CN113326112B - 一种基于块坐标下降法的多无人机任务卸载和迁移方法 - Google Patents

一种基于块坐标下降法的多无人机任务卸载和迁移方法 Download PDF

Info

Publication number
CN113326112B
CN113326112B CN202110512674.XA CN202110512674A CN113326112B CN 113326112 B CN113326112 B CN 113326112B CN 202110512674 A CN202110512674 A CN 202110512674A CN 113326112 B CN113326112 B CN 113326112B
Authority
CN
China
Prior art keywords
unmanned aerial
task
aerial vehicle
migration
user equipment
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.)
Active
Application number
CN202110512674.XA
Other languages
English (en)
Other versions
CN113326112A (zh
Inventor
廖杨喆
艾青松
陈习玉
韩一
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202110512674.XA priority Critical patent/CN113326112B/zh
Publication of CN113326112A publication Critical patent/CN113326112A/zh
Application granted granted Critical
Publication of CN113326112B publication Critical patent/CN113326112B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
    • G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration
    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • 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]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • 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]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G06F9/5088—Techniques for rebalancing the load in a distributed system involving task migration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/509—Offload
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供了一种基于块坐标下降法的多无人机任务卸载和迁移方法，应用于任务处理系统，所述任务处理系统包括多个用户设备和多个无人机，通过多个无人机之间的迁移提供协同边缘计算，可以为更大规模的用户设备提供通信和计算服务；每个用户设备产生多个私有任务和多个共享任务；采用多个无人机之间协同作业，基于每个私有任务的第一卸载决策和第一迁移决策，以及每个共享任务的第二卸载决策和第二迁移决策，建立多无人机任务处理问题模型，基于块坐标下降法得到多无人机任务处理问题模型的优化结果，在有效降低任务处理时延的同时提高了任务处理数量。

