CN112512063A - 基于射频能量收集的无人机协助边缘计算的资源分配方法 - Google Patents

Abstract

本发明涉及一种基于射频能量收集的无人机协助边缘计算的资源分配方法，其特征在于，包括以下步骤:步骤S1:构建射频能量收集的MEC系统网络结构；步骤S2:计算用户从远程环境射频源收集的总能量；步骤S3:获取将计算任务卸载至无人机或基站所需的传输时延；步骤S4：计算用户任务卸载至无人机或基站的能量消耗；步骤S5：获取执行系统用户计算任务所需的计算时延；步骤S6：计算执行系统用户计算任务的能量消耗；步骤S7：构建能量消耗、计算资源、子载波比例系数和发射功率的预设约束；步骤S8：根据预设约束，构建系统消耗能量最小化的优化模型；步骤S9：采用遗传算法和非线性规划结合的方法，求解系统最佳分配结果，并得到系统能量消耗值。

Description

基于射频能量收集的无人机协助边缘计算的资源分配方法

技术领域

本发明涉及无线通信技术和移动边缘计算领域，具体涉及一种基于射频能量收集的无人机协助边缘计算的资源分配方法。

背景技术

随着物联网的快速发展，如今移动用户能够亲身体验到各项新兴的智能应用，能享受到人脸识别和智能家居带来的便利，移动在线游戏、增强现实具有的高质量服务，但这些智能应用的延迟非常敏感，对时延要求高，待处理的数据量大。因此需要移动用户具有很大的计算能力，能及时处理大量数据。但移动设备的大小有限制，电池容量有限，计算能力也较低，因此，移动设备要在满足用户的高质量需求下执行这些应用具有很大的挑战性。

射频能量收集是一种可从环境射频信号收集能量的技术，能为用户设备持续地提供能量。移动边缘计算可以将用户的计算任务卸载给计算能力更强的边缘服务器，能够显著减少用户的能量消耗。因此，将MEC和无线能量传输(wireless power transfer,WPT)两种技术结合能够解决上述移动设备存在的问题。另外，通过设计资源分配优化策略，可以高效使用收集的能量。因此，研究结合MEC的能量收集系统的资源分配问题，对提升系统性能具有重要意义。

然而，现有研究假设边缘服务器有足够的计算资源，没有考虑到用户请求的计算任务超出边缘服务器计算能力的情况。因此，当用户的计算任务超出边缘服务器计算能力上限时，如何为用户继续提供边缘计算服务，是亟待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于射频能量收集的无人机协助边缘计算的资源分配方法以解决用户请求的计算任务超出地面基站边缘计算服务器计算能力的问题，联合分配用户计算资源，发射功率和系统带宽，以实现系统能量最小化。

为实现上述目的，本发明采用如下技术方案：

一种基于射频能量收集的无人机协助边缘计算的资源分配方法，包括以下步骤:

步骤S1:构建射频能量收集的MEC系统网络结构；

步骤S2:计算用户从远程环境射频源收集的总能量；

步骤S3:获取将计算任务卸载至无人机或基站所需的传输时延；

步骤S4：计算用户任务卸载至无人机或基站的能量消耗；

步骤S5：获取无人机或基站执行系统用户计算任务所需的计算时延；

步骤S6：计算无人机或基站执行系统用户计算任务的能量消耗；

步骤S7：构建能量消耗、计算资源、子载波比例系数和发射功率的预设约束；

步骤S8：根据预设约束，构建系统消耗能量最小化的优化模型；

步骤S9：采用遗传算法和非线性规划结合的方法，求解系统消耗能量最小化的优化模型，得计算资源、发射功率和系统带宽的最佳分配结果，并将最佳分配结果代入系统能量消耗函数得到系统能量消耗值。

进一步的，所述步骤S1具体为：

步骤S11:构建射频能量收集的MEC系统，包括无人机、基站BS1、基站BS2、用户设备和电视塔；

步骤S21:在基站BS1和无人机上装MEC服务器，为用户提供MEC服务，基站BS2和电视塔为远程环境射频源，设i＝{1,2,3，...I}表示有时延敏感型任务的用户集；

