CN112784362B - 一种用于无人机辅助边缘计算的混合优化方法及系统 - Google Patents

Abstract

本发明涉及一种用于无人机辅助边缘计算的混合优化方法及系统，通过以无人机辅助边缘计算模型所需的能耗最小作为目标适应度函数，以仿花授粉算法框架为基准混合人工蜂群算法的概率选择策略对目标适应度函数进行迭代优化求解，并基于个体的适应度值变化和种群多样性判断是否存在早熟收敛现象，使得混合优化算法的全局优化能力更强，从而最优的计算任务卸载、计算资源分配和无人机部署位置方案。本发明计算速率快，计算精度高，适用于解决大规模移动用户设备计算卸载与任务分配的边缘计算服务问题。

Description

一种用于无人机辅助边缘计算的混合优化方法及系统

技术领域

本发明涉及工程应用与信息科学的交叉技术领域，特别是涉及一种用于无人机辅助边缘计算的混合优化方法及系统。

背景技术

工业信息化进程发展迅速，人们迎来了5G时代。各种类型的移动设备受到了人们的青睐，从而促进了万物互联的智能化社会逐步形成。令人眼花缭乱的各种服务与应用比如在线游戏，视频直播，增强现实等等，它们会产生大量的数据需要及时处理。这些服务对时间延迟十分敏感，传统的云计算方法无法完全满足其需求。移动边缘计算是一种新的计算范式，它在无线网络的边缘端为用户提供所需要的服务计算功能。相比较云计算，边缘计算可以有效减少数据传输的拥塞而且可以节约用户设备的能耗，延长其寿命。然而边缘计算自身存在缺陷。例如现有的边缘计算服务设施在匮乏的无线网络场景下，如偏远环境下，无法发挥效力。此外，边缘计算服务受限于其位置固定，无法灵活的满足移动用户需求。

无人机作为一种灵活性较高的移动平台近年来无论在军事与生活中都得到重点研究，尤其研究无人机辅助边缘计算成为一大热点。大量的研究指出：边缘计算服务移动用户需要将移动设备的计算任务卸载到边缘计算的服务器上进行处理，利用负载边缘计算服务器的无人机进行服务，移动用户设备可以传输更多的数据，通过LOS通道卸载更多的计算任务，其中主要涉及的是计算任务卸载决策与计算资源分配的问题。该问题可认为是大规模0-1整数规划问题，由于该问题的特性是非凸的组合优化问题，传统的方法无法有效处理该问题。如隐枚举法，分支定界法以及动态规划法，它们需要花费大量的计算时间且无法得到一个令人满意的最终解。

因此亟需研究一种耗时短、计算效率高的无人机辅助边缘计算方法。

发明内容

本发明的目的是提供一种用于无人机辅助边缘计算的混合优化方法及系统，能够快速处理处理无人机辅助边缘计算时的计算任务卸载与资源分配问题，缩短计算时长，提高计算速率。

为实现上述目的，本发明提供了如下方案：

一种用于无人机辅助边缘计算的混合优化方法，包括：

根据无人机辅助边缘计算模型所需的能耗构造目标适应度函数，其中，所述无人机辅助边缘计算模型所需的能耗包括所述移动设备自身完成计算任务的能耗、所述无人机处理所述移动设备卸载的计算任务的能耗和所述无人机的盘旋能耗；

在设定迭代次数下，采用混合优化算法对所述目标适应度函数进行迭代优化求解；

计算迭代优化求解过程中个体适应度连续未改变的次数；

将所述次数与预设阈值比较，若所述次数大于或等于所述预设阈值，则对适应度连续未改变的个体进行变异操作，再基于聚类算法判断种群的多样性，否则直接基于聚类算法判断种群的多样性；