Description

一种基于块坐标下降法的多无人机任务卸载和迁移方法
技术领域
本申请涉及无人机的边缘计算领域，特别是涉及一种基于块坐标下降法的多无人机任务卸载和迁移方法。
背景技术
近年来，随着智能终端设备(如智能手机、可穿戴设备等)的广泛使用，4K/8K高清视频、增强现实、虚拟现实、在线游戏、远程电子健康监控系统等计算密集型和时延敏感型应用服务需求日益增长。但是，受智能终端设备物理尺寸的限制，导致通信与计算资源不足，难以有效处理这些计算密集型和延迟敏感型应用。
可以通过将用户的计算密集型和时延敏感型计算任务卸载到远程云服务器，通过云计算可以显著降低用户设备的能耗并延长网络寿命。但是远程云服务器通常离用户较远，造成传输时延较大，无法满足严苛的服务质量(quality of service)需求。一种可行的方法是将微型服务器与无人机(Unmanned Aerial Vehicle，UAV)进行集成，利用UAV的机动性为资源受限的用户设备提供通信与计算资源。
目前，大部分UAV边缘计算系统的研究都专注于单个UAV的部署方法或资源分配方法，但由于UAV体积限制，单个UAV与服务器集成在一起所能够提供的计算资源有限。因此，单个UAV所能同时服务的用户数量少，对时延敏感型任务处理能力较弱；同时，单个UAV边缘计算系统应用的场景大多是终端分布密集的场景，无法保障服务质量(Quality ofService，QoS)需求。因此，单UAV边缘计算系统的应用场景不具备普适性。
因此，现有技术有待改进。
发明内容
本发明所要解决的技术问题是，单个UAV服务用户数量少，处理时延敏感型任务能力较弱与保障应用服务QoS需求，本发明提供了一种基于块坐标下降法的多无人机任务卸载和迁移方法，对于用户设备中的任务，基于第一卸载决策、第一迁移决策、第二卸载决策和第二迁移决策，建立多无人机任务处理问题模型，基于块坐标下降法得到多无人机任务处理问题模型的结果，有效降低任务处理时延的同时提高了任务处理数量。
第一方面，本发明实施例提供了一种基于块坐标下降法的多无人机任务卸载和迁移方法，应用于任务处理系统，所述任务处理系统包括多个用户设备和多个无人机，每个用户设备产生多个私有任务和多个共享任务，所述基于块坐标下降法的多无人机任务卸载和迁移方法包括：
对于每个用户设备，确定该用户设备中每个私有任务各自分别对应的第一卸载决策和第一迁移决策，并根据每个私有任务各自分别对应的第一卸载决策和第一迁移决策确定所述用户设备对应的私有任务处理时延，其中，所述第一卸载决策用于反映是否将所述私有任务卸载至第一无人机，所述第一迁移决策用于反映是否将卸载至第一无人机的私有任务迁移至第二无人机；
对于每个用户设备，确定该用户设备中每个共享任务各自分别对应的第二卸载决策，并根据每个共享任务各自分别对应的第二卸载决策，确定所述用户设备对应的卸载时延，其中，所述第二卸载决策用于反映是否将该共享任务卸载至无人机；
对于每个参考无人机，确定该参考无人机中每个共享任务各自分别对应的第二迁移决策，根据每个共享任务各自分别对应的第二迁移决策，确定该参考无人机对应的迁移时延，并确定共享无人机处理完整共享任务对应的目标处理时延，其中，所述参考无人机是接收用户设备卸载的共享任务的无人机，所述第二迁移决策用于反映是否将该参考无人机中的共享任务迁移至所述共享无人机，所述共享无人机是处理所述完整共享任务的无人机，所述完整共享任务包括所述多个共享任务；
基于每个用户设备各自分别对应的私有任务处理时延、每个用户设备对应的卸载时延、每个参考无人机对应的迁移时延和所述目标处理时延建立多无人机任务处理问题模型；
利用块坐标下降法对所述多无人机任务处理问题模型的变量进行优化，以确定所述多无人机任务处理问题模型的结果。
作为进一步的改进技术方案，所述确定该用户设备中每个私有任务各自分别对应的第一卸载决策和第一迁移决策，并根据每个私有任务各自分别对应的第一卸载决策和第一迁移决策，确定所述用户设备对应的私有任务处理时延，具体包括：
对于该用户设备中每个私有任务，确定该私有任务对应的第一卸载决策，其中，所述第一卸载决策包括：每个无人机分别与该用户设备之间的第一卸载值；
若每个第一卸载值均为0，则不卸载该私有任务，若存在一个第一卸载值不为0，则将该私有任务卸载至不为0的第一卸载值对应的第一无人机；
对于每个第一无人机，确定该第一无人机对应的第一传输时延和第一处理时延；
对于每个第一无人机中的每个私有任务，确定该私有任务对应的第一迁移决策，其中，所述第一迁移决策包括：每个候选无人机分别与所述第一无人机之间的第一迁移值，所述候选无人机是多个无人机中除了所述第一无人机以外的无人机；
若每个第一迁移值均为0，则不迁移该私有任务，若存在一个第一迁移值不为0，则将该私有任务迁移至不为0的第一迁移值对应的第二无人机；
对于每个第二无人机，确定该第二无人机对应的第二传输时延和第二处理时延；
基于每个第一无人机各自分别对应的第一传输时延和第一处理时延、每个第二无人机各自分别对应的第二传输时延和第二处理时延确定该用户设备对应的私有任务处理时延。
作为进一步的改进技术方案，所述基于每个第一无人机各自分别对应的第一传输时延和第一处理时延、每个第二无人机各自分别对应的第二传输时延和第二处理时延确定该用户设备对应的私有任务处理时延，包括：
其中，是用户设备i对应的私有任务处理时延，/>是第一无人机对应的第一传输时延，/>是第一无人机对应的第一处理时延，/>是第二无人机对应的第二传输时延，/>是第二无人机对应的第二处理时延，j和j′是互不相同的无人机，/>是多个无人机对应的无人机群。
作为进一步的改进技术方案，所述确定该用户设备中每个共享任务各自分别对应的第二卸载决策，并根据每个共享任务各自分别对应的第二卸载决策，确定所述用户设备对应的卸载时延，具体包括：
对于该用户设备中的每个共享任务，确定该任务设备对应的第二卸载决策，其中，所述第二卸载决策包括：每个无人机分别与所述用户设备之间的第二卸载值；
若每个第二卸载值均为0，则不卸载该共享任务，若存在一个第二卸载值不为0，则将该共享任务卸载至不为0的第二卸载值对应的参考无人机；
基于第二卸载值不为0的每个共享任务，确定该用户设备对应的卸载时延。
作为进一步的改进技术方案，所述确定该参考无人机中每个共享任务各自分别对应的第二迁移决策，根据每个共享任务各自分别对应的第二迁移决策，确定该参考无人机对应的迁移时延，并确定共享无人机处理完整共享任务对应的目标处理时延，具体包括：
对于该参考无人机中的每个共享任务，确定该共享任务对应的第二迁移决策，其中，所述第二迁移决策包括：该参考无人机分别与每个剩余无人机之间的第二迁移值，其中，所述剩余无人机是所述多个无人机中除了所述参考无人机以外的无人机；
若每个第二迁移值均为0，则不迁移该共享任务，若存在一个第二迁移值不为0，则将该共享任务迁移至不为0的第二迁移值对应的剩余无人机，并将不为0的第二迁移值对应的剩余无人机作为所述共享无人机；
基于第二迁移值不为0的每个共享任务，确定该参考无人机对应的迁移时延；
对于共享无人机中的所述完整共享任务，确定所述完整共享任务对应的目标处理时延。
作为进一步的改进技术方案，所述基于每个用户设备各自分别对应的私有任务处理时延、每个用户设备对应的卸载时延、每个参考无人机对应的迁移时延、所述目标处理时延建立联合任务处理模型，具体包括；
确定每个无人机各自对应的私有任务数量；
确定每个参考无人机对应的迁移时延中的最大迁移时延，并计算所述最大迁移时延和所述目标处理时延的和，以得到共享任务处理时延；
基于每个用户设备各自分别对应的私有任务处理时延、每个用户设备各自分别对应的卸载时延、所述共享任务处理时延和每个无人机各自对应的私有任务数量建立联合任务处理模型。
作为进一步的改进技术方案，所述基于每个用户设备各自分别对应的私有任务处理时延、每个用户设备对应的卸载时延、每个参考无人机对应的迁移时延和所述目标处理时延建立多无人机任务处理问题模型，具体包括：
其中，为多无人机任务处理问题模型，/>是用户设备i对应的私有任务处理时延，/>是用户设备i对应的卸载时延，Tshare是共享任务处理时延，qj是无人机j处理的私有任务数量，λ是加权和因子，A，B，P均是所述多无人机任务处理问题模型的变量坐标块。
作为进一步的改进技术方案，利用块坐标下降法对所述多无人机任务处理问题模型的变量进行优化，以确定所述多无人机任务处理问题模型的结果，具体包括：
确定所述多无人机任务处理问题的若干变量坐标块，所述若干变量坐标块包括：任务卸载决策变量坐标块A、数据迁移决策变量坐标块B和用户设备传输功率变量坐标块P；
固定数据迁移决策变量坐标块Br和用户设备传输功率变量坐标块Pr，利用差分进化算法更新任务卸载决策变量坐标块Ar，得到更新任务卸载决策变量坐标块Ar+1，其中，r表示迭代次数；
固定所述用户设备传输功率变量坐标块Pr和所述更新任务卸载决策变量坐标块Ar +1，利用差分进化算法更新所述数据迁移决策变量坐标块Br，得到更新数据迁移决策变量坐标块Br+1；
基于所述更新任务卸载决策变量坐标块Ar+1和所述更新数据迁移决策变量坐标块Br+1，利用内点法确定更新所述用户设备传输功率变量坐标块Pr+1；
更新迭代次数r＝r+1，并继续执行所述固定数据迁移决策变量坐标块Br和用户设备传输功率变量坐标块Pr，利用差分进化算法更新任务卸载决策变量坐标块Ar，得到更新任务卸载决策变量坐标块Ar+1的步骤，直至迭代次数等于预设次数，得到目标任务卸载决策变量坐标块AR、目标数据迁移决策变量坐标块BR和目标用户设备传输功率变量坐标块PR，其中，R为预设次数；
根据目标任务卸载决策变量坐标块AR、目标数据迁移决策变量坐标块BR和目标用户设备传输功率变量坐标块PR求得所述多无人机任务处理问题模型的结果。
第二方面，本发明提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
