CN113709883B - 一种多无人机辅助工业场景下的动态资源分配方法及装置 - Google Patents
一种多无人机辅助工业场景下的动态资源分配方法及装置 Download PDFInfo
- Publication number
- CN113709883B CN113709883B CN202111007407.3A CN202111007407A CN113709883B CN 113709883 B CN113709883 B CN 113709883B CN 202111007407 A CN202111007407 A CN 202111007407A CN 113709883 B CN113709883 B CN 113709883B
- Authority
- CN
- China
- Prior art keywords
- variable
- resource allocation
- unmanned aerial
- aerial vehicle
- solving
- 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
Links
- 238000013468 resource allocation Methods 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 101
- 230000005540 biological transmission Effects 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005520 cutting process Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 abstract description 12
- 230000007547 defect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000001934 delay Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000009977 dual effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229920003087 methylethyl cellulose Polymers 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0446—Resources in time domain, e.g. slots or frames
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/543—Allocation or scheduling criteria for wireless resources based on quality criteria based on requested quality, e.g. QoS
-
- 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
- G06F2209/502—Proximity
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种多无人机辅助工业场景下的动态资源分配方法及装置，包括：以地面设备以及无人机的队列时延阈值偏差概率为约束条件构建资源分配模型；利用李雅普诺夫随机优化方法对所述资源分配模型进行变形；利用广义边界分解方法对变形后的资源分配模型进行求解，得到多无人机的资源分配方案。用以解决现有技术中在资源分配时仅考虑平均延迟、动态队列的稳定性等平均指标，不能满足关键应用的高可靠低时延场景需求的缺陷，实现在最小化地面设备的发射功率之和的基础上，达到多时隙条件下的数据稳定传输和计算。
Description
技术领域
本发明涉及工业互联网场景下的动态资源分配技术领域，尤其涉及一种多无人机辅助工业场景下的动态资源分配方法及装置。
背景技术
高可靠低时延场景(ultra-reliable low-latency communications,URLLC)作为5G的三大场景之一，将在未来5G和6G的起着举足轻重的作用。随着智能制造的步伐加快以及工业场景下大数据需求的驱动，工业互联网场景下的数据量呈现出猛增的趋势。然而，目前数据量激增与计算资源短缺之间的矛盾影响着用户的性能，对于一些密集型应用场景，例如用于分析工业大数据的物联网设备，其有限的电池功耗不足以支撑巨大的计算量。同时，在URLLC场景下保证物联网设备通信的可靠性和低时延成为工业物联网通信的重要挑战之一，亟需采用现有通信技术对其处理能力和通信资源进行合理的分配，以保证工业通信的可靠性与高效性。
