CN112399375A - 基于终端能效优化的无人机辅助边缘计算的卸载方法 - Google Patents

基于终端能效优化的无人机辅助边缘计算的卸载方法 Download PDF

Info

Publication number
CN112399375A
CN112399375A CN202010563076.0A CN202010563076A CN112399375A CN 112399375 A CN112399375 A CN 112399375A CN 202010563076 A CN202010563076 A CN 202010563076A CN 112399375 A CN112399375 A CN 112399375A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
user terminal
iteration
task
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.)
Granted
Application number
CN202010563076.0A
Other languages
English (en)
Other versions
CN112399375B (zh
Inventor
余雪勇
朱烨
牛文巾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010563076.0A priority Critical patent/CN112399375B/zh
Publication of CN112399375A publication Critical patent/CN112399375A/zh
Application granted granted Critical
Publication of CN112399375B publication Critical patent/CN112399375B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—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]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于终端能效优化的无人机辅助边缘计算的卸载方法，通过一种基于块坐标下降的全局优化算法，联合优化了用户终端本地计算的任务量、计算卸载的任务量以及无人机的轨迹，并讨论了不同信道条件下对用户终端能耗的优化效果，最终构建了一个了以最小化用户终端的能耗为目标，以用户的任务量、时延需求以及无人机的能源为约束的无人机辅助边缘计算模型，本发明充分利用了本地和边缘侧的计算资源，提高了用户终端的能效，并且考虑了用户终端本地计算的时延，保证了任务时间内本地和边缘侧计算的同步完成，提高了方法的有效性。此外，还验证了方法在不同信道条件下都具备有效性和可靠性，具备更广泛的实际应用场景。

