CN113163365A - 基于交替方向乘子算法的无人机支持物联网资源优化方法 - Google Patents

Abstract

本发明公开了基于交替方向乘子算法的无人机支持物联网资源优化方法，通过构建MEC系统模型、区块链系统模型，联合考虑计算卸载决策、频谱资源分配和计算资源分配，以实现MEC系统能耗和区块链系统计算延迟的最佳权衡作为优化目标，对网络场景进行建模。通过交替方向乘子算法对模型进行迭代，实现场景内的资源最优调度。本发明面向无人机支持的物联网场景，克服了物联网数据安全、无人机算力不足、资源分配不合理等造成系统能耗过高和计算时延过长等问题。仿真实验表明，本发明提出的基于交替方向乘子算法的无人机支持物联网资源优化方法实现了MEC系统能耗和区块链系统计算延迟的最佳权衡，在提升数据安全和降低系统能耗、计算时延方面具有一定的优势。

Description

基于交替方向乘子算法的无人机支持物联网资源优化方法

技术领域

本发明涉及一种在融合移动边缘计算(mobile edge computing,MEC)和区块链的无人机支持的物联网中，基于交替方向乘子算法的资源优化调度决策方法。通过交替方向乘子算法，设计了一种在物联网设备、无人机和基站(base station, BS)之间数据卸载、数据计算和数据传输过程中，通过优化资源调度策略，提升数据安全并有效减少系统能耗和计算时延的决策优化方法，属于网络资源分配和系统决策的相关领域。

背景技术

基于射频识别、智能传感器、通信技术和互联网协议的不断推进，物联网的快速发展引起了学术界和工业界的广泛关注目前，物联网主要应用于消费者，工业和公共部门等领域。同时，部署的物联网设备可以收集不同服务所需要的信息，例如交通管理、环境监测、智能家居、可穿戴设备等，已广泛应用于我们的生活。

然而，很多物联网设备的计算能力有限，无法对采集到的数据信息进行处理。幸运的是，中心云计算和MEC的出现使上述问题的解决成为了可能。MEC将计算和存储资源引入移动网络的边缘，使其能够在满足时延要求的同时利用较大的计算资源处理数据。另一方面，分布式MEC服务器通过卸载计算任务，可以使计算资源更接近用户，避免不必要的网络和能源的消耗。

此外，对于部署在偏远地区的物联网设备而言，当传输链路被破坏时，数据交互和计算任务卸载是另一个不可避免的问题。幸运的是，无人机的出现为这一问题提供了有效的解决方案。近年来，无人机的广泛应用也引起了学术界的广泛关注。尤其是无人机的移动性使得其更接近设备，为物联网设备带来了快速便捷的网络接入点。此外，无人机可以作为中继提高通信系统的性能和扩大通信的覆盖范围。MEC技术和无人机技术的结合，为物联网网络架构的构建提供了一个良好的思路。西北工业大学的Liu等人提出了一种多导多从对策，解决了由两层无人机组成的MEC网络中的卸载问题，实现了时延的最小化和利润的最大化。西南大学的Zhan等人通过考虑无人机支持的MEC系统中的计算卸载和资源分配，实现了无人机能耗和时间消耗之间的最佳权衡。

MEC和无人机的引入给物联网带来了巨大的优势，但同时也面临着数据安全性和隐私性的巨大挑战。区块链作为另一种很有前途的技术，有效保证了数据的安全性和真实性。区块链本质上是一个去中心化的分布式账本数据库，具有去中心化、不可篡改、可编程等特点，这使它在无人机支持的物联网中得到了广泛的应用。北达科他大学的Isaac等人展示了区块链技术在无人机群环境中的应用，说明了区块链框架对无人机群的适用性，提高了系统的安全性。约克大学的Qiu 等人提出了一种基于区块链技术的频谱交易框架，以保证频谱交易的安全性。通过Stackelberg博弈模型，得到移动网络运营商和无人机运营商的最大利润。

尽管上述研究无人机支持的物联网中MEC和区块链技术的引入对系统性能进行了优化。然而，在现有的大多数工作中，区块链和MEC的设计和优化都是单独进行的，区块链与MEC的结合仍然面临着一些潜在的问题和挑战。例如，由于无人机的计算能力有限，无人机对于计算任务的卸载决策是不可忽视的。另一个问题是通过考虑频谱和计算资源的分配来平衡MEC和区块链系统的能量和时间消耗。此外，考虑到无人机悬停时间有限，网络结构复杂，优化方法的选择需要慎重考虑。因此，这些问题在设计系统时均须仔细考虑。

