CN113627013B - 基于无人机二元卸载边缘计算的系统吞吐量最大化方法 - Google Patents

基于无人机二元卸载边缘计算的系统吞吐量最大化方法 Download PDF

Info

Publication number
CN113627013B
CN113627013B CN202110911033.1A CN202110911033A CN113627013B CN 113627013 B CN113627013 B CN 113627013B CN 202110911033 A CN202110911033 A CN 202110911033A CN 113627013 B CN113627013 B CN 113627013B
Authority
CN
China
Prior art keywords
aerial vehicle
unmanned aerial
convex
binary
expressed
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
CN202110911033.1A
Other languages
English (en)
Other versions
CN113627013A (zh
Inventor
詹成
徐常元
廖婧睿
龚珏
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.)
Southwest University
Original Assignee
Southwest University
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 Southwest University filed Critical Southwest University
Priority to CN202110911033.1A priority Critical patent/CN113627013B/zh
Publication of CN113627013A publication Critical patent/CN113627013A/zh
Application granted granted Critical
Publication of CN113627013B publication Critical patent/CN113627013B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及无人机移动边缘计算(MEC)技术领域，具体公开了一种基于无人机二元卸载边缘计算的系统吞吐量最大化方法，其通过联合优化计算卸载选择、设备计算频率和无人机轨迹，使用二元计算卸载策略最大化无人机支持的MEC中所有地面设备间的最小计算吞吐量，将这个优化问题模型化为一个混合整数非凸优化问题。并采用惩罚函数来刻画非二元解的影响，将优化问题模型化为等价的数学表达式。以及利用惩罚逐次凸逼近(P‑SCA)方法和差分凸函数优化框架设计出有效迭代算法，算法可以保证能收敛到满足Karush‑Kuhn Tucker(KKT)条件的局部最优解。仿真结果表明：相较基准方案，本发明方案可以更有效地获得二元计算卸载策略以及提高计算吞吐量的性能。