当所述种群的多样性丧失时，则采用对立学习方法生成新的种群，基于新的种群再执行迭代优化求解直至迭代完成；否则继续执行所述迭代优化求解直至迭代完成；

迭代结束后，将所述目标适应度函数最小时得到的个体作为无人机辅助边缘计算中最优的计算任务卸载、计算资源分配和无人机部署位置方案输出。

一种用于无人机辅助边缘计算的混合优化系统，包括：

函数构造模块，用于根据无人机辅助边缘计算模型所需的能耗构造目标适应度函数，其中，所述无人机辅助边缘计算模型所需的能耗包括所述移动设备自身完成计算任务的能耗、所述无人机处理所述移动设备卸载的计算任务的能耗和所述无人机的盘旋能耗；

迭代求解模块，用于在设定迭代次数下，采用混合优化算法对所述目标适应度函数进行迭代优化求解；

次数计算模块，用于计算迭代优化求解过程中个体适应度连续未改变的次数；

次数比较模块，用于将所述次数与预设阈值比较，若所述次数大于或等于所述预设阈值，则对适应度连续未改变的个体进行变异操作，再基于聚类算法判断种群的多样性，否则直接基于聚类算法判断种群的多样性；

多样性判断模块，用于当所述种群的多样性丧失时，则采用对立学习方法生成新的种群，基于新的种群再执行迭代优化求解直至迭代完成；否则继续执行所述迭代优化求解直至迭代完成；

输出模块，用于迭代结束后，将所述目标适应度函数最小时得到的个体作为无人机辅助边缘计算中最优的计算任务卸载、计算资源分配和无人机部署位置方案输出。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明是从仿生优化的角度，以最小化无人机辅助边缘计算模型的能量消耗为出发点，以仿花授粉算法框架为基准混合人工蜂群算法的概率选择策略提出的一种无人机辅助边缘计算的混合优化方法。该方法将两种仿生技术混合从而提升了算法的搜索能力，同时提出的种群多样性监测的方法进一步使得混合优化算法的全局优化能力更强；另外在进行卸载决策变量选择时，提出基于优势个体的概率选择方法，该方法可加快种群的收敛，使得种群中的劣势个体尽快地向当前种群中较优部分靠拢，因而在迭代优化过程中可以快速得出计算任务卸载、计算资源分配和无人机部署位置方案，缩短了计算时长，提高了计算速率。

由于此类问题可认为是大规模0-1整数规划问题，因而本发明设计的一种基于优势种群的0-1概率学习方法集成于混合优化框架的方法，适用于解决大规模移动用户设备计算卸载与任务分配的边缘计算服务问题，也有效地克服了传统方法应对大规模0-1整数规划问题存在精度不高的缺陷，能够更加准确地降低无人机辅助边缘计算中的总体能耗。

另外由于本发明提出的一种用于无人机辅助边缘计算的混合优化方法从理论上被证明了是一种具有全局收敛性的有效算法。因此，本发明经过扩展后，也不单单局限于解决无人机辅助边缘计算中的计算卸载与资源分配问题，对于其他相关的离散规划问题仍然适用。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1提供的一种用于无人机辅助边缘计算的混合优化方法流程图；

图2为本发明实施例1中对适应度连续未改变的个体进行变异操作的示意图；

图3为本发明实施例2提供的一种用于无人机辅助边缘计算的混合优化系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种用于无人机辅助边缘计算的混合优化方法及系统，能够快速处理处理无人机辅助边缘计算时的计算任务卸载与资源分配问题，缩短计算时长，提高计算速率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1：

参阅图1，本发明提供了一种用于无人机辅助边缘计算的混合优化方法，包括：

步骤S1：根据无人机辅助边缘计算模型所需的能耗构造目标适应度函数，其中，所述无人机辅助边缘计算模型所需的能耗包括所述移动设备自身完成计算任务的能耗、所述无人机处理所述移动设备卸载的计算任务的能耗和所述无人机的盘旋能耗。

为了使本领域技术人员更加清楚地了解目标适应度函数的具体构造过程，下述以某区域内的移动设备和无人机为例进行阐释。

无人机作为移动基站用于移动用户的边缘计算服务，当移动用户的移动设备自身无法完成计算任务，需要将部分计算任务卸载到携带MEC服务器的无人机上，无人机基站平台完成计算。对此，将移动设备自身完成计算任务的计算模型定义为局部计算模型；将任务运算量大于移动设备自身计算能力时，移动设备将计算任务卸载到无人机上处理的计算模型定义为无人机计算机模型，无人机计算模型中还包含无人机的盘旋能耗。而无人机辅助边缘计算模型包括局部计算模型和无人机计算机模型。

