CN113296963A - 一种考虑用户移动性的无人机辅助的边缘计算方法 - Google Patents

一种考虑用户移动性的无人机辅助的边缘计算方法 Download PDF

Info

Publication number
CN113296963A
CN113296963A CN202110849361.3A CN202110849361A CN113296963A CN 113296963 A CN113296963 A CN 113296963A CN 202110849361 A CN202110849361 A CN 202110849361A CN 113296963 A CN113296963 A CN 113296963A
Authority
CN
China
Prior art keywords
user
unmanned aerial
aerial vehicle
representing
unloading
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
CN202110849361.3A
Other languages
English (en)
Other versions
CN113296963B (zh
Inventor
夏景明
王澎
李斌
谈玲
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 Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202110849361.3A priority Critical patent/CN113296963B/zh
Publication of CN113296963A publication Critical patent/CN113296963A/zh
Application granted granted Critical
Publication of CN113296963B publication Critical patent/CN113296963B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种考虑用户移动性的无人机辅助的边缘计算方法，包括：建立由数字孪生驱动的无人机辅助计算网络；由无人机辅助计算网络实时反馈用户、无人机和空闲设备的实时数据、位置和状态；以降低用户总时延为目标，采用分布式深度学习求解用户的卸载策略；利用差分进化学习求解无人机的位置部署。本发明可以有效的利用孪生网络反馈用户实时数据，获得全局近优解的无人机部署和卸载策略，降低用户的处理时延。

