CN111709582B - 一种无人机边缘计算资源动态优化方法、系统及存储介质 - Google Patents
一种无人机边缘计算资源动态优化方法、系统及存储介质 Download PDFInfo
- Publication number
- CN111709582B CN111709582B CN202010560712.4A CN202010560712A CN111709582B CN 111709582 B CN111709582 B CN 111709582B CN 202010560712 A CN202010560712 A CN 202010560712A CN 111709582 B CN111709582 B CN 111709582B
- Authority
- CN
- China
- Prior art keywords
- resource
- unmanned aerial
- aerial vehicle
- scheduling
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000007689 inspection Methods 0.000 claims abstract description 25
- 239000002245 particle Substances 0.000 claims abstract description 24
- 238000011084 recovery Methods 0.000 claims abstract description 19
- 238000013468 resource allocation Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000004083 survival effect Effects 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 239000012212 insulator Substances 0.000 claims description 3
- 230000008685 targeting Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 208000001613 Gambling Diseases 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种无人机边缘计算资源动态优化方法,包括以下步骤:收集变电站无人机巡检的资源拓扑图,得到初始资源分配情况;根据所述初始资源分配情况,采用多维博弈方法对调度服务器与前端的总体资源进行均衡分配;基于粒子群优化算法与多维LS‑SVM算法,以资源存活率最优为目标,实现计算及存储资源的分配、调度和回收。本发明还提出了一种应用上述方法的系统,以及一种计算机可读存储介质,其中系统包括无人机、前端和调度服务器,所述调度服务器根据所述无人机的资源拓扑数据分析得到初始资源分配情况,然后根据其自身的资源数据及所述前端的资源数据进行资源动态优化,提高了巡检分析效率,降低了数据传输压力,减轻了服务器分析负担。
Description
技术领域
本发明涉及资源动态调度技术领域,更具体地,涉及一种无人机边缘计算资源动态优化方法、系统及存储介质。
背景技术
变电站智能化改造后信息化水平得到了较大的提升,采用集控站方式对多个变电站进行管理。采用操作队的模式进行巡检,巡检密度下降,也可能带来安全隐患。
目前,在220kV以及500kV变电站已经广泛开展了无人机巡检作业,由于在变电站中空间有限,这对无人机的飞行精度要求更高,而无人机自身的搭载负荷又有限,因此变电站内无人机巡检作业的高速运动环境中面临操作要求高、数据采集单一、数据处理复杂、计算资源及存储资源应用效率低等问题。公开号为CN110380772A的专利公开了一种无人机中继系统的资源分配方法,其资源分配的对象主体为带宽资源,仍然存在数据采集单一、数据处理复杂、计算资源及存储资源应用效率低等问题。
发明内容
本发明为克服上述现有技术所述的变电站内无人机巡检作业的高速运动环境中计算资源及存储资源应用效率低的缺陷,提供一种无人机边缘计算资源动态优化方法、系统及存储介质。
为解决上述技术问题,本发明的技术方案如下:
一种无人机边缘计算资源动态优化方法,包括以下步骤:
S1:收集变电站无人机巡检的资源拓扑图,得到初始资源分配情况;
S2:根据所述初始资源分配情况,采用多维博弈方法对调度服务器与前端的总体资源进行均衡分配;
S3:基于粒子群优化算法与多维LS-SVM算法,以资源存活率最优为目标,实现计算及存储资源的分配、调度和回收。
本技术方案用于变电站无人机巡检的数据分析及资源动态优化,其通过收集变电站无人机巡检的资源拓扑图,得到无人机初始资源分配情况,然后根据无人机的飞行状态,采用多维博弈方法调度服务器与前端的总体资源,实现均衡分配,采用粒子群优化算法与多维LS-SVM算法对计算及存储资源进行分类、调度和回收,实现无人机巡检中的边缘计算资源调度的动态优化。
优选地,S1步骤中,所述资源拓扑图通过无人机在变电站不停电的情况下开展对变电站框架、母线、绝缘子设备的巡检过程中获得。
