CN112579290B - 一种基于无人机的地面终端设备的计算任务迁移方法 - Google Patents

Abstract

本发明公开了一种基于无人机的地面终端设备的计算任务迁移方法，所述地面终端设备基于优化分配方案将自身的部分计算任务卸载到无人机搭载的边缘服务器，地面终端设备本地执行自身的部分计算任务，同时无人机搭载的边缘服务器执行所有地面终端设备卸载的计算任务；其中，通过构建优化问题并求解得到所述优化分配方案，所述优化问题为：以无人机和所有地面终端设备的计算任务总量最大化为目标，以每个地面终端设备的能量限制、无人机的能量限制、带宽资源限制为约束条件。本发明通过联合优化带宽分配、无人机轨迹以及卸载时间和本地计算分配，使整个系统的总计算量最大化。

Description

一种基于无人机的地面终端设备的计算任务迁移方法

技术领域

本发明涉及无人机边缘计算优化问题，具体涉及一种基于无人机的地面终端设备的计算任务迁移方法。

背景技术

另一方面，由于互联网的高速发展，数据量变得越来越大，很多数据不再在本地进行存储与计算，而是逐步转至“云端”，也就出现了云计算以及云存储等服务。可是随着一些对延时十分敏感的应用(例如在线游戏，增强现实等)出现，云计算也慢慢暴露出其无法解决的缺点。由于提供云计算的服务器往往与终端之间距离较远，对于一些计算结果不能尽快返回(尤其是在并发量高和网络出现拥塞的情况下)，就会造成用户体验很差。为了解决这个问题，近两年来，也就产生了边缘计算这一概念，即在网络边缘部署较多计算以及存储节点，这样就能大大缩短空间上的距离，相当于将云服务器移到近用户侧，弥补了云计算延迟较高的缺陷。

地面终端设备将部分计算任务卸载至边缘计算服务器中进行计算，但是由于边缘计算服务器一般都是固定在网络中某个特定的节点，且距离终端有一定的空间距离，这就会造成任务计算量低，返回计算结果时延较大，甚至会导致结果丢失，继而降低用户的体验质量(Quality ofExperience,QoE)。

由于电子产品的成本逐渐降低，之前属于高端科技产品的无人机也逐渐走入平民百姓家中。而工业无人机由于其高度灵活性被广泛应用于各个领域，例如：快递配送、高空航拍、农业植保、军事侦察等等。逐渐地也就有人提出了利用无人机搭载移动基站悬停在区域上空，为地面用户提供蜂窝网络接入服务的想法。无人机使能的移动基站的优势在于可以随时随地部署，降低了建设固定基站设施的成本。例如，在大型的体育赛事、音乐会等现场，网络接入需求量激增，这时就可部署多架无人机移动基站位于场地上空，辅助附近现有的静止基站提供蜂窝网络连接的服务，使用户体验更好。另外，在一些由于地形的原因而使得数据传输链路中阻碍物较多，无线信号传播困难的场景下，无人机可以作为一个中继，对接收到的信号进行放大并前传。

因此，最近无人机结合边缘计算的方式正逐渐成为一个热门话题，利用无人机搭载边缘计算服务器对特定区域范围内的用户进行任务数据卸载并计算，这样就可以将边缘计算的与无人机高灵活性的优势相结合。可以对一些还未部署边缘计算节点的地区灵活地提供边缘计算服务，既达到了降低成本的目标，也提升了用户的QoE。

发明内容

本发明提供一种基于无人机的地面终端设备的计算任务迁移方法，在地面设备能量有限、无人机能量有限、带宽资源有限等约束条件下，通过联合优化带宽分配、无人机轨迹以及卸载时间和本地计算分配，使整个系统的总计算量最大化。

为实现上述技术目的，本发明采用如下技术方案：

一种基于无人机的地面终端设备的计算任务迁移方法，所述地面终端设备基于优化分配方案将自身的部分计算任务卸载到无人机搭载的边缘服务器，地面终端设备本地执行自身的部分计算任务，同时无人机搭载的边缘服务器执行所有地面终端设备卸载的计算任务；