用户坐标为w_i＝(x_i,y_i,0)^T，基站BS1坐标为b＝(x_b,y_b,H_b)^T，无人机坐标为q＝(x_q,y_q,H_q)^T，l个发射机的坐标为(x_l,y_l,H_l)^T，计算用户i和基站BS1的距离为

用户i和发射机l距离

用户i和无人机的距离表示为

进一步的，所述步骤S2具体为：根据下式，计算用户i从远程环境射频源收集的总能量

其中，η为用户从环境射频源收集能量时的能量转换效率，P_l和G_l为环境射频l(l＝1,2,L,L)的发射功率和发射天线增益，

为用户i的接收天线增益，c为电磁波速度，f_l为环境射频源l的发射频率。

进一步的，所述步骤S3具体为：设α_i＝{0，1}表示用户i的卸载决策；

当α_i＝1时，表示用户i将计算任务卸载至基站边缘计算服务器；根据下式，建模用户i将任务卸载至基站所需传输时延

其中D_i为用户i卸载的计算任务的数据量，r_ib表示用户i卸载至基站BS1边缘计算服务器的传输速率，建模为

其中，B为信道带宽，p_ib是用户i将计算任务卸载至基站BS1边缘计算服务器时的传输功率，g_ib用户与基站链路的信道增益，N₀为噪声功率；

当α_i＝0，表示用户i将计算任务卸载至无人机边缘计算服务器，根据下式建模用户i将计算任务卸载至无人机所需传输时延

其中r_iu表示用户i卸载至无人机的传输速率建模为

p_iu是用户i将计算任务卸载至无人机的传输功率，g_iu用户i与无人机链路的信道增益。

进一步的，所述步骤S4具体为：根据公式

计算用户i将计算任务卸载至基站边缘计算服务器能量消耗；根据公式

计算用户i卸载至无人机能量消耗。

进一步的，所述步骤S5具体为：

根据下式，计算基站执行系统用户i计算任务所需的计算时延

其中，F_i为用户i完成计算任务需要的计算资源，f_ib为基站边缘计算服务器给用户i任务分配的计算资源；

根据下式，计算无人机执行系统用户i任务所需的计算时延

其中，f_iu为无人机给用户i任务分配的计算资源。

进一步的，所述步骤S6具体为：

根据下式，计算基站执行系统用户i计算任务的能量消耗

其中，Υ为用户有效的CPU开关电容；

根据下式，计算无人机执行系统用户i计算任务的能量消耗

进一步的，所述步骤S7具体为：

能量限制条件为

资源分配限制条件为

功率分配限制条件为

其中，

表示用户i任务卸载至基站MEC服务器最大发射功率，

表示用户i任务卸载至无人机最大发射功率；子载波分配比例系数限制条件建模为0<σ_i<1；

为基站MEC服务器最大的计算资源，

为无人机服务器最大的计算资源。

进一步的，所述步骤S8具体为：在满足计算资源、能量消耗和发射功率的约束条件下，以系统消耗能量最小化为目标，确定优化资源分配策略，即

进一步的，所述步骤S9具体为：

步骤S91:用二进制编码将变量参数编码为染色体,假设种群规模大小为P，将I个用户的子载波比例因子、用户发射功率和用户分配到的计算资源定义为个体的染色体，个体p(p＝1,2,L,P)的染色体向量为

其中，

表示基站或无人机给第i个用户计算资源分配结果、第i个用户卸载任务给基站或无人机的发射功率、第i个用户的子载波比例分配系数，表示为：

步骤S92:根据适应度函数计算适应值。通过惩罚函数法将目标函数的不等式约束的非线性问题转化成求解无约束问题，适应度函数由目标函数和惩罚函数组成，表达式为：F_i(f_ib,f_iu,p_ib,p_iu,σ_i)＝f_obj(f_ib,f_iu,p_ib,p_iu,σ_i)+γf_pen(f_ib,f_iu,p_ib,p_iu,σ_i)其中，f_obj(f_ib,f_iu,p_ib,p_iu,σ_i)为目标函数，γ是惩罚因子，f_pen(f_ib,f_iu,p_ib,p_iu,σ_i)为惩罚函数，表达式为：