Description

基于终端能效优化的无人机辅助边缘计算的卸载方法
技术领域
本发明发明涉及计算机无线通信技术领域，特别涉及一种基于终端能效优化的无人机辅助边缘计算的卸载方法。
背景技术
随着物联网(Internet of Things，IoT)技术的发展，萌生了许多移动端的应用服务，例如增强现实(AR)、虚拟现实(VR)、人脸识别以及轻量级的深度学习应用等。这些应用服务往往时延敏感且需要用户终端具备较强的计算能力。而对于移动用户的终端设备，其有限的能量和计算能力无法很好的满足用户的应用需求。
移动边缘计算(Mobile Edge Computing，MEC)技术通过将服务器部署在移动用户的边缘侧，使资源受限的用户终端可以将计算密集型任务卸载到边缘服务器去执行，大大减缓了用户终端的计算压力。但是，复杂的环境会带来高昂的基础设施部署成本。尤其对于农村及偏远地区和抢险救灾的环境，部署大量静态服务器辅助用户终端进行边缘计算显得不切实际。这种复杂环境下，移动服务器的适用性显然比静态服务器更强。
近来，无人机(Unmanned Aerial Vehicle，UAV)由于在移动性和成本上的优势被应用到无线通信网络中。但是，无人机有限的尺寸与载重会导致其无法保持长时间的高空飞行，其运动姿态和运动速度的改变也会带来额外的能耗。此外，地面用户与无人机之间的信道条件会直接影响用户终端与无人机通信产生的能耗，这就需要根据用户终端的位置合理规划无人机的飞行轨迹。
基于上述无人机在无线通信网络中应用的前景，近年来相关学者对无人机辅助边缘计算的问题进行了研究。
S.Jeong,O.Simeone and J.Kang在其发表的论文"Mobile Edge Computing viaa UAV-Mounted Cloudlet:Optimization of Bit Allocation and Path Planning"(IEEETransactions on Vehicular Technology,2018.)中提出了无人机作为移动cloudlet辅助地面用户终端执行计算密集型任务。文中采用全卸载的策略，通过联合优化比特分配方案和无人机的飞行轨迹，研究了不同的接入条件下，用户终端能耗最小化的问题。
Y.Qian,F.Wang,J.Li等人在其发表的论文"User Association and PathPlanning for UAV-Aided Mobile Edge Computing With Energy Restriction"(IEEEWireless Communications Letters,2019.)对卸载策略做出了改进。文中通过引入二进制变量规定了用户是否进行卸载，是本地计算还是卸载计算。此外，充分考虑了服务质量(QoS)，差异化了用户之间任务的复杂度，以QoS指标以及无人机的能量为约束，最大化用户终端计算卸载的数据量。
J.Xiong,H.Guo and J.Liu在其发表的论文"Task Offloading in UAV-AidedEdge Computing:Bit Allocation and Trajectory Optimization,"(IEEECommunications Letters, 2019.)对无人机辅助边缘计算系统做出了改进。文中划分了无人机通信和无人机计算任务的运动状态，通信时沿轨迹飞行而计算时悬停。以时延、无人机能耗以及用户终端的任务数据量为约束，联合优化比特分配方案和无人机轨迹，最小化用户终端的能耗。
在上述研究中，存在以下几点问题：1)无论是全卸载策略，还是二进制卸载策略，用户终端的任务在同一时刻只能在本地或边缘侧执行，这导致了同一时刻另一侧的计算资源的浪费。2)忽略了任务过程中用户终端本地计算的时延。这可能会导致用户计算卸载和本地计算不同步完成的后果。3)缺乏对用户终端与无人机之间信道条件优劣的讨论。在信道条件不稳定的情况下，无法保证提出的模型与方案仍具备有效性和可靠性。
发明内容
发明目的：本发明的目的是提供一种基于终端能效优化的无人机辅助边缘计算的卸载方法，能够构建一个以最小化用户终端的能耗为目标，以用户的任务量、时延需求以及无人机的能源为约束的无人机辅助边缘计算模型。
技术方案：本发明所述的基于终端能效优化的无人机辅助边缘计算的卸载方法，包括有以下步骤：
S1:初始化用户终端和无人机的配置信息；
S2:设置迭代次数变量以及初始化无人机轨迹；
S3:根据初始化的条件，获得初始的目标函数值；
S4:优化计算卸载任务量的分配；
S5:优化无人机的轨迹；
S6:判断第次迭代时得到目标函数值与第次迭代得到的目标函数值的差值是否小于设定的容错阈值ε，若是执行步骤S7，否则迭代次数加一，返回步骤S4；
S7:获得最优的本地计算的任务量
Figure BDA0002546830480000021
最优的计算卸载的任务量
Figure BDA0002546830480000022
无人机的最优轨迹
Figure BDA0002546830480000023
以及最小的用户终端能耗值。
作为优选，所述S1中用户终端和无人机配置的信息包括：任务时长T、时间帧
Figure BDA0002546830480000024
用户终端数量K、用户终端k的具体位置zk＝(xk,yk,0),k∈K、用户终端k的任务量Lk、用户终端k的计算能力fk、用户终端k任务的复杂度Ck、用户终端k处理器的有效开关电容γk、无人机的飞行高度H、无人机的瞬时位置q[n]＝(x[n],y[n],H),n∈N、无人机的起点位置q0和终点位置qf、无人机速度
