CN113506040A - 一种uav蜂群中面向高性能联邦学习的调度和资源分配方法 - Google Patents

Abstract

本发明涉及一种UAV蜂群中面向高性能联邦学习的调度和资源分配方法，属于无线通信技术领域。该方法包括以下步骤：S1：建立支持SWIPT的UAV蜂群网络模型；S2：建立一个基于SWIPT技术的联邦学习系统模型，在满足能耗和时延的约束条件下，建立一个UAV调度数量最大化问题的数学模型；S3：引入简化变量，改变约束条件的数学表达式，以获得简化后的UAV调度数量最大化问题数学模型；S4：通过使用GBD，获得使UAV调度数量最大的最优设备调度和资源分配方法；S5：利用低复杂度算法，获得使UAV调度数量最大的次优设备调度和资源分配方法。本发明在各种网络设置下均能达到与最优算法几乎一样的性能。

Description

一种UAV蜂群中面向高性能联邦学习的调度和资源分配方法

技术领域

本发明属于无线通信技术领域，涉及一种UAV蜂群中面向高性能联邦学习的调度和资源分配方法。

背景技术

近年来，UAV蜂群在物流、农业和监控等领域得到了广泛的应用。在支持这些服务的同时，蜂群中的UAV会产生大量可用于机器学习任务的数据，如定位、轨迹规划和目标识别等。传统上ML模型训练需要将蜂群中的数据传输到一个远程计算中心(如蜂窝基站BS等)集中式地进行。由于UAV具有高度移动性以及无线信道高度随机性等特点，数据传输的通信开销将十分巨大。因此，UAV蜂群可能更适合采用近年来提出的联邦学习技术进行模型训练。利用该技术，UAV蜂群只需要先在本地数据集上训练模型，然后和中心计算节点交换几次模型参数或梯度即可完成训练。由于UAV无须将本地收集到的数据至远程计算中心，大大节约了UAV蜂群的通信开销。

值得注意的是，由于机载电池容量有限，参与联邦学习的UAV可能会因为电量将要耗尽而永久退出训练，这将严重恶化联邦学习性能。近年来，信能同传技术(SWIPT)因其可以通过射频信号同时为无线设备传输数据和能量，而得到了学术和工业界的广泛关注。由于射频信号的广播性质，SWIPT特别适合为UAV蜂群充电，这为缓解UAV参与联邦学习面临的能量短缺问题提供了一种可行的“开源”解决方案。另外，为了进一步节约UAV的电量(同时也因为蜂群实际可用的通信和计算资源是有限的)，调度全部UAV参与模型训练是不必要的(更是是不切实际的)。因此，从“节流”的角度来看，调度部分UAV参与联邦学习并为它们分配合适的通信计算资源以支持模型训练和传输即可。然而，应调度哪些UAV参与模型训练以及给这些调度的UAV分配多少计算和通信资源以获得高性能的联邦机器学习模型的研究结论目前尚未有见报道。基于此，需要发明基于SWIPT技术的UAV蜂群网络中面向高性能联邦学习的设备(即UAV)调度和资源分配方法。

发明内容

有鉴于此，本发明的目的在于提供一种UAV蜂群中面向高性能联邦学习的调度和资源分配方法。

为达到上述目的，本发明提供如下技术方案：

基于SWIPT技术的UAV蜂群网络中面向高性能联邦学习的设备调度和资源分配方法，包括以下步骤：

S1：建立一个支持SWIPT的UAV蜂群网络模型；

S2：建立一个基于SWIPT技术的联邦学习系统模型，在满足能耗和时延的约束条件下，建立一个UAV调度数量最大化问题的数学模型；

S3：引入简化变量，改变一些约束条件的数学表达式，以获得简化后的UAV调度数量最大化问题数学模型；

S4：通过使用GBD技术，获得使UAV调度数量最大的最优设备调度和资源分配方法；

S5：设计一种低复杂度算法，获得使UAV调度数量最大的次优设备调度和资源分配方法。

进一步地，所述S1具体包括：

建立的网络模型包括一个单天线BS和K个单天线UAV，用

表示。BS处集成射频功率发射器，每个UAV配备一个混合信息和功率传输接收器，因此它可以从接收到的射频信号中获取能量。假设所有UAV在BS周围飞行的高度是相同的，并且在BS的协调下，每个UAV都能保证恒定的速度和高度以避免群内UAV之间的碰撞。我们将以BS为中心的飞行区域称为蜂群的巡逻区域。