Description

基于无人机二元卸载边缘计算的系统吞吐量最大化方法
技术领域
本发明涉及无人机移动边缘计算(MEC)技术领域，尤其涉及一种基于无人机二元卸载边缘计算的系统吞吐量最大化方法。
背景技术
随着物联网(IoT)和5G网络的快速发展，越来越多的应用和服务需要低时延、大规模的计算能力从而为用户提供更好的体验，如：自动驾驶汽车、图像和视频处理、人脸识别、实时网络游戏等。然而，大多数物联网设备的能量和计算能力有限，难以保证设备的持续工作以及瞬时响应。为解决这个难题，研究者们引入了移动边缘计算(MEC)的概念，通过将强大的计算资源移动到网络边缘，物联网设备无需将数据传输到远程云端就能在网络边缘处执行所需的大量计算任务，从而使数据传输延迟显著减少。借助MEC，IoT设备可以转移计算任务到网络边缘进行即时处理，从而节省设备的能量消耗。
MEC通常包括两种计算任务卸载模型，即部分计算任务卸载模型和二元计算任务卸载模型。部分卸载将每个计算任务都分为两部分，一部分在本地计算，另一部分转移到边缘服务器进行计算；二元卸载要求每个任务要么整体在本地执行，要么整体转移到边缘服务器进行。在具体应用实现中，二元卸载实现简单并且非常适用于IoT应用计算任务不可分割的场景。
另一方面，静态边缘服务器的服务覆盖范围有限从而产生了新问题——长距离路径损耗和复杂的无线电环境使静态边缘服务器很难支持远程设备的计算任务卸载。并且，在广阔的环境中部署大量静态边缘服务器非常昂贵且不切实际。因此引入了支持空中计算的无人机(UAV)MEC系统，借助飞行中的UAV部署强大计算能力，使资源受限的地面物联网设备卸载计算任务到无人机上。具体来说，通过充分利用UAV的移动性使得无人机靠近物联网设备，在二者间建立视距(LoS)链接，从而提高通信质量进行计算任务卸载。然而，目前开展的工作均依赖于部分计算卸载策略，然而在具体实现中部分计算卸载策略很难实现。采用二元计算卸载支持无人机的移动边缘计算吞吐量最大化是非常有挑战性的间题，目前尚未有直接的研究。
发明内容
本发明提供一种基于无人机二元卸载边缘计算的系统吞吐量最大化方法，解决的技术问题在于：如何采用二元计算卸载支持的无人机实现移动边缘计算吞吐量最大化。
为解决以上技术问题，本发明提供一种基于无人机二元卸载边缘计算的系统吞吐量最大化方法，包括步骤：
S1、将无人机作为多个设备的边缘服务器，对每个设备采用二元计算任务卸载策略，设备为地面物联网设备；
S2、在每个设备的最大能量约束条件下，以以最大化所有设备中计算吞吐量的最小值η为目标，联合优化无人机轨迹Q以及每个设备的卸载模式选择X、CPU频率F，构建原始问题模型；
S3、对原始问题模型进行求解，得到在每个时间周期T内的无人机路径。
进一步地，在步骤S2中，原始问题模型表示为：
(P1)：
||q[n+1]-q[n]||≤Vmaxδt，n＝1，...，N-1， (6)
q[1]＝q[N]， (7)
其中，每个时间周期T离散成N个长度为δt的时隙；xk[n]∈{0，1}为K个设备中第k个设备sk的卸载指示变量，式(2)表示若设备sk在时隙n内将任务卸载到无人机，则xk[n]＝1，否则xk[n]＝0；Rk[n]表示时隙n从设备sk到无人机的可达速率；表示时隙n中设备sk本地计算的比特数，fk[n]为设备sk在n时刻的CPU频率，Ck为设备sk计算1比特输入数据所需的CPU时钟数；式(3)表示每个时隙最多有一台设备将任务卸载给无人机；式(4)表示对于任意的设备，每个时隙的fk[n]均不大于其最大CPU频率/>式(5)表示设备sk的能耗不超过其最大能量约束/>表示设备sk的通信相关能耗，P为设备sk的发射功率，/>表示设备sk的计算相关能耗，κk为设备sk的任务计算的有效电容系数，取决于设备sk处理器的芯片架构；式(6)表示无人机在每一时隙的飞行速度不大于其最大飞行速度/>t∈[0，T]表示无人机以固定高度H在空中飞行时随时间变化的水平坐标，无人机在时隙n及下一时隙n+1的水平坐标分别表示为q[n]、q[n+1]；式(7)表示无人机应在时间范围T结束时q[N]返回其初始位置q[1]；
进一步地，步骤S3具体包括步骤：
S31、基于惩罚逐次凸逼近方法对原始问题模型进行优化；
S32、基于差分凸函数优化框架对优化后的原始问题模型进行迭代求解。
进一步地，步骤S31具体包括步骤：
S311、引入一个惩罚项使得当X的值不是二元整数解时惩罚目标函数，由此将原始问题模型转化为问题：
(P2)：
式(1)，(4)～(7)，
其中的λ＞＞1是惩罚因子；
S312、引入松弛变量将问题(P2)改写成：
(P3)：
式(4)～(7),(8)。
进一步地，步骤S32具体包括步骤：
S321、将式(10)中的非凸项xk[n]yk[n]和-xk[n]fk[n]用差分凸函数分别表示为多个凸项的组合；