其中，通过构建优化问题并求解得到所述优化分配方案，所述优化问题为：以无人机和所有地面终端设备的计算任务总量最大化为目标，以每个地面终端设备的能量限制、无人机的能量限制、带宽资源限制为约束条件。

进一步的，所述优化问题具体为P1：

s.t.q_I＝q_F (2)

其中，为第k个地面终端设备在第n个时隙内卸载到无人机的计算任务量，R_k[n]为第k个地面终端设备在第n个时隙内卸载任务的速率，/>为第k个地面终端设备在第n个时隙内卸载任务的时长；

为第k个地面终端设备在第n个时隙内本地的计算任务量，f_loc为地面终端设备本地的计算频率，/>为第k个地面终端设备在第n个时隙内执行本地计算任务的时长，C_k为第k个地面终端设备CPU计算用户1bit的任务需要转的圈数；

K表示无人机总共接收K个地面终端设备的计算任务，N为无人机协助地面终端设备执行计算任务的飞行周期所划分的时隙总数量；

q_I和为q_F分别为无人机协助地面终端设备执行计算任务的起点位置和终点位置；

v[n]为无人机在第n个时隙时的速度，q[n+1]和q[n]为无人机在第n+1和n个时隙时的位置，δ为每个时隙的时长，v_max为无人机的最大限制速度；

B_k[n]为第k个地面终端设备在第n个时隙内分得的带宽大小，B0为系统中的总带宽大小；

表示无人机在第n个时隙内执行第k个地面终端设备卸载的计算任务的计算能耗，/>γ_h为无人机搭载的边缘服务器的有效电容开关系数；C_h为无人机搭载的边缘服务器CPU计算1bit的任务需要转的圈数，f_C为边缘服务器的计算频率；

E^F[n]表示无人机在第n个时隙内的飞行能耗，E^F[n]＝κ(v[n])²，κ为系数，取κ＝0.5Mδ，M为无人机质量；

E^U表示无人机的最大能量限制；

表示第k个地面终端设备在第n个时隙内执行本地计算任务的计算能耗，γ_k为第k个地面终端设备本地CPU的有效电容开关系数；

表示第k个地面终端设备在第n个时隙内卸载任务的卸载能耗，p_k为第k个地面终端设备将计算任务卸载到无人机的数据传输功率；

E_k表示第k个地面终端设备的最大能量限制。

进一步的，利用块坐标下降法对优化问题P1进行分解，得到有关于所有地面终端设备的带宽分配B、无人机轨迹q和每个地面终端设备的卸载与本地计算的时间分配t这3个参数的子问题；然后交替迭代优化每个子问题，最终得到整个优化问题P1的最优解，即为最终求解得到的优化分配方案。

进一步的，在任意给定的无人机轨迹q和每个地面终端设备的卸载与本地计算时间分配t的条件下，优化问题P1重新写成有关于所有地面终端设备的带宽分配B的子问题P2：

在任意给定的所有地面终端设备的带宽分配B和每个地面终端设备的卸载与本地计算时间分配t的条件下，优化问题P1重新写成有关于无人机轨迹q的子问题P3：

s.t.q_I＝q_F (13)

在任意给定的所有地面终端设备的带宽分配B和无人机飞行轨迹q的条件下，优化问题P1重新写成有关于每个地面终端设备的卸载与本地计算的时间分配t的子问题P4：

进一步的，交替迭代优化每个子问题得到整个优化问题P1的最优解的方法为：

(1)任意地设置无人机初始轨迹为q⁰，每个地面终端设备在每个时隙内卸载任务与本地计算的初始时长比例为初始带宽分配为B⁰，当前迭代次数初始化为r＝0；

(2)给定无人机轨迹q^r和地面终端设备卸载任务与本地计算时长分配t^r，通过子问题P2优化所有地面终端设备的带宽分配去最大化总计算量，得到第r次迭代的带宽分配优化结果B^r+1；