进一步地，所述S2具体包括以下步骤：

B1.建立一个基于SWIPT技术的联邦学习系统模型

联邦学习的第次i迭代需要执行以下步骤：

广播全局模型和射频功率：基站向所有UAV同时广播全局模型w^(i-1)和射频功率，每个UAV将其局部模型初始化为

训练本地模型：

根据其本地数据集Ν_k和全局模型w^(i-1)执行随机梯度下降算法，其输出是更新后的本地模型

这里

代表所有被调度的UAV的集合；

上传本地模型：

将更新后的本地模型

上传到BS以进行全局模型的聚合和更新。

B2.采用正交频分多址接入(OFDMA)作为联邦学习系统的物理层接入技术。令

为系统的S为个子信道集合。为成功地将全局模型广播给所有的UAV，BS必须以一定的速率传输以使信道条件最差的UAV也能接收到全局模型，故每个UAV在子信道s上的可达速率为：

其中，p _s表示BS在子信道s上的发射功率，B为每个子信道带宽，α为信号功率比率，

代表在子信道s上最小的信道功率增益噪声比。

则UAVk收集的能量可表示为：

其中，

表示能量收集效率，t为广播时间。

B3.UAVk进行本地训练的时间成本为：

其中，Z_k表示UAVk的训练数据量，W_k表示计算1比特训练数据量所需的CPU周期数，F_k表示UAVk的CPU频率。

相应地，UAVk本地训练的能耗为：

其中，μ_k是与UAVk的硬件结构有关的系数。

B4.UAVk上传模型的能耗为：

其中，

表示UAVk在子信道s上的发射功率，并且令

B5.在满足能耗和时延的约束条件下，建立UAV调度数量最大化问题

P1:

s.t.C1:

C2:

C3:0≤t≤T,

C4:

C5:

C6:

C7:

C8:

C9:

C10:

C11:

C12:

C13:

其中，为了能在每个UAVk上成功接收L比特的全局模型，C1-C3给出BS的发射功率以及广播时间的约束条件，C4为UAV调度二元变量，C5-C7是子信道分配变量的约束条件，为了将更新后的本地模型成功地从UAVk上传到BS，C8-C11给出UAVk的发射功率以及上传时间的约束条件，C12表明UAVk的上传能耗、训练能耗以及飞行能耗的和不超过其收集的能量与存储的能量之和，C13表明整个系统的时延要求。

进一步地，所述S3具体包括：

引入一些新的变量

以及

将约束条件C1，C2，C8-C10以及C12进行转化，可得到如下的约束条件：

C14:

C15:

C16:

C17:

C18:

C19:

C20:

进而得到如下优化问题：

P2:

s.t.C3-C7,C11,C13-C20.

进一步地，所述S4具体包括以下步骤：

通过使用GBD技术将P2分解成一个仆从问题P3和一个主问题P4，反复迭代求解，直到收敛，即可获得P2的最优解。具体而言，在第j次迭代，对于仆从问题P3，首先考虑当二元变量(β^(j),ρ^(j))的选择使P3可行的情况，通过求解P3和它的对偶问题来获得

当二元变量(β^(j),ρ^(j))的选择使P3不可行时，通过向约束条件中增加松弛变量η，并用一个新的优化问题和它的对偶函数来获得

把P3的解

带入到P4获得(ζ^(j),β^(j+1),ρ^(j+1))，作为第j+1次迭代P3的初始条件，反复求解，直到收敛条件被满足。

进一步地，所述S5具体包括以下步骤：

首先通过使用McCormick方法，将等式约束条件C18转化成一些可处理的线性不等式约束，再将约束条件C4和C5进行松弛，得到P2的松弛问题，记为P5，用内点法求得该问题最优解，用

表示。由于得到的最优解(β',ρ')不是二元的，通过贪婪的方式构造(β',ρ')，从而获得P2次优解。

本发明的有益效果在于：本发明考虑到参与联邦学习的无人机可能会面临严重的能源短缺问题，将SWIPT与联邦学习结合在一起，更具现实意义；此外，本发明提出的低复杂度次优算法在各种网络设置下均能达到与最优算法几乎一样的性能，且显著优于考虑的其他代表性基线。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明提供的基于SWIPT的UAV蜂群网络系统模型图；