S322、在给定的局部点和/>对组合中凸项(xk[n]+yk[n])2和进行一阶泰勒近似，得到非凸项xk[n]yk[n]和-xk[n]fk[n]的下界；
S323、对目标函数中的项应用一阶泰勒近似，得到目标函数的下界；
S324、得到Rk[n]的下界；
S325、通过步骤S322～S324得到的下界将问题(P3)近似为具有线性目标函数和凸约束集的标准凸优化问题(P4)；
S326、通过对在第r次迭代时更新的给定可行点依次求解问题(P4)从而得到问题(P3)的解。
进一步地，在步骤S321中，
非凸项xk[n]yk[n]用差分凸函数表示为：
非凸项-xk[n]fk[n]用差分凸函数表示为：
进一步地，在步骤S322中，
非凸项xk[n]yk[n]的下界表示为：
非凸项-xk[n]fk[n]的下界表示为：
进一步地，在步骤S323中，目标函数的下界表示为：
在步骤S324中，Rk[n]表示为：
其中，B是以赫兹为单位的信道带宽，是1米处的接收信噪比，α≥2是路径损耗指数，β0是平均信道功率在d0＝1m处的增益，σ2表示在无人机接收器处的噪声功率，P表示设备sk的发射功率，/>表示设备sk的水平位置坐标；
Rk[n]的下界表示为：
其中
进一步地，在步骤S325中，标准凸优化问题(P4)表示为：
(P4)：
式(4)～(7),(8)。
进一步地，步骤S326具体包括步骤：
1)初始化且设r＝0；
2)给定局部点求解凸优化问题(P4)以获得最优解
3)更新第r次迭代的局部点：
qr+1[n]＝q*[n],
4)更新r＝r+1；
5)重复步骤2)～4)直到问题P(3)的目标值收敛。
本发明提供的基于无人机二元卸载边缘计算的系统吞吐量最大化方法，其有益效果在于：
首先，为实现所有地面设备间的公平性，本发明通过联合优化计算卸载选择、设备计算频率和无人机轨迹，使用二元计算卸载策略最大化无人机支持的MEC中所有地面设备间的最小计算吞吐量，将这个优化问题模型化为一个混合整数非凸优化问题。
其次，本发明采用惩罚函数来刻画非二元解的影响，将优化问题模型化为等价的数学表达式。利用惩罚逐次凸逼近(P-SCA)方法和差分凸函数优化框架设计出有效迭代算法，算法可以保证能收敛到满足Karush-Kuhn Tucker(KKT)条件的局部最优解。
最后，本发明用大量仿真结果验证了该方法的性能。仿真结果表明：相较基准方案，本方案可以更有效地获得二元计算卸载策略以及提高计算吞吐量的性能。
附图说明
图1是本发明实施例提供的基于无人机二元卸载边缘计算的系统吞吐量最大化方法的步骤流程图；
图2是本发明实施例提供的不同地面设备间的计算卸载模式选择图；
图3是本发明实施例提供的对不同T无人机的优化轨迹图；
图4是本发明实施例提供的最大-最小计算吞吐量与T的关系图；
图5是本发明实施例提供的最大-最小计算吞吐量与的关系图。
具体实施方式
下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
为了采用二元计算卸载支持的无人机实现移动边缘计算吞吐量最大化，本发明实施例提供一种基于无人机二元卸载边缘计算的系统吞吐量最大化方法，如图1的步骤流程图所示，包括步骤：
S1、将无人机作为多个设备的边缘服务器，对每个设备采用二元计算任务卸载策略，设备为地面物联网设备；
S2、在每个设备的最大能量约束条件下，以最大化所有设备中计算吞吐量的最小值η为目标(例如地面5个设备，优化目标是将5个设备中计算吞吐量最小的那个进行最大化，以此来保证设备间的公平性)，联合优化无人机轨迹Q以及每个设备的卸载模式选择X、CPU频率F，构建原始问题模型；
S3、对原始问题模型进行求解，得到在每个时间周期T内的无人机路径。
本实施例把配置有高计算能力的UAV当做边缘服务器，为IoT应用设计了一个支持UAV的MEC系统，为一组执行某些特定计算任务的K个地面用户设备提供计算服务，这里的每个设备采用二元计算任务卸载策略。
假设表示设备集合，/>表示设备/>的水平位置坐标，T为总的时间范围。假设无人机以固定高度H在空中飞行，随时间变化的水平坐标由/>t∈[0，T]表示。为简化问题，本例将时间范围T离散成N个长度为δt的时隙，δt可以设置成足够小使得无人机在每个时隙内的位置近似不变。因此，无人机在时隙n的水平位置可用/>表示，无人机的轨迹可由序列{q[n]|1≤n≤N}进行近似。本例可以得到/>Vmax表示无人机的最大速度。为周期性地向地面用户设备提供计算服务，本例假设无人机应在时间范围T结束时返回其初始位置，即q[1]＝q[n]。