Figure BDA0002546830480000031
无人机速度的上限值 vmax、无人机的质量M、无人机的计算能力fc、无人机的有效开关电容γc、无线信道带宽B、用户终端k与无人机之间的平均信道增益
Figure BDA0002546830480000032
误差阈值ε。
作为优选，所述S2中设置迭代次数标量以及初始化无人机轨迹包括以下步骤：
S2.1:设置一个迭代次数变量i，其初始值i＝0；
S2.2:设置无人机的初始轨迹为起点到终点的一条直线，无人机在飞行过程中保持匀速，由于迭代尚未开始，将初始化的无人机轨迹在第n帧的位置表示为qn[i＝0]。
作为优选，所述S3中获得初始的目标函数值包括有以下步骤：
S3.1:获取用户终端k在第n帧计算卸载所产生的通信能耗
Figure BDA0002546830480000033
S3.2:获取用户终端k在第n帧本地计算的能耗
Figure BDA0002546830480000034
S3.3:获取无人机在第n帧处理用户终端k卸载的任务产生的能耗
Figure BDA0002546830480000035
S3.4:获取无人机在第n帧飞行产生的推进能耗Ef[n]；
S3.5:通过S3.1-S3.4得到用户终端的能耗
Figure BDA0002546830480000036
代入S2初始化的无人机轨迹qn[i＝0]，获取初始的用户终端的能耗F[i＝0]。
作为优选，所述S4中优化计算卸载任务量的分配的具体方法为：根据给定的无人机轨迹qn[i]，利用凸优化工具计算第i次迭代时最优的本地计算的任务量和最优的计算卸载的任务量，分别记作
Figure BDA0002546830480000037
和
Figure BDA0002546830480000038
作为优选，所述S5中优化无人机的轨迹的具体方法为：给定本地计算的任务量
Figure BDA0002546830480000039
和计算卸载的任务量
Figure BDA00025468304800000310
利用凸优化工具计算第i次迭代时无人机的最优轨迹
Figure BDA00025468304800000311
作为优选，所述S6的具体方法为：将第i次迭代时得到目标函数值与第次迭代得到的目标函数值进行比较，若差值在范围[-ε,ε]内，则迭代结束，执行S7；反之，迭代次数i＝i+1，并将S5中得到的无人机的最优轨迹
Figure BDA00025468304800000312
作为给定的无人机轨迹 qn[i+1]，返回执行S4。
有益效果：本发明与现有技术相比具有以下有点：
第一、本发明在计算卸载策略上，采用部分卸载策略，即用户终端在计算卸载的同时，保留一部分任务在本地进行计算，以充分利用两侧的计算资源，提高了用户终端的能效。
第二、本发明考虑了用户终端本地计算的时延，保证了用户计算卸载和本地计算的同步完成，提高了方法的有效性。
第三、本发明提出的方法在不同信道条件下都具备有效性和可靠性，具备更广泛的实际应用场景。
附图说明
图1是无人机辅助边缘计算的系统示意图；
图2是本发明的流程示意图。
具体实施方式
下面结合说明书附图对本发明做进一步的详细说明。
如图1所示，无人机辅助边缘计算系统由安装边缘计算服务器的无人机和地面个用户终端组成。其中，每个用户终端都具备一定的计算能力，满足本地执行简单任务的需求。相对地，无人机具备极强的计算能力，能够快速完成计算密集型任务，为用户终端提供边缘计算服务。在系统中，每个用户终端都能够同时进行本地计算和计算卸载。相似地，无人机也能够在飞行的同时，执行用户终端卸载到无人机的任务。
假设用户终端的任务可以被分割，放置到用户本地和无人机边缘计算服务器上执行，由此我们采用部分卸载策略，联合优化用户终端本地计算的任务量、计算卸载的任务量以及无人机的轨迹，最小化用户终端的能耗。
基于上述的描述，用户终端的能耗问题可以描述为P1：
Figure BDA0002546830480000051
在P1中，C1规定了无人机的能量上限，C2保证了所有用户终端的任务都能在时长T内被完成，C3保证了用户终端k本地计算能够在时长T内结束，C4保证了在任意一帧内用户终端k的任务量都是非负的，C5规定了无人机飞行轨迹的起点和终点，C6限制了无人机飞行的速度。
由于问题P1的目标函数是非凸的，问题P1具有非凸性。为了解决这个非凸问题，本发明提出了一种基于块坐标下降的全局优化算法。Yun，S.，Tseng，P.&Toh，K.在其发表的论文“A block coordinate gradient descent method for regularized convexseparable optimization and covariance selection”(Mathematical Programming，2011.)中提出的块坐标下降法在解决优化问题时，一次只更新一个或几个变量块。这相对于一次更新所有的变量块复杂度低的得多。
为了运用块坐标下降法，首先需要将目标问题P1分解成若干个凸的子问题，而后分别通过凸优化算法进行求解，最后利用基于块坐标下降的全局优化算法得到用户终端能耗的最小值。
由于用户终端计算卸载所产生的通信能耗
Figure BDA0002546830480000052
既与无人机的轨迹q[n]相关，也与计算卸载的任务量
Figure BDA0002546830480000053