对于每个用户设备，确定该用户设备中每个私有任务各自分别对应的第一卸载决策和第一迁移决策，并根据每个私有任务各自分别对应的第一卸载决策和第一迁移决策确定所述用户设备对应的私有任务处理时延，其中，所述第一卸载决策用于反映是否将所述私有任务卸载至第一无人机，所述第一迁移决策用于反映是否将卸载至第一无人机的私有任务迁移至第二无人机；
对于每个用户设备，确定该用户设备中每个共享任务各自分别对应的第二卸载决策，并根据每个共享任务各自分别对应的第二卸载决策，确定所述用户设备对应的卸载时延，其中，所述第二卸载决策用于反映是否将该共享任务卸载至无人机；
对于每个参考无人机，确定该参考无人机中每个共享任务各自分别对应的第二迁移决策，根据每个共享任务各自分别对应的第二迁移决策，确定该参考无人机对应的迁移时延，并确定共享无人机处理完整共享任务对应的目标处理时延，其中，所述参考无人机是接收用户设备卸载的共享任务的无人机，所述第二迁移决策用于反映是否将该参考无人机中的共享任务迁移至所述共享无人机，所述共享无人机是处理所述完整共享任务的无人机，所述完整共享任务包括所述多个共享任务；
基于每个用户设备各自分别对应的私有任务处理时延、每个用户设备对应的卸载时延、每个参考无人机对应的迁移时延和所述目标处理时延建立多无人机任务处理问题模型；
利用块坐标下降法对所述多无人机任务处理问题模型的变量分别进行优化，以确定所述多无人机任务处理问题模型的结果。
第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
对于每个用户设备，确定该用户设备中每个私有任务各自分别对应的第一卸载决策和第一迁移决策，并根据每个私有任务各自分别对应的第一卸载决策和第一迁移决策确定所述用户设备对应的私有任务处理时延，其中，所述第一卸载决策用于反映是否将所述私有任务卸载至第一无人机，所述第一迁移决策用于反映是否将卸载至第一无人机的私有任务迁移至第二无人机；
对于每个用户设备，确定该用户设备中每个共享任务各自分别对应的第二卸载决策，并根据每个共享任务各自分别对应的第二卸载决策，确定所述用户设备对应的卸载时延，其中，所述第二卸载决策用于反映是否将该共享任务卸载至无人机；
对于每个参考无人机，确定该参考无人机中每个共享任务各自分别对应的第二迁移决策，根据每个共享任务各自分别对应的第二迁移决策，确定该参考无人机对应的迁移时延，并确定共享无人机处理完整共享任务对应的目标处理时延，其中，所述参考无人机是接收用户设备卸载的共享任务的无人机，所述第二迁移决策用于反映是否将该参考无人机中的共享任务迁移至所述共享无人机，所述共享无人机是处理所述完整共享任务的无人机，所述完整共享任务包括所述多个共享任务；
基于每个用户设备各自分别对应的私有任务处理时延、每个用户设备对应的卸载时延、每个参考无人机对应的迁移时延和所述目标处理时延建立多无人机任务处理问题模型；
利用块坐标下降法对所述多无人机任务处理问题模型的变量进行优化，以确定所述多无人机任务处理问题模型的结果。
与现有技术相比，本发明实施例具有以下优点：
本发明实施例中，对于每个用户设备，确定该用户设备中每个私有任务各自分别对应的第一卸载决策和第一迁移决策，并根据每个私有任务各自分别对应的第一卸载决策和第一迁移决策确定所述用户设备对应的私有任务处理时延，其中，所述第一卸载决策用于反映是否将所述私有任务卸载至第一无人机，所述第一迁移决策用于反映是否将卸载至第一无人机的私有任务迁移至第二无人机；对于每个用户设备，确定该用户设备中每个共享任务各自分别对应的第二卸载决策，并根据每个共享任务各自分别对应的第二卸载决策，确定所述用户设备对应的卸载时延，其中，所述第二卸载决策用于反映是否将该共享任务卸载至无人机；对于每个参考无人机，确定该参考无人机中每个共享任务各自分别对应的第二迁移决策，根据每个共享任务各自分别对应的第二迁移决策，确定该参考无人机对应的迁移时延，并确定共享无人机处理完整共享任务对应的目标处理时延，其中，所述参考无人机是接收用户设备卸载的共享任务的无人机，所述第二迁移决策用于反映是否将该参考无人机中的共享任务迁移至所述共享无人机，所述共享无人机是处理所述完整共享任务的无人机，所述完整共享任务包括所述多个共享任务；基于每个用户设备各自分别对应的私有任务处理时延、每个用户设备对应的卸载时延、每个参考无人机对应的迁移时延和所述目标处理时延建立多无人机任务处理问题模型；利用块坐标下降法对所述多无人机任务处理问题模型的变量进行优化，以确定所述多无人机任务处理问题模型的结果。本发明中，通过多个无人机之间的迁移提供协同边缘计算，可以更大规模的为用户设备提供通信和计算服务；每个用户设备产生多个私有任务和多个共享任务；采用多个无人机之间协同作业，基于每个私有任务的第一卸载决策和第一迁移决策，以及每个共享任务的第二卸载决策和第二迁移决策，建立多无人机任务处理问题模型，基于块坐标下降法得到多无人机任务处理问题模型的优化结果，在有效降低任务处理时延的同时提高了任务处理数量。
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，下面将对实施例或现有技术描述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中记载的一些实施例，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为本发明实施例中任务处理系统的示意图；
图2为本发明实施例中一种基于块坐标下降法的多无人机任务卸载和迁移方法的流程示意图；
图3为本发明实施例中一个用户设备产生的多个任务的示意图；
图4为本发明实施例中一种计算机设备的内部结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
发明人经过研究发现，随着智能终端设备(如智能手机、可穿戴设备等)的广泛使用，4K/8K高清视频、增强现实、虚拟现实、在线游戏、远程电子健康监控系统等计算密集型和时延敏感型应用服务需求日益增长。但是，受智能终端设备物理尺寸的限制，导致通信与计算资源不足，难以有效处理这些计算密集型和延迟敏感型应用。基于云计算可以在一定程度上扩展用户设备的计算能力，但是为云计算处理延迟敏感服务研究可靠的卸载决策仍然具有挑战性。
关键挑战之一公共云计算可以将用户的计算密集型任务卸载到远程云服务器，远程云服务器放置在距离用户设备几千公里的地方，卸载的任务传输会有很高的传输延迟。此外，如果太多用户选择同时将任务卸载到云服务器，很可能会产生严重的干扰，从而降低整体网络性能。
针对云计算存在的问题，作为5G通信扩展的边缘计算应运而生。边缘计算被置于无线接入网内，并在网络边缘提供计算资源。边缘计算能够向用户终端提供对延迟敏感的服务，并从用户终端接收计算密集型工作负载。但是对于一些自然环境恶劣的区域，如内河某些流域多山，山体对信号的遮挡造成信号衰减大，多山也导致部署基站的难度和成本很高，因此内河部分流域的通信质量无法得到保证。对于这些情况，可以将用户的计算密集型任务卸载到远程云服务器，通过云计算可以显著降低用户设备的能耗并延长网络寿命。一种可行的方法是将微型服务器与无人机(Unmanned Aerial Vehicle，UAV)进行集成，利用UAV的机动性为资源受限的用户设备提供通信与计算资源。
目前，大部分UAV边缘计算系统的研究都专注于单个UAV的部署方法或资源分配方法，但由于UAV体积限制，单个UAV与服务器集成在一起所能够提供的计算资源有限。因此，单个UAV所能同时服务的用户数量少，对时延敏感型任务处理能力较弱；同时，单个UAV边缘计算系统应用的场景大多是终端分布密集的场景，无法保障服务质量(Quality ofService，QoS)需求。因此，单UAV边缘计算系统的应用场景不具备普适性。
为了解决上述问题，本发明实施例中，对于每个用户设备，确定该用户设备中每个私有任务各自分别对应的第一卸载决策和第一迁移决策，并根据每个私有任务各自分别对应的第一卸载决策和第一迁移决策确定所述用户设备对应的私有任务处理时延，其中，所述第一卸载决策用于反映是否将所述私有任务卸载至第一无人机，所述第一迁移决策用于反映是否将卸载至第一无人机的私有任务迁移至第二无人机；对于每个用户设备，确定该用户设备中每个共享任务各自分别对应的第二卸载决策，并根据每个共享任务各自分别对应的第二卸载决策，确定所述用户设备对应的卸载时延，其中，所述第二卸载决策用于反映是否将该共享任务卸载至无人机；对于每个参考无人机，确定该参考无人机中每个共享任务各自分别对应的第二迁移决策，根据每个共享任务各自分别对应的第二迁移决策，确定该参考无人机对应的迁移时延，并确定共享无人机处理完整共享任务对应的目标处理时延，其中，所述参考无人机是接收用户设备卸载的共享任务的无人机，所述第二迁移决策用于反映是否将该参考无人机中的共享任务迁移至所述共享无人机，所述共享无人机是处理所述完整共享任务的无人机，所述完整共享任务包括所述多个共享任务；基于每个用户设备各自分别对应的私有任务处理时延、每个用户设备对应的卸载时延、每个参考无人机对应的迁移时延和所述目标处理时延建立多无人机任务处理问题模型；利用块坐标下降法对所述多无人机任务处理问题模型的变量进行优化，以确定所述多无人机任务处理问题模型的结果。本发明中，对于用户设备中的任务，基于第一卸载决策、第一迁移决策、第二卸载决策和第二迁移决策，采用多个无人机之间协同作业，以降低任务处理时延和提高任务处理数量为目标建立多无人机任务处理问题模型，基于块坐标下降法得到多无人机任务处理问题模型的结果。