假设某一区域内共有N个移动设备，N为一设定常数。根据上述对局部计算模型和无人机计算机模型的解释，移动设备也包括卸载计算任务和不卸载计算任务两种模式。因此，目标区域内的移动用户只能选择两种模式中一种进行任务计算，根据此约束条件设定卸载决策变量k＝{0,1}，A＝＝{a_1,k,a_2,k,···,a_n,k}为卸载决策的变量集合，a_n,k＝0时表示没有被处理的移动设备,a_n,k＝1，且k＝1时表示移动设备卸载计算任务到无人机上处理，a_n,k＝1，且k＝0时表示移动设备不卸载计算任务到无人机上处理，即移动设备自身完成计算任务。

基于此，无人机辅助边缘计算模型表示为：

其中，a_n,k表示对移动设备n计算任务的卸载决策，n表示第n个移动设备，n＝1,2,...,N；

由于需要保证所有计算任务都要被处理，也即要求目标区域内的全部移动设备进行任务计算，需要设置约束条件：

考虑到移动设备的自身计算能力是有限的，当任务运算量过大必须将部分计算任务卸载到无人机上进行计算，因此每一个移动设备还要满足如下约束条件：

其中f_n表示第n个移动设备分配的计算资源，f_max表示最大的计算资源；

另外，在处理任务的过程中，无论是采用局部计算模型还是无人机计算机模型，都必须在无人机的盘旋时间T_h内完成计算任务，即需要满足约束条件：

其中表示第n个移动设备完成计算任务的时间，/>为第n个移动设备将计算任务卸载到无人机上，无人机完成计算任务的时间。

因此，在满足上述约束条件的基础上，根据无人机辅助边缘计算模型所需的能耗，即移动设备自身完成计算任务的能耗、无人机处理移动设备卸载的计算任务的能耗和无人机的盘旋能耗，构造的目标适应度函数如下：

其中，C_n表示完成所述第n个移动设备完成数据量为D_n时用的总的CPU运行周期数，表示在所述第n个移动设备自身进行计算时计算机的资源配置，η₁表示有效转换能力，p_n表示所述第n个移动设备卸载计算任务的传输功率，R_n表示所述第n个移动设备的上行数据速率，/>B表示上行信道的带宽，β是噪声谱密度，h₀表示参考距离处的信道功率增益，L_n表示所述第n个移动设备与第u个无人机之间的距离，(x_n,y_n,z_n)表示所述第n个移动设备的空间位置坐标，(x_u,y_u,z_u)表示所述第u个无人机的空间位置坐标，E_h表示无人机盘旋能耗，E_h＝P_h·T_h，P_h表示无人机盘旋功率，T_h表示无人机盘旋时间。

步骤S2：在设定迭代次数下，采用混合优化算法对目标适应度函数进行迭代优化求解，具体包括：

采用仿花授粉算法对目标适应度函数进行迭代优化求解，具体包括：

选取NP个计算任务卸载、计算资源分配和无人机部署位置方案作为初始种群个体；

初始化迭代次数；

根据人工蜂群算法和当前种群个体的适应度值计算每个个体的选择概率；

选取当前种群中适应度最佳的个体作为最优个体；

根据选择概率选择对应的更新方式对当前种群个体进行更新；

令迭代次数加1后作为新的迭代次数，并判断新的迭代次数是否小于设定迭代次数；

当新的迭代次数小于设定迭代次数时，返回“选取当前种群中适应度最佳的个体作为最优个体”步骤；否则将当前次迭代的最优个体作为无人机辅助边缘计算中最优的计算任务卸载、计算资源分配和无人机部署位置方案输出。