无人机辅助的移动边缘计算(mobile edge computing，MEC)技术在无线通信领域方兴未艾。由于使用无人机仅需要消耗较低的人力物力，且易于部署，因而在应急、监控和传感等各种场景中发挥着重要作用。考虑到工业互联网环境下部署地面基站的成本和复杂性，使用无人机作为空中基站可以同时兼顾灵活性和低成本的双重优势。同时，由于密集型物联网设备会产生巨大的数据量，在设备上进行计算会消耗大量能量，不利于电池的持久供应。因此，在无人机上部署移动边缘计算服务器，可以将计算过程卸载到无人机上进行，从而提高计算效率，延长地面设备电池的使用寿命。
除此之外，当前对于MEC的通信系统的设计大多考虑平均指标，例如很多系统关注平均延迟或动态队列的稳定性，但这些平均的指标不能够满足关键应用的URLLC需求。对于工业场景下的关键应用，考虑非平均统计量，如队列超出阈值的极端事件或系统的边界违反概率等，更有利于向用户提供更好的服务。同时，由于一些业务内容的特殊性，其生成的大数据包与经典的URLLC有限块长传输不同，需要用满足大数据包传输速率的概率和统计约束来满足其高可靠和低时延的需求。因此，面对数据量激增，适用场景普适性的要求，极端条件下达到系统性能稳定的URLLC通信是目前工业界面临的一大挑战。
发明内容
本发明提供一种多无人机辅助工业场景下的动态资源分配方法及装置，用以解决现有技术中在资源分配时仅考虑平均延迟、动态队列的稳定性等平均指标，不能满足关键应用的高可靠低时延场景需求的缺陷，实现在最小化地面设备的发射功率之和的基础上，达到多时隙条件下的数据稳定传输和计算。
本发明提供一种多无人机辅助工业场景下的动态资源分配方法，包括：
以地面设备以及无人机的队列时延阈值偏差概率为约束条件构建资源分配模型；
利用李雅普诺夫随机优化方法对所述资源分配模型进行变形；
利用广义边界分解方法对变形后的资源分配模型进行求解，得到多无人机的资源分配方案。
根据本发明提供的一种多无人机辅助工业场景下的动态资源分配方法，所述以地面设备以及无人机的队列时延阈值偏差概率为约束条件构建资源分配模型，还包括：
将所述地面设备和无人机间的关联变量、无人机的带宽分配变量，以及地面设备的发射功率变量作为优化变量构建所述资源分配模型；
其中，所述关联变量代表每个地面设备和各个无人机间的连接关系值。
根据本发明提供的一种多无人机辅助工业场景下的动态资源分配方法，所述利用广义边界分解方法对变形后的资源分配模型进行求解，得到多无人机的资源分配方案，具体包括：
将所述关联变量作为整数变量，与作为连续变量的所述带宽分配变量和发射功率变量分离，并通过为所述整数变量和连续变量分别赋予固定值构建原始问题和主问题，通过求解所述原始问题和主问题，得到所述整数变量和连续变量的优化解；
将所述优化解对应的关联变量、带宽分配变量，以及发射功率变量值作为多无人机的资源分配方案。
根据本发明提供的一种多无人机辅助工业场景下的动态资源分配方法，所述构建原始问题和主问题，并通过求解所述原始问题和主问题，得到所述整数变量和连续变量的优化解，具体包括：
为所述关联变量赋予在可行域内的固定值，以由变形后的资源分配模型得到所述原始问题；
对所述原始问题进行求解，得到所述带宽分配变量和发射功率变量的优化解；
针对为所述关联变量赋予的各个固定值对所述原始问题的可行性进行检查，并在所述原始问题可行时，将由所述原始问题得到的切割范围作为所述主问题的约束条件；在所述原始问题不可行时，通过引入约束违反程度变量将所述原始问题转化为可行性问题；
对所述可行性问题进行求解，得到所述带宽分配变量和发射功率变量的可行性值；
将所述带宽分配变量和发射功率变量的优化值和可行性值加入所述主问题的约束条件中，以由变形后的资源分配模型得到所述主问题；
对所述主问题进行求解，得到所述关联变量的优化值。
本发明还提供一种多无人机辅助的工业场景下的动态资源分配装置，包括：
构建模块，用于以地面设备以及无人机的队列时延阈值偏差概率为约束条件构建资源分配模型；
计算模块，用于利用李雅普诺夫随机优化方法对所述资源分配模型进行变形；
处理模块，用于利用广义边界分解方法对变形后的资源分配模型进行求解，得到多无人机的资源分配方案。
根据本发明提供的一种多无人机辅助工业场景下的动态资源分配装置，所述构建模块还用于将所述地面设备和无人机间的关联变量、无人机的带宽分配变量，以及地面设备的发射功率变量作为优化变量构建所述资源分配模型。
根据本发明提供的一种多无人机辅助工业场景下的动态资源分配装置，所述处理模块还包括问题生成模块和求解模块；
所述问题生成模块用于将所述关联变量作为整数变量，与作为连续变量的所述带宽分配变量和发射功率变量分离，并通过为所述整数变量和连续变量分别赋予固定值构建原始问题和主问题；
所述求解模块用于求解所述原始问题和主问题，以得到所述整数变量和连续变量的优化解。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述多无人机辅助的工业场景下的动态资源分配方法的步骤。