相关，这导致了目标函数的非凸性。为了进一步根据优化变量将目标问题分解成子问题，首先需要对
Figure BDA0002546830480000054
进行形式上的改写：
Figure BDA0002546830480000061
由于用户终端本地计算的能耗
Figure BDA0002546830480000062
仅与本地计算的任务量
Figure BDA0002546830480000063
相关，因此，
Figure BDA0002546830480000064
可以改写成如下形式：
Figure BDA0002546830480000065
依此，问题P1可以改写成如下形式：
Figure BDA0002546830480000066
问题P1.1实质上被分成了两个子问题，分别是计算卸载任务量的分配问题和无人机的轨迹优化问题。
结合附图2对本发明的具体流程描述如下：
S1:初始化用户终端和无人机的配置信息，其中用户终端和无人机配置的信息包括：任务时长T、时间帧
Figure BDA0002546830480000067
用户终端数量K、用户终端k的具体位置zk＝(xk,yk,0),k∈K、用户终端k的任务量Lk、用户终端k的计算能力fk、用户终端k任务的复杂度Ck、用户终端k处理器的有效开关电容γk、无人机的飞行高度H、无人机的瞬时位置 q[n]＝(x[n],y[n],H),n∈N、无人机的起点位置q0和终点位置qf、无人机速度
Figure BDA0002546830480000068
无人机速度的上限值vmax、无人机的质量M、无人机的计算能力 fc、无人机的有效开关电容γc、无线信道带宽B、用户终端k与无人机之间的平均信道增益
Figure BDA0002546830480000069
误差阈值ε；
S2:设置一个迭代次数变量i，其初始值i＝0；设置无人机的初始轨迹为起点到终点的一条直线，无人机在飞行过程中保持匀速，由于迭代尚未开始，将初始化的无人机轨迹在第n帧的位置表示为qn[i＝0]；
S3：根据初始化的条件，获得初始的目标函数值，具体包括以下步骤：
S3.1：获取用户终端k在第n帧计算卸载所产生的通信能耗
Figure BDA0002546830480000071
S3.2：获取用户终端k在第n帧本地计算的能耗
Figure BDA0002546830480000072
S3.3：获取无人机在第n帧处理用户终端k卸载的任务产生的能耗
Figure BDA0002546830480000073
S3.4：获取无人机在第n帧飞行产生的推进能耗Ef[n]；
S3.5：通过S3.1-S3.4得到用户终端的能耗
Figure BDA0002546830480000074
代入S2初始化的无人机轨迹qn[i＝0]，获取初始的用户终端的能耗F[i＝0]；
S4：优化计算卸载任务量的分配，具体方法为：给定了无人机的轨迹qn[i]，则问题P1.1转变成一个以用户终端本地计算的任务量和计算卸载的任务量为优化变量，最小化用户终端能耗的问题。因此，可以将问题P1.1改写如下的形式：
Figure BDA0002546830480000075
由于f0和f1都是凸函数，问题P2的目标函数可以看作是两个凸函数之和，依然具有凸性质。对于问题P2，可以利用CVX工具，通过标准凸优化技术进行求解，得到第i次迭代时第n帧用户终端k最优的本地计算的任务量
Figure BDA0002546830480000076
以及最优的计算卸载的任务量
Figure BDA0002546830480000077
S5：优化无人机的轨迹，具体方法为：以问题P2中解得的第i次迭代时第n帧用户终端k最优的本地计算的任务量
Figure BDA0002546830480000078
和最优的计算卸载的任务量
Figure BDA0002546830480000079
为基础，问题P1.1可以转变为以无人机的轨迹为优化变量，最小化用户终端能耗的问题。因此，可以进一步将问题P1.1改写成问题P3：
Figure BDA0002546830480000081
问题P3的目标函数是关于q[n]的凸函数，且限制条件也是凸的，因此问题P3是一个凸问题。对于问题P3，同样可以利用CVX工具，通过标准凸优化算法进行求解，得到第i次迭代时无人机最优的位置
Figure BDA0002546830480000082
S6：将第i次迭代时得到目标函数值与第i-1次迭代得到的目标函数值进行比较，若差值在阈值范围[-ε，ε]内，则迭代结束，执行步骤S7；反之，迭代次数i＝i+1，并将步骤S5中得到的无人机的最优轨迹
Figure BDA0002546830480000083
作为给定的无人机轨迹qn[i+1]，返回执行步骤S4；
S7：获得最优的本地计算的任务量
Figure BDA0002546830480000084
最优的计算卸载的任务量
Figure BDA0002546830480000085
无人机的最优轨迹
Figure BDA0002546830480000086
以及最小的用户终端能耗值值。
综上所述，本发明考虑了一种无人机辅助地面用户终端进行边缘计算的场景，采用部分卸载策略，充分利用了两侧的计算资源，提高了用户终端的能效，并且考虑了用户终端本地计算的时延，保证了任务时间内本地和边缘侧计算的同步完成，提高了方法的有效性，此外，还验证了方法在不同信道条件下都具备有效性和可靠性，具备更广泛的实际应用场景。