综上所述，本发明面向物联网场景中数据卸载、数据计算和数据区块链共识等问题，提出一种基于交替方向乘子算法(alternating direction method of multipliers,ADMM)的无人机支持的物联网资源优化调度决策方法，通过联合考虑场景下物联网设备、无人机和基站的状态，同时考虑优化计算卸载决策、频谱资源分配和计算资源分配，以达到提升数据安全并实现系统能耗和计算时延的最佳权衡的目的。

发明内容

本发明的主要目的是在场景内资源优化分配最优的角度上，考虑场景内存在多架无人机、多个物联网设备和基站的情况下，联合考虑计算卸载决策、频谱资源分配和计算资源分配，以实现MEC系统能耗和区块链系统计算延迟的最佳权衡作为优化目标，对场景进行建模，并应用ADMM算法对模型进行迭代，获得低系统能耗且低计算时延的资源优化调度最优策略。本方法解决了在场景下存在多架无人机、多个物联网设备和基站的情况下，如何确定最优资源调度策略的问题，并通过执行最优资源调度策略有效提升数据安全并实现系统能耗和计算时延的最佳权衡。

本发明所适应的无人机支持的物联网系统场景模型见图1。

本发明技术方案中的系统运行原理流程图见图2。

本发明系统总效用值与ADMM算法中惩罚参数ρ关系图见图3。

本发明系统目标函数值与数据大小关系图见图4。

本发明MEC系统能耗与无人机数量关系图见图5。

本发明区块链系统计算时延与MEC服务器计算能力关系图见图6。

本发明的无人机支持的物联网系统场景模型如图1所示，基于ADMM算法的无人机支持的物联网资源优化调度决策方法，在某个通信场景下，存在M个物联网设备、N架无人机和N个基站。每个基站配备一台MEC服务器，假设每个基站只服务于一个无人机。当已知物联网设备和无人机的数量后，根据实际环境情况设置MEC系统模型和区块链系统模型，并确定系统能耗和时延的加权参数，而后联合考虑计算卸载决策、频谱资源分配和计算资源分配，结合场景和优化目标，构建模型优化问题，最后采用基于ADMM的分布式优化算法对其求解，从而达到系统能耗和计算时延的最佳权衡的目的。具体依次按以下步骤实现：

步骤(1)，通信场景中存在M个物联网设备，在三维笛卡尔坐标系下，把 O定义为所有物联网设备的几何中心，每个物联网设备的位置表示为 (x_m,y_m,0),m∈M＝{1,2,...,M}。其中x_m，y_m为物联网设备的x轴和y轴坐标。无人机共有N架，其位置表示为(x_n,y_n,h),n∈N＝{1,2,...,N}，其中x_n，y_n，h为无人机的x轴、y轴和z轴坐标。第n架无人机悬停的时间为T_n秒。另外，基站的位置固定，表示为(x_b,y_b,0)，其中x_b，y_b为BS的x轴和y轴坐标。

步骤(2)，在MEC系统中，物联网设备、无人机与基站之间进行数据的传输与计算。具体步骤如下：

步骤(2.1)，无人机将收集到的相关物联网数据卸载到基站，将 a_mn∈{0,1},

定义为无人机的计算卸载决策。第n架无人机到基站的的信道功率增益

为

其中

为第n架无人机与其相关基站的距离，h₀为距离

时的信道增益。设B为总信道带宽，

为第n架无人机的传输功率。σ²为噪声功率， e_mn∈[0,1]，

表示基站分配给计算任务的无线电频谱的百分比。那么从第n 架无人机到其相关基站的数据传输速率

表示为

设D_mn表示第m个物联网设备传输给第n个无人机的数据量，第n架无人机到其相关基站的数据传输时延

表示为

数据卸载传输的总能耗E^tr为

其中，

为计算任务的无人机频谱效率。

步骤(2.2)，无人机选择将收集到的物联网设备数据自己处理时，设C_mn为完成计算任务所需的CPU周期总数，

为第n架无人机的计算能力(即每秒 CPU周期)，求得第n架无人机计算第m个物联网设备的数据的执行时间

为

无人机进行数据计算的总能耗

为

其中，l_n＝10^-26为有效开关电容，γⁿ＝3是一个正常数。

步骤(2.3)，无人机选择将数据卸载到基站MEC服务器进行计算时，设F 为一个MEC服务器的总计算能力，BS分配给第m个物联网设备的计算资源的百分比为k_mn∈[0,1]，