(3)更新当前带宽分配B^r为B^r+1；

(4)给定带宽分配B^r和地面终端卸载任务与本地计算时长分配t^r，通过子问题P3优化无人机轨迹去最大化总计算量，得到第r次迭代的无人机轨迹优化结果q^r+1；

(5)更新无人机轨迹q^r为q^r+1；

(6)给定带宽分配B^r和无人机轨迹q^r，通过子问题P4优化地面终端设备卸载任务与本地计算的时长分配去最大化总计算量，得到第r次迭代的时长分配t^r+1；

(7)更新地面终端设备卸载任务与本地计算的时长分配t^r为t^r+1；

(8)返回步骤(2)循环迭代，直到系统总计算量收敛至不再增长。

进一步的，子问题P2和子问题P4的目标函数均为线性的，约束条件也都是凸约束，直接使用Matlab中的CVX工具箱进行优化求解；

子问题P3的求解过程为：

引入一个松弛变量可以得到

另外，利用在给定点进行一阶泰勒展开得到：

||q[n]-z_k||²≥||q^r[n]-z_k||²+2(q^r[n]-z_k)^T(q[n]-z_k) (22)

根据表达式(21)(22)可将问题P1由子问题P3转化为以下子问题P3-1：

s.t.q_I＝q_F (24)

S_k[n]≤||q^r[n]-z_k||²+2(q^r[n]-z_k)^T(q[n]-z_k) (26)

基于子问题P3-1中的目标函数为线性的，约束也都是凸约束，直接使用Matlab中的CVX工具箱进行优化求解。

有益效果

本发明的有益效果为：

本发明以无人机和所有地面终端设备的计算任务总量最大化为目标，以每个地面终端设备的能量限制、无人机的能量限制、带宽资源限制为约束条件，构建优化问题，从而求解得到优化分配方案。因此，在地面设备能量有限、无人机能量有限、带宽资源有限等约束条件下，通过联合优化带宽分配、无人机轨迹以及卸载时间和本地计算分配，可以使整个系统的总计算量最大化。地面终端设备根据自身与无人机在某个时隙的位置距离大小，结合自身的能量限制去决定是否卸载计算任务以及卸载计算任务的大小；无人机根据自身的最大能量限制去调整飞行轨迹，满足能耗的同时提供系统总计算任务量。

附图说明

图1为本发明实施例的系统模型图；

图2为本发明实施例在不同的电池电量限制下的无人机最优轨迹图。

图3为本发明实施例的无人机不同的最大电池电量下几种方案的最大计算量对比图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。

如图1所示，本发明提供一种基于无人机的地面终端设备的计算任务迁移方法，本发明的模型中包括搭载边缘服务器的无人机以及若干地面终端设备。地面终端设备基于优化分配方案将自身的部分计算任务卸载到无人机搭载的边缘服务器，地面终端设备本地执行自身的部分计算任务，同时无人机搭载的边缘服务器执行所有地面终端设备卸载的计算任务。地面终端设备将部分计算任务卸载到无人机搭载的移动边缘计算服务器中，由该服务器承担该部分计算任务，同时受到无人机电池电量以及地面终端设备能量的约束。

首先，根据总任务计算量最大的原则，将无人机飞行周期划分为若干个小时隙，然后地面终端设备根据无人机的飞行轨迹做出卸载决策，由此得到每一个时隙内卸载至无人机边缘服务器的任务量以及本地计算的任务量。

本方案在满足无人机最大电池电量以及终端设备的最大能量约束前提下，以最大化系统整体任务计算量为目的，做出地面终端设备卸载决定。在地面终端设备卸载任务过程中无人机和终端设备消耗的能量表达为：

(1)无人机计算能耗：γ_h为无人机搭载的边缘服务器的有效电容开关系数；C_h为边缘服务器CPU计算地面终端设备1bit的任务需要转的圈数，/>为第k个地面终端设备在第n个时隙内卸载的任务量，/>R_k[n]为第k个地面终端设备在第n个时隙内卸载任务的速率。/>为第k个地面终端设备在第n个时隙内卸载任务的时长；f_C为边缘服务器的计算频率。