Claims (7)

1.基于终端能效优化的无人机辅助边缘计算的卸载方法，其特征在于：包括有以下步骤：
S1:初始化用户终端和无人机的配置信息；
S2:设置迭代次数变量以及初始化无人机轨迹；
S3:根据初始化的条件，获得初始的目标函数值；
S4:优化计算卸载任务量的分配；
S5:优化无人机的轨迹；
S6:判断第i次迭代时得到目标函数值与第i-1次迭代得到的目标函数值的差值是否小于设定的容错阈值ε，若是执行步骤S7，否则迭代次数加一，返回步骤S4；
S7:获得最优的本地计算的任务量
Figure FDA0002546830470000011
最优的计算卸载的任务量
Figure FDA0002546830470000012
无人机的最优轨迹
Figure FDA0002546830470000013
以及最小的用户终端能耗值。
2.根据权利要求1所述的基于终端能效优化的无人机辅助边缘计算的卸载方法，其特征在于：所述S1中用户终端和无人机配置的信息包括：任务时长T、时间帧
Figure FDA0002546830470000014
用户终端数量K、用户终端k的具体位置zk＝(xk,yk,0),k∈K、用户终端k的任务量Lk、用户终端k的计算能力fk、用户终端k任务的复杂度Ck、用户终端k处理器的有效开关电容γk、无人机的飞行高度H、无人机的瞬时位置q[n]＝(x[n],y[n],H),n∈N、无人机的起点位置q0和终点位置qf、无人机速度
Figure FDA0002546830470000015
无人机速度的上限值vmax、无人机的质量M、无人机的计算能力fc、无人机的有效开关电容γc、无线信道带宽B、用户终端k与无人机之间的平均信道增益
Figure FDA0002546830470000016
误差阈值ε。
3.根据权利要求1所述的基于终端能效优化的无人机辅助边缘计算的卸载方法，其特征在于：所述S2中设置迭代次数标量以及初始化无人机轨迹包括以下步骤：
S2.1:设置一个迭代次数变量i，其初始值i＝0；
S2.2:设置无人机的初始轨迹为起点到终点的一条直线，无人机在飞行过程中保持匀速，由于迭代尚未开始，将初始化的无人机轨迹在第n帧的位置表示为qn[i＝0]。
4.根据权利要求1所述的基于终端能效优化的无人机辅助边缘计算的卸载方法，其特征在于：所述S3中获得初始的目标函数值包括有以下步骤：
S3.1:获取用户终端k在第n帧计算卸载所产生的通信能耗
Figure FDA0002546830470000021
S3.2:获取用户终端k在第n帧本地计算的能耗
Figure FDA0002546830470000022
S3.3:获取无人机在第n帧处理用户终端k卸载的任务产生的能耗
Figure FDA0002546830470000023
S3.4:获取无人机在第n帧飞行产生的推进能耗Ef[n]；
S3.5:通过S3.1-S3.4得到用户终端的能耗
Figure FDA0002546830470000024
代入S2初始化的无人机轨迹qn[i＝0]，获取初始的用户终端的能耗F[i＝0]。
5.根据权利要求1所述的基于终端能效优化的无人机辅助边缘计算的卸载方法，其特征在于：所述S4中优化计算卸载任务量的分配的具体方法为：根据给定的无人机轨迹qn[i]，利用凸优化工具计算第i次迭代时最优的本地计算的任务量和最优的计算卸载的任务量，分别记作
Figure FDA0002546830470000025
和
Figure FDA0002546830470000026
6.根据权利要求1所述的基于终端能效优化的无人机辅助边缘计算的卸载方法，其特征在于：所述S5中优化无人机的轨迹的具体方法为：给定本地计算的任务量
Figure FDA0002546830470000027
和计算卸载的任务量
Figure FDA0002546830470000028
利用凸优化工具计算第i次迭代时无人机的最优轨迹
Figure FDA0002546830470000029
7.根据权利要求1所述的基于终端能效优化的无人机辅助边缘计算的卸载方法，其特征在于：所述S6的具体方法为：将第i次迭代时得到目标函数值与第i-1次迭代得到的目标函数值进行比较，若差值在范围[-ε,ε]内，则迭代结束，执行S7；反之，迭代次数i＝i+1，并将S5中得到的无人机的最优轨迹
Figure FDA00025468304700000210
作为给定的无人机轨迹qn[i+1]，返回执行S4。
CN202010563076.0A 2020-06-19 2020-06-19 基于终端能效优化的无人机辅助边缘计算的卸载方法 Active CN112399375B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010563076.0A CN112399375B (zh) 2020-06-19 2020-06-19 基于终端能效优化的无人机辅助边缘计算的卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010563076.0A CN112399375B (zh) 2020-06-19 2020-06-19 基于终端能效优化的无人机辅助边缘计算的卸载方法

