CN111585637B - 一种基于边缘计算系统的无人机任务卸载和资源分配方法 - Google Patents

Abstract

本发明公开了一种基于边缘计算系统的无人机任务卸载和资源分配方法，边缘计算系统包括：若干个无人机和若干个Fog节点；无人机任务卸载和资源分配方法包括以下步骤：根据边缘计算系统中的无人机向Fog节点卸载任务问题以及Fog节点向无人机分配计算资源问题构建最优化无人机利益的目标函数；计算目标函数得到无人机任务卸载和计算资源分配的最优解，并根据无人机任务卸载和计算资源分配的最优解，得到无人机利益的最优化方案。解决了传统无人机计算资源受限的问题和传统边缘计算服务器受地理位置所限制的问题，而且本方法构建目标函数，通过求解该目标函数能够使得无人机的利益最大化。

Description

一种基于边缘计算系统的无人机任务卸载和资源分配方法

技术领域

本发明涉及边缘计算技术领域，特别涉及一种基于边缘计算系统的无人机任务卸载和资源分配方法。

背景技术

随着物联网和5G技术的飞速发展，对于设备的任务处理和计算能力提出了新的挑战，于是出现了边缘计算相关技术，例如移动边缘计算，雾计算等，通过将其计算密集型任务卸载到边缘服务器以执行任务计算，越来越多的新兴移动应用程序从边缘计算中受益。无人机不仅体积小，成本低，而且还具有灵活的探测能力，无人机可以作为边缘计算技术中采集任务数据的载体，解决众多物联网设备的任务计算需求。

但目前以无人机作为边缘计算技术中采集任务数据的载体的相关研究相对较少，相关研究多集中于无人机和MEC服务器(边缘计算服务器)相结合的场景，而MEC服务器的设置点往往受到地理位置的限制，无法解决某些偏远地区的任务请求；目前有开展过在无人机上安装MEC服务器的研究来增加无人机自身的计算能力，但此举无疑会增加无人机的功耗和重量，在任务范围较大和传输距离较长的情景下有着极大的限制，并非较优的方案。而且在现有技术中，如何最优化无人机利益也是目前亟待解决的问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于边缘计算系统的无人机任务卸载和资源分配方法，所述边缘计算系统包括：若干个无人机和若干个Fog节点；

所述无人机任务卸载和资源分配方法包括以下步骤：

根据所述边缘计算系统中的所述无人机向所述Fog节点卸载任务问题以及所述Fog节点向所述无人机分配计算资源问题构建最优化无人机利益的目标函数；

计算所述目标函数得到无人机任务卸载和计算资源分配的最优解，并根据所述无人机任务卸载和计算资源分配的最优解，得到无人机利益的最优化方案。

根据本发明的实施例，至少具有如下技术效果：

不同于现有技术中无人机和MEC服务器相结合的场景，在本发明方法中所使用的边缘计算系统中，无人机仅作为任务数据采集器，从目标设备上采集任务数据后发送至Fog节点上进行数据处理，若干Fog节点可设置在靠近任务采集位置点处，从而就近提供任务数据计算服务，本发明通过无人机和Fog节点组合的系统构架，解决了传统无人机计算资源受限的问题和传统边缘计算服务器受地理位置所限制的问题，而且也无需在无人机上安装MEC服务器，从而避免增加无人机的功耗和重量。其次，本发明所述的方法通过基于无人机向Fog节点卸载任务问题以及Fog节点向无人机分配计算资源问题构建最优化无人机利益的目标函数，通过计算该目标函数能够得到无人机利益的最优化方案，系统内的无人机和Fog节点可根据该最优化方案执行任务卸载和计算资源分配，能够使得无人机的利益最大化。

根据本发明的一些实施例，所述目标函数的表达式为：

其中，

表示无人机U_i卸载任务至Fog节点F_j上所获得的利益，k_ij表示决策变量，k_ij＝{0，1}，t_ij表示无人机在时间段内执行任务的次数，R表示无人机U_i接受任务的酬金，t_f表示无人机的飞行时间，γ表示无人机的单位飞行能耗，β表示无人机的悬停参数，P表示无人机的恒定功率，t_H表示无人机的悬停时间，q表示Fog节点在时钟周期内的单元价格，f_i，j表示Fog节点分配给无人机的计算资源，