因此，MEC服务器计算第m个物联网设备的数据的执行时间

为

BS进行数据计算的总能耗

为

得到整个MEC系统消耗的能量E^M为

步骤(3)，为保证卸载到MEC的数据安全，区块链系统的共识节点采用拜占庭容错(PBFT)协商机制对MEC系统发送的计算卸载记录进行验证和共识。具体步骤如下：

步骤(3.1)，首先，区块链中的节点从MEC系统收集如计算卸载记录之类的事务。当主节点收到事务时，需要检查签名和消息认证码(MAC)。假设生成或验证一个签名、生成或验证一个MAC分别需要

和θ个CPU周期。得到主节点的计算成本为

其中，φ为一个区块中可以包含的事务数，g是正确事务的比例。

步骤(3.2)，主节点向所有副本节点发送预准备消息。副本节点在接收到一个新块后，首先验证该块的签名和MAC，然后验证事务的签名和MAC。在该过程中，主节点和副本节点的计算成本为

和

步骤(3.3)，每个副本节点向其他副本节点发送准备消息。节点需要验证2f (其中f＝(N-1)/3个来自其他副本节点的签名和MAC。因此，主节点的计算成本为

另外，副本节点需要生成一个签名和N-1个MAC，可得副本节点的计算成本

步骤(3.4)，每个副本节点向其他节点发送提交消息。节点在收到提交消息后需要验证2f个签名和MAC。因此，副本节点的计算成本为

步骤(3.5)，收集到2f个匹配的提交消息之后，新的块成为一个有效的块，并将其广播到区块链系统。主节点和副本节点的计算成本为

和

得到各共识节点完成一次共识过程所需的总计算成本G_d为

因此，区块链系统的总计算延迟T^d为

其中，

是区块链节点n的CPU周期频率。

步骤(4)，根据步骤(1)-(3)，结合场景和优化目标，构建模型优化问题。采用以下函数作为系统的目标函数。

其中，

是一个将目标函数组合成一个单一的优化权重因子，

是一个映射因子，用于确保目标函数处于同一水平。u(·)是一个采用指数函数的效用函数，提出联合优化问题如下：

s.t.C1:

C2:

C3:

C4:

约束1以确保无人机必须将数据卸载到基站，除非它选择单独执行计算任务。约束2表示分配给卸载到BS的所有计算任务的频谱的总和不能超过每个BS的总可用频谱。约束3表示所有相关物联网设备的计算任务所需的MEC服务器的计算能力和区块链节点的计算能力之和不能超过MEC服务器的总计算能力。约束 4表示数据计算和数据卸载的总时间消耗不应超过每架无人机的悬停时间。

步骤(5)，根据步骤(4)，对MEC系统的资源分配问题进行转换和分解，并采用基于ADMM的分布式优化算法对其求解，具体步骤如下：

步骤(5.1)，通过解决以下问题来获得最小能耗。

s.t.C1,C2,C3,C4,C5

其中，

是一个常数。

由于a_mn的取值为0或1，因此，需要先对二元变量a_mn进行变量松弛，同时，定义a'_mn＝1-a_mn，e'_mn＝a_mn/e_mn，

根据上述，问题可转换为

步骤(5.2)，对上述问题进行分解，对于每架无人机n，定义变量

和

分别为a'，e' 和k'的局部变量。即

对于每个无人机的局部变量，定义如下集合χ_n为其可行集：

对于每个无人机n∈N，相应的局部效用函数ν_n为

那么全局共识问题可以等价写成

s.t.

步骤(5.3)，采用基于ADMM的分布式优化算法对其求解。首先推导出具有全局一致约束的增广拉格朗日量

其中，拉格朗日乘子为

ρ为惩罚参数。

推导变量和拉格朗日乘子迭代过程，局部变量迭代过程为

全局变量迭代过程为

拉格朗日乘子迭代过程为

然后进行变量和拉格朗日乘子的更新，由于无人机的数量为N，所以将迭代分解为N个子问题，求解在迭代[t+1]时的优化问题

s.t.