本发明还提供一种非暂态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如上述任一种所述多无人机辅助的工业场景下的动态资源分配方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述多无人机辅助的工业场景下的动态资源分配方法的步骤。
本发明提供的一种多无人机辅助工业场景下的动态资源分配方法及装置，通过将代表队列超出阈值的极端事件的概率的地面设备以及无人机的队列时延阈值偏差概率作为约束条件构建资源分配模型，较之限定平均时延或队列平均稳定性指标的资源分配，更利于向用户提供更好的服务，使得地面设备与无人机间数据传输具有低时延，高可靠性，然后利用李雅普诺夫随机优化方法对所述资源分配模型进行变形，达到在多时隙条件下数据的稳定传输，最后利用广义边界分解方法对变形后的资源分配模型进行求解，从而得到优化后的多无人机的资源分配方案。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明提供的一种多无人机辅助工业场景下的动态资源分配方法的流程示意图之一；
图2是本发明提供的一种多无人机辅助工业场景下的动态资源分配方法的流程示意图之二；
图3是本发明提供的利用广义边界分解方法对变形后的资源分配模型进行求解，得到多无人机的资源分配方案的流程示意图；
图4是本发明提供的一种多无人机辅助工业场景下的动态资源分配装置的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
下面结合图1-图3描述本发明的一种多无人机辅助工业场景下的动态资源分配方法，该方法包括以下步骤：
101、以地面设备以及无人机的队列时延阈值偏差概率为约束条件构建资源分配模型；
102、利用李雅普诺夫随机优化方法对所述资源分配模型进行变形；
103、利用广义边界分解方法对变形后的资源分配模型进行求解，得到多无人机的资源分配方案。
具体地，在工业物联网场景下，本发明建立了一个多无人机辅助的通信系统模型。该系统模型是由M个无人机和K个地面设备组成，无人机的位置为qm(t)＝(xm(t),ym(t),H)T，无人机的飞行轨迹固定，在T个的时隙中运动，每个时隙的长度为τ。地面物联网设备的位置为wk＝(xk,yk)T，其生成数据包并通过无线信道传输到无人机。在每个地面设备处存在一个缓存队列，设备产生数据量后，通过无线信道向无人机传输数据。无人机处有多个缓存队列，可对每个地面节点的数据量进行单独缓存。数据包到达无人机时，在无人机处进行缓存，排队进行数据量的计算。
通过将代表队列超出阈值的极端事件的概率的地面设备以及无人机的队列时延阈值偏差概率作为约束条件构建资源分配模型，较之限定平均时延或队列平均稳定性指标的资源分配，更利于向用户提供更好的服务，使得地面设备与无人机间数据传输具有低时延，高可靠性，然后利用李雅普诺夫随机优化方法对所述资源分配模型进行变形，达到在多时隙条件下数据的稳定传输，最后利用广义边界分解方法对变形后的资源分配模型进行求解，从而得到优化后的多无人机的资源分配方案。
进一步地，如图2所示，在一个实施例中，所述以地面设备以及无人机的队列时延阈值偏差概率为约束条件构建资源分配模型，还包括：
将所述地面设备和无人机间的关联变量、无人机的带宽分配变量，以及地面设备的发射功率变量作为优化变量构建所述资源分配模型；
其中，所述关联变量代表每个地面设备和各个无人机间的连接关系值。
具体地，本发明的多无人机辅助工业场景下的动态资源分配方法，具体包括以下步骤：
201、以地面设备以及无人机的队列时延阈值偏差概率为约束条件，将所述地面设备和无人机间的关联变量、无人机的带宽分配变量，以及地面设备的发射功率变量作为优化变量构建资源分配模型；
202、利用李雅普诺夫随机优化方法对所述资源分配模型进行变形；
203、利用广义边界分解方法对变形后的资源分配模型进行求解，得到多无人机的资源分配方案。
可以理解的是，地面设备和无人机间的关联变量能够直接反应地面设备和某个无人机间的数据传输关系，关联次数越多表示该地面设备与无人机间的数据传输越频繁；为无人机分配的带宽越大，地面设备对无人机的数据传输效率越高，而地面设备发射功率之和越小，地面设备的耗能越小，设备电池的可持续供电时间越长，同时，在地面设备向无人机发送数据时，必然要保证发送功率小于该地面设备的最大发射功率。因而，通过以地面设备以及无人机的队列时延阈值偏差概率为约束条件，将所述地面设备和无人机间的关联变量、无人机的带宽分配变量，以及地面设备的发射功率变量作为优化变量构建资源分配模型，然后结合能够使队列保持稳定的李雅普诺夫优化方法对该资源分配模型进行变形，最后利用具有将复杂问题进行分解后求解的广义边界分解方法对变形后的资源分配模型进行计算，能够在简化计算过程的基础上，高效的得到保持多时隙下稳定的优化的资源分配方案。
下面详述所述资源分配模型的构建思路：
在上述建立的通信系统模型中，从地面设备k到无人机的信道增益hmk(t)可表示为：
其中，为无人机与地面设备间的距离，g0为dt＝1时的信道增益，||·||为欧几里得范数，定义通信链路的信噪比γ为：