(2)终端设备本地计算能耗：γ_k为终端设备本地CPU的有效电容开关系数；C_k为终端设备CPU计算地面终端设备1bit的任务需要转的圈数，/>为第k个地面终端设备在第n个时隙本地计算的任务量，/>其中f_loc为终端设备本地计算频率，/>为第k个地面终端设备在第n个时隙进行本地计算的时长。

(3)无人机飞行能耗：E^F[n]＝κ(v[n])²，其中v[n]表示无人机在第n个时隙内的飞行速度(假定同一个时隙内无人机匀速率飞行)，κ为系数，一般取κ＝0.5Mδ，M为无人机质量，δ为一个时隙的时长。

(4)终端设备卸载任务耗能：p_k为地面设备卸载任务的数据传输功率。

接下来考虑目标函数，其中/>和/>分别代表示在第n个时隙内无人机边缘服务器的计算量和地面设备终端的本地计算量。因此目标函数从卸载至边缘服务器上的任务量以及本地计算量两方面考虑了整体计算量提升的问题。

综合上面的分析，得到以下优化问题表达P1：

s.t.q_I＝q_F (2)

其中，B_k[n]为第k个地面终端设备在第n个时隙内分得的带宽大小，B为系统中的总带宽大小，q_I和q_F分别表示无人机在一个飞行周期内的起点位置和终点位置。然而，上述优化问题由于变量较多且约束过于复杂，实际中是很难解的。

针对P1这个难解的问题，本实施例利用块坐标下降算法对优化问题P1进行分解，将其分解为三个子优化问题。块坐标下降算法的核心思想就是将这子优化问题分别进行精确的优化求解，然后采用交替迭代优化的方式求解整个优化问题的最优解。

A.优化地面终端设备的带宽分配

在任意给定的无人机轨迹和卸载时间与本地计算时间分配的条件下，这个子优问题是就是通过优化带宽分配B_k[n]去最大化系统总计算量。因此可以将P1重新写成P2：

值得注意的是，P2为一个线性优化问题，可以直接利用Matlab中的CVX工具箱解决。

B.优化无人机飞行轨迹

在任意给定的地面终端设备带宽分配和卸载时间与本地计算时间分配的条件下，然后通过优化无人机轨迹q使计算任务量最大化。因此可以将P1重新写成P3：

s.t.q_I＝q_F (13)

R_k[n]关于||q[n]-z_k||²是一个凸函数表达式。而凸函数在任意点的全局低边界都可以表示为其在给定点的一阶泰勒展开式。然后用给定点q^r[n](第r次迭代的结果)获得如下的目标函数低边界表达式

其中，B_k[n]为第k个地面终端设备在第n个时隙所分得的带宽，而和/>都是常数项，可用如下式子表示

由于恒为正数，则低边界/>中二次项系数为负数，因此其为凹函数，从而可以轻松的解决。而(15)中的两项展开来看分别是，

虽然E^F[n]关于q[n]是凸的，但是关于q[n]确是一个非凸非凹的函数，因此很难去处理。为了更简单地解决问题，引入一个松弛变量/>将其带入式(20)中，就可以得到

另外，利用在给定点进行一阶泰勒展开得到

||q[n]-z_k||²≥||q^r[n]-z_k||²+2(q^r[n]-z_k)^T(q[n]-z_k) (22)

其中(.)^T表示矩阵的转置。

因此问题P1就可以进而转化为问题P3-1：

s.t.q_I＝q_F (24)

S_k[n]≤||q^r[n]-z_k||²+2(q^r[n]-z_k)^T(q[n]-z_k) (26)

从上式可以看出，目标函数为线性的，约束也都是凸约束，因此可以直接用Matlab中的CVX工具箱进行优化得到结果。

C.优化地面终端设备卸载时间分配

在任意给定的地面终端设备带宽分配和无人机飞行轨迹的条件下，此子优化问题就是通过优化卸载任务和本地计算时间分配去最大化总任务计算量。因此可以将问题P1重新写成P4：