Publications (2)

Publication Number Publication Date
CN112399375A true CN112399375A (zh) 2021-02-23
CN112399375B CN112399375B (zh) 2023-01-31

Family

ID=74602970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010563076.0A Active CN112399375B (zh) 2020-06-19 2020-06-19 基于终端能效优化的无人机辅助边缘计算的卸载方法

Country Status (1)

Country Link
CN (1) CN112399375B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112995913A (zh) * 2021-03-08 2021-06-18 南京航空航天大学 一种无人机轨迹、用户关联和资源分配联合优化方法
CN113282352A (zh) * 2021-06-02 2021-08-20 南京邮电大学 基于多无人机协同辅助边缘计算的节能卸载方法
CN113472426A (zh) * 2021-07-01 2021-10-01 云南大学 一种公平感知任务调度和资源分配方法
CN113625751A (zh) * 2021-08-05 2021-11-09 南京航空航天大学 面向空地一体联邦学习的无人机位置与资源联合优化方法
CN113825177A (zh) * 2021-10-08 2021-12-21 北京邮电大学 一种对多无人机辅助边缘计算系统的控制方法及控制系统
CN116993183A (zh) * 2023-09-27 2023-11-03 电子科技大学中山学院 无人机辅助边缘计算中概率性计算卸载的服务优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108966286A (zh) * 2018-07-11 2018-12-07 郑州航空工业管理学院 无人机辅助移动边缘计算系统及其信息比特分配方法
CN109947545A (zh) * 2019-03-11 2019-06-28 重庆邮电大学 一种基于用户移动性的任务卸载及迁移的决策方法
CN110868455A (zh) * 2019-10-29 2020-03-06 北京邮电大学 一种基于空天地远程物联网的计算卸载方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108966286A (zh) * 2018-07-11 2018-12-07 郑州航空工业管理学院 无人机辅助移动边缘计算系统及其信息比特分配方法
CN109947545A (zh) * 2019-03-11 2019-06-28 重庆邮电大学 一种基于用户移动性的任务卸载及迁移的决策方法
CN110868455A (zh) * 2019-10-29 2020-03-06 北京邮电大学 一种基于空天地远程物联网的计算卸载方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JINGYU XIONG等: "Task Offloading in UAV-Aided Edge Computing: Bit Allocation and Trajectory Optimization", 《IEEE COMMUNICATIONS LETTERS》 *
SEONGAH JEONG等: "Mobile Edge Computing via a UAV-Mounted Cloudlet: Optimization of Bit Allocation and Path Planning", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 *
朱烨: "基于无人机辅助边缘计算的节能卸载策略研究", 《中国硕士学位论文全文数据库(电子期刊) 信息科技辑》 *
燕武: "基于移动边缘计算的无人机能耗优化研究", 《中国硕士学位论文全文数据库(电子期刊) 信息科技辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112995913A (zh) * 2021-03-08 2021-06-18 南京航空航天大学 一种无人机轨迹、用户关联和资源分配联合优化方法
CN113282352A (zh) * 2021-06-02 2021-08-20 南京邮电大学 基于多无人机协同辅助边缘计算的节能卸载方法
CN113282352B (zh) * 2021-06-02 2023-07-07 南京邮电大学 基于多无人机协同辅助边缘计算的节能卸载方法
CN113472426A (zh) * 2021-07-01 2021-10-01 云南大学 一种公平感知任务调度和资源分配方法
CN113625751A (zh) * 2021-08-05 2021-11-09 南京航空航天大学 面向空地一体联邦学习的无人机位置与资源联合优化方法
CN113625751B (zh) * 2021-08-05 2023-02-24 南京航空航天大学 面向空地一体联邦学习的无人机位置与资源联合优化方法
CN113825177A (zh) * 2021-10-08 2021-12-21 北京邮电大学 一种对多无人机辅助边缘计算系统的控制方法及控制系统
CN113825177B (zh) * 2021-10-08 2023-12-26 北京邮电大学 一种对多无人机辅助边缘计算系统的控制方法及控制系统
CN116993183A (zh) * 2023-09-27 2023-11-03 电子科技大学中山学院 无人机辅助边缘计算中概率性计算卸载的服务优化方法
CN116993183B (zh) * 2023-09-27 2023-12-29 电子科技大学中山学院 无人机辅助边缘计算中概率性计算卸载的服务优化方法