其中，P(t)为地面设备的发射功率，N0为单边噪声谱密度，B(t)为分配给每个无人机空对地信道的带宽。根据香农公式，无人机和地面设备之间的数据传输速率可以被写为：
其中，为了满足可靠性和延迟约束，系统需要保持其数据的传输速率大于设定的阈值Rth，即：
设αm,k,为设备的关联变量，假设每个无人机每个时隙最多只能接入一个地面设备，每个地面设备在每个时隙也最多只可以与一个无人机相连，则设备关联变量的约束可以表示为：
αm,k(t)∈{0,1} 公式7；
无人机上通过安装的MEC服务器对数据进行计算，fMEC表示无人机在时隙t处的CPU周期频率，L表示处理1比特计算量所需CPU周期数。因此，MEC服务器在时隙t可以处理的总计算比特数为：
假设每个地面设备在时间段τ内产生的数据量为W，则每个地面设备传输的排队模型可以设为：
在这里，假设每个无人机上的MEC服务器在每个时隙最多只处理一个地面设备的卸载任务，而每个无人机上有一个CPU处理核，以让无人机提供更快的计算能力，为了保证计算能力和计算效率，每当一个地面设备的任务到达时，该处理核优先处理到达的地面设备的数据量，因此，对于无人机上对应的每个地面设备的缓存区进行计算时的队列长度可以表示为Umk(t)(bit)：
根据3GPP定义，将可靠性ψ(t)定义为端到端瞬时分组的延迟超过预定延迟阈值Dmax的概率。可以理解的是，对于需要卸载到MEC服务器上的计算任务，端延迟包括终端排队延迟、无线传输延迟、MEC服务器排队延迟以及计算处理延迟。由于每个地面设备的无线传输延迟为定值，则需要主要研究地面设备排队时延超出预定时延的概率ψk，以及无人机处排队时延超出预定时延ψmk的概率。
根据利特尔定律，平均排队延迟与平均排队长度成正比。则地面设备上的平均排队延迟可以表示为平均队列长度Qk(t)与设备产生数据量W/τ之比，即：
其中，dk是地面设备的预定排队时延，W/τ是在τ的时间长度内地面设备产生数据包的平均速率，ψk＜＜1为地面设备超过时延的最大违背概率阈值。对于无人机处的队列表示，每一个无人机上对应的平均队列长度Umk(t)与平均传输速率的比率与此队列的平均排队延迟dmk成正比，可以表示为：
其中，dmk是无人机上计算队列的预定排队延迟, 是无人机在T个时隙内的平均传输速率，ψmk＜＜1为无人机上的计算队列超过预定时延的最高违背概率阈值。
极值定理是描述随机变量阈值违逆的定理，其可以将超出随机值的条件近似为广义帕累托分布。所以采用极值定理来研究Qk(t)＞Wdk/τ和两个事件的超额队列值的尾部分布。根据定理，超出队列长度的概率分布可以用广义帕累托分布来近似表示，广义帕累托分布的均值和方差分别为σ/1-ξ和σ2/(1-ξ)2(1-2ξ)。因此，将每个地面设备在时隙长度t的条件超额队列值定义为/> 类似地，表示无人机处计算队列的超额值定义为 因此，在无人机m∈M和地面设备k∈K之间产生的超额值的均值和二阶矩约束如下:
其中，
其中，
通过上述得到的关联变量、无人机带宽、地面设备的功率，以及无人机与地面设备间的队列时延阈值偏差概率，就能够构建如下所示的资源分配模型：
αm,k(t)∈{0,1} 公式7；
其中，
可以理解的是，由于模型中存在多个队列，为了使队列达到稳定性，采用李雅普诺夫优化方法将公式19所表示的约束利用数学原理转化为虚拟队列虚拟队列随时间变化过程如下：
其中，为指示函数，/>为流入流量，为流出流量，通过证明过程，证明引入的虚拟队列随时间的变化稳定。同理，对于公式20、22和23所表示的约束分别引入如下的虚拟队列：
此外，对公式18和21所代表的约束进行推导，可以等价写为：
设定将公式31和32的两边同时乘上无人机在每个时隙长度内产生的数据量/>可得：
类似地，公式33和34的虚拟队列可以表示为：
为了解决多个队列形成的通信问题，设
则李雅普诺夫优化方法的漂移加惩罚项为：
其中，则李雅普诺夫优化方法的李雅普诺夫函数为：
利用不等式(max(x,0))2≤x2，将各个公式代入，可得：
其中，参数V表示地面设备的发射功率与队列长度参数之前的权衡。
则问题P1可以写为：
αmk(t)∈{0,1} 公式7；
问题P1被转化为问题P2：
αm,k(t)∈{0,1} 公式7；
其中，/>
广义边界分解(GBD)方法用于解决混合整数规划问题，它可以解耦不同性质的变量，并可以将复杂问题分解成原始问题和主问题进行迭代求解。所以，在本发明的另一个实施例中，利用广义边界分解方法对变形后的资源分配模型进行求解，得到多无人机的资源分配方案，该方法具体包括：
将所述关联变量作为整数变量，与作为连续变量的所述带宽分配变量和发射功率变量分离，并通过为所述整数变量和连续变量分别赋予固定值构建原始问题和主问题，通过求解所述原始问题和主问题，得到所述整数变量和连续变量的优化解；
将所述优化解对应的关联变量、带宽分配变量，以及发射功率变量值作为多无人机的资源分配方案。
具体地，在问题P2中，αm,k(t)为整数二值变量，而Pk(t)和Bm(t)为连续变量，通过将整数变量与连续变量分离，建立原始问题和主问题，两者迭代就能找到问题的优化解。
进一步地，在本发明的另一个实施例中，具体阐述了采用GBD对变形后的资源分配模型的计算过程，包括：