接下来更新全局变量和拉格朗日乘子，通过将梯度设置为0，可以得到结果如下

在迭代[t]过程中，将拉格朗日乘数初始化为零，可以简化为

步骤(6)，在得到MEC系统中计算卸载、频谱资源分配和计算资源分配的最优决策后，进行区块链系统节点CPU周期频率的优化。得到如下优化问题

s.t.C3:

得到

的最优解，其值计算结果为

本发明的优势在于，在具有多架无人机、多个物联网设备和多个基站的通信场景下，针对无人机支持的物联网系统，通过将MEC技术与区块链技术相结合，联合考虑计算卸载决策、频谱资源分配和计算资源分配，提升数据安全并实现 MEC系统能耗和区块链系统计算延迟的最佳权衡。通过仿真实验考察基于交替方向乘子算法的无人机支持物联网资源优化方法对场景中系统能耗和计算时延的影响。

附图说明

图1，通信场景模型包含物联网设备、无人机和基站的网络模型示意图。

图2，基于交替方向乘子算法的无人机支持物联网资源优化方法设计流程图。

图3，系统总效用值与ADMM算法中惩罚参数ρ关系图，图中圆形表示惩罚参数ρ＝0.8，正方形表示惩罚参数ρ＝0.08，菱形表示惩罚参数ρ＝0.008，六角星形表示惩罚参数ρ＝0.0008。

图4，系统目标函数值与数据大小关系图，图中圆形表示本发明所述方法，正方形表示频谱资源统一分配的方法，菱形表示计算资源统一分配的方法。

图5，MEC系统能耗与无人机数量关系图，图中圆形表示本发明所述方法，正方形表示频谱资源统一分配的方法，菱形表示计算资源统一分配的方法，六角星形表示频谱资源和计算资源均统一分配的方法。

图6，区块链系统计算时延与MEC服务器计算能力关系图，图中圆形表示本发明所述方法，正方形表示频谱资源统一分配的方法，菱形表示计算资源统一分配的方法。

具体实施方式

下面结合附图和实例对基于交替方向乘子算法的无人机支持物联网资源优化方法的技术方案做进一步说明。

本发明所述方法流程图如图2所示，包括以下步骤：

步骤一，将构建的无人机支持的物联网系统初始化，设定无人机数量、物联网设备数量和基站数量，并确定无人机、物联网设备、基站位置；

步骤二，根据初始化条件并结合实际情况，计算MEC系统总能耗E^M，包括数据卸载传输的总能耗E^tr、无人机进行数据计算的总能耗

和基站进行数据计算的总能耗

步骤三，根据初始化条件并结合实际情况，计算区块链系统的计算成本G_d，从而得到区块链系统的计算时延T^d；

步骤四，结合场景和优化目标，构建系统模型优化问题；

步骤五，对问题进行转换和分解，对MEC系统的资源分配问题采用基于 ADMM的分布式优化算法对其求解。首先推导出具有全局一致约束的增广拉格朗日量，其次进行变量和拉格朗日乘子的迭代和更新；

步骤六，对区块链系统节点的CPU周期频率进行优化。

图3为系统总效用值与ADMM算法中惩罚参数ρ关系图。由图3可知，本发明所述方法在不同惩罚参数ρ下系统总效用值的情况。在前30次迭代进程中效果十分明显，总效用值迅速下降，在进行第45次迭代后进入稳定状态。系统效用值收敛在182左右。并且可以发现这四个迭代过程最终收敛于相近的效用值，并且不同的值收敛进程差异并不显著。

图4为系统目标函数值与数据大小关系图。由图5可知，随着数据大小的增加，所有方法中的Q值都增加。这是由于数据卸载的时间消耗随着数据大小的增加而增加，而数据卸载的能量消耗也相应增加，从而影响了Q值。在卸载数据大小为20KB的情况下，本发明所述方法的Q值为36左右，而其余方法最低的Q值高达49。可以看出，基于本发明所述方法优化后的目标函数值始终低于其他方法。

图5为MEC系统能耗与无人机数量关系图。由图6可知，随着无人机数量的增加，MEC系统的总能耗明显增加。当无人机数量为10时，本发明所述方法对应的系统能耗仅为115KJ，而其余方法最小系统能耗高达195KJ。从另一个角度，在相同的系统能耗情况下，本发明方法可增加无人机的数量，例如系统能耗为150KJ时，在本发明所述方法下可使用12架无人机，而在频谱资源统一分配方法下仅可使用9架无人机。