Description

一种考虑用户移动性的无人机辅助的边缘计算方法
技术领域
本发明涉及无人机辅助的边缘计算技术领域，具体而言涉及一种考虑用户移动性的无人机辅助的边缘计算方法。
背景技术
近年来，物联网技术蓬勃发展，为智能城市、智能交通、娱乐管理等提供实时分析技术。为了支持大量设备并及时处理海量数据，移动边缘计算通过在移动用户设备附近配备无处不在的计算资源来支持这些延迟敏感的应用。各种研究主题，例如任务卸载、缓存和资源分配，都是基于边缘服务器已经被放置的假设。需要解决如何以及在哪里部署边缘服务器的问题。由于用户的移动性和动态需求，当前的热点区域可能很快就会冷却下来。为了服务时变的人群，研究人员定期将用户集群映射到固定边缘服务器，以降低基础设施成本。但是由于任务分布不均匀，一些固定边缘服务器不可避免地会过载，而其他服务器则处于空闲状态。因此，需要引入任务迁移等技术来平衡边缘服务器之间的工作负载。这反过来会导致额外的通信和信令开销，并增加任务延迟，因为任务需要在服务器之间传输。按需网络部署被视为一个有前途的提议，可为大型活动或灾难的动态热点区域提供服务。同时，与基站休眠技术相比，按需配置可以提高计算资源的利用率。
最近，无人驾驶飞行器已被广泛研究，并被认为是辅助无线通信网络的可行方法。随着无人机的发展，在无人机上部署边缘服务器因其灵活的移动性而引起了极大的关注。为了克服飞行时间和电池功率的限制，现有的太阳能技术可以实现28+连续飞行小时。此外，一般的商用无人机，可以携带6-8公斤的有效载荷起飞，而重型起重无人机可以携带高达45公斤的货物飞行。这使得无人机携带服务器并悬停在特定位置以收集和处理卸载的任务成为可能。
无人机是一种能力很强的飞行器，可以在没有飞行员的情况下飞行。与载人飞机相比，无人机具有许多优势，如高灵活性、低风险和易于部署。这些优势使无人机成为物联网设备的移动信息收集器和处理器，这在传统的边缘云基础设施中是不可行的。目前，有两种类型的方法来处理来自具有多个无人机的物联网设备的信息。第一种是用静态无人机覆盖所有物联网设备，适合小区域监控。二是使用多个移动无人机覆盖更大的区域。
数字孪生作为一种新兴的数字技术，将现实世界设备的虚拟描绘或数字表示结合起来，创造出一个混合的真实虚拟世界。通过边缘计算和数字孪生的结合，可以实时监控整个边缘计算网络的状态，并直接为决策模块提供感知数据。与4G和5G中的工作相比，边缘云中创建的各种对象的数字孪生构成了6G时代数字世界的重要基石，优化了人工智能和分析决策，同时使物理和虚拟世界之间的交互更加高效和直观。
专利号为CN112600912A的发明中公开了一种无人机辅助的边缘计算卸载算法分布式激励方法，引入数字孪生技术(Digital Twins, DT)为网络中的物理实体创建实时的数字仿真模型，实现实体数据的即时收集和实体状态的即时更新，从而更好地适应网络的高动态性及实变性的资源需求。然而，在该发明中，无人机只是为地面网络无法覆盖的路侧单元和车辆之间提供中继服务，并未考虑到同一任务可能任选一种设备计算的场景，并且在资源分配上也是更加着眼于车辆满意度和能源效率最大化。
关于边缘计算的现有工作主要集中在设计卸载方案，以在用户设备的计算延迟和能量消耗之间进行权衡。当优化问题引入无人机部署的优化目标后，原有的优化问题就会变成一个整数非线性规划问题，使得问题的求解更加复杂。求解卸载策略的常用方法有凸优化、枚举法和K-means等算法，求解无人机部署常用的算法有DBSCAN算法和差分进化学习等算法。专利号为CN111132009A的发明中公开了一种物联网的移动边缘计算方法、装置及系统，基于各个无人机的当前模拟位置和目标物联网区域内的各个物联网设备的实际位置，为各个物联网设备分配无人机；模拟将物联网设备的任务卸载至分配的无人机，及模拟各个无人机基于深度增强学习算法对接收的任务进行调度；利用差分进化算法对各个无人机的当前模拟位置进行迭代更新，继续执行上述操作，直至迭代更新次数达到预设阈值时停止操作；基于每次操作中物联网设备分配的无人机、无人机进行任务调度的结果和无人机的当前模拟位置，确定各个无人机的最优坐标位置；触发各个无人机移动至其最优坐标位置下调度对应物联网设备上的任务，从而提升了物联网设备的服务质量。然而，该发明在求解无人机最优位置时并未考虑具有固定地址的空闲设备的因素，同时，其采用的差分步骤中也未考虑维度概率，一旦引入其他因素，如物联网设备具备很强的移动性或者网络中还存在其他边缘计算设备时，则很难获得全局最优解。
发明内容
本发明针对现有技术中的不足，提供一种考虑用户移动性的无人机辅助的边缘计算方法，充分考虑用户不确定的移动性影响因素，可以有效的利用孪生网络反馈用户实时数据，获得全局近优解的无人机部署和卸载策略，降低用户的处理时延。
为实现上述目的，本发明采用以下技术方案：
本发明实施例提出了一种考虑用户移动性的无人机辅助的边缘计算方法，所述边缘计算方法包括以下步骤：
S1，利用自第三方收集的数据建立由数字孪生驱动的无人机辅助计算网络，该无人机辅助计算网络用以模拟用户设备、移动无人机和具有固定地址的空闲设备的状态；空闲设备与移动无人机用于协助用户设备完成用户计算任务；
S2，由无人机辅助计算网络实时反馈用户、无人机和空闲设备的实时数据、位置和状态；
S3，基于步骤S2反馈的用户数据量
Figure 226581DEST_PATH_IMAGE001
和地理位置
Figure 860825DEST_PATH_IMAGE002
、无人机位置
Figure 239985DEST_PATH_IMAGE003
和状 态，以及空闲设备位置
Figure 541653DEST_PATH_IMAGE004
和状态，以降低用户总时延为目标，采用分布式深度学习求解用 户的卸载策略；每个任务对应的卸载动作包括用户本地计算、无人机计算和空闲设备计算 三种；
S4，基于步骤S3求解出的卸载策略，利用差分进化学习求解无人机的位置部署；
S5，循环执行步骤S3和步骤S4，直到结果收敛或者达到最大迭代次数。
可选地，步骤S1中，利用自第三方收集的数据建立由数字孪生驱动的无人机辅助计算网络的过程包括以下步骤：
S11，设在时隙t，用户
Figure 167807DEST_PATH_IMAGE005
生成任务量
Figure 351663DEST_PATH_IMAGE006
，用户
Figure 721465DEST_PATH_IMAGE007
的三维坐标表示为
Figure 877640DEST_PATH_IMAGE008
；假设用户的速度大小固定为v，速度的方向θ服从一个随机的高斯 分布，一个时隙的时间为
Figure 487744DEST_PATH_IMAGE009
，则用户
Figure 96580DEST_PATH_IMAGE010
在(t+1)时隙的位置表示为：
Figure 4493DEST_PATH_IMAGE011
；
S12，根据现实物理层，在虚拟世界建立对应的孪生网络层；
S13，在t时隙，用户
Figure 77491DEST_PATH_IMAGE010
的数字孪生公式表示为：
Figure 45447DEST_PATH_IMAGE012
用户基于其本地状态及其历史状态生成数据集Di来训练本地模型，用户状态包括用户对应的任务数据量状态和位置状态；
其中，定义在用户
Figure 141579DEST_PATH_IMAGE013
的数据集Di上的损失函数为：
Figure 853183DEST_PATH_IMAGE014
式中：
Figure 531420DEST_PATH_IMAGE015
是训练模型的参数向量；
Figure 670277DEST_PATH_IMAGE016
是基于机器学习算法的损失函数；
在拟合数据的过程中，使用梯度下降算法训练模型参数，参数更新公式如下：
Figure 316022DEST_PATH_IMAGE017
其中：
Figure 831317DEST_PATH_IMAGE018
是t次迭代的学习模型参数；
Figure 551012DEST_PATH_IMAGE019
是学习率；
Figure 673820DEST_PATH_IMAGE020
是参数的损 失函数梯度；
S14，将无人机j和空闲设备k的数字孪生构建为：
Figure 744544DEST_PATH_IMAGE021