为所述关联变量赋予在可行域内的固定值，以由变形后的资源分配模型得到所述原始问题；
对所述原始问题进行求解，得到所述带宽分配变量和发射功率变量的优化值；
针对为所述关联变量赋予的各个固定值对所述原始问题的可行性进行检查，并在所述原始问题可行时，将由所述原始问题得到的切割范围作为所述主问题的约束条件；在所述原始问题不可行时，通过引入约束违反程度变量将所述原始问题转化为可行性问题；
对所述可行性问题进行求解，得到所述带宽分配变量和发射功率变量的可行性值；
将所述带宽分配变量和发射功率变量的优化值和可行性值加入所述主问题的约束条件中，以由变形后的资源分配模型得到所述主问题；
对所述主问题进行求解，得到所述关联变量的优化值。
具体地，该计算过程的详细流程包括：
设定GBD的循环次数为v，将整数变量αm,k(t)赋值为可行域内的值假设上界Ubound(1)的初值为正无穷大，下界Lbound(1)的初值为负无穷大。对整数变量取初值v是每个时隙内算法的迭代次数，固定整数变量求解其余连续变量Pk(t)和Bm(t)。因此，原始问题可以表示为问题P3：
/>
0≤Bm(t)≤Bmax 公式46；
P3可以分解为两步优化问题，以变量Pk(t)和Bm(t)作为变量建立的优化问题和以带有拉格朗日乘子ηmk,的公式建立的最大化问题。带有变量的拉格朗日对偶函数可以表示为：
则内层问题可以写为P3.1：
外层对偶问题可以写为P3.2：
在P3.1中，对于确定的最小化问题可以表示为：
即：
在P3.2中，使用P3.1中得到的优化解和/>作为定值，则外层最大化对偶问题表示为：
由于对于ηmk是可微的，可以用梯度法求解乘子/>的更新方式为：/>
其中，是对偶问题迭代的步长，当两次迭代次数的差值小于设定的阈值时，迭代结束，即|χ(u+1)-χ(u)|≤δ，δ为阈值。因此，原始问题的优化解可以通过问题P3.1和P3.2得到。对于GBD外循环的第v次迭代，可以得到/> 和/>
可以理解的是，在原始问题中并不是所有二值变量都可以使原始问题可解，如果原始问题可行，则可以对最优切割的范围进行划分，并将此切割的范围作为主问题的约束，则主问题的优化性约束为：
其中，
如果原始问题不可行的，则定义一组μmk∈Λ，其中，其应该满足：
引入smk代表约束的违反程度，则可以建立可行性问题P4：
通过求解P4，可以得到则可行性约束可以表示为：/>
通过原始问题，取得了连续变量在固定二值变量的优化值，在主问题中利用原始问题中得到的固定值求解整数变量。同时，通过将上述原始问题和可行性问题得到的最优切割和可行性切割加入到主问题的约束中，则主问题可表示为P5：
αmk(t)∈{0,1} 公式7；
其中，Ω代表原始问题可行时进行的迭代次数的集合，Φ代表可行性问题求解后进行的迭代次数的集合，在单个时隙内，GBD算法总的迭代次数为问题P5是一个混合整数规划问题，可以采用matlab的mosek求解器进行求解。
另外，GBD算法停止的条件是上下界的差值收敛，即两者差值的绝对值接近于非常小的设定阈值，在应用GBD算法进行变形后的资源分配模型的计算时，对于上界在第v次迭代中，上界定义为：
Ubound(t)＝min(Ubound(t-1),pri(t)) 公式64；
其中，pri(t)为第t个时隙求解原始问题的目标函数的优化值。
下界定义为：
Lbound(t)＝max(Lbound(t-1),θ(t)) 公式65；
其中，θ(t)为求解主问题后目标函数的优化值，当|Ubound(t)-Lbound(t)|<ε时算法停止迭代，ε为算法收敛阈值。
因而，在应用GBD算法进行资源分配方案的求解的具体流程如图3所示，具体包括：
301、开始计算；
302、判断t时刻的上下界的差值是否小于设定阈值；是，则进行303；否，则跳转至304；
303、得到t时刻的优化解；
304、初始化原始问题P3，确定关联变量初值，违逆概率，预定时延等参数；
305、求解原始问题P3；
306、检验原始问题P3是否可行；是，则进行307；否，则跳转至308；
307、更新上界，并切割最优性区域后，跳转至309；
308、求解可行性问题P4，并切割可行性区域；
309、求解主问题P5，并运行310和311；
310、更新下界，返回302；
311、判断t时刻是否包含在初始设定的T0个时隙内；是，则运行312；否，则跳转至313；
312、将t设定为t+1时刻后，返回302；
313、结束计算。
下面结合图4对本发明提供的一种多无人机辅助的工业场景下的动态资源分配装置进行描述，下文描述的一种多无人机辅助的工业场景下的动态资源分配装置与上文描述的一种多无人机辅助工业场景下的动态资源分配方法可相互对应参照。
如图4所示，本发明提供的一种多无人机辅助的工业场景下的动态资源分配装置包括构建模块410、计算模块420和处理模块430；其中，
构建模块410用于以地面设备以及无人机的队列时延阈值偏差概率为约束条件构建资源分配模型；
计算模块420用于利用李雅普诺夫随机优化方法对所述资源分配模型进行变形；