仿花授粉算法的思想是将种群最佳引导和进化融合在一起，通过概率控制两种更新方程，其中一种更新方程为全局更新公式，即：X_i'＝X_i+l(g^*-X_i)，其中，X_i'表示使用全局更新公式更新的当前种群中第i个个体，l表示随机数产生服从莱维分布，X_i表示当前种群中第i个个体，g^*表示当前种群中适应度最佳的个体，该全局更新方式是将种群向当前最优个体收敛；另一种更新方程为局部更新公式，即：X_i”＝X_i+r(X_j-X_k)，其中，X_i'表示使用局部更新公式更新的当前种群中第i个个体，r表示随机数，X_j和X_k分别表示当前种群中第j个个体和第k个个体，该局部更新方式是通过差分向量对种群所有个体进行更新。

然而现有技术中控制两种更新方程的概率依赖于经验选取，严重影响算法的性能，对此，本发明的混合优化算法在包含了采用仿花授粉算法对目标适应度函数进行迭代优化求解的基础上，又采用了人工蜂群算法控制所述仿花授粉算法中的种群个体更新过程，具体包括：

根据目标适应度函数计算的个体的适应度值和人工蜂群算法计算每个个体的选择概率，选择概率表示为：

其中P_fit表示所述选择概率，fit_i表示所述初始种群中第i个个体的适应度值，NP表示初始种群中的个体数，fit_n表示求和过程中所述初始种群中第n个个体的适应度值；

判断随机数与所述选择概率的大小；

若所述随机数大于所述选择概率，则采用仿花授粉算法中的全局探索方式对个体更新，即当条件满足|gbest-X_j|＝1时，对需要进行更新的个体X_i的卸载决策变量先减1再进行绝对值操作，其中gbest表示当前种群中适应度最佳的个体，X_j表示当前种群中第j个个体，所述卸载决策变量为0或1；

若所述随机数小于所述选择概率，则采用所述仿花授粉算法中的局部挖掘方式对个体更新，即当条件满足|X_i-X_j|＝1时，对需要进行更新的个体X_i的卸载决策变量先减1再进行绝对值操作，其中X_j表示当前种群中第j个个体。

现有的仿生优化技术缺乏一个统一有效的种群多样性评价指标与跳出局部最优限制的机制，这一点很大程度上降低了其在处理大规模多模态之类问题上的求解精度。并且早熟收敛会使迭代优化过程陷入停滞状态，降低搜索效率，造成结果不准确。对此在上述混合优化算法的迭代过程中，需要分别判断个体和种群是否出现早熟收敛现象。对于个体而言，在迭代过程中连续多次的适应度值未改变则该个体有可能陷入停止状态；对于种群而言，其多样性丧失则代表存在早熟收敛现象。因此，通过：

步骤S3：计算迭代优化求解过程中个体适应度连续未改变的次数；

步骤S4：将次数与预设阈值比较，若次数大于或等于预设阈值，则对适应度连续未改变的个体进行变异操作，再基于聚类算法判断种群的多样性，否则直接基于聚类算法判断种群的多样性，其中，基于聚类算法判断种群的多样性，具体包括：

利用聚类算法将种群个体划分为三组群组；

确定每组群组中的适应度最佳个体为每个群组的聚类中心；

判断每个群组的聚类中心是否相同，如果相同，则种群的多样性丧失，否则种群的多样性未丧失；

步骤S5：当种群的多样性丧失时，则采用对立学习方法生成新的种群，基于新的种群再执行迭代优化求解直至迭代完成；否则继续执行迭代优化求解直至迭代完成，其中对立学习公式为：

式中，表示在第d维度上对个体X_d生成的对立个体，Ub_d和Lb_d分别表示第d维度的上下界，r表示随机数；

步骤S6：迭代结束后，将目标适应度函数最小时得到的个体作为无人机辅助边缘计算中最优的计算任务卸载、计算资源分配和无人机部署位置方案输出。

作为一种可选的实施方式，所述对适应度连续未改变的个体进行变异操作，具体包括：

按照个体适应度的大小对当前种群中的个体进行增序排序，得到排序结果；

根据所述排序结果选取一定数量的个体作为优势个体；

根据所述优势个体中卸载决策变量为1的占比，计算变异概率；

根据所述变异概率对所述适应度连续未改变的个体的卸载决策变量进行变异。

为了使本领域技术人员了解变异过程，如图2所示，由于本发明以能耗最小为目标，个体的适应度越小表明该个体越好。因此将NP个个体按照适应度增序排序后，X₁必然是优于X_NP的。选择5个优势个体指引实验个体(即适应度连续未改变的个体)进行决策变量选择，变异概率P_f较大时，实验个体X_i的卸载决策变量容易设定为1；P_f较小时，设置实验个体的卸载决策变量为0。