Figure 797951DEST_PATH_IMAGE022
式中：
Figure 637731DEST_PATH_IMAGE023
表示无人机j在t时隙的坐标；
Figure 180707DEST_PATH_IMAGE024
表示无人机j在t时隙服务的用户数 量；
Figure 738728DEST_PATH_IMAGE025
表示空闲设备k的固定位置；
Figure 330246DEST_PATH_IMAGE026
表示空闲设备k在t时隙服务的用户数量。
可选地，步骤S3中，以降低用户总时延为目标，采用分布式深度学习求解用户的卸载策略的过程包括以下步骤：
S31，用
Figure 837582DEST_PATH_IMAGE027
表示用户
Figure 754722DEST_PATH_IMAGE028
的卸载动作类型；当
Figure 534459DEST_PATH_IMAGE027
等于0时，
Figure 991986DEST_PATH_IMAGE028
的计算任务由其本地进行 计算；当
Figure 806358DEST_PATH_IMAGE027
等于1时，
Figure 628820DEST_PATH_IMAGE028
的计算任务由与
Figure 895854DEST_PATH_IMAGE028
邻近的空闲设备计算；当
Figure 907803DEST_PATH_IMAGE027
等于2时，
Figure 576682DEST_PATH_IMAGE028
的计算任 务由与
Figure 570046DEST_PATH_IMAGE028
邻近的无人机计算；
S32，考虑无人机和空闲设备在一个时隙下能够服务的用户数量，得到对应的约束条件：
Figure 386692DEST_PATH_IMAGE029
Figure 123704DEST_PATH_IMAGE030
其中，
Figure 647089DEST_PATH_IMAGE031
表示无人机j在t时隙服务的用户数量；
Figure 889983DEST_PATH_IMAGE032
表示空闲设备k在t时 隙服务的用户数量；
Figure 131608DEST_PATH_IMAGE033
表示一个时隙下无人机能够服务的最大用户数量；
Figure 406732DEST_PATH_IMAGE034
表 示一个时隙下空闲设备能够服务的最大用户数量；
S33，构建K个并行的除参数外全部相同的深度神经网络，每个深度神经网络的输入是用户设备的任务量，输出是对应的卸载动作概率，K为大于1的正整数；
S34，将M个计算任务的任务量大小作为输入，输入到K个深度神经网络中，得到每个深度神经网络对应的3*M个卸载动作概率，根据卸载动作概率选择每个深度神经网络的卸载决策，得到K组卸载决策；
S35，根据当前的用户位置和无人机的位置，计算出不同卸载决策下的总时延，筛选得到总时延最小的卸载决策，将总时延最小的卸载决策对应的每个用户的卸载动作类型的概率修正为100%，其余2个卸载动作类型的概率修正为0%；将这一组任务数据和修正后的动作决策概率存储起来，生成一组样本数据；
S36，重复N次步骤S34至S35，生成N组样本数据，存储至记忆库；间隔固定次数，从记忆库中随机抽取一定量的样本数据训练前述K个深度神经网络，输出对应的卸载策略，即每个深度神经网络的权重参数。
可选地，每个深度神经网络均包含依次连接的1个输入层、3个隐藏层和1个输出层；3个隐藏层按照由前至后的顺序被分别编号为 [0]、 [1]和 [2]；
其中，输入层节点的个数对应用户的数量M，隐藏层Hide[0]节点的个数为20，隐藏层Hide[1]节点的个数为40，隐藏层Hide[2]节点的个数为20，输出层的节点个数对应于用户的数量3*M；公式化表示几个层之间的关系如下：
Figure 50203DEST_PATH_IMAGE035
Figure 447686DEST_PATH_IMAGE036
Figure 176607DEST_PATH_IMAGE037
Figure 255422DEST_PATH_IMAGE038
式中，
Figure 554730DEST_PATH_IMAGE039
是隐藏层[0]的输出值，
Figure 326377DEST_PATH_IMAGE040
是隐藏层[1]的输出值，
Figure 277015DEST_PATH_IMAGE041
是隐藏层[2]的输出值，Output是输出层的输出值；
Figure 221838DEST_PATH_IMAGE042
分别 表示3个隐藏层和输出层的权重矩阵的转置；
Figure 574321DEST_PATH_IMAGE043
分别表示3个隐藏层和输 出层的偏差；relu函数和softmax函数都是激活函数，前者的作用是激活隐藏层节点，后者 的作用是将输出值以概率的形式呈现，即卸载动作的概率。
可选地，步骤S34中，得到每个深度神经网络对应的3*M个卸载动作概率的过程包括以下步骤：
设用户i对应的深度神经网络的输出值为
Figure 516870DEST_PATH_IMAGE044
、
Figure 954804DEST_PATH_IMAGE045
和
Figure 188471DEST_PATH_IMAGE046
；将这三个值通过下述 公式计算得到用户 i的动作决策概率：
Figure 661040DEST_PATH_IMAGE047
Figure 774490DEST_PATH_IMAGE048
Figure 762037DEST_PATH_IMAGE049
式中，
Figure 986345DEST_PATH_IMAGE050
和
Figure 47842DEST_PATH_IMAGE051
为用户i的卸载动作类型分别为用户本地计算、空闲设备 计算和无人机计算的概率；xi0、xi1和xi2分别是用户i通过深度神经网络输出的三个动作 的值。
可选地，步骤S35中，根据下述公式计算得到总时延最小的卸载决策
Figure 145242DEST_PATH_IMAGE052
：
Figure 557769DEST_PATH_IMAGE053
Figure 585768DEST_PATH_IMAGE054
式中，
Figure 829668DEST_PATH_IMAGE055
和
Figure 19340DEST_PATH_IMAGE056
分别表示本地计算模式、空闲设备计算模式和无人 机算计模式的时延，根据用户数据量 Di(t)和地理位置Li(t)、无人机位置Lj(t)和空闲设 备位置 Lk计算得到；Q(x)是计算任务的处理时延公式，
Figure 919163DEST_PATH_IMAGE057
表示K组并行的深度神经网络所 选取出来的动作，x表示一个时隙下的用户的数据量和卸载决策。
可选地，步骤S36中，采用交叉损失熵函数来表示训练对应的损失函数；
Figure 298323DEST_PATH_IMAGE058
式中，
Figure 599992DEST_PATH_IMAGE059
表示当前的网络参数，
Figure 960566DEST_PATH_IMAGE060
表示根据公式得到总时延最小的卸载决策，
Figure 410002DEST_PATH_IMAGE061
表示根据数据D和当前网络参数
Figure 779803DEST_PATH_IMAGE059
计算出来的卸载决策。
可选地，步骤S4中，利用差分进化学习求解无人机的位置部署的过程包括以下步骤：
S41，获得无人机初始化的种群；对于无人机j，其个体表示为 (Xj,Yj,h)，其中h表示无人机的高度：
Xj=Xmin+rand*(Xmax-Xmin)
Yj=Ymin+rand*(Ymax-Ymin)
式中，Xmin和 Ymin表示横纵坐标的下界，Xmax 和Ymax 表示横纵坐标的上界，rand是一个(0,1)的随机浮点数；
S42，从生成的种群中随机抽取3个无人机个体，分别表示为
Figure 670399DEST_PATH_IMAGE062
和
Figure 467453DEST_PATH_IMAGE063
：
Figure 889339DEST_PATH_IMAGE064
式中，F是变异因子； Gi表示无人机i临时的一个个体；t表示t时隙；
S43，根据下述差分公式生成新的无人机个体Ni：
Figure 62831DEST_PATH_IMAGE065