优选地,S2步骤中,其具体步骤包括:
S2.1:搭建资源分配模型:将调度服务器与前端视为博弈参与人,记为i,且i=1,2,...,n;将资源分配作为博弈策略,记为Si,且S={S1,S2,...,Sn};数据占用空间为相应的收益,记为Ui,且U={U1,U2,...,Un};均衡策略则为系统博弈后所得到的最优资源分配;
S2.2:令收益Ui为第i个参与人的总支付,U={U1,U2,...,Un}为n个参与人的总支付组合;其中,Ui=Ui[(s11,s12,...,s1m),...,(si1,si2,...,sim),...,(sn1,sn2,...,snm)],(si1,si2,...,sim)表示第i个参与人在多维均衡情况下的最优攻略,即为第i个参与人的所有可能战略中使收益Ui最大化的战略;
S2.3:在各博弈策略空间内随机生成初始可行策略s0={s10,s20,...,sn0};记si-1为除博弈参与人i以外其他博弈者的策略集合,以任意第i个参与人的收益Ui为目标,同时固定si-1不变,在属于该博弈方的策略空间si内进行单目标优化,求得最佳决策最优化博弈者收益,从而得出稳定的Nash均衡解,实现资源的均衡分配。
优选地,S3步骤中,其具体步骤包括:
S3.1:搜索调度服务器与前端的有效资源数据作为原始样本数据;
S3.2:对所述原始样本数据进行尺度变换预处理;
S3.3:利用粒子群优化算法改进基于LS-SVM算法建立的资源调度回收模型,以资源存活率最优为目标,实现计算及存储资源的分配、调度和回收。
优选地,S3.2步骤中,将所述原始样本数据变换到[a,b]范围内,预处理后的样本数据为:
其中,a、b为正整数,且a<b;xi表示原始样本数据,xmax和xmin分别表示原始样本数据中最大和最小的样本值。
优选地,S3.3步骤中,其具体步骤如下:
S3.3.1:确定LS-SVM目标函数,其中,LS-SVM目标函数的表达公式如下:
式中,f(x)为预测的样本存活率,x表示样本,αi和β为进行LS-SVM模型预测的参数;K(x,Xi)为核函数,且所述核函数必须正定且满足Mercer定理;σ为核参数;
S3.3.2:利用粒子群优化算法对LS-SVM目标函数进行参数寻优;
S3.3.3:判断资源类型,从而输出资源处理结果,完成资源的分配、调度和回收。
优选地,S3.3.2步骤中,在对LS-SVM目标函数进行参数寻优过程中,通过引入动态惯性权重ω(t)控制粒子群优化算法的局部与全局的寻优性能;其表达公式如下:
υsd(t+1)=ω(t)υsd(t)+c1(t)r1(t)(psd(t)-xsd(t))+c2(t)r2(t)(psd(t)-xsd(t))
xsd(t+1)=xsd(t)+υsd(t+1)
其中,t为进化代数,T为最大进化代数;υsd(t)表示粒子在解空间内飞行的速度;r1(t)和r2(t)分别表示期间[0,1];psd(t)表示全局最优解;xsd(t)表示当前最优解;ω1为初始惯性权值,ω2为终止惯性权值;c1(t)和c2(t)为进化代数为t时的加速常数,且c1(t)表示初值c1i线性减小到终值c1f的加速常数,c2(t)表示初值c2i线性减小到终值c2f的加速常数。
本发明还提出了一种无人机边缘计算资源动态优化系统,应用于上述一种无人机边缘计算资源动态优化方法,其包括:无人机,所述无人机包括数据采集模块和通信模块,所述无人机通过所述数据采集模块收集变电站无人机巡检的资源拓扑数据后通过通信模块发送至调度服务器中;前端,所述前端将其资源数据发送至调度服务器中;调度服务器,所述调度服务器根据所述无人机的资源拓扑数据分析得到初始资源分配情况,然后根据其自身的资源数据及所述前端的资源数据,采用多维博弈方法进行均衡分配,并基于粒子群优化算法与多维LS-SVM算法,以资源存活率最优为目标,实现计算及存储资源的分配、调度和回收。
优选地,所述调度服务器还包括反馈模块,所述反馈模块根据其计算及存储资源的分配、调度和回收结果向无人机发送资源调度结果,所述无人机根据其接收的资源调度结果进行协同巡检。
本发明还提出了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的无人机边缘计算资源动态优化方法的步骤。
与现有技术相比,本发明技术方案的有益效果是:
本发明通过将边缘计算资源动态优化方法引入到变电站无人机巡检工作中,利用多维分析及优化方法对无人机巡检中的边缘计算资源调度开展动态优化,提高巡检分析的效率,降低数据传输的压力,减轻服务器分析的负担,为保证电力系统安全稳定运行提供了一种新的数据分析手段。
附图说明
图1为实施例1的无人机边缘计算资源动态优化方法的流程图。
图2为实施例1中基于PSO算法与多维LS-SVM算法进行优化的流程图。
图3为实施例2的无人机边缘计算资源动态优化系统的结构示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提出一种无人机边缘计算资源动态优化方法,如图1所示,为本实施例的无人机边缘计算资源动态优化方法的流程图。
本实施例提出的无人机边缘计算资源动态优化方法中,包括以下步骤:
