计算算式为:
Eavg=Et/N,
设定N个无人机的临时参考负载为:
其中,负载下界(即最小负载)的计算算式为:
负载上界(即最大负载)的计算算式为:
其中,elb(un)为在各个无人机的当前模拟位置下仅处于第n个无人机通信范围内的物联网设备的集合,eub(un)为在各个无人机的当前模拟位置下第n个无人机通信范围内覆盖的各个物联网设备的集合;K为物联网设备的个数;Eavg为无人机的平均负载;λ1和λ2分别是负载上界和负载下界的影响参数。
根据上述N个无人机的临时参考负载计算临时参考负载的总和:
设置负载差额:
根据上述,可以得到无人机的负载上限的计算算式为:
步骤(2):基于无人机的负载上限,利用广义分配问题模型为各个物联网设备分配无人机。
基于无人机的负载上限,将无人机与物联网设备的分配问题转换成广义分配问题(GAP)模型进行求解,在一种具体的实施方式中,上述步骤(2)的具体实施方式可参照如下步骤a~步骤d执行:
步骤a:利用广义分配问题模型计算将各个物联网设备分配给无人机获得的收益。其中,将各个物联网设备分配给无人机获得的收益的计算算式为:
其中,fn,k为将第k个物联网节点分配给第n个无人机获得的收益,d(un,mk)为第n个无人机与第k个物联网设备之间的距离,为物联网设备卸载任务的通信时延,Rc为无人机的通信范围覆盖半径,为人为设置的权重参数。
步骤c:计算目标函数GAP在满足预设条件下的最小值。
步骤d:获取目标函数GAP取最小值时对应的小数解xn,k,并根据小数解xn,k确定目标函数的整数解αn,k。其中,xn,k为小数解;αn,k为第k个物联网节点与第n个无人机的分配情况的整数解;αn,k的取值为0或1,αn,k=0为第k个物联网设备不分配给第n个无人机,αn,k=1为将第k个物联网设备分配给第n个无人机。
根据上述步骤计算得到的目标函数的GAP的最小值,获取目标函数取GAP最小值时对应的小数解xn,k,将小数解xn,k转换成二分图。将二分图中的增广路径的权重设置为0或1,并通过确定性舍入将小数解xn,k转换整数解αn,k。
为了获得无人机的最优位置,本实施例提供了基于每次操作中物联网设备分配的无人机、无人机进行任务调度的结果和无人机的当前模拟位置,确定各个无人机的最优坐标位置的实施方式,具体可参照如下步骤1~步骤2执行:
步骤1:根据每次操作中物联网设备分配的无人机、无人机进行任务调度的结果和无人机的当前模拟位置确定种群目标函数;其中,种群目标函数的计算算式为:
其中,为无人机负载均衡程度,为平均传输损耗的权重;td(un,mk)为无人机进行调度时获得的物联网设备卸载任务的延迟程度;SO(Ω)为无人机的负载均衡程度;tc(un,mk)为K个物联网设备的平均传输损耗,tc(un,mk)是基于无人机的当前模拟位置得到的。上述αn,k为物联网节点与无人机的分配情况。上述物联网设备卸载任务的延迟程度是在无人机进行任务调度后得到的。
上述无人机负载均衡程度和平均传输损耗的权重是可以根据实际情况认为设定的。上述tc(un,mk)的计算算式为:
其中, c为光速。mk表示第k个物联网设备,un表示第n个无人机,hz(un,mk)表示第k个物联网设备与第n个无人机所需的通信流量,B为用户占用宽带,f为通信载波,σ2为高斯噪声功率谱密度,ηlos为信道环境参数,为无人机通信发射功率,d(un,mk)为第k个物联网设备与第n个无人机之间的距离。
步骤2:计算种群目标函数P的最小值,将种群目标函数取最小值时对应的各个无人机的当前模拟位置作为各个无人机的最优坐标位置。
当上述差分进化优化算法的迭代次数达到最大迭代次数后,完成本次的无人机的当前模拟位置的寻优。通过计算种群目标函数P的最小值,从而搜寻当前世代所有种群个体的全局最优位置,即各个无人机的最优坐标位置。
在实际应用中,可以采用以下方式进行物联网的移动边缘计算,参见如图2所示的基于多无人机辅助的移动边缘计算流程图,具体可参照如下步骤S202~步骤S212执行:
步骤S202:初始化参数。初始化无人机参数,包括:无人机数量N,无人机飞行高度H,无人机覆盖半径Rc,无人机通信发射功率设定目标物联网区域的通信参数,包括物联网设备的数量K,各物联网设备的坐标物联网设备的类型Z,用户占用带宽B,通信载波频率f,高斯噪声功率谱密度σ2,信道环境参数ηlos。设定基于差分进化算法的多无人机部署策略的参数,包括:迭代次数lmax,交叉概率Pcr,变异概率ξ,无人机部署边界,在目标物联网区域范围内随机初始化N个无人机的初始坐标位置,将该初始坐标位置作为无人机的当前模拟位置。
步骤S204:基于无人机的当前模拟位置和物联网设备的位置,为每个无人机分配参考负载上限。
步骤S206:基于无人机的参考负载上限及广义分配问题模型确定每个物联网设备分配的无人机。
步骤S208:基于每个物联网设备分配的无人机,触发物联网设备将任务卸载至所分配的无人机,以使无人机基于增强学习算法对接收到的任务进行调度。