其中CR表示差分的概率；
Figure 73512DEST_PATH_IMAGE066
，用于保证差分后的个体至少在一个维 度上与之前不同；
Figure 103785DEST_PATH_IMAGE067
表示无人机 i临时个体对应的x坐标和y坐标值，
Figure 199917DEST_PATH_IMAGE068
表示新生成的无人机个体在（t+1）时隙对应的x坐标和y坐标；
S44，结合下述公式，采用贪婪算法进行选择，分别计算2个种群的用户总体时延，保留效果更好的种群：
Figure 911521DEST_PATH_IMAGE069
；
式中，
Figure 776709DEST_PATH_IMAGE070
表示在（t+1）时隙无人机i的个体；
Figure 728616DEST_PATH_IMAGE071
表示S43中无人机i 的新个体；
Figure 312044DEST_PATH_IMAGE072
表示在t时隙无人机i的个体，
Figure 624076DEST_PATH_IMAGE073
表示基于t时隙无人机种群的计算 时延；
Figure 609350DEST_PATH_IMAGE074
表示基于新的无人机种群的计算时延；
Figure 919109DEST_PATH_IMAGE075
表示t时隙无人机种群；
Figure 989833DEST_PATH_IMAGE076
表示新生成的无人机临时种群；
S45，循环执行步骤S43和S44，直至结果收敛或者达到预设的最大迭代次数。本发明的有益效果是：
本发明使用无人机和固定的空闲设备帮助用户设备处理计算任务，引入了孪生网络来实时反馈用户的移动性和任务数据量，采用分布式深度学习求解卸载策略，使用差分进化学习求解无人机的部署。本发明综合考虑了用户的移动性和网络内的所有可利用的计算设备，有效地降低计算任务的处理时延，提高用户的服务质量，具有一定灵活性。本发明采用分布式深度学习计算得到最优卸载策略，能够以较低的复杂度有效地计算大量动态数据，能够适应动态的环境变化。降低复杂度后一是可以节约计算资源，降低移动设备或无人机的功耗，二是节约计算时间，可以提高系统的实时性。
附图说明
图1是本发明实施例的考虑用户移动性的无人机辅助的边缘计算方法流程图。
图2为本发明实施例的无人机辅助计算网络的结构示意图。
图3为本发明实施例的单个深度神经网络的结构示意图。
图4为本发明实施例的用于求解决策策略的分布式深度神经网络示意图。
图5为本发明实施例的差分进化学习种群示意图。
图6为本发明实施例的随着无人机计算频率增长总计算时延的变化趋势示意图。
图7为不同算法求解出的卸载策略的总时延变化趋势示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
图1是本发明实施例的考虑用户移动性的无人机辅助的边缘计算方法流程图。由无人机辅助的新型边缘计算网络，用户设备都具有一定的移动性，随时会产生计算任务，由于用户终端设备的计算能力有限，因此本实施例考虑引入多无人机和空闲设备帮助多用户处理计算任务，从而降低计算时延，提高服务质量。
该边缘计算方法包括以下步骤：
S1，利用自第三方收集的数据建立由数字孪生驱动的无人机辅助计算网络，该无人机辅助计算网络用以模拟用户设备、移动无人机和具有固定地址的空闲设备的状态；空闲设备与移动无人机用于协助用户设备完成用户计算任务。
该无人机辅助计算网络的特征在于：在传统的无人机与用户网络的基础上加入计算能力较强的空闲设备如PC或嵌入式终端，由空闲设备与移动无人机协作完成用户计算任务。
在时隙t，用户i生成任务量
Figure 856289DEST_PATH_IMAGE077
，其三维坐标可以表示为
Figure 696069DEST_PATH_IMAGE078
。假设用户的速度大小固定为v，速度的方向θ服从一个随机的高斯分 布，一个时隙的时间为
Figure 176729DEST_PATH_IMAGE079
。用户i在(t+1)时隙的位置可以表示为：
Figure 531487DEST_PATH_IMAGE080
首先在虚拟世界建立数字孪生网络，如图2所示的孪生网络层。在t时隙，用户i的数字孪生公式可以表示为：
Figure 388584DEST_PATH_IMAGE012
用户基于其本地状态(任务数据量和位置)及其历史状态来训练的本地模型。首先定义在用户 i的数据集Di上的损失函数为：
Figure 82871DEST_PATH_IMAGE081
其中：
Figure 547481DEST_PATH_IMAGE082
是训练模型的参数向量；
Figure 592798DEST_PATH_IMAGE083
是基于机器学习算法的损失函数。
在拟合数据的过程中，我们使用梯度下降算法训练模型参数。参数更新公式如下：
Figure 988007DEST_PATH_IMAGE017
其中：
Figure 599117DEST_PATH_IMAGE084
是t次迭代的学习模型参数；
Figure 687158DEST_PATH_IMAGE085
是学习率；
Figure 954192DEST_PATH_IMAGE086
是参数的损失函 数梯度。
另外，将无人机j和空闲设备k的数字孪生构建为：
Figure 153092DEST_PATH_IMAGE087
Figure 369441DEST_PATH_IMAGE088
其中：
Figure 628384DEST_PATH_IMAGE089
表示无人机j在t时隙的坐标；
Figure 382713DEST_PATH_IMAGE090
表示无人机j在t时隙服务的用户 数量；
Figure 182042DEST_PATH_IMAGE091
表示空闲设备k的固定位置；
Figure 705427DEST_PATH_IMAGE092
表示空闲设备k在t时隙服务的用户数量。
需要注意的是，这里的空闲设备的位置和状态是固定的，无人机的部署是需要求解的。
由无人机辅助计算网络实时反馈用户、无人机和空闲设备的实时数据、位置和状态。
步骤S2的目的在于，使用训练好的孪生网络，及时反馈用户设备的数据量和地理位置、无人机和空闲设备的位置与状态。步骤S1训练出来的孪生网络能够实时的反应现实用户的状态，同时通过不断地与外界环境交互，使物理和虚拟世界之间的联系更加高效和直观。
S3，基于步骤S2反馈的用户数据量
Figure 135271DEST_PATH_IMAGE093
和地理位置
Figure 924367DEST_PATH_IMAGE094
、无人机位置
Figure 465070DEST_PATH_IMAGE095
和状 态，以及空闲设备位置
Figure 108541DEST_PATH_IMAGE096
和状态，以降低用户总时延为目标，采用分布式深度学习求解用户 的卸载策略；每个任务对应的卸载动作包括用户本地计算、无人机计算和空闲设备计算三 种。
在构建的模型中，假设用户设备在每个时隙下都有不等的计算任务需要处理。当数据量较小的时候，用户设备自身的计算能力能够处理任务，然而当数据量到达一定规模时，用户设备所携带的计算资源则不足以处理任务了。因此，在构建的模型中，我们引入了两种边缘节点：无人机边缘节点和空闲设备边缘节点。无人机边缘节点具有部署简便、成本低廉的特点，空闲设备边缘节点能够充分利用空闲设备的计算资源来有计算任务的用户设备服务。虽然空闲设备在什么时候处于空闲状态难以知晓，但是通过数字孪生网络与现实环境的交互，可以得到空闲设备的状态以判断其是否具有空闲的计算资源，从而为用户设备提供服务。规定用户的计算任务有三种处理模式：用户本地计算；空闲设备计算；无人机计算。我们用ai表示用户i的卸载决策。具体来说当ai等于0时，i的计算任务由其本地进行计算；当ai等于1时，i的计算任务由与 i邻近的空闲设备计算；当ai等于2时，i的计算任务由与i邻近的无人机计算。需要注意的是，由于无人机和空闲设备的计算能力也是有限的，因此需要考虑无人机和空闲设备在一个时隙下能够服务的用户数量。可以得到约束条件如下：
Figure 506024DEST_PATH_IMAGE097
Figure 234946DEST_PATH_IMAGE098
其中
Figure 313760DEST_PATH_IMAGE099