假设Ck为设备sk计算1比特输入数据所需的CPU时钟数，fk[n]为设备sk在n时刻的CPU频率，则在时隙n中设备sk本地计算的比特数可以表示为假设/>为设备sk允许的最大CPU频率，则有/>由于物联网设备的计算能力有限，本例让设备采用二元任务卸载策略，使得计算任务要么整体在本地计算，要么整体卸载到无人机进行远程计算。定义xk[n]∈{0,1}为设备sk的卸载指示变量，若sk在时隙n内将任务卸载到无人机，则xk[n]＝1，否则xk[n]＝0。为避免卸载过程中用户设备间的干扰，本例采用时分多址(TDMA)接入机制，也即每个时隙最多有一台设备将任务卸载给无人机，从而得到本例假设每个设备和无人机之间的信道主要是视距信道，那么在每个时隙n无人机和设备sk间的信道功率增益为/>α≥2是路径损耗指数，β0是平均信道功率在d0＝1m处的增益，/>是时隙n时无人机与设备sk间的距离。
假设P为设备sk的发射功率，若进行任务卸载，则在时隙n从设备sk到无人机的可达速率为B是以赫兹(Hz)为单位的信道带宽，/>是1米处的接收信噪比(SNR)，σ2表示在无人机接收器处的噪声功率，P表示设备sk的发射功率。设备sk的能耗主要包括通信相关能耗和计算相关能耗，通信相关能耗可表示为/>计算相关能耗可表示为/>κk为设备sk的任务计算的有效电容系数，取决于设备sk处理器的芯片架构，从而有 为设备sk的最大能量约束。另外需要注意的是，每个设备要么在本地完成整个计算任务，要么在每个时隙卸载整个任务到无人机，因此设备sk总的计算吞吐量可表示为/>由于边缘服务器的计算能力通常比受限的物联网设备强很多，并且与任务计算结果输出量的相关的比特数非常小，因此本例忽略无人机的任务计算时间以及计算结果下载时间。
为保证所有用户设备的公平性，本例的目标是在设备最大能量约束条件下，联合优化用户设备计算CPU频率(fk[n])、计算卸载模式选择(xk[n]∈{0，1})以及无人机轨迹从而最大化所有地面物联网设备的最小计算吞吐量(η)。假设本例可以将优化问题表述如下：
(P1)：
||q[n+1]-q[n]||≤Vmaxδt，n＝1，...，N-1， (6)
q[1]＝q[N] (7)
在原始问题模型(P1)中，由于约束条件(1)是非凸约束条件并且式(2)是二元约束条件，所以问题(P1)是一个混合整数非凸优化问题，难以在多项式时间内求到最优解。因此，本例在下文提出了一种通过惩罚逐次凸逼近方法(P-SCA)和差分凸函数优化框架寻找次优解的有效算法。
步骤S3具体包括步骤：
S31、基于惩罚逐次凸逼近方法对原始问题模型进行优化；
S32、基于差分凸函数优化框架对优化后的原始问题模型进行迭代求解。
在步骤S31中，本例采用P-SCA方法来处理式(2)中的二元约束，其关键思想是在目标函数中添加一个违反二元约束的惩罚项，然后通过迭代逐次凸逼近技术解决由此产生的优化问题。具体来说，本例将(2)中的约束表示为以下区域的交集：
可以验证满足约束(2)的可行解也满足连续约束(8)和(9)，反之亦然。然而本例的目标是获得问题(P1)中X的二元整数解，因此本例通过在目标函数中引入了一个惩罚项使得当X的值不是二元整数解时惩罚目标函数。
具体的，步骤S31具体包括步骤：
S311、引入一个惩罚项使得当X的值不是二元整数解时惩罚目标函数，由此将原始问题模型转化为问题：
(P2)：
式(1),(4)～(7)，
其中的λ＞＞1是惩罚因子；
S312、引入松弛变量将问题(P2)改写成：
(P3)：
式(4)～(7),(8)。
在问题(P3)中，由于目标函数是非凹的且约束(10)和(11)是非凸约束条件，因此问题(P3)仍是一个非凸优化问题。然而，约束(10)中的非凸项xk[n]yk[n]和-xk[n]fk[n]可以用差分凸函数(D.C.)表示，进而本例可以采用D.C.优化框架解决这个问题(即步骤S32)。
步骤S32具体包括步骤：
S321、将式(10)中的非凸项xk[n]yk[n]和-xk[n]fk[n]用差分凸函数分别表示为多个凸项的组合；
S322、在给定的局部点和/>对组合中凸项(xk[n]+yk[n])2和进行一阶泰勒近似，得到非凸项xk[n]yk[n]和-xk[n]fk[n]的下界；
S323、对目标函数中的项应用一阶泰勒近似，得到目标函数的下界；
S324、得到Rk[n]的下界；
S325、通过步骤S322～S324得到的下界将问题(P3)近似为具有线性目标函数和凸约束集的标准凸优化问题(P4)；
S326、通过对在第r次迭代时更新的给定可行点依次求解(P4)从而得到问题(P3)的解。
在步骤S321中，
非凸项xk[n]yk[n]用差分凸函数表示为：
非凸项-xk[n]fk[n]用差分凸函数表示为：
在步骤S322中，
非凸项xk[n]yk[n]的下界表示为：
非凸项-xk[n]fk[n]的下界表示为：
其中，和/>都是凹函数。
在步骤S323中，目标函数的下界表示为：
在步骤S324中，Rk[n]的下界表示为：
其中这里/>是关于q[n]的凹函数，γlb是线性函数。