本申请提供的一种基于块坐标下降法的多无人机任务卸载和迁移方法可以应用于任务处理系统，任务处理系统包括J个无人机(Unmanned Aerial Vehicle，UAV)，J个UAV组成无人机群，表示为UVA通过j表示，j的取值为：{1，2，…，J}，j的取值不同，表示不同的无人机；任务处理系统还包括I个用户设备，表示为/>用户设备通过i表示，i的取值为：{1，2，...，I}，i的取值不同表示不同的用户设备。每个无人机和每个用户设备均配置有计算服务器和存储介质，无人机和用户设备通过计算服务器调用程序代码来实现其功能，程序代码可以保存在存储介质中。
无人机群相较于单个无人机，不仅可以在不确定的环境中协同作业，完成多种复杂任务，并且可以最大限度扩大无线覆盖范围，通过及时共享收集到的用户设备信息和环境信息，减少资源浪费，提高通信效率，通过合理的任务卸载和资源分配，减少通信时延、最大化处理任务数。
在一个具体实施例中，参见图1，任务处理系统包括I个用户设备和J个UAV，用户设备可以是船只，无人机和船只之间建立有无线通信连接，对于单个无人机，可以与在其无线通信区域内的船只进行通信连接。
下面结合附图，详细说明本发明的各种非限制性实施方式。
参见图2，示出了本发明实施例中的一种基于块坐标下降法的多无人机任务卸载和迁移方法，包括以下步骤：
S1、对于每个用户设备，确定该用户设备中每个私有任务各自分别对应的第一卸载决策和第一迁移决策，并根据每个私有任务各自分别对应的第一卸载决策和第一迁移决策确定所述用户设备对应的私有任务处理时延，其中，所述第一卸载决策用于反映是否将所述私有任务卸载至第一无人机，所述第一迁移决策用于反映是否将卸载至第一无人机的私有任务迁移至第二无人机。
在本发明实施例中，参见图3，每个用户设备会产生多个任务，对于用户设备中的每个任务，获取任务的类别，根据任务的类别确定该任务属于私有任务类别，还是属于共享任务类别，将属于私有任务类别的任务作为私有任务，将属于共享任务类别的任务作为共享任务。用户设备产生的多个任务可以用集合的形式表示为N＝N1+N2，其中，N是用户设备中所有任务的数量，N1是用户设备中私有任务的数量，N2是用户设备中共享任务的数量。私有任务通过n1p表示，共享任务通过n2q表示，私有任务属于私有任务集合，共享任务属于共享任务集合，/>例如，私有任务有20个，共享任务有30个，则N1等于20，N2等于30，p的取值为：{1，2，...，20}，q的取值为：{1，2，...，30}，n11表示私有任务，n21表示共享任务。
在步骤S1中，以一个用户设备为例，说明用户设备中每个私有任务的第一卸载决策和第一迁移决策，以及私有任务处理时延。任务处理系统中的其他用户设备也按照步骤S1确定其自身包括的每个私有任务的第一卸载决策和第一迁移决策，以及私有任务处理时延。
具体的，步骤S1包括：
S11、对于该用户设备中每个私有任务，确定该私有任务对应的第一卸载决策，其中，所述第一卸载决策包括：每个无人机分别与该用户设备之间的第一卸载值。
在本发明实施例中，对于一个私有任务，第一卸载决策包括：每个无人机分别与所述用户设备之间的第一卸载值，对于私有任务n1p，用户设备i和无人机j之间的第一卸载值表示为：其中，/>
S12、若每个第一卸载值均为0，则不卸载该私有任务，若存在一个第一卸载值不为0，则将该私有任务卸载至不为0的第一卸载值对应的第一无人机。
在本发明实施例中，若该私有任务对应的每个第一卸载值均0，则通过所述用户设备处理所述私有任务，也就是说，表示用户设备i的私有任务n1p由用户设备i处理。用户设备i的私有任务n1p由用户设备i处理时，根据公式(1)计算本地处理时延。
其中，是本地处理时延，n1p是私有任务，私有任务的数量是N1，/>是第一卸载值，在公式(1)中/>等于0，/>是用户设备i中私有任务n1p所需的计算资源，/>是用户设备i的计算能力，单位为CPU cycles/秒。
在本发明实施例中，若存在一个第一卸载值不为0，则将该私有任务卸载至不为0的第一卸载值对应的无人机，将该私有任务对应的不为0的第一卸载值对应的无人机作为第一无人机。为了便于说明，将第一无人机记为UAV j，也就是说，表示用户设备i的私有任务n1p卸载到UAV j，由UAV j处理。
在具体实施时，基于第一卸载值，用户设备可以将多个私有任务卸载至不同的无人机，也就是说，用户设备中的每个私有任务可能各自对应不同的第一无人机，或者部分私有任务卸载至一个无人机，另一部分私有任务卸载至另一个无人机；例如，第一部分私有任务卸载至第一无人机j＝1，第二部分私有任务卸载至第一无人机j＝2，第三部分私有任务由用户设备本地处理。
S13、对于每个第一无人机，确定该第一无人机对应的第一传输时延和第一处理时延。
在本发明实施例中，确定用户设备中需要卸载到该第一无人机的所有私有任务，确定卸载该第一无人机对应的所有私有任务所需的第一传输时延。
进一步地，对于每个第一无人机，确定用户设备与该第一无人机之间的第一距离，基于第一距离确定第一传输速率，获取该第一无人机接收的每个私有任务的私有任务量，基于每个私有任务的私有任务量和所述第一传输速率确定该第一无人机对应的第一传输时延。
具体的，为了便于说明，将第一无人机记为UAV j。考虑三维欧氏坐标，其中用户设备i和UAV j的位置分别表示为(xi，yi，0)和(Xj，Yj，H)，则用户设备i和UAV j之间的第一距离，如公式(2)所示。
其中，dij是用户设备i和UAV j之间的第一距离，xi是用户设备i位置的横坐标，yi是用户设备i位置的纵坐标，Xj是UAV j位置的横坐标，Yj是UAV j位置的纵坐标，H是UAV j位置的高坐标。
用户设备i卸载任务至UAV j的第一传输速率，如公式(3)所示。
其中，Rij是第一传输速率，Bij是用户设备i与UAV j之间的带宽，表示用户设备i的传输功率，hij表示用户设备i与UAV j间数据传输链路的信道增益，σ2表示加性高斯白噪声，(xi-Xi)2+(yi-Yj)2+H2是第一距离的平方。
获取每个私有任务n1p的任务量，基于每个私有任务的任务量和第一传输速率，计算用户设备i将私有任务卸载至UAV j所需的时延，如公式(4)所示。
其中，是第一无人机(UAV j)对应的第一传输时延，/>是将用户设备i中的私有任务n1p卸载至UAV j对应的第一卸载值，Rij是用户设备i卸载私有任务至UAV j的第一传输速率，/>是用户设备i上传的私有任务n1p的任务量。
在本发明实施例中，对于每个第一无人机，该第一无人机对应的第一处理时延，是指该第一无人机处理用户设备i卸载的私有任务所需的时延。如公式(5)所示。
其中，表示第一无人机(UAV j)处理来自用户设备i的所有私有任务所需的第一处理时延，/>是用户设备i中私有任务n1p所需的计算资源，/>是UAV j的CPU计算频率，单位是每秒千兆次运算(GOPS)，/>表示将用户设备i卸载至UAV j的私有任务n1p迁移至UAV j′对应的第二迁移值，/>是指，j′是无人机群/>中除了UAV j以外的无人机。第一无处理时延计算的是由UAV j处理来自用户设备i的私有任务(不包括迁移至UAVj′的私有任务)的时延，/>在后文会对第二迁移值做具体说明。
其中，α是UAV j的服务器满载(达到服务器的服务上限γ)时的计算速度，β∈(1，+∞)是控制UAV j的服务器负载和计算速度间关系的细粒度，qj是UAV j的服务器中正在处理的任务数。
S14、对于每个第一无人机中的每个私有任务，确定该私有任务对应的第一迁移决策，其中，所述第一迁移决策包括：每个候选无人机分别与所述第一无人机之间的第一迁移值，所述候选无人机是多个无人机中除了所述第一无人机以外的无人机。
在本发明实施例中，用户设备i处于多个UAV的覆盖范围内，UAV j可以根据本身的计算能力判断是否把任务迁移至其他UAV。将UAV j中的私有任务n1p迁移至UAV j′，对应的第一迁移值表示为：
S15、若每个第一迁移值均为0，则不迁移该私有任务，若存在一个第一迁移值不为0，则将该私有任务迁移至不为0的第一迁移值对应的第二无人机。
在本发明实施例中，若该私有任务对应的每个第一迁移值均为0，则表示通过UAVj处理该私有任务，也就是说，满足时，通过UAV j处理其接收的私有任务n1p。若该私有任务存在一个第一迁移值不为0，则将该私有任务迁移至不为0的第一迁移值对应的第二无人机，也就是说，当/>表示将私有任务n1p从UAV j迁移至UAV j至UAV j′，由UAV j′处理私有任务n1p，UAV j′是私有任务n1p对应的第二无人机。/>
S16、对于每个第二无人机，确定该第二无人机对应的第二传输时延和第二处理时延。
在本发明实施例中，所述第二传输时延是将私有任务从第一无人机迁移至第二无人机所需的时延。为了便于说明，将第一无人机记为UAV j，将第二无人机记为UAV j′，具体的，获取需要迁移的私有任务n1p的任务量，计算UAV j与UAV j′之间的第二距离，基于所述第二距离确定第二传输速率，基于私有任务n1p的任务量和所述第二传输速率计算第二传输时延。
具体的，UAV j和UAV j′的位置分别表示为(Xj，Yj，H)和(Xj′，Yj′，H)，根据公式(6)计算第二距离。
其中，djj′是第二传输距离，Xj是UAV j位置的横坐标，Yj是UAV j位置的纵坐标，Xj′是UAV j′位置的横坐标，Yj′是UAV j′位置的纵坐标。
根据公式(7)计算第二传输速率。
其中，Rjj′是第二传输速率，Bjj′是UAV j和UAV j′之间的带宽，表示UAV j的传输功率，hjj′表示UAV j和UAV j′间数据传输链路的信道增益，σ2表示加性高斯白噪声，(Xj-Xj′)2+(Yj-Yj′)2是第二距离的平方。
在本发明实施例中，所述第二传输时延是UAV j将私有任务传输至UAV j′所需的时延，根据公式(8)计算第二传输时延。
其中，是第二无人机(UAV j′)对应的第二传输时延，/>是私有任务n1p对应的第一卸载值，/>是私有任务n1p对应的第一迁移值。/>是用户设备i上传的私有任务n1p的任务量，Rjj′是第二传输速率。
在本发明实施例中，所述第二处理时延是第二无人机处理第一无人机迁移的私有任务所需的时延。根据公式(9)计算第二处理时延。