无人机基于增强学习算法对接收到的任务进行调度,以获得最优的任务调度策略,最优的任务调度策略可以使无人机在最短的时间内完成任务计算。首先,初始化无人机状态S,及深度强化学习最大迭代次数tmax。
其次,更新无人机状态,深度强化学习的累计收益表示为:
Vπ(St)=Rt+γRt+1+Rt+1+…,
根据Q-learning算法,其Q值表示为:
Qt(St,At)=Rt+γVπ(St+1),
随着迭代的进行,Q值通过以下算式进行更新:
使用DeepQ-network算法,将Q-learning算法结合卷积神经网络,其损失函数表示为:
L(θ)=E[(QT-Q(St,At;θ))2],
DeepQ-network算法的目标函数QT表示为:
QT=Rt+γmax Q(St+1,At+1;θ),
根据上述目标函数QT,搜寻无人机进行任务调度时的最佳调度策略。
步骤S210:基于差分进化算法迭代更新无人机的当前模型位置,并判断迭代次数是否达到最大迭代次数,如果否,基于迭代更新后的无人机当前模拟位置重复执行上述步骤S204~步骤S208的操作。
上述差分进化算法中的种群位置定义为Xd(i),其中d为种群个体,i为种群世代,Xd(i)的值为N个无人机的当前模拟位置的坐标和其长度为2N。上述差分进化算法的目的就是优化N个无人机的当前模拟位置,使在各轮循环中无人机的当前模拟位置分配方式确定情况下,无人机的当前模拟位置部署达到最优。
在使用差分进化算法迭代更新无人机的当前模型位置时,首先,变异每个种群个体的值,变异更新函数的算式为:
Hd(g)=Xda(g)+ξ(Xdb(g)-Xdc(g))
其中,Hd(g)表示第d个种群个体在第g次迭代时的变异个体,Xda(g),Xdb(g),Xdc(g)为第g次迭代时随机选择的其他种群个体并且da≠db≠dc≠d,ξ为变异权重。
其次,交叉每个种群个体的值,交叉更新函数的算式为:
其中Id(g)表示第d个种群个体在第g次迭代时的交叉个体,Pcr为交叉权重。根据第g次迭代时第d个原始个体Xd(g)和交叉个体Id(g),选择交由的个体进入第g+1次迭代。
在基于迭代更新后的无人机当前模拟位置执行上述步骤S204~步骤S208的操作时,首先初始化所有物联网设备的类型Z,每种物联网设备类型的负载级别为无人机的数量N,物联网设备的位置物联网设备卸载的任务可以定义为:
Fz(un,mk)=[cz(un,mk),tz(un,mk),hz(un,mk)],
其中mk表示第k个物联网节点,un表示第n个无人机,表示第k个物联网设备的负载级别,cz(un,mk)表示物联网设备卸载任务所需的计算资源,tz(un,mk)表示物联网设备卸载任务所需的执行时间,hz(un,mk)表示物联网设备卸载任务所需的通信流量。
无人机与物联网设备之间的距离的计算算式为:
由于目标物联网区域的物联网设备只能分配到一个无人机,所以:
无人机的信道增益为:
根据香农公式,信道传输速率为:
物联网设备卸载任务的通信时延为:
每个无人机的总负载级别为:
物联网设备在进行任务卸载后,无人机对接收到的任务进行任务调度处理。计算物联网设备所卸载的任务,在无人机的实际执行时间为:
上述N个无人机的负载均衡程度表示为:
所有K个物联网设备的平均传输损耗表示为:
物联网设备所卸载任务的延迟程度表示为:
计算种群目标函数P的最小值,以搜寻当前世代所有种群个体的全局最优位置,其中,目标函数P的计算算式为:
迭代次数加1,重复执行上述步骤S204~步骤S208的操作,直到达到设定的最大迭代次数,完成本次的无人机的位置寻优。
步骤S212:如果上述迭代次数达了到最大迭代次数,输出计算结果。上述计算结果包括无人机的最优坐标位置、无人机在最优位置下与物联网设备的分配情况、无人机的收益及无人机的任务调度策略。
为了便于理解,本实施例提供了使用上述物联网的移动边缘计算方法进行仿真实验的具体实施方法。该仿真实验中的目标物联网区域为400m400m方形区域内进行的,设定该区域的左下角为原点,物联网设备是随机分布在该区域内。首先初始化该仿真实验的各个参数,参数名称及参数取值参见下表所示:
该仿真实验中的无人机个数N设置为5个,根据上述参数使用上述物联网的移动边缘计算方法,可以得到5个无人机的最优坐标位置及各个无人机的最优任务调度策略,参见如图3所示的物联网的移动边缘计算方法仿真结果图,图3中的三角形、圆形、正方形、五角星形和菱形分别为根据上述物联网的移动边缘计算方法得到的5个无人机的最优坐标位置,该5个无人机的最优坐标位置分别为(171.41,126.49),(149.50,245.87),(270.68,253.43),(284.26,152.94),(227.91,181.27),图3中的五个虚线圈分别为5个无人机的通信覆盖范围。其中,参见如图4所示的无人机的收益实验结果图,上述仿真实验还得到了上述物联网的移动边缘计算方法中经过迭代得到的无人机的收益与迭代次数的关系。此外,参见如图5所示的无人机的任务等待时间实验结果图,上述仿真实验还得到了上述物联网的移动边缘计算方法中无人机进行任务调度时的任务等待时间与迭代次数的关系。