表示Fog节点分配的最大资源，n表示无人机的数量，m表示Fog节点的数量。

根据本发明的一些实施例，所述计算所述目标函数得到无人机任务卸载和计算资源分配的最优解，并根据所述无人机任务卸载和计算资源分配的最优解，得到无人机利益的最优化方案，包括以下步骤：

计算所述目标函数中的变量k_ij的最优解以及变量f_i，j的最优解；

基于块坐标下降法对所述变量k_ij的最优解以及所述变量f_i，j的最优解迭代计算，得到无人机利益的最优化方案。

根据本发明的一些实施例，计算所述目标函数中的变量k_ij的最优解的方法包括：

基于动态规划算法计算目标函数中的变量k_ij的最优解，或者基于启发式算法计算目标函数中的变量k_ij的最优解，或者基于贪心算法计算目标函数中的变量k_ij的最优解。

根据本发明的一些实施例，所述计算所述目标函数中的变量f_i，j的最优解的方法包括：

采用拉格朗日乘子式法和KKT条件法计算所述目标函数中的变量f_i，j的最优解。

根据本发明的一些实施例，所述边缘计算系统中还包括：MEC服务器。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例提供的一种基于边缘计算系统的无人机任务卸载和资源分配方法的流程示意图。

图2为图1中步骤S200中的进一步的流程示意图；

图3为本发明实施例基于贪心算法、基于动态规划算法和基于启发式算法分别对应的无人机数量和总利益之间的关系示意图；

图4为本发明实施例基于贪心算法、基于动态规划算法和基于启发式算法分别对应的无人机数量和总的运行时间之间的关系示意图；

图5为本发明实施例提供的一种边缘计算系统的示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

参照图1至图4，本发明的一个实施例，提供了一种基于边缘计算系统的无人机任务卸载和资源分配方法，其中，该边缘计算系统包括：若干个无人机和若干个Fog节点(雾节点)；

其中，若干Fog节点可部署在靠近信息采集点的位置，从而就近提供任务数据计算服务，Fog节点具备数据计算能力，能够对无人机采集的任务进行计算处理，无人机和Fog节点的组合解决了传统无人机计算资源受限的问题和传统边缘计算服务器受地理位置所限制的问题，无需在无人机上安装MEC服务器，避免增加无人机的功耗和重量。

本无人机任务卸载和资源分配方法包括以下步骤：

S100、根据边缘计算系统中的无人机向Fog节点卸载任务问题以及Fog节点向无人机分配计算资源问题构建最优化无人机利益的目标函数；

作为一种可实施方式，目标函数的表达式为：

在式(1)中，

表示无人机U_i卸载任务至Fog节点F_j上所获得的利益，k_ij表示决策变量，k_ij＝{0，1}，t_ij表示无人机在时间段内执行任务的次数，R表示无人机U_i接受任务的酬金，t_f表示无人机的飞行时间，γ表示无人机的单位飞行能耗，β表示无人机的悬停参数，P表示无人机的恒定功率，t_H表示无人机的悬停时间，

表示第i个无人机携带任务的最大悬停时间，q表示Fog节点在时钟周期内的单位价格，f_i，j表示第j个Fog节点分配给第i个无人机的计算资源，

表示第j个Fog节点分配的最大资源，n表示系统中无人机的数量，m表示系统中Fog节点的数量。

本目标函数将最优化无人机利益问题划分成无人机向Fog节点卸载任务问题和Fog节点向无人机分配计算资源问题两部分，从而方便无人机利益最优化的计算。

S200、计算目标函数得到无人机任务卸载和计算资源分配的最优解，并根据无人机任务卸载和计算资源分配的最优解，得到无人机利益的最优化方案。

具体的，包括以下步骤：

S201、计算目标函数中的变量k_ij的最优解以及变量f_i,j的最优解；

作为一种可实施方案，本发明可基于以下三种算法计算目标函数中的变量k_ij的最优解：

方法一、基于动态规划算法求解；

首先，设Fog节点的个数为j个，通过暴力枚举列举所有无人机的卸载方案；其次，使用二进制进行存储其卸载状态(0表示状态可用，1表示状态不可用)；然后，再对判断新状态是否满足约束条件，若满足，则记作0；若不满足，则记作1，如此循环直至所有任务卸载完全。基于动态规划算法可使用三个循环外加一个设定的检测函数，第一层循环为枚举所有的Fog节点,第二层循环为记录第j个Fog节点卸载的无人机,第三层循环记录前j-1个Fog节点卸载的无人机，由于一个无人机只能卸载至一个Fog节点上，所以需要筛选出重复的卸载的无人机；这里的检测函数主要用于判断每一个卸载状态是否满足约束条件。