在步骤S325中，标准凸优化问题(P4)表示为：
(P4)：
式(4)～(7),(8)。
由于本例通过采用下限近似来将问题(P3)转换为问题(P4)，所以问题(P4)的约束集比问题(P3)的约束集更严格，则问题(P4)的最优解一定是问题(P3)的可行解。本例提出了基于P-SCA和D.C.的算法来解决问题(P3)即步骤S326，具体的，步骤S326包括步骤：
1)初始化且设r＝0；
2)给定局部点求解凸优化问题(P4)以获得最优解
3)更新第r次迭代的局部点：
qr+1[n]＝q*[n],
4)更新r＝r+1；
5)重复步骤2)～4)直到问题P(3)的目标值收敛。
无人机的初始轨迹可以设置为以最大速度进行的圆形轨迹飞行，其中圆心设置为所有地面物联网设备的几何中心，以便无人机定期向设备提供服务。步骤S326能保证问题(P3)的目标函数收敛到一个平稳点，即满足问题(P3)的Karush-Kuhn-Tucker(KKT)条件的解。由于在每次迭代中本例进行了标准凸优化求解，所以求解的复杂度可表示为O((KN)3.5log(1/∈))，∈是求解精度。
下面通过仿真实验来评估本例所提方法的性能。
本例考虑了一个支持无人机的MEC系统，其中物联网设备数K＝5(包括S1、S2、S3、S4、S5)，地面设备随机均匀分布在0.8×0.8平方千米的区域内。由于计算吞吐量是衡量系统计算能力的指标，本例选它作为性能指标。假设每台设备有相同的能量限制和最大允许的CPU频率，即若非另有说明，其余的相关参数设置如下：
B＝1MHz,H＝100m,σ2＝-110dBm，,ρ0＝-50dB，Ck＝1000,κk＝10-3,/>
P＝0.1W,α＝2.2,Vmax＝50m/s,∈＝10-4,δt＝1s。
图2展示了当T＝100s和时不同地面设备的计算卸载模式选择。因为本例的算法引入了惩罚函数来惩罚非二元解的影响，设备的每个计算任务要么完全在本地执行，要么完全卸载到无人机服务器，所以通信卸载模式选择变量为0或1，表明采用的是二元计算卸载策略，并通过算法可以有效地获得二元解。图3展示了当/>时，在不同时间范围T的优化轨迹。可以看到，随着T增加，无人机可以利用其机动性自适应地调整轨迹以尽量靠近地面设备。这是因为，无人机离地面设备越近时空对地信道质量越好，将计算任务卸载到无人机比在本地计算更节能，因此地面设备更希望将任务卸载给无人机强大的边缘服务器，这与图2中的结果一致。
在图4中，本例比较了以下基准方案下的最大-最小计算吞吐量：1)本地计算基准方案，所有地面设备仅执行本地计算；2)仅无人机计算基准方案，设备将所有任务卸载到无人机进行计算，无需本地计算；3)圆形轨迹基准方案，无人机按以所有地面设备几何中心为圆心的圆形飞行；4)静态无人机基准方案，将无人机放置在设备的几何中心并保持静止。从图4可得，所有方案的计算吞吐量都随T的增加而增加，这是因为更大的T为无人机提供了足够的时间向需要服务的设备飞得更近，所以随着T的增大，性能增益也更显著。此外，计算吞吐量的增长速率随T的增大而降低，这是由于设备能量有限，当T足够大时计算吞吐量曲线会饱和。图5展示了当T＝90s时最大-最小计算吞吐量与能量限制的关系。可以看到，当增加时设备可以提供更大的计算卸载和本地计算能力，所以计算吞吐量随着/>的增加而增加。通过将所提方案、圆形轨迹基准方案、静态无人机基准方案三者的性能展开比较，充分展示了灵活轨迹设计的优势。同时，所提方案相较本地计算基准方案和仅无人机计算基准方案的性能提升证明了灵活计算卸载设计的优越性。
综上，本例研究了具有二元计算卸载方案的基于无人机的多用户MEC系统中的计算吞吐量最大化问题，并将该问题描述为计算卸载、无人机轨迹和设备计算频率的联合优化问题。本例提出了一种有效的迭代算法，通过P-SCA方法和D.C.优化框架获得满足KKT条件次优解的解决方案，利用辅助惩罚函数解决了二元计算模式选择困难的问题，利用D.C.优化框架处理了优化问题中的非凸项。大量仿真结果表明，在不同的网络设置下，本例提出的方案明显均优于其他有代表性的基准方案。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.基于无人机二元卸载边缘计算的系统吞吐量最大化方法，其特征在于，包括步骤：
S1、将无人机作为多个设备的边缘服务器，对每个设备采用二元计算任务卸载策略，设备为地面物联网设备；
S2、在每个设备的最大能量约束条件下，以最大化所有设备中计算吞吐量的最小值η为目标，联合优化无人机轨迹Q以及每个设备的卸载模式选择X、CPU频率F，构建原始问题模型；原始问题模型表示为：
(P1)：
‖q[n+1]-q[n]‖≤Vmaxδt,n＝1,...,N-1, (6)
q[1]＝q[N], (7)