此问题的目标函数和所有约束全都是线性的，所以它为一个线性优化问题，符合凸优化的条件，也可以直接使用Matlab中的CVX工具箱解决。

利用块坐标下降法将问题P1分解为有关于所有地面终端设备的带宽分配B的子问题P2、有关于无人机轨迹q的子问题P3-1、有关于每个地面终端设备的卸载与本地计算的时间分配t的子问题P4之后，即可交替迭代优化每个子问题，具体为：

(1)任意地设置无人机初始轨迹为q⁰，每个地面终端设备在每个时隙内卸载任务与本地计算的初始时长比例为初始带宽分配为B⁰，当前迭代次数初始化为r＝0；

(2)给定无人机轨迹q^r和地面终端设备卸载任务与本地计算时长分配t^r，通过子问题P2优化所有地面终端设备的带宽分配去最大化总计算量，得到第r次迭代的带宽分配优化结果B^r+1；

(3)更新当前带宽分配B^r为B^r+1；

(4)给定带宽分配B^r和地面终端卸载任务与本地计算时长分配t^r，通过子问题P3优化无人机轨迹去最大化总计算量，得到第r次迭代的无人机轨迹优化结果q^r+1；

(5)更新无人机轨迹q^r为q^r+1；

(6)给定带宽分配B^r和无人机轨迹q^r，通过子问题P4优化地面终端设备卸载任务与本地计算的时长分配去最大化总计算量，得到第r次迭代的时长分配t^r+1；

(7)更新地面终端设备卸载任务与本地计算的时长分配t^r为t^r+1；

(8)返回步骤(2)循环迭代，直到系统总计算量收敛至不再增长。

最终，即可获得无人机和所有地面终端设备的计算任务总量最大所对应的资源分配方案，包括所有地面终端设备在每个时隙内的带宽分配、无人机在每个时隙内的轨迹以及每个地面终端设备在每个时隙内的卸载与本地计算的时间分配。

如图1所示是本发明实施例中的无人机使能的移动边缘计算系统模型，包括边缘服务器、无人机和若干地面终端设备。无人机搭载的移动边缘服务器可以接收地面设备卸载上来的计算任务，而地面设备也可以进行一部分本地任务计算。曲线箭头表示无人机在时间周期内的飞行轨迹，而地面终端设备会根据自己与无人机在某个时刻的位置之间的距离大小，结合自己本身的能量限制去决定是否卸载任务。无人机也会根据自身的最大电池电量限制去调整飞行轨迹，满足能耗的同时，提升系统总任务计算量。

在本实施例的仿真场景中，利用单个边缘计算服务器，10个地面终端设备，无人机的飞行高度为100米，最高速度为15米/秒。为评估本发明的性能，在不同无人机电池电量的约束下，给出对应的无人机轨迹对比图，并将本发明提出的方案与“固定无人机轨迹”、“固定卸载时间和本地计算时间分配”、“静止无人机”进行总任务计算量对比。“固定无人机轨迹”表示固定无人机飞行轨迹为圆形轨迹，无人机每个时隙内的位置已知。“固定卸载时间和本地计算时间分配”表示地面终端设备在每个时隙内的卸载时间与本地计算时间分配固定。“静止无人机”表示无人机在整个时间周期内都是悬停在特定区域上空的某个位置。