方法二、基于启发式算法求解；

具体伪代码过程如下：

第一部分对无人机资源分配进行优化：

将每个Fog节点对每个无人机计算资源分配存储起来记为f1(为m行n列的多维数组)；

通过for循环考虑每个无人机在每个Fog节点上的卸载情况，并计算出每个无人机在不同的每个Fog节点上利益，存储起来P1(为m行n列的多维数组)

计算-f1中第一列中数据的最大差值，将其赋值给d1，接下来求-f1中第二列中数据的最大差值，将其与d1比较，第二列中数据的最大差值若大于d1，则将第二列中的最大差值赋值给d1；否则依次往下找，直到n列全部找完，将找到的d1记录那一列最大值的j，i，然后记录后的无人机将不再考虑，此时更新Fog节点j上的计算资源，按照上述方法遍历所有的无人机与Fog节点，直到所有无人机都卸载完毕或者Fog节点的计算资源全部分配完毕；

第二部分对利益进行优化：

根据第一部分记录的i，j，找到P1中的P1_i，j，将P1中的第一列的最大值与P1_i，j比较，若大于P1_i，j，则将第一列的最大值作为新的P1_i，j，进一步，将P1中的第二列的最大值与P1_i，j比较，若大于P1_i，j，则将第二列的最大值作为新的P1_i，j，依次类推，直至遍历完所有的无人机与Fog节点，最终输出无人机的最优任务分配。

方法三、基于贪心算法求解；

首先，将携带任务的每个无人机按照其价值密度(每个无人机获得的收益与分配给其计算资源的比值)进行排序(从大到小)，在符合约束条件下先将单位价值密度最高的任务先卸载至最近的Fog节点上，若将单位价值密度最高的任务先卸载后，此Fog节点还有多余的资源容纳下一个无人机的任务则继续卸载至其上，否则卸载至下一个Fog节点上，直至所有任务卸载完。

由图3和图4可以看出(图3和图4中方法一为菱形曲线，方法二为矩形曲线，方法三为圆形曲线，图3的横坐标为无人机的数量，纵坐标为全部无人机的总收益；图4的横坐标为无人机的数量，纵坐标为总运行时间。)，随着无人机数量的增加，上述三种方法所对应的无人机总收益也随之增加，而且方法一对应的无人机总收益最大，在图3中方法二对应的无人机总收益也要比方法三要高。从三种方法的运行时间图4中可以发现随着无人机数量的增加，方法二与方法三的运行时间几乎不变且方法二运行的时间也比方法三要低，反而方法一中，当无人机数量在11时开始以指数级增长，由上可以看出随着问题规模的扩大，基于启发式算法的求解过程更能够在效益和运行时间上取得良好的折中。

作为一种可实施方案，本发明采用拉格朗日乘子式法和KKT条件法计算目标函数中的变量f_i，j的最优解。具体过程如下：

首先，由于Fog节点的计算资源f_i，j是一个连续变量，在约束条件下：

当无人机U_i选择卸载在Fog节点F_i时，目标函数

通过对f_i，j进行求二阶偏导：

因此目标函数

对于分配的资源f_i，j是一个凹函数。

其次，构造拉格朗日表达式：

-f_i，b≤0(b＝1...m)

-t_H＜0

λ_a≥0(a＝1...m)

λ_b≥0(b＝1...m)

λ_c≥0(c＝1...n)

λ_g≥0(g＝1...n)