其中，每个时间周期T离散成N个长度为δt的时隙；xk[n]∈{0,1}为K个设备中第k个设备sk的卸载指示变量，式(2)表示若设备sk在时隙n内将任务卸载到无人机，则xk[n]＝1，否则xk[n]＝0；Rk[n]表示时隙n从设备sk到无人机的可达速率；表示时隙n中设备sk本地计算的比特数，fk[n]为设备sk在n时刻的CPU频率，Ck为设备sk计算1比特输入数据所需的CPU时钟数；式(3)表示每个时隙最多有一台设备将任务卸载给无人机；式(4)表示对于任意的设备，每个时隙的fk[n]均不大于其最大CPU频率/>式(5)表示设备sk的能耗不超过其最大能量约束/>表示设备sk的通信相关能耗，P为设备sk的发射功率，表示设备sk的计算相关能耗，κk为设备sk的任务计算的有效电容系数，取决于设备sk处理器的芯片架构；式(6)表示无人机在每一时隙的飞行速度不大于其最大飞行速度/>表示无人机以固定高度H在空中飞行时随时间变化的水平坐标，无人机在时隙n及下一时隙n+1的水平坐标分别表示为q[n]、q[n+1]；式(7)表示无人机应在时间范围T结束时q[N]返回其初始位置q[1]；
S3、对原始问题模型进行求解，得到在每个时间周期T内的无人机路径；
步骤S3具体包括步骤：
S31、基于惩罚逐次凸逼近方法对原始问题模型进行优化；
S32、基于差分凸函数优化框架对优化后的原始问题模型进行迭代求解。
2.根据权利要求1的基于无人机二元卸载边缘计算的系统吞吐量最大化方法，其特征在于，步骤S31具体包括步骤：
S311、引入一个惩罚项使得当X的值不是二元整数解时惩罚目标函数，由此将原始问题模型转化为问题：
其中的λ＞＞1是惩罚因子；
S312、引入松弛变量将问题(P2)改写成：
3.根据权利要求2的基于无人机二元卸载边缘计算的系统吞吐量最大化方法，其特征在于，步骤S32具体包括步骤：
S321、将式(10)中的非凸项xk[n]yk[n]和-xk[n]fk[n]用差分凸函数分别表示为多个凸项的组合；
S322、在给定的局部点和/>对组合中凸项(xk[n]+yk[n])2和进行一阶泰勒近似，得到非凸项xk[n]yk[n]和-xk[n]fk[n]的下界；
S323、对目标函数中的项应用一阶泰勒近似，得到目标函数的下界；
S324、得到Rk[n]的下界；
S325、通过步骤S322～S324得到的下界将问题(P3)近似为具有线性目标函数和凸约束集的标准凸优化问题(P4)；
S326、通过对在第r次迭代时更新的给定可行点依次求解(P4)从而得到问题(P3)的解。
4.根据权利要求3的基于无人机二元卸载边缘计算的系统吞吐量最大化方法，其特征在于，在所述步骤S321中，
非凸项xk[n]yk[n]用差分凸函数表示为：
非凸项-xk[n]fk[n]用差分凸函数表示为：
5.根据权利要求4的基于无人机二元卸载边缘计算的系统吞吐量最大化方法，其特征在于，在所述步骤S322中，
非凸项xk[n]yk[n]的下界表示为：
非凸项-xk[n]fk[n]的下界表示为：
6.根据权利要求5的基于无人机二元卸载边缘计算的系统吞吐量最大化方法，其特征在于，
在所述步骤S323中，目标函数的下界表示为：
在所述步骤S324中，Rk[n]表示为：
其中，B是以赫兹为单位的信道带宽，是1米处的接收信噪比，α≥2是路径损耗指数，β0是平均信道功率在d0＝1m处的增益，σ2表示在无人机接收器处的噪声功率，P表示设备sk的发射功率，/>表示设备sk的水平位置坐标；
Rk[n]的下界表示为：
其中
7.根据权利要求6的基于无人机二元卸载边缘计算的系统吞吐量最大化方法，其特征在于：在步骤S325中，标准凸优化问题(P4)表示为：
(P4)：
式(4)～(7),(8)。
8.根据权利要求7的基于无人机二元卸载边缘计算的系统吞吐量最大化方法，其特征在于，所述步骤S326具体包括步骤：
1)初始化且设r＝0；
2)给定局部点求解凸优化问题(P4)以获得最优解
3)更新第r次迭代的局部点：
4)更新r＝r+1；
5)重复步骤2)～4)直到问题(P3)的目标值收敛。
CN202110911033.1A 2021-08-10 2021-08-10 基于无人机二元卸载边缘计算的系统吞吐量最大化方法 Active CN113627013B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110911033.1A CN113627013B (zh) 2021-08-10 2021-08-10 基于无人机二元卸载边缘计算的系统吞吐量最大化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110911033.1A CN113627013B (zh) 2021-08-10 2021-08-10 基于无人机二元卸载边缘计算的系统吞吐量最大化方法