本领域技术人员可参照下述伪代码，更加清楚地理解上述采用混合优化方法解决无人机辅助边缘计算能耗最小化问题：

输入：

种群规模NP

迭代次数MaxIter

无人机辅助边缘计算模型的目标适应度函数F

输出：

最佳解集gbest

1.初始化种群中所有个体：X

2.根据种群适应度函数F得出每个个体的适应度Fitness

3.while Iter<MaxIter

4.N_index＝sort(Fitness)

5.P_f＝mean(N_index)

6.for i＝1:NP

7.计算适应度选择概率P_fit

8.ifrand<P_fit//维度必须一个一个进行变化，不整体进行统一处理

9.if|X_i-X_j|＝1

10.X_i＝1—X_i

11.endif

12.else

13.if|gbest-X_j|＝1

14.X_i＝1—X_i

15.endif

16.end if

17.if第i个个体的适应度连续MaxIter/10次保持不变

18.ifrand<P_f

19.X_i＝1

20.else

21.X_i＝0

22.end if

23.end if

24.end for

25.利用聚类算法将种群分为三类，三个类别的中心个体的适应度如：

Cl₁,Cl₂,Cl₃

26.if Cl₁＝Cl₂＝Cl₃

27.利用对立学习方法重新生成种群

28.end if

end while

本发明研究的是以负载服务器的无人机作为移动基站，服务移动用户边缘计算的系统能耗最小化问题，以移动设备与无人机基站工作的整体能耗最小为目标，采用一种具有种群多样性评价的混合优化算法求解最优的计算任务卸载决策，计算资源分配和无人机部署的位置方案。该混合优化算法以仿花授粉算法框架为基准，混合了人工蜂群算法的概率选择策略，提升了算法的搜索能力；同时提出的种群多样性监测的方法进一步使得混合优化算法的全局优化能力更强。另外，该混合优化算法中融合了基于优势种群的0-1概率学习方法，解决了大规模移动用户设备计算卸载与任务分配的边缘计算服务问题，克服了传统方法应对大规模0-1整数规划问题的精度不足的缺陷。

实施例2：

参阅图3，本发明还提供了一种用于无人机辅助边缘计算的混合优化系统，包括：

函数构造模块M1，用于根据无人机辅助边缘计算模型所需的能耗构造目标适应度函数，其中，所述无人机辅助边缘计算模型所需的能耗包括所述移动设备自身完成计算任务的能耗、所述无人机处理所述移动设备卸载的计算任务的能耗和所述无人机的盘旋能耗；

迭代求解模块M2，用于在设定迭代次数下，采用混合优化算法对目标适应度函数进行迭代优化求解；

次数计算模块M3，用于计算迭代优化求解过程中个体适应度连续未改变的次数；

次数比较模块M4，用于将次数与预设阈值比较，若次数大于或等于预设阈值，则对适应度连续未改变的个体进行变异操作，再基于聚类算法判断种群的多样性，否则直接基于聚类算法判断种群的多样性；

多样性判断模块M5，用于当种群的多样性丧失时，则采用对立学习方法生成新的种群，基于新的种群再执行迭代优化求解直至迭代完成；否则继续执行迭代优化求解直至迭代完成；

输出模块M6，用于迭代结束后，将目标适应度函数最小时得到的个体作为无人机辅助边缘计算中最优的计算任务卸载、计算资源分配和无人机部署位置方案输出。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种用于无人机辅助边缘计算的混合优化方法，其特征在于，包括：

根据无人机辅助边缘计算模型所需的能耗构造目标适应度函数，其中，所述无人机辅助边缘计算模型所需的能耗包括移动设备自身完成计算任务的能耗、所述无人机处理所述移动设备卸载的计算任务的能耗和所述无人机的盘旋能耗；