对应于上述物联网的移动边缘计算方法,本实施例提供了一种物联网的移动边缘计算装置,该装置设置于无人机调度控制器,参见如图6所示的物联网的移动边缘计算装置结构示意图,该装置包括:
循环操作模块61,用于对于目标物联网区域内的各个无人机的当前模拟位置,均执行以下操作:基于各个无人机的当前模拟位置和目标物联网区域内的各个物联网设备的实际位置,为各个物联网设备分配无人机;模拟将物联网设备的任务卸载至分配的无人机,及模拟各个无人机基于深度增强学习算法对接收的任务进行调度。
位置更新模块62,用于利用差分进化算法对各个无人机的当前模拟位置进行迭代更新,继续将迭代更新后的无人机的当前模拟位置输入循环操作模块,直至迭代更新次数达到预设阈值时停止将迭代更新后的无人机的当前模拟位置输入循环操作模块。
最优坐标确定模块63,用于基于每次操作中物联网设备分配的无人机、无人机进行任务调度的结果和无人机的当前模拟位置,确定各个无人机的最优坐标位置。
任务调度模块64,用于触发各个无人机移动至其最优坐标位置下调度对应物联网设备上的任务。
本实施例提供的上述物联网的移动边缘计算装置,能够使最优位置下的无人机在各个无人机任务负载均衡的情况下,实现对目标物联网区域内所有物联网设备的任务进行调度,分担了物联网设备的计算任务,提升了物联网设备的服务质量。
在一种实施方式中,上述循环操作模块61,进一步用于基于各个无人机的当前模拟位置和目标物联网区域内的各个物联网设备的实际位置之间的位置关系确定无人机的负载上限;基于无人机的负载上限,利用广义分配问题模型为各个物联网设备分配无人机。
在一种实施方式中,上述无人机的负载上限的计算算式为:
其中,elb(un)为在各个无人机的当前模拟位置下仅处于第n个无人机通信范围内的物联网设备的集合,eub(un)为在各个无人机的当前模拟位置下第n个无人机通信范围内覆盖的各个物联网设备的集合;K为物联网设备的个数;Eavg为无人机的平均负载;λ1和λ2分别是负载上界和负载下界的影响参数,负载差额。
在一种实施方式中,上述循环操作模块61,进一步用于利用广义分配问题模型计算将各个物联网设备分配给无人机获得的收益;根据无人机获得的收益设置目标函数,目标函数的算式为:其中,N为无人机的数量;xn,k为第k个物联网节点与第n个无人机的分配情况的小数解;fn,k为将第k个物联网节点分配给第n个无人机获得的收益;计算目标函数GAP在满足预设条件下的最小值;获取目标函数GAP取最小值时对应的小数解xn,k,并根据小数解xn,k确定目标函数的整数解αn,k;其中,xn,k为小数解;αn,k为第k个物联网节点与第n个无人机的分配情况的整数解;αn,k的取值为0或1,αn,k=0为第k个物联网设备不分配给第n个无人机,αn,k=1为将第k个物联网设备分配给第n个无人机;预设条件包括:xn,k同时满足且wn,k为将第k个物联网节点分配给第n个无人机所产生的消耗。
在一种实施方式中,上述循环操作模块61,进一步用于将小数解xn,k转换成二分图;将二分图中的增广路径的权重设置为0或1,并通过确定性舍入将小数解xn,k转换整数解αn,k。
在一种实施方式中,上述最优坐标确定模块63,进一步用于根据每次操作中物联网设备分配的无人机、无人机进行任务调度的结果和无人机的当前模拟位置确定种群目标函数;计算种群目标函数P的最小值,将种群目标函数取最小值时对应的各个无人机的当前模拟位置作为各个无人机的最优坐标位置。
在一种实施方式中,上述种群目标函数的计算算式为:
其中,为无人机负载均衡程度,为平均传输损耗的权重;td(un,mk)为无人机进行调度时获得的物联网设备卸载任务的延迟程度;SO(Ω)为无人机的负载均衡程度;tc(un,mk)为K个物联网设备的平均传输损耗,tc(un,mk)是基于无人机的当前模拟位置得到的。
本实施例所提供的装置,其实现原理及产生的技术效果和前述实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供了一种物联网的移动边缘计算系统,该系统包括若干个无人机、若干个物联网设备和无人机调度控制器;其中,无人机调度控制器设置有上述实施例提供的物联网的移动边缘计算装置。
本发明实施例提供了一种计算机可读介质,其中,所述计算机可读介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,所述计算机可执行指令促使所述处理器实现上述实施例所述的物联网的移动边缘计算方法。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种物联网的移动边缘计算方法,其特征在于,所述方法应用于无人机调度控制器,所述方法包括:
对于目标物联网区域内的各个无人机的当前模拟位置,均执行以下操作:基于各个所述无人机的当前模拟位置和所述目标物联网区域内的各个物联网设备的实际位置,为各个所述物联网设备分配无人机;模拟将所述物联网设备的任务卸载至分配的无人机,及模拟各个所述无人机基于深度增强学习算法对接收的任务进行调度;