图2为本发明中当子信道数较小(＝8)时，UAV调度数量与UAV数之间的关系图；

图3为本发明中当子信道数较大(＝64)时，UAV调度数量与UAV数之间的关系图；

图4为本发明中当UAV数较小(＝8)时，UAV调度数量与子信道数之间的关系图；

图5为本发明中当UAV数较大(＝64)时，UAV调度数量与子信道数之间的关系图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明包括以下步骤：

S1：建立一个支持SWIPT的UAV蜂群网络模型；

S2：建立一个基于SWIPT的联邦学习系统模型，在满足能耗和时延的约束条件下，建立UAV调度数量最大化问题数学模型；

S3：引入简化变量，改变一些约束条件的数学表达式，以获得简化后的UAV调度数量最大化问题数学模型；

S4：使用GBD技术，获得使UAV调度数量最大化问题的最优设备调度和资源分配方法；

S5：设计一种低复杂度算法，获得使UAV调度数量最大化问题的次优设备调度和资源分配方法。

S1中建立的网络模型如图1所示，具体包括一个单天线BS和K个单天线UAV，用

表示。BS处集成射频功率发射器，每个UAV配备一个混合信息和功率传输接收器，因此它可以从接收到的射频信号中获取能量。假设所有UAV在BS周围飞行的高度是相同的，并且在BS的协调下，每个UAV都能保证恒定的速度和高度以避免群内UAV之间的碰撞。我们将以BS为中心的飞行区域称为蜂群的巡逻区域。

S2中建立一个无线充电联邦学习系统模型，在满足能耗和时延的约束条件下，建立UAV调度数量最大化问题数学模型，其内容包括以下步骤：

B1.建立一个无线充电联邦学习系统模型

联邦学习的第次i迭代需要执行以下步骤：

广播全局模型和射频功率：基站向所有UAV同时广播全局模型w^(i-1)和射频功率，每个UAV将其局部模型初始化为

训练本地模型：

根据其本地数据集Ν_k和全局模型w^(i-1)执行随机梯度下降算法，其输出是更新后的本地模型

这里

代表所有被调度的UAV的集合；

上传本地模型：

将更新后的本地模型

上传到BS以进行全局模型的聚合和更新。

B2.为成功地将全局模型广播给所有的UAV，BS必须以一定的速率传输以使信道条件最差的UAV也能接收到全局模型，故每个UAV在子信道s上的可达速率为：

其中，p _s表示BS在子信道s上的发射功率，B为每个子信道带宽，α为信号功率比率，

代表在子信道s上最小的信道功率增益噪声比。

则UAVk收集的能量可表示为：

其中，

表示能量收集效率，t为广播时间。

B3.UAVk进行本地训练的时间成本为：

其中，Z_k表示UAVk的训练数据量，W_k表示计算1比特训练数据量所需的CPU周期数，F_k表示UAVk的CPU频率。

相应地，UAVk本地训练的能耗为：

其中，μ_k是与UAVk的硬件结构有关的系数。

B4.UAVk上传模型的能耗为：

其中，

表示UAVk在子信道s上的发射功率，并且令

B5.在满足能耗和时延的约束条件下，建立UAV调度数量最大化问题

P1:

s.t.C1:

C2:

C3:0≤t≤T,

C4:

C5:

C6:

C7:

C8:

C9:

C10:

C11:

C12:

C13:

其中，为了能在每个UAVk上成功接收L比特的全局模型，C1-C3给出BS的发射功率以及广播时间的约束条件，C4为UAV调度二元变量，C5-C7是子信道分配变量的约束条件，为了将更新后的本地模型成功地从UAVk上传到BS，C8-C11给出UAVk的发射功率以及上传时间的约束条件，C12表明UAVk的上传能耗、训练能耗以及飞行能耗的和不超过其收集的能量与存储的能量之和，C13表明整个系统的时延要求。

S3中引入一些新的变量

以及

将约束条件C1，C2，C8-C10以及C12进行转化，可得到如下的约束条件：

C14:

C15:

C16:

C17:

C18:

C19:

C20:

进而得到如下优化问题：

P2:

s.t.C3-C7,C11,C13-C20.