S1:收集变电站无人机巡检的资源拓扑图,得到初始资源分配情况。
本步骤中,通过无人机在变电站不停电的情况下开展对变电站框架、母线、绝缘子设备的巡检,得到巡检资源拓扑图,从而得到无人机初始资源分配情况。
S2:根据所述初始资源分配情况,采用多维博弈方法对调度服务器与前端的总体资源进行均衡分配;其具体步骤如下:
S2.1:搭建资源分配模型:将调度服务器与前端视为博弈参与人,记为i,且i=1,2,...,n;将资源分配作为博弈策略,记为Si,且S={S1,S2,...,Sn};数据占用空间为相应的收益,记为Ui,且U={U1,U2,...,Un};均衡策略则为系统博弈后所得到的最优资源分配;
S2.2:令收益Ui为第i个参与人的总支付(总效用水平),U={U1,U2,...,Un}为n个参与人的总支付组合;
由于参与人的总支付不仅取决于自己的战略选择,还取决于其他参与人的战略选择,即Ui=Ui[(s11,s12,...,s1m),...,(si1,si2,...,sim),...,(sn1,sn2,...,snm)],其中,(si1,si2,...,sim)表示第i个参与人在多维均衡情况下的最优攻略,即为第i个参与人的所有可能战略中使收益Ui最大化的战略;
S2.3:在各博弈策略空间内随机生成初始可行策略s0={s10,s20,...,sn0};记si-1为除博弈参与人i以外其他博弈者的策略集合,以任意第i个参与人的收益Ui为目标,同时固定si-1不变,在属于该博弈方的策略空间si内进行单目标优化,求得最佳决策最优化博弈者收益,从而得出稳定的Nash均衡解,实现资源的均衡分配。
S3:基于粒子群优化(Particle Swarm Optimization,PSO)算法与多维LS-SVM算法,以资源存活率最优为目标,实现计算及存储资源的分配、调度和回收;如图2所示,为本实施例中基于PSO算法与多维LS-SVM算法进行优化的流程图,其具体步骤如下:
S3.1:搜索调度服务器与前端的有效资源数据作为原始样本数据;
S3.2:对所述原始样本数据进行尺度变换预处理,以提高资源调度回收算法的泛化性;其中,将所述原始样本数据变换到[a,b]范围内,尺度变换预处理后的样本数据为:
其中,a、b为正整数,且a<b;xi表示原始样本数据,xmax和xmin分别表示原始样本数据中最大和最小的样本值;
S3.3:利用粒子群优化算法改进基于LS-SVM算法建立的资源调度回收模型,以资源存活率最优为目标,实现计算及存储资源的分配、调度和回收;具体地:
S3.3.1:确定LS-SVM目标函数,其中,LS-SVM目标函数的表达公式如下:
式中,f(x)为预测的样本存活率,x表示样本,αi和β为进行LS-SVM模型预测的参数;K(x,Xi)为核函数,且所述核函数必须正定且满足Mercer定理;σ为核参数,用于决定样本数据分布的复杂程度;
S3.3.2:利用粒子群优化算法对LS-SVM目标函数进行参数寻优,即粒子以速度υs=[υs1,υs2,...,υsd]T在解空间内飞行,且该粒子速度可按照其历史行为进行动态调整,因此粒子有主见向其最优搜索位置趋近的倾向。通过引入动态惯性权重ω(t)控制粒子群优化算法的局部与全局的寻优性能;其表达公式如下:
υsd(t+1)=ω(t)υsd(t)+c1(t)r1(t)(psd(t)-xsd(t))+c2(t)r2(t)(psd(t)-xsd(t))
xsd(t+1)=xsd(t)+υsd(t+1)
其中,t为进化代数,T为最大进化代数;υsd(t)表示粒子在解空间内飞行的速度;r1(t)和r2(t)分别表示期间[0,1];psd(t)表示全局最优解;xsd(t)表示当前最优解;ω1为初始惯性权值,ω2为终止惯性权值;c1(t)和c2(t)为进化代数为t时的加速常数,且c1(t)表示初值c1i线性减小到终值c1f的加速常数,c2(t)表示初值c2i线性减小到终值c2f的加速常数;
S3.3.3:判断资源类型,从而输出资源处理结果,完成资源的分配、调度和回收。
本实施例中提出的无人机边缘计算资源动态优化方法,其目的在于克服无人机在高速运动环境中计算资源、存储资源应用效率低的问题,旨在实现计算资源、存储资源的最优分配、调度和回收,提高无人机在变电站巡检过程中的资源利用率,减轻数据传输以及服务器的计算负担。本实施例通过将边缘计算资源动态优化方法引入到变电站无人机巡检工作中,利用多维分析及优化方法对无人机巡检中的边缘计算资源调度开展动态优化,提高巡检分析的效率,降低数据传输的压力,减轻服务器分析的负担,为保证电力系统安全稳定运行提供了一种新的数据分析手段。
本实施例还包括一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本实施例提出的无人机边缘计算资源动态优化方法中的步骤。
实施例2
本实施例提出一种无人机边缘计算资源动态优化系统,应用实施例1提出的无人机边缘计算资源动态优化方法。如图3所示,为本实施例的无人机边缘计算资源动态优化系统的结构示意图。
本实施例中提出的无人机边缘计算资源动态优化系统中,包括:
无人机1,无人机1包括数据采集模块11和通信模块12,无人机1通过通信模块12将采集模块11采集的资源数据发送至调度服务器3中;