图2给出了无人机不同最大电池电量约束下的最优轨迹图。图中五角星是每个地面终端设备的位置，其旁边的数字表示地面终端设备的编号。首先，可以很直观地看到，电池电量越大，无人机覆盖地范围更广。当EU＝100kJ时，无人机为了节省飞行耗能，飞行轨迹更接近初始轨迹。另外，在此无人机电池最大电量条件下，飞行轨迹还飞过了地面终端设备1、地面终端设备3、地面终端设备6、地面终端设备10的正上方，这种现象的原因是由于这几个地面终端设备的位置相比于其它地面终端设备更靠近初始轨迹。而轨迹经过这几个地面终端设备时，采样的点更密集，这是因为无人机降低速度去收集更多地面终端设备卸载的任务数据。但是当最大电池电量增大到EU＝140kJ时，无人机轨迹除了经过了上述4个地面终端设备正上方以外，扩大了自己的覆盖范围，更靠近地面终端设备2和地面终端设备9，缩短与它们的传输距离，便于接收地面终端设备卸载的任务数据。而地面终端设备4、地面终端设备5、地面终端设备7、和地面终端设备8由于距离初始轨迹最远，即使无人机的最大电池电量再增加，也不会经过它们的上空，因为这样既增加了无人机的飞行能量消耗，而且由于距离此前描述的6个地面终端设备变远了，因此采集到的地面终端设备卸载的任务数据也不会增加。

图3给出了无人机不同最大电池电量约束下几种方案的最大计算量对比图。

从图中可以看出，固定卸载时间与本地计算时间分配方案，总计算量保持不变，因为时间分配已经确定，因此卸载的任务量和本地计算的任务量就不会再变化了。而对于固定轨迹和无人机悬停两种方案，总计算量先随着无人机最大电池电量的增加而增加，之后保持不变。这是因为开始时，由于无人机的最大电池电量还不够，限制了地面终端设备卸载任务至无人机。而当其最大电池电量增大到足够大的时候，由于其轨迹或者位置固定，地面终端设备卸载的任务量大小也就保持不变了，因此总的计算量也就不变了。在本文中，本实施例方案总计算量也是先随着无人机最大电池电量增加而增加，而后保持不变。但是本发明实施例方案可以不断优化轨迹，让无人机尽可能靠近多个地面终端设备飞行，收集更多的任务数据进行计算。而当无人机电池电量增大到足够大的时候，即使地面设备将任务数据全部卸载至无人机上进行计算，但是由于无人机飞行时间有限，因此总计算量也会保持不变。由此可以看出本发明方案的有效性。

上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围的情况下，都可利用上述揭示的技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (5)

1.一种基于无人机的地面终端设备的计算任务迁移方法，其特征在于，所述地面终端设备基于优化分配方案将自身的部分计算任务卸载到无人机搭载的边缘服务器，地面终端设备本地执行自身的部分计算任务，同时无人机搭载的边缘服务器执行所有地面终端设备卸载的计算任务；

其中，通过构建优化问题并求解得到所述优化分配方案，所述优化问题为：以无人机和所有地面终端设备的计算任务总量最大化为目标，以每个地面终端设备的能量限制、无人机的能量限制、带宽资源限制为约束条件；

所述优化问题具体为P1：

s.t.q_I＝q_F (2)

其中，为第k个地面终端设备在第n个时隙内卸载到无人机的计算任务量，R_k[n]为第k个地面终端设备在第n个时隙内卸载任务的速率，/>为第k个地面终端设备在第n个时隙内卸载任务的时长；

为第k个地面终端设备在第n个时隙内本地的计算任务量，/>f_loc为地面终端设备本地的计算频率，/>为第k个地面终端设备在第n个时隙内执行本地计算任务的时长，C_k为第k个地面终端设备CPU计算地面终端设备1bit的任务需要转的圈数；

K表示无人机总共接收K个地面终端设备的计算任务，N为无人机协助地面终端设备执行计算任务的飞行周期所划分的时隙总数量；

q_I和为q_F分别为无人机协助地面终端设备执行计算任务的起点位置和终点位置；

v[n]为无人机在第n个时隙时的速度，q[n+1]和q[n]为无人机在第n+1和n个时隙时的位置，δ为每个时隙的时长，v_max为无人机的最大限制速度；

B_k[n]为第k个地面终端设备在第n个时隙内分得的带宽大小，B0为系统中的总带宽大小；

表示无人机在第n个时隙内执行第k个地面终端设备卸载的计算任务的计算能耗，/>γ_h为无人机搭载的边缘服务器的有效电容开关系数；C_h为无人机搭载的边缘服务器CPU计算1bit的任务需要转的圈数，f_C为边缘服务器的计算频率；