其中，所述是第二无人机(UAV j′)对应的第二处理时延，/>是用户设备i中私有任务n1p对应的第一卸载值，/>是用户设备i中私有任务n1p对应的第一迁移值，/>是用户设备i中私有任务n1p所需的计算资源，/>是UAV j′的CPU计算频率，单位是每秒千兆次运算(GOPS)。/>α′是UAV j′的服务器满载(达到服务器的服务上限γ)时的计算速度，β′∈(1，+∞)是控制UAV j′的服务器负载和计算速度间关系的细粒度，qj′是UAV j′的服务器中正在处理的任务数。
S17、基于每个第一无人机各自分别对应的第一传输时延和第一处理时延、每个第二无人机各自分别对应的第二传输时延和第二处理时延，确该用户设备对应的私有任务处理时延。
在本发明实施例中，该用户设备对应的私有任务处理时延是指通过无人机群处理该用户设备的私有任务的时延。如公式(10)所示。
其中，是用户设备i对应的私有任务处理时延，/>是第一无人机(UAV j)对应的第一传输时延，/>是UAV j对应的第一处理时延，/>是第二无人机(UAV j′)对应的第二传输时延，/>是UAV j′对应的第二处理时延，j和j′是互不相同的无人机，/>是多个无人机对应的无人机群。
S2、对于每个用户设备，确定该用户设备中每个共享任务各自分别对应的第二卸载决策，并根据每个共享任务各自分别对应的第二卸载决策，确定所述用户设备对应的卸载时延，其中，所述第二卸载决策用于反映是否将该共享任务卸载至无人机。
在步骤S2中，以一个用户设备为例，说明用户设备中每个共享任务的第二卸载决策，并确定卸载时延，其他用户设备也按照步骤S2执行，以确定其自身的卸载时延。
具体的，步骤S2包括：
S21、对于该用户设备中的每个共享任务，确定该任务设备对应的第二卸载决策，其中，所述第二卸载决策包括：每个无人机分别与所述用户设备之间的第二卸载值。
在本发明实施例中，对于一个共享任务，第一卸载决策包括：每个无人机分别与所述用户设备之间的第二卸载值，对于共享任务n2q，用户设备i和无人机j之间的第一卸载值表示为
S22、若每个第二卸载值均为0，则不卸载该共享任务，若存在一个第二卸载值不为0，则将该共享任务卸载至不为0的第二卸载值对应的参考无人机。
在本发明实施例中，若该共享任务对应的每个第二卸载值均为0，则通过所述用户设备处理所述共享任务，也就是说，则表示用户设备i的共享任务n2q由用户设备i处理。
在本发明实施例中，若存在一个第二卸载值不为0，则将该共享任务卸载至不为0的第二卸载值对应的参考无人机，将该共享任务对应的不为0的第二卸载值对应的无人机作为参考无人机，为了便于说明，将参考无人机记为UAVj，也就是说，表示用户设备i的共享任务n2q卸载至UAVj，由UAVj处理。需要说明的是，参考无人机和第一无人机均是无人机群中的无人机，所以参考无人机和第一无人机均可以记为UAV j，参考无人机与步骤S1中的第一无人机可以相同，也可以不同；j的取值为：{1，2，...，J}，参考无人机UAV j中j的取值，与第一无人机UAV j中j的取值相同时，参考无人机和第一无人机是同一个无人机，参考无人机UAV j中j的取值，与第一无人机UAV j中j的取值不同时，参考无人机和第一无人机是同一个无人机。因此，参考无人机和第一无人机均记为UAV j，并不是指参考无人机和第一无人机为同一个无人机。
在本发明实施例中，由于每个用户设备接收的多个共享任务相同，所以每个用户设备只需要卸载部分共享任务到参考无人机，将每个用户设备卸载的共享任务组合，可以得到一个完整共享任务，完整共享任务包括N2个共享任务，也就是说，
S23、基于第二卸载值不为0的每个共享任务，确定该用户设备对应的卸载时延。
在本发明实施例中，第二卸载值不为0的每个共享任务是指要卸载到参考无人机的共享任务，该用户设备对应的卸载时延，是指将用户设备中所有需要卸载的共享任务卸载至参考无人机所需的时延。根据公式(11)确定该用户设备对应的卸载时延。
其中，是用户设备i对应的卸载时延，/>是用户设备i中共享任务n2q对应的第二卸载值，/>是用户设备i上传的共享任务n2q的任务量，Rij是用户设备i和参考无人机UAV j之间的传输速率。根据公式(3)可以确定用户设备i和参考无人机UAVj之间的传输速率，需要说明的是，公式(11)中的Rij与公式(3)中的Rij并非绝对相同，只有当公式(11)中的i和j的取值，与公式(3)中的i和j的取值均一致时，公式(11)中的Rij与公式(3)中的Rij相同，否则，公式(11)中的Rij与公式(3)中的Rij可能不同。
S3、对于每个参考无人机，确定该参考无人机中每个共享任务各自分别对应的第二迁移决策，根据每个共享任务各自分别对应的第二迁移决策，确定该参考无人机对应的迁移时延，并确定共享无人机处理完整共享任务对应的目标处理时延。
在本发明实施例中，所述参考无人机是接收用户设备卸载的共享任务的无人机，在步骤S2将用户设备中共享任务卸载至参考无人机后，再基于第二迁移决策确定是否要将参考无人机中的共享任务迁移至共享无人机，其中，共享无人机是处理完整共享任务的无人机。所述完整共享任务包括所述多个共享任务，完整共享任务中包括N2个共享任务，并且每个共享任务互不相同。
具体的，步骤S3包括：
S31、对于该参考无人机中的每个共享任务，确定该共享任务对应的第二迁移决策，其中，所述第二迁移决策包括：该参考无人机分别与每个剩余无人机之间的第二迁移值。
在本发明实施例中，对于该参考无人机中的一个共享任务，第二迁移值包括：每个剩余无人机分别与该参考无人机之间的第一迁移值，剩余无人机是无人机群中除了所述参考无人机意外的无人机。共享任务n2q对应的第二迁移值表示为：意思是将UAV j中来自用户设备i的共享任务n2q迁移至UAV j′对应的第二迁移值，/>当UAV j为参考无人机时，j′为剩余无人机。
S32、若每个第二迁移值均为0，则不迁移该共享任务，若存在一个第二迁移值不为0，则将该共享任务迁移至不为0的第二迁移值对应的剩余无人机，并将不为0的第二迁移值对应的剩余无人机作为所述共享无人机。
在本发明实施例中，若该共享任务对应的每个第二迁移值均为0，则不迁移该共享任务，由参考无人机处理该共享任务，也就是说，则不迁移该共享任务。若该共享任务存在一个第二迁移值不为0，则将该共享任务迁移至不为0的第二迁移值对应的剩余无人机，也就是说，当满足/>时，将共享任务n2q迁移至UAV j′。将不为0的第二迁移值对应的剩余无人机作为所述共享无人机。
在本发明实施例中，由于单个无人机无法覆盖所有用户设备，因此，多个用户设备卸载可能无法将共享任务卸载到同一个参考无人机，需要将每个参考无人机中共享任务迁移到共享无人机，在共享无人机中处理完整共享任务。
共享无人机只有一个，在一种实现方式中，共享无人机也可以是多个参考无人机中的一个，由其余参考无人机将共享任务迁移至该参考无人机，在该参考无人机中组成一个完整共享任务，由该参考无人机处理完整共享任务，该参考无人机即共享无人机；在另一种实现方式中，共享无人机也可以是无人机群中的非参考无人机，则所有参考无人机都将共享任务迁移至该共享无人机。
S33、基于第二迁移值不为0的每个共享任务，确定该参考无人机对应的迁移时延。
在本发明实施例中，对于一个参考无人机，参考无人机对应的迁移时延是指将共享任务迁移至共享无人机所需的时延。根据公式(12)确定该参考无人机对应的迁移时延。
其中，是参考无人机(UAV j)对应的迁移时延，，/>是用户设备i中共享任务n2q对应的第二卸载值，/>是用户设备i中共享任务n2q对应的第二迁移值，是用户设备i上传的共享任务n2q的任务量，Rjj′是参考无人机(UAV j)与共享无人机(UAV j′)之间的传输速率。
根据公式(7)可以确定参考无人机(UAV j)与共享无人机(UAV j′)之间的传输速率，需要说明的是，公式(7)中的Rjj′与公式(11)中的Rjj′并非绝对相同，只有当公式(7)中的j′和j的取值，与公式(11)中的j′和j的取值均一致时，公式(7)中的Rjj′与公式(11)中的Rjj′相同，否则公式(7)中的Rjj′与公式(11)中的Rjj′可能不同。
S34、对于共享无人机中的所述完整共享任务，确定所述完整共享任务对应的目标处理时延。
在本发明实施例中，所述目标处理时延，是所述共享无人机处理完整共享任务所需的时延。根据公式(13)可以计算目标处理时延。
其中，是共享无人机(UAV j′)对应的目标处理时延，/>是用户设备i中共享任务n2q对应的第二卸载值，/>是用户设备i中共享任务n2q对应的第二迁移值，是用户设备i中共享任务n2q所需的计算资源，/>是UAV j′的CPU计算频率，单位是每秒千兆次运算(GOPS)。/>α′是UAV j′的服务器满载(达到服务器的服务上限γ)时的计算速度，β′∈(1，+∞)是控制UAV j′的服务器负载和计算速度间关系的细粒度，qj′是UAV j′的服务器中正在处理的任务数。
S4、基于每个用户设备各自分别对应的私有任务处理时延、每个用户设备对应的卸载时延、每个参考无人机对应的迁移时延和所述目标处理时延建立多无人机任务处理问题模型。
在本发明实施例中，确定每个无人机各自对应的私有任务数量；确定每个参考无人机对应的迁移时延中的最大迁移时延，并计算所述最大迁移时延和所述目标处理时延的和，以得到共享任务处理时延；基于每个用户设备各自分别对应的私有任务处理时延、每个用户设备各自分别对应的卸载时延、所述共享任务处理时延和每个无人机各自对应的私有任务数量建立多无人机任务处理问题模型。
在本发明实施例中，根据公式(14)确定每个无人机各自分别对应的私有任务数量。