Publications (2)

Publication Number Publication Date
CN113627013A CN113627013A (zh) 2021-11-09
CN113627013B true CN113627013B (zh) 2024-02-23

Family

ID=78383791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110911033.1A Active CN113627013B (zh) 2021-08-10 2021-08-10 基于无人机二元卸载边缘计算的系统吞吐量最大化方法

Country Status (1)

Country Link
CN (1) CN113627013B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115118724A (zh) * 2022-06-23 2022-09-27 福州大学 基于蚁群算法的多无人机辅助边缘计算系统部署优化方法
CN115277770B (zh) * 2022-07-20 2023-04-25 华北电力大学（保定） 一种节点接入和飞行策略联合优化的无人机信息收集方法
CN115348558A (zh) * 2022-08-10 2022-11-15 福州大学 基于凸优化的无人机部署和计算卸载联合优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110380773A (zh) * 2019-06-13 2019-10-25 广东工业大学 一种无人机多跳中继通信系统的轨迹优化与资源分配方法
CN110856191A (zh) * 2019-10-24 2020-02-28 广东工业大学 一种基于无线通信的无人机轨迹优化方法
CN112104502A (zh) * 2020-09-16 2020-12-18 云南大学 时敏多任务边缘计算与缓存协作卸载策略方法
CN112543050A (zh) * 2020-11-26 2021-03-23 北京邮电大学 一种面向吞吐量提升的无人机协作和轨迹优化方法
CN112866012A (zh) * 2021-01-05 2021-05-28 金陵科技学院 非线性能量收集无线供电mec中卸载和能量联合优化算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11469954B2 (en) * 2019-05-16 2022-10-11 Verizon Patent And Licensing Inc. System and methods for service policy optimization for multi-access edge computing services