前端2,前端2与调度服务器3通信连接,用于将其资源数据发送至调度服务器3中
调度服务器3,包括反馈模块31,调度服务器3通过反馈模块31将其资源优化结果发送至无人机1中。
在具体实施过程中,无人机1通过数据采集模块11收集变电站无人机1巡检的资源拓扑数据后通过通信模块12发送至调度服务器3中;前端2将其资源数据发送至调度服务器3中;调度服务器3根据无人机1的资源拓扑数据分析得到初始资源分配情况,然后根据其自身的资源数据及前端2的资源数据,采用多维博弈方法进行均衡分配,并基于粒子群优化算法与多维LS-SVM算法,以资源存活率最优为目标,实现计算及存储资源的分配、调度和回收;调度服务器3中的反馈模块31根据其计算及存储资源的分配、调度和回收结果向无人机1发送资源调度结果,无人机1根据其接收的资源调度结果进行协同巡检。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种无人机边缘计算资源动态优化方法,其特征在于,包括以下步骤:
S1:收集变电站无人机巡检的资源拓扑图,得到初始资源分配情况;
S2:根据所述初始资源分配情况,采用多维博弈方法对调度服务器与前端的总体资源进行均衡分配;其具体步骤如下:
S2.1:搭建资源分配模型:将调度服务器与前端视为博弈参与人,记为i,且i=1,2,...,n,n为博弈参与人总数;将资源分配作为博弈策略,记为Si,且资源分配的集合记为S={S1,S2,...,Sn};数据占用空间为相应的收益,记为Ui,且收益集合记为U={U1,U2,...,Un};均衡策略则为系统博弈后所得到的最优资源分配;
S2.2:令收益Ui为第i个参与人的总支付,U={U1,U2,...,Un}为n个参与人的总支付组合;其中,Ui=Ui[(s11,s12,...,s1m),...,(si1,si2,...,sim),...,(sn1,sn2,...,snm)],(si1,si2,...,sim)表示第i个参与人在第m维均衡情况下的最优攻略,即为第i个参与人的所有可能战略中使收益Ui最大化的战略;
S2.3:在各博弈策略空间内随机生成初始可行策略s0={s10,s20,...,sn0};记si-1为除博弈参与人i以外其他博弈者的策略集合,以任意第i个参与人的收益Ui为目标,同时固定si-1不变,在属于该博弈方的策略空间si内进行单目标优化,求得最佳决策si *最优化博弈者收益,从而得出稳定的Nash均衡解,实现资源的均衡分配;
S3:基于粒子群优化算法与多维LS-SVM算法,以资源存活率最优为目标,实现计算及存储资源的分配、调度和回收;其具体步骤包括:
S3.1:搜索调度服务器与前端的有效资源数据作为原始样本数据;
S3.2:对所述原始样本数据进行尺度变换预处理;其中,将所述原始样本数据变换到[a,b]范围内,预处理后的样本数据为:
其中,a、b为正整数,且a<b;xi表示第i个博弈参与人的原始样本数据,xmax和xmin分别表示原始样本数据中最大和最小的样本值;Xi表示经过预处理的第i个博弈参与人的样本数据;
S3.3:利用粒子群优化算法改进基于LS-SVM算法建立的资源调度回收模型,以资源存活率最优为目标,实现计算及存储资源的分配、调度和回收;其具体步骤如下:
S3.3.1:确定LS-SVM目标函数,其中,LS-SVM目标函数的表达公式如下:
式中,f(x)为预测的样本存活率,x表示样本,αi和β为进行LS-SVM模型预测的参数;K(x,Xi)为核函数,且所述核函数必须正定且满足Mercer定理;σ为核参数;
S3.3.2:利用粒子群优化算法对LS-SVM目标函数进行参数寻优;其中,在对LS-SVM目标函数进行参数寻优过程中,通过引入动态惯性权重ω(t)控制粒子群优化算法的局部与全局的寻优性能;其表达公式如下:
υsd(t+1)=ω(t)υsd(t)+c1(t)r1(t)(psd(t)-xsd(t))+c2(t)r2(t)(psd(t)-xsd(t))
xsd(t+1)=xsd(t)+υsd(t+1)
其中,t为进化代数,T为最大进化代数;υsd(t)表示粒子在解空间内飞行的速度;r1(t)和r2(t)分别表示期间[0,1];psd(t)表示全局最优解;xsd(t)表示当前最优解;ω1为初始惯性权值,ω2为终止惯性权值;c1(t)和c2(t)为进化代数为t时的加速常数,且c1(t)表示初值c1i线性减小到终值c1f的加速常数,c2(t)表示初值c2i线性减小到终值c2f的加速常数;
S3.3.3:判断资源类型,从而输出资源处理结果,完成资源的分配、调度和回收。
2.根据权利要求1所述的无人机边缘计算资源动态优化方法,其特征在于:所述S1步骤中,所述资源拓扑图通过无人机在变电站不停电的情况下开展对变电站框架、母线、绝缘子设备的巡检过程中获得。
3.一种无人机边缘计算资源动态优化系统,应用于权利要求1或2所述的无人机边缘计算资源动态优化方法,其特征在于,包括:
无人机,所述无人机包括数据采集模块和通信模块,所述无人机通过所述数据采集模块收集变电站无人机巡检的资源拓扑数据后通过通信模块发送至调度服务器中;
前端,所述前端将其资源数据发送至调度服务器中;