其中，qj是UAV j的私有任务数量，是用户设备i中私有任务n1p卸载至UAV j的第一卸载值；计算用户设备i中每个私有任务对应的第一卸载值的和，可以得到用户设备i卸载到UAV j的私有任务总数量；/>是用户设备i中私有任务n1p对应的第一迁移值，可以表示用户设备i中私有任务n1p卸载到UAV j，并由UAV j迁移至UAV j′的私有任务总数量，/>是用户设备i中私有任务n1p卸载到UAV j′，并由UAV j′迁移至UAV j的私有任务总数量。
在本发明实施例中，根据公式(15)确定共享任务处理时延。
其中，Tshared是共享任务处理时延，是参考无人机(UAV j)对应的迁移时延，通过/>确定最大迁移时延，/>是目标处理时延。/>
在本发明实施例中，以联合优化任务处理时延和任务处理数量为目标，基于每个用户设备各自分别对应的私有任务处理时延、每个用户设备各自分别对应的卸载时延、所述共享任务处理时延和每个无人机各自对应的私有任务数量，建立多无人机任务处理问题模型。如公式(16)所示。
其中，为多无人机任务处理问题模型，/>是用户设备i对应的私有任务处理时延，/>是用户设备i对应的卸载时延，Tshare是共享任务处理时延，qj是无人机j处理的私有任务数量，λ是加权和因子，A，B，P均是所述多无人机任务处理问题模型的变量。
在本发明实施例中，
dij≤dij，max，
其中，dij，max是用户设备i与UAV j的最大通信距离，是用户设备i的最大传输功率，Ti，max是用户设备i能处理任务的最大时延限制，/>是UAV j的最大计算能力。
S5、利用块坐标下降法对所述多无人机任务处理问题模型的变量进行优化，以确定所述多无人机任务处理问题模型的结果。
具体的，步骤S5包括：
S51、确定所述多无人机任务处理问题的若干变量坐标块，所述若干变量坐标块包括：任务卸载决策变量坐标块A、数据迁移决策变量坐标块B和用户设备传输功率变量P坐标块
在本发明实施例中，确定所述多无人机任务处理问题模型的变量，并将变量划分为若干变量坐标块，所述若干变量坐标块包括：任务卸载决策变量坐标块A、数据迁移决策变量坐标块B和用户设备传输功率变量P坐标块。
其中，任务卸载决策变量坐标块A包括每个用户设备中，每个私有任务各自对应的第一卸载值和共享任务的第二卸载值， 数据迁移决策变量坐标块B包括每个用户设备中，每个共享任务各自对应的第一迁移值和第二迁移值，/>用户设备传输功率变量坐标块P包括每个用户设备的传输功率，/>
S52、固定数据迁移决策变量坐标块Br和用户设备传输功率变量坐标块Pr，利用差分进化算法更新任务卸载决策变量坐标块Ar，得到更新任务卸载决策变量坐标块Ar+1，其中，r表示迭代次数。
在第一次迭代时，r＝1，A1，B1和P1是初始化得到的。对于每次迭代，首先固定数据迁移决策变量坐标块Br和用户设备传输功率变量坐标块Pr，利用差分进化算法更新任务卸载决策变量坐标块Ar，得到更新任务卸载决策变量Ar+1坐标块。
具体的，利用差分进化算法更新任务卸载决策变量坐标块Ar包括：将任务卸载决策变量坐标块Ar作为一个种群，确定种群参数，种群参数包括种群大小、交叉算子和变异概率；随机产生初始种群，设定进化代数k＝1；对初始种群进行评价，即计算初始种群中每个个体的目标函数值，判断是否达到终止条件，若是则终止进化，若否则继续下一步，进行变异操作和交叉操作，得到临时种群，对临时种群进行评价，计算临时种群中每个个体的目标函数值；对临时
利用差分进化算法更新任务卸载决策变量坐标块Ar包括：将任务卸载决策变量坐标块Ar作为一个种群，确定种群参数，种群参数包括种群大小、交叉算子和变异概率；随机产生初始种群，设定进化代数k＝1；对初始种群进行评价，即计算初始种群中每个个体的适应度，判断是否达到终止条件或者进化代数达到最大，若是，则终止进化，若否，则进行变异和交叉操作，得到中间种群，在中间种群和原始种群中选择个体，得到下一代种群，进化代数k＝k+1，并继续执行所述判断是否达到终止条件或者进化代数达到最大的步骤，直至终止进化得到更新任务卸载决策变量Ar+1坐标块。
S53、固定用户设备传输功率变量坐标块Pr和所述更新任务卸载决策变量坐标块Ar +1，利用差分进化算法更新所述数据迁移决策变量坐标块Br，得到更新数据迁移决策变量坐标块Br+1。
在本发明实施例中，利用差分进化算法更新数据迁移决策变量坐标块Br，得到更新数据迁移决策变量坐标块Br+1的步骤与步骤S52中的介绍的差分进化算法的过程相同，在此不赘述了。
S54、基于更新任务卸载决策变量坐标块Ar+1和更新数据迁移决策变量坐标块Br+1，利用内点法确定更新用户设备传输功率变量坐标块Pr+1。
在本发明实施例中，在确定Ar+1和Br+1后，原始问题变成凸问题，根据内点法确定Pr +1。具体的，确定惩罚因子，允许误差和初始点，构造惩罚函数，并在可行域内求解惩罚函数的极值点，检查是否满足迭代终止准则，若不满足则更新惩罚因子，并继续进行后续步骤，若满足，则得到pr+1。
S54、更新迭代次数r＝r+1，并继续执行所述固定数据迁移决策变量坐标块Br和用户设备传输功率变量坐标块Pr，利用差分进化算法更新任务卸载决策变量坐标块Ar，得到更新任务卸载决策变量坐标块Ar+1的步骤，直至迭代次数等于预设次数，得到目标任务卸载决策变量坐标块AR、目标数据迁移决策变量坐标块BR和目标用户设备传输功率变量坐标块PR，其中，R为预设次数。
S55、根据目标任务卸载决策变量坐标块AR、目标数据迁移决策变量坐标块BR和目标用户设备传输功率变量坐标块PR求得所述多无人机任务处理问题模型的结果。
在本发明实施例中，通过块坐标下降法对所述多无人机任务处理问题模型的变量进行优化，以确定所述多无人机任务处理问题模型的结果。
在本发明实施例中，任务处理系统包括多个无人机，通过多个无人机之间的迁移提供协同边缘计算，可以更大规模的为用户设备提供通信和计算服务；本发明实施例考虑到用户设备产生的任务包括：多个私有任务和多个共享任务，相较于全部任务由用户设备处理，或者全部任务由无人机处理，本发明多个私有任务可以部分卸载到无人机处理，多个共享任务也可以部分卸载到无人机处理更贴合实际，并且减少任务处理系统的任务处理时延；本发明实施例中，综合考虑有限的用户设备计算资源和无人机计算资源，在有效降低任务处理时延的同时提高任务处理数量。
本发明提供的基于块坐标下降法的多无人机任务卸载和迁移方法，可应用于通信实体间通信信号恶劣的场景下，比如船舶在内河上部分流域航行时，内河部分流域由于自然环境恶劣，无法部署足够数量的基站，使得船舶在某些流域航行时通信需求无法得到满足，也就是说，本发明提出的基于块坐标下降法的多无人机任务卸载和迁移方法，可以在恶劣的网络条件下，有效减少任务处理时延，提高任务处理数量。
本发明实施例还提供了一种计算机设备，该设备可以是终端，内部结构如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于块坐标下降法的多无人机任务卸载和迁移方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4所示的仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明实施例还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
对于每个用户设备，确定该用户设备中每个私有任务各自分别对应的第一卸载决策和第一迁移决策，并根据每个私有任务各自分别对应的第一卸载决策和第一迁移决策确定所述用户设备对应的私有任务处理时延，其中，所述第一卸载决策用于反映是否将所述私有任务卸载至第一无人机，所述第一迁移决策用于反映是否将卸载至第一无人机的私有任务迁移至第二无人机；
对于每个用户设备，确定该用户设备中每个共享任务各自分别对应的第二卸载决策，并根据每个共享任务各自分别对应的第二卸载决策，确定所述用户设备对应的卸载时延，其中，所述第二卸载决策用于反映是否将该共享任务卸载至无人机；
对于每个参考无人机，确定该参考无人机中每个共享任务各自分别对应的第二迁移决策，根据每个共享任务各自分别对应的第二迁移决策，确定该参考无人机对应的迁移时延，并确定共享无人机处理完整共享任务对应的目标处理时延，其中，所述参考无人机是接收用户设备卸载的共享任务的无人机，所述第二迁移决策用于反映是否将该参考无人机中的共享任务迁移至所述共享无人机，所述共享无人机是处理所述完整共享任务的无人机，所述完整共享任务包括所述多个共享任务；
基于每个用户设备各自分别对应的私有任务处理时延、每个用户设备对应的卸载时延、每个参考无人机对应的迁移时延和所述目标处理时延建立多无人机任务处理问题模型；
利用块坐标下降法对所述多无人机任务处理问题模型的变量进行优化，以确定所述多无人机任务处理问题模型的结果。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
对于每个用户设备，确定该用户设备中每个共享任务各自分别对应的第二卸载决策，并根据每个共享任务各自分别对应的第二卸载决策，确定所述用户设备对应的卸载时延，其中，所述第二卸载决策用于反映是否将该共享任务卸载至无人机；
对于每个参考无人机，确定该参考无人机中每个共享任务各自分别对应的第二迁移决策，根据每个共享任务各自分别对应的第二迁移决策，确定该参考无人机对应的迁移时延，并确定共享无人机处理完整共享任务对应的目标处理时延，其中，所述参考无人机是接收用户设备卸载的共享任务的无人机，所述第二迁移决策用于反映是否将该参考无人机中的共享任务迁移至所述共享无人机，所述共享无人机是处理所述完整共享任务的无人机，所述完整共享任务包括所述多个共享任务；
基于每个用户设备各自分别对应的私有任务处理时延、每个用户设备对应的卸载时延、每个参考无人机对应的迁移时延和所述目标处理时延建立多无人机任务处理问题模型；
利用块坐标下降法对所述多无人机任务处理问题模型的变量进行优化，以确定所述多无人机任务处理问题模型的结果。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