S4中通过使用GBD技术，获得使UAV调度数量最大的最优调度和资源分配方法，其内容包括：

通过使用GBD技术将P2分解成一个仆从问题P3和一个主问题P4，反复迭代求解，直到收敛，即可获得P2的最优解。具体而言，在第j次迭代，对于仆从问题P3，首先考虑当二元变量(β^(j),ρ^(j))的选择使P3可行的情况，通过求解P3和它的对偶问题来获得

当二元变量(β^(j),ρ^(j))的选择使P3不可行时，通过向约束条件中增加松弛变量η，并用一个新的优化问题和它的对偶函数来获得

把P3的解

带入到P4获得(

β^(j+1),ρ^(j+1))，作为第j+1次迭代P3的初始条件，反复求解，直到收敛条件被满足。

S5中设计一种低复杂度算法，获得使UAV调度数量最大的次优调度和资源分配方法，其内容包括：

首先通过使用McCormick方法，将等式约束条件C18转化成一些可处理的线性不等式约束，再将约束条件C4和C5进行松弛，得到P2的松弛问题，记为P5，用内点法求得该问题最优解，用

表示。由于得到的最优解(β',ρ')不是二元的，通过贪婪的方式构造(β',ρ')，从而获得P2次优解。

如图2、3、4、5所示，本发明给出了UAV调度数量与调度UAV总数和子信道数的关系。从四个图中可以看出，提出的次优算法(算法2)达到与最优算法(算法1)相同的性能；两个基线方案(基线1：在每次全局迭代中，BS从

中随机选取K_s个UAV进行局部训练，基线2：在每次全局迭代中，BS从

中以循环的方式选择K_s个UAV进行局部训练)的性能基本相同，这是因为在联邦学习的每次全局迭代中，两个基线下的每个UAV实际上具有相同的调度概率；此外，我们还可以看出算法1和算法2的性能明显优于两个基线，这是因为提出的算法可以有效地利用UAV蜂群有限的计算和通信资源。

图2和图3分别是在子信道数S较小(S＝8)和较大(S＝64)时UAV调度数量与UAV总数量的关系图，由于可用子信道有限，所有方案的性能都随着K的增加而下降，此外，还可以看出，如果S较小，具有较小K_s的基线比具有较大K_s的基线性能更好，如果S较大，K_s较大的基线略优于K_s较小的基线，但这种优势会随着K的增加而减小。图4和图5分别是在UAV数较小(K＝8)和较大(K＝64)时UAV调度数量与子信道数的关系图，随着S的增加，四种方案都可以调度更多的UAV，说明通信资源越多，可以调度的UAV就越多。

本发明提出的基于SWIPT技术的UAV蜂群网络中面向高性能联邦学习的设备调度和资源分配方法，考虑到参与联邦学习的无人机可能会面临严重的能源短缺问题，将SWIPT与联邦学习结合在一起，更具现实意义；此外，本发明提出的低复杂度次优算法在各种网络设置下均能达到与最优算法几乎一样的性能，且显著优于考虑的其他代表性基线。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种UAV蜂群中面向高性能联邦学习的调度和资源分配方法，其特征在于：该方法包括以下步骤：

S1：建立支持SWIPT的UAV蜂群网络模型；

S2：建立基于SWIPT技术的联邦学习系统模型，在满足能耗和时延的约束条件下，建立UAV调度数量最大化问题的数学模型；

S3：引入简化变量，改变约束条件的数学表达式，以获得简化后的UAV调度数量最大化问题数学模型；

S4：通过使用GBD技术，获得使UAV调度数量最大的最优设备调度和资源分配方法；

S5：利用低复杂度算法，获得使UAV调度数量最大的次优设备调度和资源分配方法。

2.根据权利要求1所述的一种UAV蜂群中面向高性能联邦学习的调度和资源分配方法，其特征在于：所述S1具体包括：

建立的网络模型包括一个单天线BS和K个单天线UAV，用

表示；BS处集成射频功率发射器，每个UAV配备一个混合信息和功率传输接收器，从接收到的射频信号中获取能量；

设所有UAV在BS周围飞行的高度是相同的，并且在BS的协调下，每个UAV都能保证恒定的速度和高度以避免群内UAV之间的碰撞，以BS为中心的飞行区域称为蜂群的巡逻区域。