然后，构建KKT条件求解：

将约束系数分为资源约束系数λ_a，λ_b和时间约束系数λ_c，λ_g，可以分为以下四种情况：

1、资源约束系数和时间约束系数都为0：

根据KKT条件我们对目标函数中f_i，j的进行求一阶偏导有下面等式成立：

可得出f_i，j ^*的求解式：

其中：

a1＝C*(t_f*γ-2*t_f*β*p-R)

b1＝q*(2*t_f+t_r)

c1＝2*C_i*q

其中，t_f表示无人机飞行至Fog节点的时间，p表示每个无人机的功率，t_r表示任务数据传输时间。如果求出的f_i，j ^*满足约束条件，那么将其代入目标函数中求得的值则为最优值。

2、资源约束系数和时间约束系数都不全为0：

根据KKT条件有下面等式成立：

根据约束拉格朗日表达式中的约束条件，可以得当λ_b＝λ_g＝0，λ_a，λ_c不为0，且下式(7)和(8)存在时，式(6)才成立：

其中，C_i表示第i个无人机携带任务的时间数，D_i表示第i个无人机携带任务的数据大小，r_I，j表示第i无人机与第j个Fog节点之间数据传输速率。然而通过式(8)计算出的f_i，j无法恰好符合式(7)，所以这种情况不予考虑。

3、资源约束系数全为0和时间约束系数不全为0：

根据KKT条件有下面等式(9)成立：

根据拉格朗日约束，如果此时λ_c＝0，而λ_g不为0，等式(9)不可能成立，所以只能λ_g＝0，而λ_c不为0，于是对目标函数中f_i，j的进行求一阶偏导有下面等式(10)成立：

变形得：

根据拉格朗日约束，由于

必须大于0，所以

必须小于0等式(10)才能成立，由于上述已证明目标函数

对于分配的资源f_i，j是一个凹函数，且当f_i，j＝f_i，j ^*时取得最大值，根据函数的单调性，只需当

时，

等式(10)成立，此时求解f_i，j的表达式为公式(8)。

4、时间约束系数全为0和资源约束系数不全为0：

根据KKT条件有下面等式成立：

根据拉格朗日约束，由于无人机U_i确定其卸载至第j个Fog节点上，所以此时k_ij＝1，则f_i，j不可能为0，所以λ_b＝0，λ_a不为0，于是当对目标函数中f_i，j的进行求一阶偏导有等式(12)成立：

变形得：

根据拉格朗日约束，

必须大于0等式(12)才能成立，由于目标函数

对于分配的资源f_i，j是一个凹函数，且当f_i，j＝f_i，j ^*时取得最大值，根据函数的单调性我们只需当0＜f_i，j＜f_i，j ^*时，

此时等式(12)成立，此时求解f_i，j的表达式为公式(7)。

S202、基于块坐标下降法对变量k_ij的最优解以及变量f_i，j的最优解迭代计算，得到无人机利益的最优化方案。

例如：首先，输入一组随机资源(不会超过每个Fog节点的最大计算资源)，其次，将f_i，j作为输入，采用上述方法二求解无人机任务分配k_ij，然后，使用求解出来的k_ij通过KKT的约束条件来进行求解f_i，j。

具体KKT求解过程如下：通过情况1中的公式(5)算出f_i，j ^*，若f_i，j ^*符合约束，则直接令f_i，j ^*＝f_i，j；若不符合约束，则进一步考虑情况3，通过公式(8)算出的f_i，j，如不符合约束，则进一步考虑情况4，通过公式(7)求解f_i，j。当KKT条件求解出f_i,j后，将求解出的f_i,j固定再去求解k_ij，如此反复迭代，直至f_i,j，k_ij不再发生变化。

不同于现有技术将无人机和MEC服务器相结合的方案，在本发明实施例所述的边缘计算系统中，无人机仅作为任务数据采集器，从目标设备上采集任务数据后发送至Fog节点上进行数据计算处理；多个Fog节点可部署在靠近信息采集点的位置，从而就近提供任务数据计算服务，无人机和Fog节点的组合解决了传统无人机计算资源受限的问题和传统边缘计算服务器受地理位置所限制的问题，而且无需在无人机上安装MEC服务器，从而避免增加无人机的功耗和重量；其次，本发明实施例所述的方法通过基于无人机向Fog节点卸载任务问题以及Fog节点向无人机分配计算资源问题构建最优化无人机利益的目标函数，通过计算该目标函数能够得到无人机利益的最优化方案，系统内的无人机和Fog节点可根据该最优化方案执行任务卸载和计算资源分配。