Claims (10)

1.一种基于块坐标下降法的多无人机任务卸载和迁移方法，其特征在于，应用于任务处理系统，所述任务处理系统包括多个用户设备和多个无人机，每个用户设备产生多个私有任务和多个共享任务，所述基于块坐标下降法的多无人机任务卸载和迁移方法包括：
对于每个用户设备，确定该用户设备中每个私有任务各自分别对应的第一卸载决策和第一迁移决策，并根据每个私有任务各自分别对应的第一卸载决策和第一迁移决策，确定所述用户设备对应的私有任务处理时延，其中，所述第一卸载决策用于反映是否将所述私有任务卸载至第一无人机，所述第一迁移决策用于反映是否将卸载至第一无人机的私有任务迁移至第二无人机；
对于每个用户设备，确定该用户设备中每个共享任务各自分别对应的第二卸载决策，并根据每个共享任务各自分别对应的第二卸载决策，确定所述用户设备对应的卸载时延，其中，所述第二卸载决策用于反映是否将该共享任务卸载至无人机；
对于每个参考无人机，确定该参考无人机中每个共享任务各自分别对应的第二迁移决策，根据每个共享任务各自分别对应的第二迁移决策，确定该参考无人机对应的迁移时延，并确定共享无人机处理完整共享任务对应的目标处理时延，其中，所述参考无人机是接收用户设备卸载的共享任务的无人机，所述第二迁移决策用于反映是否将该参考无人机中的共享任务迁移至所述共享无人机，所述共享无人机是处理所述完整共享任务的无人机，所述完整共享任务包括所述多个共享任务；
基于每个用户设备各自分别对应的私有任务处理时延、每个用户设备对应的卸载时延、每个参考无人机对应的迁移时延和所述目标处理时延建立多无人机任务处理问题模型；
利用块坐标下降法对所述多无人机任务处理问题模型的变量进行优化，以确定所述多无人机任务处理问题模型的结果。
2.根据权利要求1所述的基于块坐标下降法的多无人机任务卸载和迁移方法，其特征在于，所述确定该用户设备中每个私有任务各自分别对应的第一卸载决策和第一迁移决策，并根据每个私有任务各自分别对应的第一卸载决策和第一迁移决策，确定所述用户设备对应的私有任务处理时延，具体包括：
对于该用户设备中每个私有任务，确定该私有任务对应的第一卸载决策，其中，所述第一卸载决策包括：每个无人机分别与该用户设备之间的第一卸载值；
若每个第一卸载值均为0，则不卸载该私有任务，若存在一个第一卸载值不为0，则将该私有任务卸载至不为0的第一卸载值对应的第一无人机；
对于每个第一无人机，确定该第一无人机对应的第一传输时延和第一处理时延；
对于每个第一无人机中的每个私有任务，确定该私有任务对应的第一迁移决策，其中，所述第一迁移决策包括：每个候选无人机分别与所述第一无人机之间的第一迁移值，所述候选无人机是多个无人机中除了所述第一无人机以外的无人机；
若每个第一迁移值均为0，则不迁移该私有任务，若存在一个第一迁移值不为0，则将该私有任务迁移至不为0的第一迁移值对应的第二无人机；
对于每个第二无人机，确定该第二无人机对应的第二传输时延和第二处理时延；
基于每个第一无人机各自分别对应的第一传输时延和第一处理时延、每个第二无人机各自分别对应的第二传输时延和第二处理时延确定该用户设备对应的私有任务处理时延。
3.根据权利要求2所述的基于块坐标下降法的多无人机任务卸载和迁移方法，其特征在于，所述基于每个第一无人机各自分别对应的第一传输时延和第一处理时延、每个第二无人机各自分别对应的第二传输时延和第二处理时延确定该用户设备对应的私有任务处理时延，包括：
其中，是用户设备i对应的私有任务处理时延，/>是第一无人机对应的第一传输时延，/>是第一无人机对应的第一处理时延，/>是第二无人机对应的第二传输时延，/>是第二无人机对应的第二处理时延，j和j′是互不相同的无人机，/>是多个无人机对应的无人机群。
4.根据权利要求1所述的基于块坐标下降法的多无人机任务卸载和迁移方法，其特征在于，所述确定该用户设备中每个共享任务各自分别对应的第二卸载决策，并根据每个共享任务各自分别对应的第二卸载决策，确定所述用户设备对应的卸载时延，具体包括：
对于该用户设备中的每个共享任务，确定该用户设备对应的第二卸载决策，其中，所述第二卸载决策包括：每个无人机分别与所述用户设备之间的第二卸载值；
若每个第二卸载值均为0，则不卸载该共享任务，若存在一个第二卸载值不为0，则将该共享任务卸载至不为0的第二卸载值对应的参考无人机；
基于第二卸载值不为0的每个共享任务，确定该用户设备对应的卸载时延。
5.根据权利要求1所述的基于块坐标下降法的多无人机任务卸载和迁移方法，其特征在于，所述确定该参考无人机中每个共享任务各自分别对应的第二迁移决策，根据每个共享任务各自分别对应的第二迁移决策，确定该参考无人机对应的迁移时延，并确定共享无人机处理完整共享任务对应的目标处理时延，具体包括：
对于该参考无人机中的每个共享任务，确定该共享任务对应的第二迁移决策，其中，所述第二迁移决策包括：该参考无人机分别与每个剩余无人机之间的第二迁移值，其中，所述剩余无人机是所述多个无人机中除了所述参考无人机以外的无人机；
若每个第二迁移值均为0，则不迁移该共享任务，若存在一个第二迁移值不为0，则将该共享任务迁移至不为0的第二迁移值对应的剩余无人机，并将不为0的第二迁移值对应的剩余无人机作为所述共享无人机；
基于第二迁移值不为0的每个共享任务，确定该参考无人机对应的迁移时延；
对于共享无人机中的所述完整共享任务，确定所述完整共享任务对应的目标处理时延。
6.根据权利要求1所述的基于块坐标下降法的多无人机任务卸载和迁移方法，其特征在于，所述基于每个用户设备各自分别对应的私有任务处理时延、每个用户设备对应的卸载时延、每个参考无人机对应的迁移时延、所述目标处理时延建立联合任务处理模型，具体包括；
确定每个无人机各自对应的私有任务数量；
确定每个参考无人机对应的迁移时延中的最大迁移时延，并计算所述最大迁移时延和所述目标处理时延的和，以得到共享任务处理时延；
基于每个用户设备各自分别对应的私有任务处理时延、每个用户设备各自分别对应的卸载时延、所述共享任务处理时延和每个无人机各自对应的私有任务数量建立联合任务处理模型。
7.根据权利要求6所述的基于块坐标下降法的多无人机任务卸载和迁移方法，其特征在于，所述基于每个用户设备各自分别对应的私有任务处理时延、每个用户设备对应的卸载时延、每个参考无人机对应的迁移时延和所述目标处理时延建立多无人机任务处理问题模型，具体包括：
其中，为多无人机任务处理问题模型，/>是用户设备i对应的私有任务处理时延，是用户设备i对应的卸载时延，Tshared是共享任务处理时延，qj是无人机j处理的私有任务数量，λ是加权和因子，A,B,P均是所述多无人机任务处理问题模型的变量坐标块。
8.根据权利要求7所述的基于块坐标下降法的多无人机任务卸载和迁移方法，其特征在于，利用块坐标下降法对所述多无人机任务处理问题模型的变量进行优化，以确定所述多无人机任务处理问题模型的结果，具体包括：
确定所述多无人机任务处理问题的若干变量坐标块，所述若干变量坐标块包括：任务卸载决策变量坐标块A、数据迁移决策变量坐标块B和用户设备传输功率变量P坐标块；
固定数据迁移决策变量坐标块Br和用户设备传输功率变量坐标块Pr，利用差分进化算法更新任务卸载决策变量坐标块Ar，得到更新任务卸载决策变量坐标块Ar+1，其中，r表示迭代次数；
固定所述用户设备传输功率变量坐标块Pr和所述更新任务卸载决策变量坐标块Ar+1，利用差分进化算法更新所述数据迁移决策变量坐标块Br，得到更新数据迁移决策变量坐标块Br+1；
基于所述更新任务卸载决策变量坐标块Ar+1和所述更新数据迁移决策变量坐标块Br+1，利用内点法确定更新所述用户设备传输功率变量坐标块Pr+1；
更新迭代次数r＝r+1，并继续执行所述固定数据迁移决策变量坐标块Br和用户设备传输功率变量坐标块Pr，利用差分进化算法更新任务卸载决策变量坐标块Ar，得到更新任务卸载决策变量坐标块Ar+1的步骤，直至迭代次数等于预设次数，得到目标任务卸载决策变量坐标块AR、目标数据迁移决策变量坐标块BR和目标用户设备传输功率变量坐标块PR，其中，R为预设次数；
根据目标任务卸载决策变量坐标块AR、目标数据迁移决策变量坐标块BR和目标用户设备传输功率变量坐标块PR求得所述多无人机任务处理问题模型的结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一所述的基于块坐标下降法的多无人机任务卸载和迁移方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一所述的基于块坐标下降法的多无人机任务卸载和迁移方法的步骤。
CN202110512674.XA 2021-05-11 2021-05-11 一种基于块坐标下降法的多无人机任务卸载和迁移方法 Active CN113326112B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110512674.XA CN113326112B (zh) 2021-05-11 2021-05-11 一种基于块坐标下降法的多无人机任务卸载和迁移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110512674.XA CN113326112B (zh) 2021-05-11 2021-05-11 一种基于块坐标下降法的多无人机任务卸载和迁移方法