Also Published As

Publication number Publication date
CN112399375B (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
CN112399375B (zh) 基于终端能效优化的无人机辅助边缘计算的卸载方法
CN112995913B (zh) 一种无人机轨迹、用户关联和资源分配联合优化方法
Zhang et al. Resource allocation for a UAV-enabled mobile-edge computing system: Computation efficiency maximization
CN112351503B (zh) 基于任务预测的多无人机辅助边缘计算资源分配方法
CN113568675B (zh) 一种基于分层强化学习的车联网边缘计算任务卸载方法
CN111787509B (zh) 边缘计算中基于强化学习的无人机任务卸载方法及系统
CN110602633B (zh) 一种面向爆发性流量的移动边缘计算无人机群辅助通信方法
CN110429973B (zh) 一种无人机与地面基站协同计算卸载及优化方法
CN112118287B (zh) 基于交替方向乘子算法与移动边缘计算的网络资源优化调度决策方法
CN114153572A (zh) 一种星地协作网络中分布式深度学习的计算卸载方法
CN113346944A (zh) 空天地一体化网络中时延最小化计算任务卸载方法及系统
CN113282352B (zh) 基于多无人机协同辅助边缘计算的节能卸载方法
CN112631335B (zh) 一种基于事件触发的多四旋翼无人机固定时间编队方法
CN114169234A (zh) 一种无人机辅助移动边缘计算的调度优化方法及系统
CN115827108A (zh) 基于多目标深度强化学习的无人机边缘计算卸载方法
CN116257335A (zh) 无人机辅助mec系统联合任务调度及运动轨迹优化方法
CN114521002A (zh) 一种云边端合作的边缘计算方法
Li et al. DNN Partition and Offloading Strategy with Improved Particle Swarm Genetic Algorithm in VEC
CN116634466A (zh) 基于无人机协同多接入边缘计算任务卸载与资源分配方法
CN112911618A (zh) 一种基于资源退出场景的无人机服务器任务卸载调度方法
CN112579285A (zh) 面向边缘网络的分布式神经网络协同优化方法
CN115833907A (zh) 多无人机辅助mec系统中联合轨迹、卸载和资源分配优化方法
CN112579290A (zh) 一种基于无人机的地面终端设备的计算任务迁移方法
CN116208968B (zh) 基于联邦学习的轨迹规划方法及装置
CN116737391A (zh) 一种联邦模式下基于混合策略的边缘计算协作方法

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