图6为区块链系统计算时延与MEC服务器计算能力关系图。由图6可知，随着MEC服务器总计算能力的增加，对于给定数量的事务，计算时延随着区块链节点CPU周期频率的增加而明显降低。且当区块链系统可允许的计算时延为 4s时，本发明所述方法对应的MEC服务器计算能力为150GHz，而其余方法对应的MEC服务器计算能力最低为160GHz，说明本发明所述方法可有效减少计算成本。

Claims (7)

1.基于交替方向乘子算法的无人机支持物联网资源优化方法，其特征在于：该方法包括如下步骤：

步骤一，将构建的无人机支持的物联网系统初始化，设定无人机数量、物联网设备数量和基站数量，并确定无人机、物联网设备、基站位置；

步骤二，根据初始化条件并结合实际情况，计算MEC系统总能耗E^M，包括数据卸载传输的总能耗E^tr、无人机进行数据计算的总能耗

和基站进行数据计算的总能耗

步骤三，根据初始化条件并结合实际情况，计算区块链系统的计算成本G_d，从而得到区块链系统的计算时延T^d；

步骤四，结合场景和优化目标，构建系统模型优化问题；

步骤五，对问题进行转换和分解，对MEC系统的资源分配问题采用基于ADMM的分布式优化算法对其求解；首先推导出具有全局一致约束的增广拉格朗日量，其次进行变量和拉格朗日乘子的迭代和更新；

步骤六，对区块链系统节点的CPU周期频率进行优化。

2.根据权利要求1所述的基于交替方向乘子算法的无人机支持物联网资源优化方法，其特征在于：步骤一中，通信场景中存在M个物联网设备，在三维笛卡尔坐标系下，把O定义为所有物联网设备的几何中心，每个物联网设备的位置表示为(x_m,y_m,0),m∈M＝{1,2,...,M}；其中x_m，y_m为物联网设备的x轴和y轴坐标；无人机共有N架，其位置表示为(x_n,y_n,h),n∈N＝{1,2,...,N}，其中x_n，y_n，h为无人机的x轴、y轴和z轴坐标；第n架无人机悬停的时间为T_n秒；另外，基站的位置固定，表示为(x_b,y_b,0)，其中x_b，y_b为BS的x轴和y轴坐标。

3.根据权利要求2所述的基于交替方向乘子算法的无人机支持物联网资源优化方法，其特征在于：步骤二中，在MEC系统中，物联网设备、无人机与基站之间进行数据的传输与计算；具体步骤如下：

步骤(2.1)，无人机将收集到的相关物联网数据卸载到基站，将a_mn∈{0,1},

定义为无人机的计算卸载决策；第n架无人机到基站的的信道功率增益

为

其中

为第n架无人机与其相关基站的距离，h₀为距离

时的信道增益；设B为总信道带宽，

为第n架无人机的传输功率；σ²为噪声功率，e_mn∈[0,1]，

表示基站分配给计算任务的无线电频谱的百分比；那么从第n架无人机到其相关基站的数据传输速率

表示为

设D_mn表示第m个物联网设备传输给第n个无人机的数据量，第n架无人机到其相关基站的数据传输时延

表示为

数据卸载传输的总能耗E^tr为

其中，

为计算任务的无人机频谱效率；

步骤(2.2)，无人机选择将收集到的物联网设备数据自己处理时，设C_mn为完成计算任务所需的CPU周期总数，

为第n架无人机的计算能力(即每秒CPU周期)，求得第n架无人机计算第m个物联网设备的数据的执行时间

为

无人机进行数据计算的总能耗

为

其中，l_n＝10^-26为有效开关电容，γⁿ＝3是一个正常数；

步骤(2.3)，无人机选择将数据卸载到基站MEC服务器进行计算时，设F为一个MEC服务器的总计算能力，BS分配给第m个物联网设备的计算资源的百分比为k_mn∈[0,1]，

因此，MEC服务器计算第m个物联网设备的数据的执行时间

为

BS进行数据计算的总能耗

为

得到整个MEC系统消耗的能量E^M为

4.根据权利要求3所述的基于交替方向乘子算法的无人机支持物联网资源优化方法，其特征在于：步骤三中，为保证卸载到MEC的数据安全，区块链系统的共识节点采用拜占庭容错(PBFT)协商机制对MEC系统发送的计算卸载记录进行验证和共识；具体步骤如下：