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110380773A (zh) * 2019-06-13 2019-10-25 广东工业大学 一种无人机多跳中继通信系统的轨迹优化与资源分配方法
CN110856191A (zh) * 2019-10-24 2020-02-28 广东工业大学 一种基于无线通信的无人机轨迹优化方法
CN112104502A (zh) * 2020-09-16 2020-12-18 云南大学 时敏多任务边缘计算与缓存协作卸载策略方法
CN112543050A (zh) * 2020-11-26 2021-03-23 北京邮电大学 一种面向吞吐量提升的无人机协作和轨迹优化方法
CN112866012A (zh) * 2021-01-05 2021-05-28 金陵科技学院 非线性能量收集无线供电mec中卸载和能量联合优化算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Computation Rate Maximization in UAV-Enabled Wireless-Powered Mobile-Edge Computing Systems;Fuhui Zhou等;《IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS》;20180930;第36卷(第9期);1927-1941 *
基于无人机通信的蜂窝网流量卸载研究;余雪勇;黄欣;;南京邮电大学学报(自然科学版);20200902(第04期);21-27 *
无人机辅助边缘计算的能量效率最大化算法设计;吴启晖;吴伟;;通信学报;20201021(第10期);19-28 *

Also Published As

Publication number Publication date
CN113627013A (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN113627013B (zh) 基于无人机二元卸载边缘计算的系统吞吐量最大化方法
Yang et al. Online trajectory and resource optimization for stochastic UAV-enabled MEC systems
Cao et al. Mobile edge computing for cellular-connected UAV: Computation offloading and trajectory optimization
CN111757361B (zh) 一种雾网络中基于无人机辅助的任务卸载方法
Leyva-Mayorga et al. Satellite edge computing for real-time and very-high resolution earth observation
Zhao et al. Online distributed optimization for energy-efficient computation offloading in air-ground integrated networks
CN113377533B (zh) 无人机协助移动边缘计算中的动态计算卸载和服务器部署方法
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
Yang et al. Dynamic trajectory and offloading control of UAV-enabled MEC under user mobility
CN114884949A (zh) 基于maddpg算法的低轨卫星物联网任务卸载方法
CN117499867A (zh) 一种多无人机辅助移动边缘计算中通过策略梯度算法实现高能效计算卸载的方法
CN116600344A (zh) 一种具有电力成本差异的多层mec资源卸载方法
Hwang et al. Deep reinforcement learning approach for uav-assisted mobile edge computing networks
Yoo et al. Cache-assisted mobile edge computing over space-air-ground integrated networks for extended reality applications
CN114339667B (zh) 基于混合无人机空中移动基站的中继方法和装置
CN114500533B (zh) 基于用户协作的无人机辅助移动边缘计算系统优化方法
Qin et al. Energy efficiency optimization for RIS-assisted UAV-enabled MEC systems
CN114980205A (zh) 多天线无人机视频传输系统QoE最大化方法和装置
Wang et al. Network resource allocation strategy based on UAV cooperative edge computing
Xie et al. Computation Offloading and Resource Allocation in Satellite-Terrestrial Integrated Networks: A Deep Reinforcement Learning Approach
CN115529655B (zh) 3d无人机移动边缘计算网络中的空地能量权衡方法及装置
He et al. QoE Maximization for Multiple-UAV-Assisted Multi-Access Edge Computing: An Online Joint Optimization Approach
Xu et al. UAV-Enabled mobile edge computing with binary computation offloading and energy constraints
Almosharea et al. Aerial-Aerial-Ground Computation Offloading Using High Altitude Aerial Vehicle and Mini-drones
Linpei et al. Energy-efficient computation offloading assisted by RIS-based UAV

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