处理模块430用于利用广义边界分解方法对变形后的资源分配模型进行求解，得到多无人机的资源分配方案。
具体地，通过将代表队列超出阈值的极端事件的概率的地面设备以及无人机的队列时延阈值偏差概率作为约束条件构建资源分配模型，较之限定平均时延或队列平均稳定性指标的资源分配，更利于向用户提供更好的服务，使得地面设备与无人机间数据传输具有低时延，高可靠性，然后利用李雅普诺夫随机优化方法对所述资源分配模型进行变形，达到在多时隙条件下数据的稳定传输，最后利用广义边界分解方法对变形后的资源分配模型进行求解，从而得到优化后的多无人机的资源分配方案。
在一个实施例中，所述构建模块还用于将所述地面设备和无人机间的关联变量、无人机的带宽分配变量，以及地面设备的发射功率变量作为优化变量构建所述资源分配模型。
可以理解的是，地面设备和无人机间的关联变量能够直接反应地面设备和某个无人机间的数据传输关系，关联次数越多表示该地面设备与无人机间的数据传输越频繁；为无人机分配的带宽越大，地面设备对无人机的数据传输效率越高，而地面设备发射功率之和越小，地面设备的耗能越小，设备电池的可持续供电时间越长，同时，在地面设备向无人机发送数据时，必然要保证发送功率小于该地面设备的最大发射功率。因而，通过以地面设备以及无人机的队列时延阈值偏差概率为约束条件，将所述地面设备和无人机间的关联变量、无人机的带宽分配变量，以及地面设备的发射功率变量作为优化变量构建资源分配模型，然后结合能够使队列保持稳定的李雅普诺夫优化方法对该资源分配模型进行变形，最后利用具有将复杂问题进行分解后求解的广义边界分解方法对变形后的资源分配模型进行计算，能够在简化计算过程的基础上，高效的得到保持多时隙下稳定的优化的资源分配方案。
在本发明的另一个实施例中，所述处理模块还包括问题生成模块和求解模块；
所述问题生成模块用于将所述关联变量作为整数变量，与作为连续变量的所述带宽分配变量和发射功率变量分离，并通过为所述整数变量和连续变量分别赋予固定值构建原始问题和主问题；
所述求解模块用于求解所述原始问题和主问题，以得到所述整数变量和连续变量的优化解。
具体地，通过问题生成模块将整数变量与连续变量分离，建立原始问题和主问题，然后通过求解模块对两者迭代就能找到问题的优化解。
更具体地，问题生成模块先为所述关联变量赋予在可行域内的固定值，以由变形后的资源分配模型得到所述原始问题，而后通过求解模块对所述原始问题进行求解，得到所述带宽分配变量和发射功率变量的优化值；然后问题生成模块针对为所述关联变量赋予的各个固定值对所述原始问题的可行性进行检查，并在所述原始问题可行时，将由所述原始问题得到的切割范围作为所述主问题的约束条件；在所述原始问题不可行时，通过引入约束违反程度变量对问题进行可行性切割，求解模块再对可行性问题进行求解，得到所述带宽分配变量和发射功率变量的可行性值；问题生成模块再将所述带宽分配变量和发射功率变量的最优切割和可行性切割加入所述主问题的约束条件中，由变形后的资源分配模型得到所述主问题；最后，求解模块对所述主问题进行求解，得到所述关联变量的优化值。
本发明实施例提供的多无人机辅助的工业场景下的动态资源分配装置用于签署各实施例的多无人机辅助的工业场景下的动态资源分配方法。该动态资源分配装置包括的各模块实现相应功能的具体方法和流程详见上述多无人机辅助的工业场景下的动态资源分配方法的实施例，此处不再赘述。
本发明的动态资源分配装置用于前述各实施例的动态资源分配方法。因此，在前述各实施例中的多无人机辅助的工业场景下的动态资源分配方法中的描述和定义，可以用于本发明实施例中各执行模块的理解。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行多无人机辅助的工业场景下的动态资源分配方法，该方法包括：
101、以地面设备以及无人机的队列时延阈值偏差概率为约束条件构建资源分配模型；
102、利用李雅普诺夫随机优化方法对所述资源分配模型进行变形；
103、利用广义边界分解方法对变形后的资源分配模型进行求解，得到多无人机的资源分配方案。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的多无人机辅助的工业场景下的动态资源分配方法，该方法包括：
101、以地面设备以及无人机的队列时延阈值偏差概率为约束条件构建资源分配模型；
102、利用李雅普诺夫随机优化方法对所述资源分配模型进行变形；
103、利用广义边界分解方法对变形后的资源分配模型进行求解，得到多无人机的资源分配方案。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的多无人机辅助的工业场景下的动态资源分配方法，该方法包括：
101、以地面设备以及无人机的队列时延阈值偏差概率为约束条件构建资源分配模型；
102、利用李雅普诺夫随机优化方法对所述资源分配模型进行变形；
103、利用广义边界分解方法对变形后的资源分配模型进行求解，得到多无人机的资源分配方案。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种多无人机辅助工业场景下的动态资源分配方法，其特征在于，包括：