其中，max(·,·)表示在两个数值之间取较大的一个数值；

步骤S93:基于适应度进行选取重组个体，选择采用轮盘选择法，适应度值越高的被选取的概率越大；采用单点交叉法对重组个体进行交叉，使得两个配对的染色体在其交叉点处相互交换其部分染色体，从而形成两个新的个体；再采用非均匀变异法对个体上的某个或某些位值进行改变；

步骤S94:判断当前进化次数是否为N的倍数，如果是将进行非线性规划局部寻优；否则判断是否达到终止条件，得到次优解；

步骤S95:将遗传算法进化到N的倍数后得到的初始值采用非线性规划的外罚函数法进行局部搜索寻优，以得到全局最优解。

本发明与现有技术相比具有以下有益效果：

1、本发明在保证所有用户能在一定时延要求下完成计算任务，联合优化了发射功率、系统带宽和计算资源的分配问题，与固定用户发射功率或固定计算资源或固定子载波分配比例系数相比，频谱利用率更高，实现系统消耗能量消耗最小，提高系统性能。

2、本发明在求解优化模型时采用结合遗传算法和非线性规划结合的方法，求解建立的非线性规划问题，以获得最优解。一方面采用遗传算法进行全局搜索，另一方面将遗传算法进化一定代数后得到的初始值采用非线性规划的罚函数法进行局部搜索寻优，以得到全局最优解。与传统的遗传算法相比，收敛速度更快，不容易陷入局部最优解，有效避免得到的是次优解。

附图说明

图1是本发明一实施例中射频能量收集的MEC系统网络结构结构示意图；

图2是本发明一实施例中基于遗传算法和非线性规划资源优化的流程图；

图3是本发明方法流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

请参照图3，本发明提供一种基于射频能量收集的无人机协助边缘计算的资源分配方法，包括以下步骤:

步骤S1:构建射频能量收集的MEC系统网络结构；如图1所示，包括无人机、基站BS1、基站BS2、用户设备和电视塔；

边缘服务器部署在无人机和基站BS1上，可为用户提供MEC服务。基站和用户位于地面，无人机以固定高度H部署在基站BS1附近，协助基站BS1处理用户计算任务。

基站BS1、BS2由传统电网提供电能，终端用户i(i＝1,2,...I)装有能量收集电路，因此I个终端用户卸载计算任务的同时可从远程环境射频源(基站BS2、电视塔)收集能量。假设用户i(i＝1,2,...I)的任务到达服从参数为λ的泊松分布，每个用户i都有一个计算密集型任务需要完成，表示为U_i＝(F_i,D_i,T)，D_i为用户i上传的计算任务的数据，F_i为用户i任务需要的计算资源，T为用户完成任务的最大延迟约束。考虑到移动用户本身的计算能力不强，CPU主频相对于MEC服务器较小，对于平均计算密度高的任务，用户本地处理任务时间长，易超出计算任务时延约束且耗电大，因此本发明不考虑用户本地处理，用户将其计算任务卸载至基站或无人机MEC服务器处理。

在本实施例中，采用欧几里得坐标，用户坐标w_i＝(x_i,y_i,0)^T基站BS1坐标b＝(x_b,y_b,H_b)^T，无人机坐标q＝(x_q,y_q,H_q)^T，l个发射机坐标(x_l,y_l,H_l)^T，用户i和基站BS1距离