参照图5，作为一种可实施方式，该边缘计算系统还包括：MEC服务器(边缘计算服务器)；

图5中，有三个无人机，两个Fog节点和一个MEC服务器，每个无人机可以选择不同的节点进行卸载，其中无人机UAV1从IOT设备(物联网设备)上接收任务后将任务数据卸载至Fog1节点上进行计算，无人机UAV2将任务数据卸载至Fog2节点上进行计算,无人机UAV3将任务数据卸载至MEC服务器上进行计算，在完成计算后，无人机UAV1至UAV3将返回任务结果。其中，若干Fog节点可部署在靠近信息采集点的位置，从而就近提供任务数据计算服务，MEC服务器可部署在靠近云数据中心的位置，而且MEC服务器的计算能力远大于Fog节点的计算能力，在本系统中MEC服务器能够用于处理计算量较大的任务数据。具体的无人机任务卸载和资源分配方法也同上述实施例相同，此处不再细述。

为了方便理解，列举一实施例：在偏远区域中存在无人机与MEC服务器或Fog节点，IOT设备可通过蜂窝网络进行通信，此时一些IOT设备(例如湿度传感器，烟雾传感器)将需要处理的任务传输给若干个无人机，此时无人机从基于上述三种算法中优选其中一种来提前预判好需要将任务卸载至具体某个Fog节点上或者直接卸载至MEC服务器上，然后每一个Fog节点通过上述拉格朗日乘子法和KKT条件法求解出最优资源分配，最后无人机将任务结果反馈给对应的IOT设备。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (5)

1.一种基于边缘计算系统的无人机任务卸载和资源分配方法，其特征在于，所述边缘计算系统包括若干个无人机和若干个Fog节点；所述无人机任务卸载和资源分配方法包括以下步骤：

根据所述边缘计算系统中的所述无人机向所述Fog节点卸载任务问题以及所述Fog节点向所述无人机分配计算资源问题构建最优化无人机利益的目标函数；

计算所述目标函数得到无人机任务卸载和计算资源分配的最优解，并根据所述无人机任务卸载和计算资源分配的最优解，得到无人机利益的最优化方案，其中，所述目标函数的表达式为：

其中，

表示无人机U_i卸载任务至Fog节点F_j上所获得的利益，k_ij表示决策变量，k_ij＝{0,1}，t_ij表示无人机在时间段内执行任务的次数，R表示无人机U_i接受任务的酬金，t_f表示无人机的飞行时间，γ表示无人机的单位飞行能耗，β表示无人机的悬停参数，P表示无人机的恒定功率，t_H表示无人机的悬停时间，q表示Fog节点在时钟周期内的单元价格，f_i,j表示Fog节点分配给无人机的计算资源，f_i,j＝[0,f_j ^max],f_j ^max表示Fog节点分配的最大资源，m表示Fog节点的数量。

2.根据权利要求1所述的一种基于边缘计算系统的无人机任务卸载和资源分配方法，其特征在于，所述计算所述目标函数得到无人机任务卸载和计算资源分配的最优解，并根据所述无人机任务卸载和计算资源分配的最优解，得到无人机利益的最优化方案，包括以下步骤：

计算所述目标函数中的变量k_ij的最优解以及变量f_i,j的最优解；

基于块坐标下降法对所述变量k_ij的最优解以及所述变量f_i,j的最优解迭代计算，得到无人机利益的最优化方案。

3.根据权利要求2所述的一种基于边缘计算系统的无人机任务卸载和资源分配方法，其特征在于,计算所述目标函数中的变量k_ij的最优解的方法包括：

基于动态规划算法计算目标函数中的变量k_ij的最优解，或者基于启发式算法计算目标函数中的变量k_ij的最优解，或者基于贪心算法计算目标函数中的变量k_ij的最优解。

4.根据权利要求2所述的一种基于边缘计算系统的无人机任务卸载和资源分配方法，其特征在于，所述计算所述目标函数中的变量f_i,j的最优解的方法包括：

采用拉格朗日乘子式法和KKT条件法计算所述目标函数中的变量f_i,j的最优解。

5.根据权利要求1至4任一项所述的一种基于边缘计算系统的无人机任务卸载和资源分配方法，其特征在于，所述边缘计算系统中还包括：MEC服务器。

Images