在设定迭代次数下，采用混合优化算法对所述目标适应度函数进行迭代优化求解；

计算迭代优化求解过程中个体适应度连续未改变的次数；

将所述次数与预设阈值比较，若所述次数大于或等于所述预设阈值，则对适应度连续未改变的个体进行变异操作，再基于聚类算法判断种群的多样性，否则直接基于聚类算法判断种群的多样性；

当所述种群的多样性丧失时，则采用对立学习方法生成新的种群，基于新的种群再执行迭代优化求解直至迭代完成；否则继续执行所述迭代优化求解直至迭代完成；

迭代结束后，将所述目标适应度函数最小时得到的个体作为无人机辅助边缘计算中最优的计算任务卸载、计算资源分配和无人机部署位置方案输出；

所述在设定迭代次数下，采用混合优化算法对所述目标适应度函数进行迭代优化求解，具体包括：

采用仿花授粉算法对所述目标适应度函数进行迭代优化求解；

采用人工蜂群算法控制所述仿花授粉算法中的种群个体更新过程；

所述采用人工蜂群算法控制所述仿花授粉算法中的种群个体更新过程，具体包括：

根据所述目标适应度函数计算的个体的适应度值和人工蜂群算法计算每个个体的选择概率；

判断随机数与所述选择概率的大小；

若所述随机数大于所述选择概率，则采用仿花授粉算法中的全局探索方式对个体更新；

若所述随机数小于所述选择概率，则采用所述仿花授粉算法中的局部挖掘方式对个体更新。

2.根据权利要求1所述的一种用于无人机辅助边缘计算的混合优化方法，其特征在于，所述根据无人机辅助边缘计算模型所需的能耗构造目标适应度函数，具体包括：

所述无人机辅助边缘计算模型表示为：

其中，a_n,k表示对移动设备n计算任务的卸载决策，k表示卸载决策变量，k＝{0,1}，n表示第n个移动设备，n＝1,2,...,N，N为一设定常数，a_n,k＝0时表示没有被处理的移动设备，局部计算模型表示移动设备自身完成计算任务，无人机计算机模型表示任务运算量大于所述移动设备自身计算能力时，所述移动设备将计算任务卸载到无人机上处理；

所述目标适应度函数表示为：

其中，C_n表示完成所述第n个移动设备完成数据量为D_n时用的总的CPU运行周期数，表示在所述第n个移动设备自身进行计算时计算机的资源配置，η₁表示有效转换能力，p_n表示所述第n个移动设备卸载计算任务的传输功率，R_n表示所述第n个移动设备的上行数据速率，/>B表示上行信道的带宽，β是噪声谱密度，h₀表示参考距离处的信道功率增益，L_n表示所述第n个移动设备与第u个无人机之间的距离，(x_n,y_n,z_n)表示所述第n个移动设备的空间位置坐标，(x_u,y_u,z_u)表示所述第u个无人机的空间位置坐标，E_h表示无人机盘旋能耗，E_h＝P_h·T_h，P_h表示无人机盘旋功率，T_h表示无人机盘旋时间。

3.根据权利要求1所述的一种用于无人机辅助边缘计算的混合优化方法，其特征在于，所述采用仿花授粉算法在设定迭代次数下对所述目标适应度函数进行迭代优化求解，具体包括：

选取NP个计算任务卸载、计算资源分配和无人机部署位置方案作为初始种群个体；

初始化迭代次数；

根据所述人工蜂群算法和当前种群个体的适应度值计算每个个体的选择概率；

选取当前种群中适应度最佳的个体作为最优个体；

根据所述选择概率选择对应的更新方式对当前种群个体进行更新；

令迭代次数加1后作为新的迭代次数，并判断所述新的迭代次数是否小于设定迭代次数；

当所述新的迭代次数小于设定迭代次数时，返回所述选取当前种群中适应度最佳的个体作为最优个体；否则将当前次迭代的最优个体作为所述无人机辅助边缘计算中最优的计算任务卸载、计算资源分配和无人机部署位置方案输出。