表示一个时隙下无人机能够服务的最大用户数量；
Figure 624787DEST_PATH_IMAGE100
表示一个时 隙下空闲设备能够服务的最大用户数量。
深度神经网络的主要功能是输入所有用户设备的任务数据量，针对每个用户设备的任务输出3个卸载动作的概率。每个深度神经网络有1个输入层（Input），3个隐藏层（Hide[0]、Hide[1]和Hide[2]）和1个输出层（Output），Input输入的是用户设备的任务量，Output输出的是对应的卸载动作概率。其中输入层节点的个数对应用户的数量M，Hide[0]节点的个数为20，Hide[1]节点的个数为40，Hide[2]节点的个数为20，最后输出层的节点个数也对应于用户的数量3*M。公式化表示几个层之间的关系如下：
Figure 130854DEST_PATH_IMAGE035
Figure 347072DEST_PATH_IMAGE036
Figure 291894DEST_PATH_IMAGE037
Figure 644378DEST_PATH_IMAGE038
其中，
Figure 586927DEST_PATH_IMAGE101
分别表示3个隐藏层和输出层的权重矩阵的转置；
Figure 24861DEST_PATH_IMAGE102
分别表示3个隐藏层和输出层的偏差；relu函数和softmax函数都是激活函 数，前者的作用是激活隐藏层节点，后者的作用是将输出值以概率的形式呈现，即卸载动作 的概率。
深度神经网络如图3所示，为了简洁，这里将隐藏层的节点数有所删减。首先将M个计算任务的任务量大小作为输入，输入到K个并行的除参数外全部相同的深度神经网络中。这样，可以得到3*M个决策概率，然后根据概率选择决策。由于使用的是K个并行的深度神经网络，那么K个网络输出出来的卸载决策有好有坏。根据当前的用户位置和无人机的位置，计算出不同决策下的时延，从而判断出哪一组卸载决策是最好的，然后将每个用户最好的决策概率设定为100%，其余2个动作概率设定为0%，之后将这一组数据和决策概率存储起来，间隔固定次数训练整个网络。如此循环往复，最后输出卸载策略，即DNN的权重参数。具体流程如图4所示。
对于用户i而言，其输出有三个值
Figure 258528DEST_PATH_IMAGE103
。首先将这三个值通过softmax 函数。公式如下：
Figure 731097DEST_PATH_IMAGE104
Figure 578967DEST_PATH_IMAGE105
Figure 566515DEST_PATH_IMAGE106
这里得到的
Figure 790823DEST_PATH_IMAGE107
可以看作用户i的决策分别为0，1，2的概率。对于所用 的用户都进行这样的操作，得到K组不同的卸载决策概率，然后依据概率选择决策。根据时 延计算公式，计算出K组不同决策的时延，取出其中最好的一组，然后将其选中的决策设置 为概率100%，未选中的概率设置为0%，作为标签，然后将这组数据和概率值存储起来。具体 的选择最佳决策的公式可以表示如下
Figure 117899DEST_PATH_IMAGE108
这里的
Figure 215299DEST_PATH_IMAGE109
就是计算任务的处理时延公式。Q(x)的公式如下：
Figure 627826DEST_PATH_IMAGE110
其中
Figure 265612DEST_PATH_IMAGE111
分别表示本地计算模式、空闲设备计算模式和无人机算计 模式的时延,这几个时延是根据用户数据量
Figure 447195DEST_PATH_IMAGE093
和地理位置
Figure 902447DEST_PATH_IMAGE094
、无人机位置
Figure 864586DEST_PATH_IMAGE112
和 空闲设备位置
Figure 430697DEST_PATH_IMAGE096
计算出来的。
间隔固定次数，从记忆库中抽取出随机数量的数据和决策概率，用来更新所有网络。这里采用交叉损失熵函数来表示损失函数，因为该函数被证明能够有效地进行分类问题，加速收敛速度。交叉损失熵函数如下：
Figure 466786DEST_PATH_IMAGE113
。
S4，基于步骤S3求解出的卸载策略，利用差分进化学习求解无人机的位置部署。
原本求解无人机的部署是一个十分复杂的问题，使用传统的凸优化办法求解，复 杂度太高。相反，差分进化学习虽然不一定能求解出全局最优解，但是该方法能够以较小的 复杂度求解出全局近优解，在可以接受的情况下，差分进化学习更加具有实用性。具体来 说，每个无人机的坐标当作一个个体，例如无人机j，其个体表示为
Figure 905989DEST_PATH_IMAGE114
，其中h表示无 人机的高度（固定）。所有无人机的个体组合起来，生成无人机种群。差分进化学习的具体流 程：1：获得无人机初始化的种群，即S3开始时生成的无人机位置；2：从无人机种群中随机抽 取不同的3个无人机个体，其中两个个体做差形成一个变异向量，再加上余下的个体；3：2中 余下的那个个体以一定的变异概率进行变异；4：2前后有2个无人机种群，根据S3计算出来 的卸载策略算出来两个不同的用户任务处理时延，可以判断出哪个种群更优秀，采取贪婪 策略，舍去较差的种群，保留效果好的种群；5：循环执行2-3-4，直到结果收敛或者达到差分 学习的最大迭代次数，最后保留下来的就是无人机的部署。差分进化学习的具体步骤如下：
a：初始化
对于无人机j有公式：
Figure 293108DEST_PATH_IMAGE115
Figure 397330DEST_PATH_IMAGE116
其中
Figure 553505DEST_PATH_IMAGE117
和
Figure 412876DEST_PATH_IMAGE118
表示横纵坐标的下界，
Figure 21712DEST_PATH_IMAGE119
和
Figure 195205DEST_PATH_IMAGE120
表示横纵坐标的上界，
Figure 18935DEST_PATH_IMAGE121
是一个(0,1)的随机浮点数，这样生成无人机的时候能够保证无人机在一定范围内。
b：变异
从a生成的种群中随机抽取3个无人机个体，表示为
Figure 986891DEST_PATH_IMAGE122
。具体公 式如下：
Figure 83023DEST_PATH_IMAGE123
其中F是变异因子，F越小搜索能力越强；F越大，容易跳出局部最优解，但是收敛速 度变慢。Gi表示无人机
Figure 591365DEST_PATH_IMAGE010
临时的一个个体。
c：差分
差分的目的是生成新的无人机个体Ni。公式如下：
Figure 722132DEST_PATH_IMAGE124
其中CR表示差分的概率，CR越大，收敛速度越大，但是会出现早熟的现象，导致学 习效果不佳。
Figure 860989DEST_PATH_IMAGE125
，其作用是保证差分后的个体至少在一个维度上与之前不同。
d：选择
采用贪婪算法进行选择。分别计算2个种群的用户总体时延，保留效果更好的种群。具体公式如下：
Figure 269186DEST_PATH_IMAGE126
S5，循环执行S3和S4，直至结果收敛或者达到总算法的最大迭代次数。
图6给出的是随着无人机计算频率的增长，总计算时延的变化图。一开始变化趋势很小，这是此时因为本发明提出的算法求解出来的卸载策略都是将计算任务卸载到空闲的设备计算。当频率增长到一定程度后，总计算时延的下降趋势越来越明显，这是由于本发明提出的算法求解出来的策略开始充分考虑无人机与空闲设备的协作。
图7给出一些算法求解出的卸载策略在总时延上的表现，分别是分布式深度学习，任务全卸载给空闲设备，任务全卸载给无人机以及枚举法。如图7所示，枚举法的效果最好，但是不可避免的是其复杂度较高，一旦用户的数量增长，计算复杂度会呈现指数级增长。另外，我们所提出的分布深度学习相较于两种全部卸载算法效果要更加优秀，即使用户数量增长，分布式深度学习的复杂度依然不算很高。尽管算法和枚举法有一定的差距，但是综合复杂度和时延结果考虑，分布式深度学习算法具有一定的可行性。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (8)