E^F[n]表示无人机在第n个时隙内的飞行能耗，E^F[n]＝κ(v[n])²，κ为系数，取κ＝0.5Mδ，M为无人机质量；

E^U表示无人机的最大能量限制；

表示第k个地面终端设备在第n个时隙内执行本地计算任务的计算能耗，γ_k为第k个地面终端设备本地CPU的有效电容开关系数；

表示第k个地面终端设备在第n个时隙内卸载任务的卸载能耗，/>p_k为第k个地面终端设备将计算任务卸载到无人机的数据传输功率；

E_k表示第k个地面终端设备的最大能量限制。

2.根据权利要求1所述的方法，其特征在于，利用块坐标下降法对优化问题P1进行分解，得到有关于所有地面终端设备的带宽分配B、无人机轨迹q和每个地面终端设备的卸载与本地计算的时间分配t这3个参数的子问题；然后交替迭代优化每个子问题，最终得到整个优化问题P1的最优解，即为最终求解得到的优化分配方案。

3.根据权利要求2所述的方法，其特征在于，在任意给定的无人机轨迹q和每个地面终端设备的卸载与本地计算时间分配t的条件下，优化问题P1重新写成有关于所有地面终端设备的带宽分配B的子问题P2：

在任意给定的所有地面终端设备的带宽分配B和每个地面终端设备的卸载与本地计算时间分配t的条件下，优化问题P1重新写成有关于无人机轨迹q的子问题P3：

s.t.q_I＝q_F (13)

在任意给定的所有地面终端设备的带宽分配B和无人机飞行轨迹q的条件下，优化问题P1重新写成有关于每个地面终端设备的卸载与本地计算的时间分配t的子问题P4：

4.根据权利要求3所述的方法，其特征在于，交替迭代优化每个子问题得到整个优化问题P1的最优解的方法为：

(1)任意地设置无人机初始轨迹为q⁰，每个地面终端设备在每个时隙内卸载任务与本地计算的初始时长比例为初始带宽分配为B⁰，当前迭代次数初始化为r＝0；

(2)给定无人机轨迹q^r和地面终端设备卸载任务与本地计算时长分配t^r，通过子问题P2优化所有地面终端设备的带宽分配去最大化总计算量，得到第r次迭代的带宽分配优化结果B^r+1；

(3)更新当前带宽分配B^r为B^r+1；

(4)给定带宽分配B^r和地面终端卸载任务与本地计算时长分配t^r，通过子问题P3优化无人机轨迹去最大化总计算量，得到第r次迭代的无人机轨迹优化结果q^r+1；

(5)更新无人机轨迹q^r为q^r+1；

(6)给定带宽分配B^r和无人机轨迹q^r，通过子问题P4优化地面终端设备卸载任务与本地计算的时长分配去最大化总计算量，得到第r次迭代的时长分配t^r+1；

(7)更新地面终端设备卸载任务与本地计算的时长分配t^r为t^r+1；

(8)返回步骤(2)循环迭代，直到系统总计算量收敛至不再增长。

5.根据权利要求4所述的方法，其特征在于，子问题P2和子问题P4的目标函数均为线性的，约束条件也都是凸约束，直接使用Matlab中的CVX工具箱进行优化求解；

子问题P3的求解过程为：

引入一个松弛变量可以得到

另外，利用在给定点进行一阶泰勒展开得到：

||q[n]-z_k||²≥||q^r[n]-z_k||²+2(q^r[n]-z_k)^T(q[n]-z_k) (22)

根据表达式(21)(22)可将问题P1由子问题P3转化为以下子问题P3-1：

s.t.q_I＝q_F (24)

S_k[n]≤||q^r[n]-z_k||²+2(q^r[n]-z_k)^T(q[n]-z_k) (26)

基于子问题P3-1中的目标函数为线性的，约束也都是凸约束，直接使用Matlab中的CVX工具箱进行优化求解。