4.根据权利要求1所述的一种用于无人机辅助边缘计算的混合优化方法，其特征在于，所述选择概率表示为：

其中P_fit表示所述选择概率，fit_i表示初始种群中第i个个体的适应度值，NP表示初始种群中的个体数，fit_n表示求和过程中初始种群中第n个个体的适应度值；

所述采用仿花授粉算法中的全局探索方式对个体更新，具体包括：

当条件满足|gbest-X_j|＝1时，对需要进行更新的个体X_i的卸载决策变量先减1再进行绝对值操作，其中gbest表示当前种群中适应度最佳的个体，X_j表示当前种群中第j个个体，所述卸载决策变量为0或1；

所述采用所述仿花授粉算法中的局部挖掘方式对个体更新，具体包括：

当条件满足|X_i-X_j|＝1时，对需要进行更新的个体X_i的卸载决策变量先减1再进行绝对值操作，其中X_j表示当前种群中第j个个体。

5.根据权利要求1所述的一种用于无人机辅助边缘计算的混合优化方法，其特征在于，所述对适应度连续未改变的个体进行变异操作，具体包括：

按照个体适应度的大小对当前种群中的个体进行增序排序，得到排序结果；

根据所述排序结果选取一定数量的个体作为优势个体；

根据所述优势个体中卸载决策变量为1的占比，计算变异概率；

根据所述变异概率对所述适应度连续未改变的个体的卸载决策变量进行变异。

6.根据权利要求1所述的一种用于无人机辅助边缘计算的混合优化方法，其特征在于，所述基于聚类算法判断种群的多样性，具体包括：

利用所述聚类算法将所述种群个体划分为三组群组；

确定每组群组中的适应度最佳个体为每个群组的聚类中心；

判断每个群组的聚类中心是否相同，如果相同，则种群的多样性丧失，否则种群的多样性未丧失。

7.根据权利要求1所述的一种用于无人机辅助边缘计算的混合优化方法，其特征在于，所述采用对立学习方法生成新的种群，具体公式为：

其中，表示在第d维度上对个体X_d生成的对立个体，Ub_d和Lb_d分别表示第d维度的上下界，r表示随机数。

8.一种用于无人机辅助边缘计算的混合优化系统，其特征在于，包括：

函数构造模块，用于根据无人机辅助边缘计算模型所需的能耗构造目标适应度函数，其中，所述无人机辅助边缘计算模型所需的能耗包括移动设备自身完成计算任务的能耗、所述无人机处理所述移动设备卸载的计算任务的能耗和所述无人机的盘旋能耗；

迭代求解模块，用于在设定迭代次数下，采用混合优化算法对所述目标适应度函数进行迭代优化求解，具体包括：

采用仿花授粉算法对所述目标适应度函数进行迭代优化求解；

采用人工蜂群算法控制所述仿花授粉算法中的种群个体更新过程；

其中所述采用人工蜂群算法控制所述仿花授粉算法中的种群个体更新过程，具体包括：

根据所述目标适应度函数计算的个体的适应度值和人工蜂群算法计算每个个体的选择概率；

判断随机数与所述选择概率的大小；

若所述随机数大于所述选择概率，则采用仿花授粉算法中的全局探索方式对个体更新；

若所述随机数小于所述选择概率，则采用所述仿花授粉算法中的局部挖掘方式对个体更新；

次数计算模块，用于计算迭代优化求解过程中个体适应度连续未改变的次数；

次数比较模块，用于将所述次数与预设阈值比较，若所述次数大于或等于所述预设阈值，则对适应度连续未改变的个体进行变异操作，再基于聚类算法判断种群的多样性，否则直接基于聚类算法判断种群的多样性；

多样性判断模块，用于当所述种群的多样性丧失时，则采用对立学习方法生成新的种群，基于新的种群再执行迭代优化求解直至迭代完成；否则继续执行所述迭代优化求解直至迭代完成；

输出模块，用于迭代结束后，将所述目标适应度函数最小时得到的个体作为无人机辅助边缘计算中最优的计算任务卸载、计算资源分配和无人机部署位置方案输出。