调度服务器,所述调度服务器根据所述无人机的资源拓扑数据分析得到初始资源分配情况,然后根据其自身的资源数据及所述前端的资源数据,采用多维博弈方法进行均衡分配,并基于粒子群优化算法与多维LS-SVM算法,以资源存活率最优为目标,实现计算及存储资源的分配、调度和回收。
4.根据权利要求3所述的无人机边缘计算资源动态优化系统,其特征在于:所述调度服务器还包括反馈模块,所述反馈模块根据其计算及存储资源的分配、调度和回收结果向无人机发送资源调度结果,所述无人机根据其接收的资源调度结果进行协同巡检。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至2中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010560712.4A CN111709582B (zh) | 2020-06-18 | 2020-06-18 | 一种无人机边缘计算资源动态优化方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010560712.4A CN111709582B (zh) | 2020-06-18 | 2020-06-18 | 一种无人机边缘计算资源动态优化方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709582A CN111709582A (zh) | 2020-09-25 |
CN111709582B true CN111709582B (zh) | 2021-12-17 |
Family
ID=72541657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010560712.4A Active CN111709582B (zh) | 2020-06-18 | 2020-06-18 | 一种无人机边缘计算资源动态优化方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709582B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113282368B (zh) * | 2021-05-25 | 2023-03-28 | 国网湖北省电力有限公司检修公司 | 一种用于变电站巡视的边缘计算资源调度方法 |
CN114465872B (zh) * | 2021-12-24 | 2023-07-25 | 苏州浪潮智能科技有限公司 | 一种边缘计算资源的调整方法、装置、设备及存储介质 |
CN114531193B (zh) * | 2022-01-04 | 2023-11-10 | 无锡市市政设施养护管理有限公司 | 基于无人机蜂窝拓扑组网和移动边缘计算的桥梁状态监测方法 |
CN114385371B (zh) * | 2022-03-23 | 2022-06-10 | 广东电网有限责任公司中山供电局 | 变电站巡检动态终端边缘计算框架构建方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109067490A (zh) * | 2018-09-29 | 2018-12-21 | 郑州航空工业管理学院 | 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 |
CN109996247A (zh) * | 2019-03-27 | 2019-07-09 | 中国电子科技集团公司信息科学研究院 | 网络化资源调配方法、装置、设备及存储介质 |
CN110708713A (zh) * | 2019-10-29 | 2020-01-17 | 安徽大学 | 一种采用多维博弈的移动边缘计算移动端能效优化方法 |
CN110969096A (zh) * | 2019-11-07 | 2020-04-07 | 国电南京自动化股份有限公司 | 基于粒子群优化支持向量机的电机故障模式诊断方法 |
-
2020
- 2020-06-18 CN CN202010560712.4A patent/CN111709582B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109067490A (zh) * | 2018-09-29 | 2018-12-21 | 郑州航空工业管理学院 | 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 |
CN109996247A (zh) * | 2019-03-27 | 2019-07-09 | 中国电子科技集团公司信息科学研究院 | 网络化资源调配方法、装置、设备及存储介质 |
CN110708713A (zh) * | 2019-10-29 | 2020-01-17 | 安徽大学 | 一种采用多维博弈的移动边缘计算移动端能效优化方法 |
CN110969096A (zh) * | 2019-11-07 | 2020-04-07 | 国电南京自动化股份有限公司 | 基于粒子群优化支持向量机的电机故障模式诊断方法 |
Non-Patent Citations (1)
Title |
---|