用户i和发射机l距离

用户i和无人机的距离

步骤S2:根据下式，计算用户i从远程环境射频源收集的总能量

其中，η为用户从环境射频源收集能量时的能量转换效率，P_l和G_l为环境射频l(l＝1,2,L,L)的发射功率和发射天线增益，

为用户i的接收天线增益，c为电磁波速度，f_l为环境射频源l的发射频率。

步骤S3:设α_i＝{0，1}表示用户i的卸载决策；

当α_i＝1时，表示用户i将计算任务卸载至基站边缘计算服务器；根据下式，建模用户i将任务卸载至基站所需传输时延

其中D_i为用户i卸载的计算任务的数据量，r_ib表示用户i卸载至基站BS1边缘计算服务器的传输速率，建模为

其中，B为信道带宽，p_ib是用户i将计算任务卸载至基站BS1边缘计算服务器时的传输功率，g_ib用户与基站链路的信道增益，N₀为噪声功率；

当α_i＝0，表示用户i将计算任务卸载至无人机边缘计算服务器，根据下式建模用户i将计算任务卸载至无人机所需传输时延

其中r_iu表示用户i卸载至无人机的传输速率建模为

p_iu是用户i将计算任务卸载至无人机的传输功率，g_iu用户i与无人机链路的信道增益。

步骤S4：根据公式

计算用户i将计算任务卸载至基站边缘计算服务器能量消耗；根据公式

计算用户i卸载至无人机能量消耗；

步骤S5：根据下式，计算基站执行系统用户i计算任务所需的计算时延

其中，F_i为用户i完成计算任务需要的计算资源，f_ib为基站边缘计算服务器给用户i任务分配的计算资源；

根据下式，计算无人机执行系统用户i任务所需的计算时延

其中，f_iu为无人机给用户i任务分配的计算资源。

步骤S6：根据下式，计算基站执行系统用户i计算任务的能量消耗

其中，Υ为用户有效的CPU开关电容；

根据下式，计算无人机执行系统用户i计算任务的能量消耗

步骤S7：构建能量消耗、计算资源、子载波比例系数和发射功率的预设约束，具体为：

能量限制条件为

资源分配限制条件为

功率分配限制条件为

其中，

表示用户i任务卸载至基站MEC服务器最大发射功率，

表示用户i任务卸载至无人机最大发射功率；子载波分配比例系数限制条件建模为0<σ_i<1；

为基站MEC服务器最大的计算资源，

为无人机服务器最大的计算资源

步骤S8：根据预设约束，构建系统消耗能量最小化的优化模型；在满足计算资源、能量消耗和发射功率的约束条件下，以系统消耗能量最小化为目标，确定优化资源分配策略，即

参考图2，在本实施例中，采用遗传算法和非线性规划结合的方法，求解系统消耗能量最小化的优化模型，得计算资源、发射功率和系统带宽的最佳分配结果，并将最佳分配结果代入系统能量消耗函数得到系统能量消耗值。具体为：

步骤1:用二进制编码将变量参数编码为染色体,假设种群规模大小为P，将I个用户的子载波比例因子、用户发射功率和用户分配到的计算资源定义为个体的染色体，个体p(p＝1,2,L,P)的染色体向量为

其中，

表示基站或无人机给第i个用户计算资源分配结果、基站或无人机给第i个用户功率分配为：

步骤2:根据适应度函数计算适应值。通过惩罚函数法将目标函数的不等式约束的非线性问题转化成求解无约束问题，适应度函数由目标函数和惩罚函数组成，表达式为：F_i(f_ib,f_iu,p_ib,p_iu,σ_i)＝f_obj(f_ib,f_iu,p_ib,p_iu,σ_i)+γf_pen(f_ib,f_iu,p_ib,p_iu,σ_i)其中，f_obj(f_ib,f_iu,p_ib,p_iu,σ_i)为目标函数，γ是惩罚因子，f_pen(f_ib,f_iu,p_ib,p_iu,σ_i)为惩罚函数，表达式为：

其中，max(·,·)表示在两个数值之间取较大的一个数值；

步骤3:基于适应度进行选取重组个体，选择采用轮盘选择法，适应度值越高的被选取的概率越大；采用单点交叉法对重组个体进行交叉，使得两个配对的染色体在其交叉点处相互交换其部分染色体，从而形成两个新的个体；再采用非均匀变异法对个体上的某个或某些位值进行改变；

步骤4:判断当前进化次数是否为N的倍数，如果是将进行非线性规划局部寻优；否则判断是否达到终止条件，得到次优解；

步骤5:将遗传算法进化到N的倍数后得到的初始值采用非线性规划的外罚函数法进行局部搜索寻优，以得到全局最优解。优选的，具体实现步骤如下：

(1):将有约束极值转化为无约束极值的辅助函数，数学模型如下:

F_i((f_ib,f_iu,p_ib,p_iu,σ_i),M_k)＝f_obj(f_ib,f_iu,p_ib,p_iu,σ_i)+M_kf_pen(f_ib,f_iu,p_ib,p_iu,σ_i)