1.一种考虑用户移动性的无人机辅助的边缘计算方法，其特征在于，所述边缘计算方法包括以下步骤：
S1，利用自第三方收集的数据建立由数字孪生驱动的无人机辅助计算网络，该无人机辅助计算网络用以模拟用户设备、移动无人机和具有固定地址的空闲设备的状态；空闲设备与移动无人机用于协助用户设备完成用户计算任务；
S2，由无人机辅助计算网络实时反馈用户、无人机和空闲设备的实时数据、位置和状态；
S3，基于步骤S2反馈的用户数据量
Figure 337872DEST_PATH_IMAGE001
和地理位置
Figure 255012DEST_PATH_IMAGE002
、无人机位置
Figure 97066DEST_PATH_IMAGE003
和状态，以及 空闲设备位置
Figure 492275DEST_PATH_IMAGE004
和状态，以降低用户总时延为目标，采用分布式深度学习求解用户的卸载 策略；每个任务对应的卸载动作包括用户本地计算、无人机计算和空闲设备计算三种；
S4，基于步骤S3求解出的卸载策略，利用差分进化学习求解无人机的位置部署；
S5，循环执行步骤S3和步骤S4，直到结果收敛或者达到最大迭代次数。
2.根据权利要求1所述的考虑用户移动性的无人机辅助的边缘计算方法，其特征在于，步骤S1中，利用自第三方收集的数据建立由数字孪生驱动的无人机辅助计算网络的过程包括以下步骤：
S11，设在时隙t，用户
Figure 306648DEST_PATH_IMAGE005
生成任务量
Figure 942160DEST_PATH_IMAGE006
，用户
Figure 209193DEST_PATH_IMAGE007
的三维坐标表示为
Figure 408093DEST_PATH_IMAGE008
；假设用户的速度大小固定为v，速度的方向θ服从一个随机的高斯 分布，一个时隙的时间为
Figure 139289DEST_PATH_IMAGE009
，则用户
Figure 132652DEST_PATH_IMAGE010
在(t+1)时隙的位置表示为：
Figure 886982DEST_PATH_IMAGE011
；
S12，根据现实物理层，在虚拟世界建立对应的孪生网络层；
S13，在t时隙，用户
Figure 437043DEST_PATH_IMAGE010
的数字孪生公式表示为：
Figure 960428DEST_PATH_IMAGE012
用户基于其本地状态及其历史状态生成数据集Di来训练本地模型，用户状态包括用户对应的任务数据量状态和位置状态；
其中，定义在用户
Figure 390272DEST_PATH_IMAGE013
的数据集Di上的损失函数为：
Figure 694215DEST_PATH_IMAGE014
式中：
Figure 969338DEST_PATH_IMAGE015
是训练模型的参数向量；
Figure 612809DEST_PATH_IMAGE016
是基于机器学习算法的损失函数；
在拟合数据的过程中，使用梯度下降算法训练模型参数，参数更新公式如下：
Figure 761025DEST_PATH_IMAGE017
其中：
Figure 489947DEST_PATH_IMAGE018
是t次迭代的学习模型参数；
Figure 568761DEST_PATH_IMAGE019
是学习率；
Figure 129055DEST_PATH_IMAGE020
是参数的损失函 数梯度；
S14，将无人机j和空闲设备k的数字孪生构建为：
Figure 900702DEST_PATH_IMAGE021
Figure 851341DEST_PATH_IMAGE022
式中：
Figure 546896DEST_PATH_IMAGE023
表示无人机j在t时隙的坐标；
Figure 899379DEST_PATH_IMAGE024
表示无人机j在t时隙服务的用户数量；
Figure 841928DEST_PATH_IMAGE025
表示空闲设备k的固定位置；
Figure 342179DEST_PATH_IMAGE026
表示空闲设备k在t时隙服务的用户数量。
3.根据权利要求1所述的考虑用户移动性的无人机辅助的边缘计算方法，其特征在于，步骤S3中，以降低用户总时延为目标，采用分布式深度学习求解用户的卸载策略的过程包括以下步骤：
S31，用
Figure 762796DEST_PATH_IMAGE027
表示用户
Figure 235366DEST_PATH_IMAGE028
的卸载动作类型；当
Figure 348815DEST_PATH_IMAGE027
等于0时，
Figure 87095DEST_PATH_IMAGE028
的计算任务由其本地进行计 算；当
Figure 311403DEST_PATH_IMAGE027
等于1时，
Figure 372900DEST_PATH_IMAGE028
的计算任务由与
Figure 719568DEST_PATH_IMAGE028
邻近的空闲设备计算；当
Figure 132095DEST_PATH_IMAGE027
等于2时，
Figure 973143DEST_PATH_IMAGE028
的计算任务 由与
Figure 154725DEST_PATH_IMAGE028
邻近的无人机计算；
S32，考虑无人机和空闲设备在一个时隙下能够服务的用户数量，得到对应的约束条件：
Figure 344398DEST_PATH_IMAGE030
Figure 306538DEST_PATH_IMAGE032
其中，
Figure 872649DEST_PATH_IMAGE033
表示无人机j在t时隙服务的用户数量；
Figure 174317DEST_PATH_IMAGE034
表示空闲设备k在t时隙服 务的用户数量；
Figure 534891DEST_PATH_IMAGE035
表示一个时隙下无人机能够服务的最大用户数量；
Figure 735060DEST_PATH_IMAGE036
表示一 个时隙下空闲设备能够服务的最大用户数量；
S33，构建K个并行的除参数外全部相同的深度神经网络，每个深度神经网络的输入是用户设备的任务量，输出是对应的卸载动作概率，K为大于1的正整数；
S34，将M个计算任务的任务量大小作为输入，输入到K个深度神经网络中，得到每个深度神经网络对应的3*M个卸载动作概率，根据卸载动作概率选择每个深度神经网络的卸载决策，得到K组卸载决策；
S35，根据当前的用户位置和无人机的位置，计算出不同卸载决策下的总时延，筛选得到总时延最小的卸载决策，将总时延最小的卸载决策对应的每个用户的卸载动作类型的概率修正为100%，其余2个卸载动作类型的概率修正为0%；将这一组任务数据和修正后的动作决策概率存储起来，生成一组样本数据；
S36，重复N次步骤S34至S35，生成N组样本数据，存储至记忆库；间隔固定次数，从记忆库中随机抽取一定量的样本数据训练前述K个深度神经网络，输出对应的卸载策略，即每个深度神经网络的权重参数。
4.根据权利要求3所述的考虑用户移动性的无人机辅助的边缘计算方法，其特征在于，每个深度神经网络均包含依次连接的1个输入层、3个隐藏层和1个输出层；3个隐藏层按照由前至后的顺序被分别编号为 [0]、 [1]和 [2]；
其中，输入层节点的个数对应用户的数量M，隐藏层Hide[0]节点的个数为20，隐藏层Hide[1]节点的个数为40，隐藏层Hide[2]节点的个数为20，输出层的节点个数对应于用户的数量3*M；公式化表示几个层之间的关系如下：
Figure 104861DEST_PATH_IMAGE038
Figure 995457DEST_PATH_IMAGE040
Figure 854828DEST_PATH_IMAGE042
Figure 463664DEST_PATH_IMAGE044
式中，
Figure 637156DEST_PATH_IMAGE045
是隐藏层[0]的输出值，
Figure 460887DEST_PATH_IMAGE046
是隐藏层[1]的输出值，
Figure 428843DEST_PATH_IMAGE047
是 隐藏层[2]的输出值，Output是输出层的输出值；
Figure 524975DEST_PATH_IMAGE048
分别表示3个隐藏 层和输出层的权重矩阵的转置；
Figure 298896DEST_PATH_IMAGE049
分别表示3个隐藏层和输出层的偏差； relu函数和softmax函数都是激活函数，前者的作用是激活隐藏层节点，后者的作用是将输 出值以概率的形式呈现，即卸载动作的概率。
5.根据权利要求3所述的考虑用户移动性的无人机辅助的边缘计算方法，其特征在于，步骤S34中，得到每个深度神经网络对应的3*M个卸载动作概率的过程包括以下步骤：
设用户i对应的深度神经网络的输出值为
Figure 164084DEST_PATH_IMAGE050
、
Figure 302941DEST_PATH_IMAGE051
和
Figure 699419DEST_PATH_IMAGE052
；将这三个值通过下述公式 计算得到用户 i的动作决策概率：
Figure 949134DEST_PATH_IMAGE053
Figure 934408DEST_PATH_IMAGE054
Figure 244166DEST_PATH_IMAGE055
式中，
Figure 377208DEST_PATH_IMAGE056
和
Figure 430614DEST_PATH_IMAGE057
为用户i的卸载动作类型分别为用户本地计算、空闲设备计算 和无人机计算的概率；xi0、xi1和xi2分别是用户i通过深度神经网络输出的三个动作的值。
6.根据权利要求3所述的考虑用户移动性的无人机辅助的边缘计算方法，其特征在于， 步骤S35中，根据下述公式计算得到总时延最小的卸载决策
Figure 270394DEST_PATH_IMAGE058
：
Figure 564103DEST_PATH_IMAGE059
Figure 856545DEST_PATH_IMAGE060
式中，
Figure 713642DEST_PATH_IMAGE061
和
Figure 470246DEST_PATH_IMAGE062
分别表示本地计算模式、空闲设备计算模式和无人机算 计模式的时延，根据用户数据量 Di(t)和地理位置Li(t)、无人机位置Lj(t)和空闲设备位 置 Lk计算得到；Q(x)是计算任务的处理时延公式，
Figure 121807DEST_PATH_IMAGE063
表示K组并行的深度神经网络所选取 出来的动作，x表示一个时隙下的用户的数据量和卸载决策。
7.根据权利要求3所述的考虑用户移动性的无人机辅助的边缘计算方法，其特征在于，步骤S36中，采用交叉损失熵函数来表示训练对应的损失函数；
Figure 167123DEST_PATH_IMAGE064
式中，
Figure 375382DEST_PATH_IMAGE065
表示当前的网络参数，
Figure 924175DEST_PATH_IMAGE066
表示根据公式得到总时延最小的卸载决策，
Figure 12216DEST_PATH_IMAGE067
表 示根据数据D和当前网络参数
Figure 341567DEST_PATH_IMAGE065
计算出来的卸载决策。
8.根据权利要求1所述的考虑用户移动性的无人机辅助的边缘计算方法，其特征在于，步骤S4中，利用差分进化学习求解无人机的位置部署的过程包括以下步骤：
S41，获得无人机初始化的种群；对于无人机j，其个体表示为 (Xj,Yj,h)，其中h表示无人机的高度：
Xj=Xmin+rand*(Xmax-Xmin)
Yj=Ymin+rand*(Ymax-Ymin)
式中，Xmin和 Ymin表示横纵坐标的下界，Xmax 和Ymax 表示横纵坐标的上界， rand是一个(0,1)的随机浮点数；
S42，从生成的种群中随机抽取3个无人机个体，分别表示为
Figure 540467DEST_PATH_IMAGE068
和
Figure 943766DEST_PATH_IMAGE069
：
Figure 15759DEST_PATH_IMAGE070
式中，F是变异因子； Gi表示无人机i临时的一个个体；t表示t时隙；
S43，根据下述差分公式生成新的无人机个体Ni：
Figure 770088DEST_PATH_IMAGE071
其中CR表示差分的概率；
Figure 507100DEST_PATH_IMAGE072
，用于保证差分后的个体至少在一个维度上 与之前不同；
Figure 92802DEST_PATH_IMAGE073
表示无人机 i临时个体对应的x坐标和y坐标值，
Figure 522646DEST_PATH_IMAGE074
表 示新生成的无人机个体在（t+1）时隙对应的x坐标和y坐标；
S44，结合下述公式，采用贪婪算法进行选择，分别计算2个种群的用户总体时延，保留效果更好的种群：
Figure 498693DEST_PATH_IMAGE075
；
式中，
Figure 39395DEST_PATH_IMAGE076
表示在（t+1）时隙无人机i的个体；
Figure 484197DEST_PATH_IMAGE077
表示S43中无人机i的新 个体；
Figure 819363DEST_PATH_IMAGE078
表示在t时隙无人机i的个体，
Figure 548285DEST_PATH_IMAGE079
表示基于t时隙无人机种群的计算时 延；
Figure 689416DEST_PATH_IMAGE080
表示基于新的无人机种群的计算时延；
Figure 187394DEST_PATH_IMAGE081
表示t时隙无人机种群；
Figure 693461DEST_PATH_IMAGE082
表示新生成的无人机临时种群；
S45，循环执行步骤S43和S44，直至结果收敛或者达到预设的最大迭代次数。
CN202110849361.3A 2021-07-27 2021-07-27 一种考虑用户移动性的无人机辅助的边缘计算方法 Active CN113296963B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110849361.3A CN113296963B (zh) 2021-07-27 2021-07-27 一种考虑用户移动性的无人机辅助的边缘计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110849361.3A CN113296963B (zh) 2021-07-27 2021-07-27 一种考虑用户移动性的无人机辅助的边缘计算方法