以地面设备以及无人机的队列时延阈值偏差概率为约束条件构建资源分配模型，所述队列时延阈值偏差概率代表队列超出阈值的极端事件的概率；
利用李雅普诺夫随机优化方法对所述资源分配模型进行变形；
利用广义边界分解方法对变形后的资源分配模型进行求解，得到多无人机的资源分配方案；
其中，所述以地面设备以及无人机的队列时延阈值偏差概率为约束条件构建资源分配模型，还包括：将所述地面设备和无人机间的关联变量、无人机的带宽分配变量，以及地面设备的发射功率变量作为优化变量构建所述资源分配模型，所述关联变量代表每个地面设备和各个无人机间的连接关系值；
所述利用广义边界分解方法对变形后的资源分配模型进行求解，得到多无人机的资源分配方案，具体包括：将所述关联变量作为整数变量，与作为连续变量的所述带宽分配变量和发射功率变量分离，并通过为所述整数变量和连续变量分别赋予固定值构建原始问题和主问题，通过求解所述原始问题和主问题，得到所述整数变量和连续变量的优化解；将所述优化解对应的关联变量、带宽分配变量，以及发射功率变量值作为多无人机的资源分配方案。
2.根据权利要求1所述的多无人机辅助的工业场景下的动态资源分配方法，其特征在于，所述构建原始问题和主问题，并通过求解所述原始问题和主问题，得到所述整数变量和连续变量的优化解，具体包括：
为所述关联变量赋予在可行域内的固定值，以由变形后的资源分配模型得到所述原始问题；
对所述原始问题进行求解，得到所述带宽分配变量和发射功率变量的优化值；
针对为所述关联变量赋予的各个固定值对所述原始问题的可行性进行检查，并在所述原始问题可行时，将由所述原始问题得到的切割范围作为所述主问题的约束条件；在所述原始问题不可行时，通过引入约束违反程度变量将所述原始问题转化为可行性问题；
对所述可行性问题进行求解，得到所述带宽分配变量和发射功率变量的可行性值；
将所述带宽分配变量和发射功率变量的优化值和可行性值加入所述主问题的约束条件中，以由变形后的资源分配模型得到所述主问题；
对所述主问题进行求解，得到所述关联变量的优化值。
3.一种多无人机辅助的工业场景下的动态资源分配装置，其特征在于，包括：
构建模块，用于以地面设备以及无人机的队列时延阈值偏差概率为约束条件构建资源分配模型，所述队列时延阈值偏差概率代表队列超出阈值的极端事件的概率；
计算模块，用于利用李雅普诺夫随机优化方法对所述资源分配模型进行变形；
处理模块，用于利用广义边界分解方法对变形后的资源分配模型进行求解，得到多无人机的资源分配方案；
其中，所述构建模块还用于将所述地面设备和无人机间的关联变量、无人机的带宽分配变量，以及地面设备的发射功率变量作为优化变量构建所述资源分配模型，所述关联变量代表每个地面设备和各个无人机间的连接关系值；
所述处理模块还包括问题生成模块和求解模块；
所述问题生成模块用于将所述关联变量作为整数变量，与作为连续变量的所述带宽分配变量和发射功率变量分离，并通过为所述整数变量和连续变量分别赋予固定值构建原始问题和主问题；
所述求解模块用于求解所述原始问题和主问题，以得到所述整数变量和连续变量的优化解，将所述优化解对应的关联变量、带宽分配变量，以及发射功率变量值作为多无人机的资源分配方案。
4.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1或2所述多无人机辅助的工业场景下的动态资源分配方法的步骤。
5.一种非暂态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如权利要求1或2所述多无人机辅助的工业场景下的动态资源分配方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111007407.3A CN113709883B (zh) | 2021-08-30 | 2021-08-30 | 一种多无人机辅助工业场景下的动态资源分配方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111007407.3A CN113709883B (zh) | 2021-08-30 | 2021-08-30 | 一种多无人机辅助工业场景下的动态资源分配方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113709883A CN113709883A (zh) | 2021-11-26 |
| CN113709883B true CN113709883B (zh) | 2023-12-05 |
Family