其中M_k是一个充分大的惩罚因子。

(2):当迭代次数为N的倍数时，将此时的种群个体作为迭代的初始值X⁰,X包含f_ib,f_iu,p_ib,p_iu,σ_i五个自变量，放大系数c＞1，允许误差ε＞0，置k＝1；

(3):利用最速下降法求解无约束问题min F_i(X,M_k)的极值X^k；

①:计算最速下降方向：即搜索方向，沿着负梯度方向进行搜索：

②：从X^k-1出发，延d^(k-1)的方向对种群初始值进行搜索，应求出步长λ_k-1，步长λ_k-1满足F_i(X^(k-1)+λ_k-1d^(k-1))＝min F_i(X^(k-1)+λd^(k-1))

③:由X^(k)＝X^(k-1)+λ_k-1d^(k-1)可得到极值点X^k

(4):检验迭代准则，若M_kf_pen(X^k)＜ε则停止迭代，得到的X^(k)为最优解，把寻找到的局部最优值作为新个体染色体继续进化。否则M_k+1＝cM_k,k＝k+1返回步骤(3)。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (10)

1.一种基于射频能量收集的无人机协助边缘计算的资源分配方法，其特征在于，包括以下步骤:

步骤S1:构建射频能量收集的MEC系统网络结构；

步骤S2:计算用户从远程环境射频源收集的总能量；

步骤S3:获取将计算任务卸载至无人机或基站所需的传输时延；

步骤S4：计算将用户任务卸载至无人机或基站的能量消耗；

步骤S5：获取无人机或基站执行系统用户计算任务所需的计算时延；

步骤S6：计算无人机或基站执行系统用户计算任务的能量消耗；

步骤S7：构建能量消耗、计算资源、子载波比例系数和发射功率的预设约束；

步骤S8：根据预设约束，构建系统消耗能量最小化的优化模型；

步骤S9：采用遗传算法和非线性规划结合的方法，求解系统消耗能量最小化的优化模型，得计算资源、发射功率和系统带宽的最佳分配结果，并将最佳分配结果代入系统能量消耗函数得到系统能量消耗值。

2.根据权利要求1所述的基于射频能量收集的无人机协助边缘计算的资源分配方法，其特征在于，所述步骤S1具体为：

步骤S11:构建射频能量收集的MEC系统，包括无人机、基站BS1、基站BS2、用户设备和电视塔；

步骤S21:在基站BS1和无人机上装MEC服务器，为用户提供MEC服务，基站BS2和电视塔为远程环境射频源，设i＝{1,2,3，...I}表示有时延敏感型任务的用户集；

用户坐标为w_i＝(x_i,y_i,0)^T，基站BS1坐标为b＝(x_b,y_b,H_b)^T，无人机坐标为q＝(x_q,y_q,H_q)^T，l个发射机的坐标为(x_l,y_l,H_l)^T，计算用户i和基站BS1的距离为