Publications (2)

Publication Number Publication Date
CN113296963A true CN113296963A (zh) 2021-08-24
CN113296963B CN113296963B (zh) 2021-11-02

Family

ID=77331130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110849361.3A Active CN113296963B (zh) 2021-07-27 2021-07-27 一种考虑用户移动性的无人机辅助的边缘计算方法

Country Status (1)

Country Link
CN (1) CN113296963B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113810878A (zh) * 2021-08-31 2021-12-17 南京信息工程大学 一种基于车联网任务卸载决策的宏基站放置方法
CN113852994A (zh) * 2021-11-18 2021-12-28 南京信息工程大学 一种用于应急通信中的高空基站集群辅助边缘计算方法
CN113950059A (zh) * 2021-11-25 2022-01-18 江苏科技大学 一种无人机中继辅助用户任务卸载的方法及系统
CN114125708A (zh) * 2022-01-20 2022-03-01 南京信息工程大学 一种基于数字孪生的无人机集群轨迹优化和任务卸载方法
CN114048689B (zh) * 2022-01-13 2022-04-15 南京信息工程大学 基于深度强化学习的多无人机空中充电和任务调度方法
CN114745666A (zh) * 2022-06-09 2022-07-12 南京信息工程大学 一种用于拥挤场馆中无人机辅助边缘计算方法
WO2023160012A1 (zh) * 2022-02-25 2023-08-31 南京信息工程大学 一种用于电网线路随机巡检的无人机辅助边缘计算方法
CN117241300A (zh) * 2023-11-16 2023-12-15 南京信息工程大学 一种无人机辅助的通感算网络融合方法
CN117973820A (zh) * 2024-04-01 2024-05-03 浙江数达智远科技有限公司 基于人工智能的任务动态分配系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111132009A (zh) * 2019-12-23 2020-05-08 北京邮电大学 物联网的移动边缘计算方法、装置及系统
CN112118601A (zh) * 2020-08-18 2020-12-22 西北工业大学 一种减少6g数字孪生边缘计算网络任务卸载延迟的方法
CN112351503A (zh) * 2020-11-05 2021-02-09 大连理工大学 基于任务预测的多无人机辅助边缘计算资源分配方法
CN112367109A (zh) * 2020-09-28 2021-02-12 西北工业大学 空地网络中由数字孪生驱动的联邦学习的激励方法
CN112835715A (zh) * 2021-02-01 2021-05-25 哈尔滨工业大学（深圳） 基于强化学习的无人机任务卸载策略的确定方法和装置
US20210165405A1 (en) * 2019-12-03 2021-06-03 University-Industry Cooperation Group Of Kyung Hee University Multiple unmanned aerial vehicles navigation optimization method and multiple unmanned aerial vehicles system using the same