利用差分进化算法对各个所述无人机的当前模拟位置进行迭代更新,继续执行所述操作,直至迭代更新次数达到预设阈值时停止所述操作;
基于每次所述操作中所述物联网设备分配的所述无人机、所述无人机进行任务调度的结果和所述无人机的当前模拟位置,确定各个所述无人机的最优坐标位置;
触发各个所述无人机移动至其最优坐标位置下调度对应所述物联网设备上的任务;
其中,基于各个所述无人机的当前模拟位置和所述目标物联网区域内的各个物联网设备的实际位置,为各个所述物联网设备分配无人机的步骤,包括:
基于各个所述无人机的当前模拟位置和所述目标物联网区域内的各个物联网设备的实际位置之间的位置关系确定所述无人机的负载上限;
基于所述无人机的负载上限,利用广义分配问题模型为各个所述物联网设备分配无人机,其中,所述广义分配问题模型为类线性问题模型,用于获取物联网设备接入策略;
其中,所述基于所述无人机的负载上限,利用广义分配问题模型为各个所述物联网设备分配无人机的步骤,包括:
利用广义分配问题模型计算将各个所述物联网设备分配给所述无人机获得的收益;
根据所述无人机获得的收益设置目标函数,所述目标函数的算式为:其中,N为所述无人机的数量;K为物联网设备的数量;xn,k为第k个物联网设备与第n个无人机的分配情况的小数解;fn,k为将第k个物联网设备分配给第n个无人机获得的收益;
计算所述目标函数GAP在满足预设条件下的最小值;
3.根据权利要求1所述的方法,其特征在于,根据所述小数解xn,k确定所述目标函数的整数解αn,k的步骤,包括:
将所述小数解xn,k转换成二分图;
将所述二分图中的增广路径的权重设置为0或1,并通过确定性舍入将所述小数解xn,k转换整数解αn,k。
4.根据权利要求3所述的方法,其特征在于,所述基于每次所述操作中所述物联网设备分配的所述无人机、所述无人机进行任务调度的结果和所述无人机的当前模拟位置,确定各个所述无人机的最优坐标位置的步骤,包括:
根据每次所述操作中所述物联网设备分配的所述无人机、所述无人机进行任务调度的结果和所述无人机的当前模拟位置确定种群目标函数;
计算所述种群目标函数的最小值,将所述种群目标函数取最小值时对应的各个所述无人机的当前模拟位置作为各个所述无人机的最优坐标位置。
6.一种物联网的移动边缘计算装置,其特征在于,所述装置设置于无人机调度控制器,所述装置包括:
循环操作模块,用于对于目标物联网区域内的各个无人机的当前模拟位置,均执行以下操作:基于各个所述无人机的当前模拟位置和所述目标物联网区域内的各个物联网设备的实际位置,为各个所述物联网设备分配无人机;模拟将所述物联网设备的任务卸载至分配的无人机,及模拟各个所述无人机基于深度增强学习算法对接收的任务进行调度;
位置更新模块,用于利用差分进化算法对各个所述无人机的当前模拟位置进行迭代更新,继续将迭代更新后的所述无人机的当前模拟位置输入所述循环操作模块,直至迭代更新次数达到预设阈值时停止将迭代更新后的所述无人机的当前模拟位置输入所述循环操作模块;
最优坐标确定模块,用于基于每次所述操作中所述物联网设备分配的所述无人机、所述无人机进行任务调度的结果和所述无人机的当前模拟位置,确定各个所述无人机的最优坐标位置;
任务调度模块,用于触发各个所述无人机移动至其最优坐标位置下调度对应所述物联网设备上的任务;
其中,所述循环操作模块用于:
基于各个所述无人机的当前模拟位置和所述目标物联网区域内的各个物联网设备的实际位置之间的位置关系确定所述无人机的负载上限;
基于所述无人机的负载上限,利用广义分配问题模型为各个所述物联网设备分配无人机;
其中,所述循环操作模块还用于:
利用广义分配问题模型计算将各个所述物联网设备分配给所述无人机获得的收益;
根据所述无人机获得的收益设置目标函数,所述目标函数的算式为:其中,N为所述无人机的数量;K为物联网设备的数量;xn,k为第k个物联网设备与第n个无人机的分配情况的小数解;fn,k为将第k个物联网设备分配给第n个无人机获得的收益;
计算所述目标函数GAP在满足预设条件下的最小值;
7.一种物联网的移动边缘计算系统,其特征在于,所述系统包括若干个无人机、若干个物联网设备和无人机调度控制器;其中,所述无人机调度控制器设置有上述权利要求6所述的物联网的移动边缘计算装置。
8.一种计算机可读介质,其特征在于,所述计算机可读介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,所述计算机可执行指令促使所述处理器实现上述权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911344449.9A CN111132009B (zh) | 2019-12-23 | 2019-12-23 | 物联网的移动边缘计算方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911344449.9A CN111132009B (zh) | 2019-12-23 | 2019-12-23 | 物联网的移动边缘计算方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111132009A CN111132009A (zh) | 2020-05-08 |