用户i和发射机l距离

用户i和无人机的距离表示为

3.根据权利要求1所述的基于射频能量收集的无人机协助边缘计算的资源分配方法，其特征在于，所述步骤S2具体为：根据下式，计算用户从远程环境射频源收集的总能量

其中，η为用户从环境射频源收集能量时的能量转换效率，P_l和G_l为环境射频l(l＝1,2,L,L)的发射功率和发射天线增益，

为用户i的接收天线增益，c为电磁波速度，f_l为环境射频源l的发射频率。

4.根据权利要求1所述的基于射频能量收集的无人机协助边缘计算的资源分配方法，其特征在于，所述步骤S3具体为：设α_i＝{0，1}表示用户i的卸载决策；

当α_i＝1时，表示用户i将计算任务卸载至基站边缘计算服务器；根据下式，建模用户i将任务卸载至基站所需传输时延

其中D_i为用户i卸载的计算任务的数据量，r_ib表示用户i卸载至基站BS1边缘计算服务器的传输速率，建模为

其中，B为信道带宽，p_ib是用户i将计算任务卸载至基站BS1边缘计算服务器时的传输功率，g_ib用户与基站链路的信道增益，N₀为噪声功率；

当α_i＝0，表示用户i将计算任务卸载至无人机边缘计算服务器，根据下式建模用户i将计算任务卸载至无人机所需传输时延

其中r_iu表示用户i卸载至无人机的传输速率建模为

p_iu是用户i将计算任务卸载至无人机的传输功率，g_ib用户i与无人机链路的信道增益。

5.根据权利要求1所述的基于射频能量收集的无人机协助边缘计算的资源分配方法，其特征在于，所述步骤S4具体为：根据公式

计算用户i将计算任务卸载至基站边缘计算服务器能量消耗；根据公式

计算用户i卸载至无人机能量消耗。

6.根据权利要求1所述的基于射频能量收集的无人机协助边缘计算的资源分配方法，其特征在于，所述步骤S5具体为：

根据下式，计算基站执行系统用户i计算任务所需的计算时延

其中，F_i为用户i完成计算任务需要的计算资源，f_ib为基站边缘计算服务器给用户i任务分配的计算资源；

根据下式，计算无人机执行系统用户i任务所需的计算时延

其中，f_iu为无人机给用户i任务分配的计算资源。

7.根据权利要求1所述的基于射频能量收集的无人机协助边缘计算的资源分配方法，其特征在于，所述步骤S6具体为：

根据下式，计算基站执行系统用户i计算任务的能量消耗

其中，Υ为用户有效的CPU开关电容；

根据下式，计算无人机执行系统用户i计算任务的能量消耗

8.根据权利要求1所述的基于射频能量收集的无人机协助边缘计算的资源分配方法，其特征在于，所述步骤S7具体为：

能量限制条件为

资源分配限制条件为

功率分配限制条件为

其中，

表示用户i任务卸载至基站MEC服务器最大发射功率，

表示用户i任务卸载至无人机最大发射功率；子载波分配比例系数限制条件建模为0<σ_i<1；

为基站MEC服务器最大的计算资源，

为无人机服务器最大的计算资源。

9.根据权利要求1所述的基于射频能量收集的无人机协助边缘计算的资源分配方法，其特征在于，所述步骤S8具体为：在满足计算资源、能量消耗和发射功率的约束条件下，以系统消耗能量最小化为目标，确定优化资源分配策略，即

10.根据权利要求1所述的基于射频能量收集的无人机协助边缘计算的资源分配方法，其特征在于，所述步骤S9具体为：

步骤S91:用二进制编码将变量参数编码为染色体,假设种群规模大小为P，将I个用户的子载波比例因子、用户发射功率和用户分配到的计算资源定义为个体的染色体，个体p(p＝1,2,L,P)的染色体向量为

其中，

表示基站或无人机给第i个用户计算资源分配结果、第i个用户卸载任务给基站或无人机的发射功率、第i个用户的子载波比例分配系数，表示为：

步骤S92:根据适应度函数计算适应值。通过惩罚函数法将目标函数的不等式约束的非线性问题转化成求解无约束问题，适应度函数由目标函数和惩罚函数组成，表达式为：

F_i(f_ib,f_iu,p_ib,p_iu,σ_i)＝f_obj(f_ib,f_iu,p_ib,p_iu,σ_i)+γf_pen(f_ib,f_iu,p_ib,p_iu,σ_i)

其中，f_obj(f_ib,f_iu,p_ib,p_iu,σ_i)为目标函数，γ是惩罚因子，f_pen(f_ib,f_iu,p_ib,p_iu,σ_i)为惩罚函数，表达式为：

其中，max(·,·)表示在两个数值之间取较大的一个数值；

步骤S93:基于适应度进行选取重组个体，选择采用轮盘选择法，适应度值越高的被选取的概率越大；采用单点交叉法对重组个体进行交叉，使得两个配对的染色体在其交叉点处相互交换其部分染色体，从而形成两个新的个体；再采用非均匀变异法对个体上的某个或某些位值进行改变；

步骤S94:判断当前进化次数是否为N的倍数，如果是将进行非线性规划局部寻优；否则判断是否达到终止条件，得到次优解；

步骤S95:将遗传算法进化到N的倍数后得到的初始值采用非线性规划的外罚函数法进行局部搜索寻优，以得到全局最优解。

Images