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210165405A1 (en) * 2019-12-03 2021-06-03 University-Industry Cooperation Group Of Kyung Hee University Multiple unmanned aerial vehicles navigation optimization method and multiple unmanned aerial vehicles system using the same
CN111132009A (zh) * 2019-12-23 2020-05-08 北京邮电大学 物联网的移动边缘计算方法、装置及系统
CN112118601A (zh) * 2020-08-18 2020-12-22 西北工业大学 一种减少6g数字孪生边缘计算网络任务卸载延迟的方法
CN112367109A (zh) * 2020-09-28 2021-02-12 西北工业大学 空地网络中由数字孪生驱动的联邦学习的激励方法
CN112351503A (zh) * 2020-11-05 2021-02-09 大连理工大学 基于任务预测的多无人机辅助边缘计算资源分配方法
CN112835715A (zh) * 2021-02-01 2021-05-25 哈尔滨工业大学（深圳） 基于强化学习的无人机任务卸载策略的确定方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NAN CHENG 等: "Space/Aerial-Assisted Computing Offloading for", 《IEEE》 *
唐清清 等: "面向空天地一体化网络的移动边缘计算技术", 《无线电通信技术》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113810878A (zh) * 2021-08-31 2021-12-17 南京信息工程大学 一种基于车联网任务卸载决策的宏基站放置方法
CN113810878B (zh) * 2021-08-31 2023-04-25 南京信息工程大学 一种基于车联网任务卸载决策的宏基站放置方法
CN113852994A (zh) * 2021-11-18 2021-12-28 南京信息工程大学 一种用于应急通信中的高空基站集群辅助边缘计算方法
CN113852994B (zh) * 2021-11-18 2023-04-18 南京信息工程大学 一种用于应急通信中的高空基站集群辅助边缘计算方法
CN113950059A (zh) * 2021-11-25 2022-01-18 江苏科技大学 一种无人机中继辅助用户任务卸载的方法及系统
CN113950059B (zh) * 2021-11-25 2024-06-18 江苏科技大学 一种无人机中继辅助用户任务卸载的方法及系统
CN114048689B (zh) * 2022-01-13 2022-04-15 南京信息工程大学 基于深度强化学习的多无人机空中充电和任务调度方法
CN114125708A (zh) * 2022-01-20 2022-03-01 南京信息工程大学 一种基于数字孪生的无人机集群轨迹优化和任务卸载方法
CN114125708B (zh) * 2022-01-20 2022-04-15 南京信息工程大学 一种基于数字孪生的无人机集群轨迹优化和任务卸载方法
WO2023160012A1 (zh) * 2022-02-25 2023-08-31 南京信息工程大学 一种用于电网线路随机巡检的无人机辅助边缘计算方法
CN114745666A (zh) * 2022-06-09 2022-07-12 南京信息工程大学 一种用于拥挤场馆中无人机辅助边缘计算方法
CN117241300A (zh) * 2023-11-16 2023-12-15 南京信息工程大学 一种无人机辅助的通感算网络融合方法
CN117241300B (zh) * 2023-11-16 2024-03-08 南京信息工程大学 一种无人机辅助的通感算网络融合方法
CN117973820A (zh) * 2024-04-01 2024-05-03 浙江数达智远科技有限公司 基于人工智能的任务动态分配系统及方法

Also Published As

Publication number Publication date
CN113296963B (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN113296963B (zh) 一种考虑用户移动性的无人机辅助的边缘计算方法
Yang et al. Privacy-preserving federated learning for UAV-enabled networks: Learning-based joint scheduling and resource management
Cao et al. Edge–cloud resource scheduling in space–air–ground-integrated networks for internet of vehicles
Seid et al. Collaborative computation offloading and resource allocation in multi-UAV-assisted IoT networks: A deep reinforcement learning approach
Do et al. Deep reinforcement learning for energy-efficient federated learning in UAV-enabled wireless powered networks
Chen et al. Mean field deep reinforcement learning for fair and efficient UAV control
CN111445111B (zh) 一种基于边缘协同的电力物联网任务分配方法
Yu et al. An intelligent game-based offloading scheme for maximizing benefits of IoT-edge-cloud ecosystems
Chen et al. Swarm intelligence application to UAV aided IoT data acquisition deployment optimization
Shi et al. A two-stage strategy for UAV-enabled wireless power transfer in unknown environments
Ebrahim et al. A deep learning approach for task offloading in multi-UAV aided mobile edge computing
CN113485409B (zh) 一种面向地理公平性的无人机路径规划分配方法及系统
Wei et al. Joint UAV trajectory planning, DAG task scheduling, and service function deployment based on DRL in UAV-empowered edge computing
Huang et al. Joint demand forecasting and DQN-based control for energy-aware mobile traffic offloading
CN114638155A (zh) 一种基于智能机场的无人机任务分配与路径规划方法
Manalastas et al. Where to go next?: A realistic evaluation of AI-assisted mobility predictors for HetNets
Agrawal et al. FLIHSBC: fuzzy logic and improved harmony search based clustering algorithm for wireless sensor networks to prolong the network lifetime
Sun et al. MEET: Mobility-enhanced edge intelligence for smart and green 6G networks
Zhang et al. DeepMECagent: multi-agent computing resource allocation for UAV-assisted mobile edge computing in distributed IoT system
Dahrouj et al. Machine learning-based user scheduling in integrated satellite-haps-ground networks
Wei et al. DRL-based energy-efficient trajectory planning, computation offloading, and charging scheduling in UAV-MEC network
Li et al. TaskPOI priority-based energy balanced multi-UAVs cooperative trajectory planning algorithm in 6G networks
Dang et al. Low-latency mobile virtual reality content delivery for unmanned aerial vehicle-enabled wireless networks with energy constraints
Dong et al. Deep progressive reinforcement learning-based flexible resource scheduling framework for IRS and UAV-assisted MEC system
Sobouti et al. Managing sets of flying base stations using energy efficient 3D trajectory planning in cellular networks

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