步骤(3.1)，首先，区块链中的节点从MEC系统收集如计算卸载记录之类的事务；当主节点收到事务时，需要检查签名和消息认证码(MAC)；假设生成或验证一个签名、生成或验证一个MAC分别需要

和θ个CPU周期；得到主节点的计算成本为

其中，φ为一个区块中可以包含的事务数，g是正确事务的比例；

步骤(3.2)，主节点向所有副本节点发送预准备消息；副本节点在接收到一个新块后，首先验证该块的签名和MAC，然后验证事务的签名和MAC；在该过程中，主节点和副本节点的计算成本为

和

步骤(3.3)，每个副本节点向其他副本节点发送准备消息；节点需要验证2f(其中f＝(N-1)/3个来自其他副本节点的签名和MAC；因此，主节点的计算成本为

另外，副本节点需要生成一个签名和N-1个MAC，可得副本节点的计算成本

步骤(3.4)，每个副本节点向其他节点发送提交消息；节点在收到提交消息后需要验证2f个签名和MAC；因此，副本节点的计算成本为

步骤(3.5)，收集到2f个匹配的提交消息之后，新的块成为一个有效的块，并将其广播到区块链系统；主节点和副本节点的计算成本为

和

得到各共识节点完成一次共识过程所需的总计算成本G_d为

因此，区块链系统的总计算延迟T^d为

其中，

是区块链节点n的CPU周期频率。

5.根据权利要求4所述的基于交替方向乘子算法的无人机支持物联网资源优化方法，其特征在于：步骤四中，根据步骤一至步骤三，结合场景和优化目标，构建模型优化问题；采用以下函数作为系统的目标函数；

其中，

是一个将目标函数组合成一个单一的优化权重因子，

是一个映射因子，用于确保目标函数处于同一水平；u(·)是一个采用指数函数的效用函数，提出联合优化问题如下：

约束1以确保无人机必须将数据卸载到基站，除非它选择单独执行计算任务；约束2表示分配给卸载到BS的所有计算任务的频谱的总和不能超过每个BS的总可用频谱；约束3表示所有相关物联网设备的计算任务所需的MEC服务器的计算能力和区块链节点的计算能力之和不能超过MEC服务器的总计算能力；约束4表示数据计算和数据卸载的总时间消耗不应超过每架无人机的悬停时间。

6.根据权利要求5所述的基于交替方向乘子算法的无人机支持物联网资源优化方法，其特征在于：步骤五中，根据步骤四，对MEC系统的资源分配问题进行转换和分解，并采用基于ADMM的分布式优化算法对其求解，具体步骤如下：

步骤(5.1)，通过解决以下问题来获得最小能耗；

s.t.C1,C2,C3,C4,C5

其中，

是一个常数；

由于a_mn的取值为0或1，因此，需要先对二元变量a_mn进行变量松弛，同时，定义a'_mn＝1-a_mn，e'_mn＝a_mn/e_mn，

根据上述，问题可转换为

步骤(5.2)，对上述问题进行分解，对于每架无人机n，定义变量

和

分别为a'，e'和k'的局部变量；即

对于每个无人机的局部变量，定义如下集合χ_n为其可行集：

对于每个无人机n∈N，相应的局部效用函数ν_n为

那么全局共识问题等价写成

步骤(5.3)，采用基于ADMM的分布式优化算法对其求解；首先推导出具有全局一致约束的增广拉格朗日量

其中，拉格朗日乘子为

ρ为惩罚参数；

推导变量和拉格朗日乘子迭代过程，局部变量迭代过程为

全局变量迭代过程为

拉格朗日乘子迭代过程为

然后进行变量和拉格朗日乘子的更新，由于无人机的数量为N，所以将迭代分解为N个子问题，求解在迭代[t+1]时的优化问题

接下来更新全局变量和拉格朗日乘子，通过将梯度设置为0，可以得到结果如下

在迭代[t]过程中，将拉格朗日乘数初始化为零，简化为

7.根据权利要求6所述的基于交替方向乘子算法的无人机支持物联网资源优化方法，其特征在于：步骤六中，在得到MEC系统中计算卸载、频谱资源分配和计算资源分配的最优决策后，进行区块链系统节点CPU周期频率的优化；得到如下优化问题

得到

的最优解，其值计算结果为

Images