Computing Resource Allocation of Mobile Edge Computing Networks Based on Potential Game Theory;Heng Liu 等;《2018 IEEE 4th International Conference on Computer and Communications (ICCC)》;20190801;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111709582A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709582B (zh) | 一种无人机边缘计算资源动态优化方法、系统及存储介质 | |
CN113282368A (zh) | 一种用于变电站巡视的边缘计算资源调度方法 | |
CN114520768B (zh) | 一种用于工业物联网中随机任务的ai卸载优化方法 | |
CN110334157B (zh) | 一种云计算管理系统 | |
Liao et al. | Energy minimization for UAV swarm-enabled wireless inland ship MEC network with time windows | |
CN114638155A (zh) | 一种基于智能机场的无人机任务分配与路径规划方法 | |
CN113691594A (zh) | 一种基于二阶导数解决联邦学习中数据不平衡问题的方法 | |
Shao et al. | Delay and energy consumption oriented UAV inspection business collaboration computing mechanism in edge computing based electric power IoT | |
Tan et al. | A DoS attack intensity-aware adaptive critic design of frequency regulation for EV-integrated power grids | |
CN108770014B (zh) | 网络服务器的计算评估方法、系统、装置及可读存储介质 | |
Sun et al. | Semantic-driven computation offloading and resource allocation for uav-assisted monitoring system in vehicular networks | |
CN113824161B (zh) | 一种DoS攻击下的交直流微电网集群系统控制方法 | |
CN116109058A (zh) | 一种基于深度强化学习的变电站巡视管理方法和装置 | |
CN114938013A (zh) | 一种电动汽车集群参与配电网协调控制的方法及装置 | |
CN114385371A (zh) | 变电站巡检动态终端边缘计算框架构建方法及系统 | |
CN114401195A (zh) | 服务器的容量调整方法及装置、存储介质及电子设备 | |
Gao et al. | MO-AVC: Deep Reinforcement Learning Based Trajectory Control and Task Offloading in Multi-UAV Enabled MEC Systems | |
Zeballos et al. | Achieving fairness for EV charging in overload: a fluid approach | |
CN113159540A (zh) | 一种考虑负荷价值的需求侧资源梯级调用方法及装置 | |
Cui et al. | Online container scheduling for low-latency iot services in edge cluster upgrade: A reinforcement learning approach | |
CN111784029A (zh) | 一种雾节点资源分配方法 | |
CN115640106B (zh) | 一种面向多无人机指挥控制的人机功能分配方法及系统 | |
Guo et al. | Cloud-Edge Collaborative Computing Offloading Method for IoT Terminals | |
Alam et al. | Communication-efficient allocation of multiple indivisible resources in a federated multi-agent system | |
Li et al. | Real-time Scheduling of Virtual Power System Based on the Hidden Markov Model |
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 |