CN111132009B true CN111132009B (zh) | 2020-12-15 |
Family
ID=70501707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911344449.9A Active CN111132009B (zh) | 2019-12-23 | 2019-12-23 | 物联网的移动边缘计算方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111132009B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111786713B (zh) * | 2020-06-04 | 2021-06-08 | 大连理工大学 | 一种基于多智能体深度强化学习的无人机网络悬停位置优化方法 |
CN112104502B (zh) * | 2020-09-16 | 2021-10-12 | 云南大学 | 时敏多任务边缘计算与缓存协作卸载策略方法 |
CN112422644B (zh) * | 2020-11-02 | 2021-08-31 | 北京邮电大学 | 计算任务卸载方法及系统、电子设备和存储介质 |
CN113032904B (zh) * | 2021-03-22 | 2021-11-23 | 北京航空航天大学杭州创新研究院 | 模型构建方法、任务分配方法、装置、设备及介质 |
CN113296963B (zh) * | 2021-07-27 | 2021-11-02 | 南京信息工程大学 | 一种考虑用户移动性的无人机辅助的边缘计算方法 |
CN113873467A (zh) * | 2021-09-26 | 2021-12-31 | 北京邮电大学 | 一种无人机辅助的移动边缘计算方法、装置及控制设备 |
CN116528167B (zh) * | 2023-05-12 | 2023-11-21 | 南开大学 | 无人机集群局部通信目标分配方法、系统、设备及介质 |
CN117241300B (zh) * | 2023-11-16 | 2024-03-08 | 南京信息工程大学 | 一种无人机辅助的通感算网络融合方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109660292A (zh) * | 2019-01-23 | 2019-04-19 | 南京邮电大学 | 一种基于多无人机覆盖的无线通信系统飞行高度设计方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9826415B1 (en) * | 2016-12-01 | 2017-11-21 | T-Mobile Usa, Inc. | Tactical rescue wireless base station |
CN109275094B (zh) * | 2018-11-02 | 2019-10-22 | 北京邮电大学 | 一种高能效无人机覆盖点连续覆盖方法和装置 |
CN109714431A (zh) * | 2019-01-16 | 2019-05-03 | 西安中星测控有限公司 | 一种物联网智能传感器的边缘计算方法和装置 |
CN110062345B (zh) * | 2019-04-09 | 2022-03-22 | 深圳大学 | 一种无人机-物联网数据采集方法和系统 |
CN110087189B (zh) * | 2019-04-30 | 2020-08-14 | 北京邮电大学 | 一种无人机基站部署位置的确定方法及装置 |
CN110267235A (zh) * | 2019-06-14 | 2019-09-20 | 北京科技大学 | 一种无人机辅助无线供电物联网的资源分配方法 |
CN110336861B (zh) * | 2019-06-18 | 2020-06-30 | 西北工业大学 | 基于双层无人机的移动边缘计算系统的卸载任务分配方法 |
CN110392357B (zh) * | 2019-06-21 | 2022-03-11 | 广东工业大学 | 一种无人机辅助物联网通信装置的资源分配控制方法 |
-
2019