3.根据权利要求2所述的一种UAV蜂群中面向高性能联邦学习的调度和资源分配方法，其特征在于：所述S2具体包括以下步骤：

B1：建立一个基于SWIPT技术的联邦学习系统模型；

联邦学习的第次i迭代需要执行以下步骤：

广播全局模型和射频功率：基站向所有UAV同时广播全局模型w^(i-1)和射频功率，每个UAV将其局部模型初始化为

训练本地模型：

根据其本地数据集Ν_k和全局模型w^(i-1)执行随机梯度下降算法，其输出是更新后的本地模型

这里

代表所有被调度的UAV的集合；

上传本地模型：

将更新后的本地模型

上传到BS以进行全局模型的聚合和更新；

B2：采用正交频分多址接入OFDMA作为联邦学习系统的物理层接入技术；令

为系统的S为个子信道集合；为成功地将全局模型广播给所有的UAV，BS必须以一定的速率传输以使信道条件最差的UAV也能接收到全局模型，故每个UAV在子信道s上的可达速率为：

其中，p _s表示BS在子信道s上的发射功率，B为每个子信道带宽，α为信号功率比率，

代表在子信道s上最小的信道功率增益噪声比；

则UAV k收集的能量表示为：

其中，

ξ∈(0,1)表示能量收集效率，t为广播时间；

B3：UAV k进行本地训练的时间成本为：

其中，Z_k表示UAV k的训练数据量，W_k表示计算1比特训练数据量所需的CPU周期数，F_k表示UAV k的CPU频率；

UAV k本地训练的能耗为：

其中，μ_k是与UAV k的硬件结构有关的系数；

B4：UAV k上传模型的能耗为：

其中，

表示UAV k在子信道s上的发射功率，并且令

B5：在满足能耗和时延的约束条件下，建立UAV调度数量最大化问题

P1：

s.t. C1：

C2：

C3:0≤t≤T,

C4：

C5：

C6：

C7：

C8：

C9：

C10：

C11：

C12：

C13：

其中，为能在每个UAV k上成功接收L比特的全局模型，C1-C3给出BS的发射功率以及广播时间的约束条件，C4为UAV调度二元变量，C5-C7是子信道分配变量的约束条件，为了将更新后的本地模型成功地从UAV k上传到BS，C8-C11给出UAV k的发射功率以及上传时间的约束条件，C12表明UAV k的上传能耗、训练能耗以及飞行能耗的和不超过其收集的能量与存储的能量之和，C13表明整个系统的时延要求。

4.根据权利要求3所述的一种UAV蜂群中面向高性能联邦学习的调度和资源分配方法，其特征在于：所述S3具体包括：

引入变量

以及

将约束条件C1，C2，C8-C10以及C12进行转化，得到如下的约束条件：

C14：

C15：

C16：

C17：

C18：

C19：

C20：

进而得到如下优化问题：

P2：

5.根据权利要求4所述的一种UAV蜂群中面向高性能联邦学习的调度和资源分配方法，其特征在于：所述S4具体包括以下步骤：

通过使用GBD技术将P2分解成一个仆从问题P3和一个主问题P4，反复迭代求解，直到收敛，获得P2的最优解；在第j次迭代，对于仆从问题P3，首先考虑当二元变量(β^(j),ρ^(j))的选择使P3可行的情况，通过求解P3和它的对偶问题来获得

当二元变量(β^(j),ρ^(j))的选择使P3不可行时，通过向约束条件中增加松弛变量η，并用一个新的优化问题和它的对偶函数来获得

把P3的解

带入到P4获得

作为第j+1次迭代P3的初始条件，反复求解，直到收敛条件被满足。

6.根据权利要求5所述的一种UAV蜂群中面向高性能联邦学习的调度和资源分配方法，其特征在于：所述S5具体包括以下步骤：

首先通过使用McCormick方法，将等式约束条件C18转化成可处理的线性不等式约束，再将约束条件C4和C5进行松弛，得到P2的松弛问题，记为P5，用内点法求得该问题最优解，用

表示；得到的最优解(β',ρ')不是二元的，通过贪婪的方式构造(β',ρ')，获得P2次优解。

Images