Publications (2)

Publication Number Publication Date
CN113326112A CN113326112A (zh) 2021-08-31
CN113326112B true CN113326112B (zh) 2023-11-07

Family

ID=77415321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110512674.XA Active CN113326112B (zh) 2021-05-11 2021-05-11 一种基于块坐标下降法的多无人机任务卸载和迁移方法

Country Status (1)

Country Link
CN (1) CN113326112B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108494612A (zh) * 2018-01-19 2018-09-04 西安电子科技大学 一种提供移动边缘计算服务的网络系统及其服务方法
CN111148134A (zh) * 2019-12-19 2020-05-12 南京大学 一种基于移动边缘计算的多用户多任务卸载方法
WO2021012584A1 (zh) * 2019-07-25 2021-01-28 北京工业大学 一种移动边缘计算场景下制定单任务迁移策略的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11683393B2 (en) * 2019-09-11 2023-06-20 Intel Corporation Framework for computing in radio access network (RAN)

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108494612A (zh) * 2018-01-19 2018-09-04 西安电子科技大学 一种提供移动边缘计算服务的网络系统及其服务方法
WO2021012584A1 (zh) * 2019-07-25 2021-01-28 北京工业大学 一种移动边缘计算场景下制定单任务迁移策略的方法
CN111148134A (zh) * 2019-12-19 2020-05-12 南京大学 一种基于移动边缘计算的多用户多任务卸载方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于AHRS算法的小型无人机导航精度改进方法;刘浩;杨薇秀;焦胜海;陈洋;韩一帜;;中国电子科学研究院学报(第05期);全文 *
基于梯形模糊数和二元语义需求权重确定方法;舒婷;刘泉;艾青松;刘伟;;武汉理工大学学报(第12期);全文 *
移动边缘计算卸载策略综述;吕洁娜;张家波;张祖凡;甘臣权;;小型微型计算机系统(第09期);全文 *
边缘计算标准化进展与案例分析;吕华章;陈丹;范斌;王友祥;乌云霄;;计算机研究与发展(第03期);全文 *

Also Published As

Publication number Publication date
CN113326112A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN113950066B (zh) 移动边缘环境下单服务器部分计算卸载方法、系统、设备
CN110377353B (zh) 计算任务卸载系统与方法
CN109947545B (zh) 一种基于用户移动性的任务卸载及迁移的决策方法
CN111835827A (zh) 物联网边缘计算任务卸载方法及系统
CN112492626A (zh) 一种移动用户计算任务的卸载方法
CN112104502B (zh) 时敏多任务边缘计算与缓存协作卸载策略方法
CN112422644B (zh) 计算任务卸载方法及系统、电子设备和存储介质
CN113055487B (zh) 一种基于vmec服务网络选择的迁移方法
CN112148492B (zh) 一种考虑多用户移动性的服务部署和资源分配方法
CN113268341A (zh) 电网边缘计算任务的分配方法、装置、设备和存储介质
CN112118287A (zh) 基于交替方向乘子算法与移动边缘计算的网络资源优化调度决策方法
CN113064671A (zh) 基于多智能体的边缘云可扩展任务卸载方法
CN113645637B (zh) 超密集网络任务卸载方法、装置、计算机设备和存储介质
CN115022894B (zh) 一种低轨卫星网络的任务卸载与计算资源分配方法及系统
CN110290542B (zh) 海上无人机通信覆盖优化方法及系统
CN114265631A (zh) 一种基于联邦元学习的移动边缘计算智能卸载方法及装置
CN111796880B (zh) 一种边缘云计算任务的卸载调度方法
WO2023020502A1 (zh) 数据处理方法及装置
CN111988787A (zh) 一种任务的网络接入和服务放置位置选择方法及系统
CN116781788B (zh) 服务决策方法以及服务决策装置
CN111158893B (zh) 应用于雾计算网络的任务卸载方法、系统、设备及介质
CN113919483A (zh) 一种无线通信网络中无线电地图的构造和定位方法及其系统
CN111611069B (zh) 多数据中心间多类型任务迁移方法
CN113326112B (zh) 一种基于块坐标下降法的多无人机任务卸载和迁移方法
CN113676917B (zh) 基于博弈论的无人机分层移动边缘计算网络的能耗优化方法

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