- 2019-12-23 CN CN201911344449.9A patent/CN111132009B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109660292A (zh) * | 2019-01-23 | 2019-04-19 | 南京邮电大学 | 一种基于多无人机覆盖的无线通信系统飞行高度设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111132009A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111132009B (zh) | 物联网的移动边缘计算方法、装置及系统 | |
Deng et al. | Intelligent delay-aware partial computing task offloading for multiuser industrial internet of things through edge computing | |
Mozaffari et al. | Wireless communication using unmanned aerial vehicles (UAVs): Optimal transport theory for hover time optimization | |
CN108809695B (zh) | 一种面向移动边缘计算的分布上行链路卸载策略 | |
CN111240701B (zh) | 一种端-边-云协同计算的任务卸载优化方法 | |
CN112104502B (zh) | 时敏多任务边缘计算与缓存协作卸载策略方法 | |
CN109714382B (zh) | 一种非平衡边缘云mec系统的多用户多任务迁移决策方法 | |
Yu et al. | UAV-Aided Low Latency Multi-Access<? brk?> Edge Computing | |
CN112784362A (zh) | 一种用于无人机辅助边缘计算的混合优化方法及系统 | |
Wang et al. | Q‐learning based computation offloading for multi‐UAV‐enabled cloud‐edge computing networks | |
CN116980852A (zh) | 一种多无人机辅助mec系统部署卸载策略联合优化方法 | |
Mousa et al. | Efficient UAV-Based MEC Using GPU-Based PSO and Voronoi Diagrams. | |
Nguyen et al. | Deep reinforcement learning-based partial task offloading in high altitude platform-aided vehicular networks | |
Azizi et al. | Profit maximization in 5G+ networks with heterogeneous aerial and ground base stations | |
CN112867065B (zh) | 一种空地协同边缘计算方法及其系统 | |
Nguyen et al. | Multi-agent DRL-based task offloading in hierarchical HAP-LAP networks | |
Tun et al. | A business model for resource sharing in cell-free UAVs-assisted wireless networks | |
CN111158893A (zh) | 应用于雾计算网络的任务卸载方法、系统、设备及介质 | |
CN113473580A (zh) | 异构网络中基于深度学习的用户关联联合功率分配策略 | |
CN115499875B (zh) | 一种卫星互联网任务卸载方法、系统以及可读存储介质 | |
CN115967430A (zh) | 一种基于深度强化学习的成本最优空地网络任务卸载方法 | |
Zhou et al. | Multi-objective optimization of space-air-ground integrated network slicing relying on a pair of central and distributed learning algorithms | |
Xu et al. | Joint computing offloading and trajectory for multi-UAV enabled MEC systems | |
CN114265630A (zh) | 一种资源共享感知的在线任务卸载方法 | |
Zhang et al. | Machine learning driven latency optimization for application-aware edge computing-based iots |
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 |