ID=78657082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111007407.3A Active CN113709883B (zh) | 2021-08-30 | 2021-08-30 | 一种多无人机辅助工业场景下的动态资源分配方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113709883B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114080014B (zh) * | 2022-01-19 | 2022-05-24 | 珠海大横琴科技发展有限公司 | 一种基于功率控制的通信方法及装置、服务器和存储介质 |
| CN114520768B (zh) * | 2022-03-11 | 2023-05-30 | 南京信息工程大学 | 一种用于工业物联网中随机任务的ai卸载优化方法 |
| CN115134370B (zh) * | 2022-06-23 | 2023-06-02 | 广东工业大学 | 一种多无人机辅助的移动边缘计算卸载方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110062359A (zh) * | 2019-04-02 | 2019-07-26 | 重庆邮电大学 | Mtc中基于noma短编码块传输的高可靠低迟延无线资源分配优化方法 |
| CN110488868A (zh) * | 2019-08-30 | 2019-11-22 | 哈尔滨工程大学 | 一种多无人机协助用户的移动卸载方法 |
| CN110557287A (zh) * | 2019-09-10 | 2019-12-10 | 北京邮电大学 | 一种基于李雅普诺夫优化的资源分配方法及装置 |
| CN111278132A (zh) * | 2020-01-19 | 2020-06-12 | 重庆邮电大学 | 移动边缘计算中面向低时延高可靠业务的资源分配方法 |
| CN111552313A (zh) * | 2020-04-29 | 2020-08-18 | 南京理工大学 | 基于边缘计算动态任务到达的多无人机路径规划方法 |
| WO2020216135A1 (zh) * | 2019-04-25 | 2020-10-29 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
| CN112911618A (zh) * | 2021-01-29 | 2021-06-04 | 重庆邮电大学 | 一种基于资源退出场景的无人机服务器任务卸载调度方法 |
| WO2021120425A1 (zh) * | 2019-12-17 | 2021-06-24 | 北京航空航天大学 | 一种毫米波全双工无人机通信中继传输方法 |
| CN113115459A (zh) * | 2021-04-15 | 2021-07-13 | 华北电力大学 | 一种面向电力物联网海量终端的多尺度多维资源分配方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7889651B2 (en) * | 2007-06-06 | 2011-02-15 | International Business Machines Corporation | Distributed joint admission control and dynamic resource allocation in stream processing networks |
| TWI698111B (zh) * | 2018-11-21 | 2020-07-01 | 國立交通大學 | 功能分割無線前端通訊下品質體驗導向的跨層資料存取控制與波束分配之通訊系統 |
-
2021
- 2021-08-30 CN CN202111007407.3A patent/CN113709883B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110062359A (zh) * | 2019-04-02 | 2019-07-26 | 重庆邮电大学 | Mtc中基于noma短编码块传输的高可靠低迟延无线资源分配优化方法 |
| WO2020216135A1 (zh) * | 2019-04-25 | 2020-10-29 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
| CN110488868A (zh) * | 2019-08-30 | 2019-11-22 | 哈尔滨工程大学 | 一种多无人机协助用户的移动卸载方法 |
| CN110557287A (zh) * | 2019-09-10 | 2019-12-10 | 北京邮电大学 | 一种基于李雅普诺夫优化的资源分配方法及装置 |
| WO2021120425A1 (zh) * | 2019-12-17 | 2021-06-24 | 北京航空航天大学 | 一种毫米波全双工无人机通信中继传输方法 |
| CN111278132A (zh) * | 2020-01-19 | 2020-06-12 | 重庆邮电大学 | 移动边缘计算中面向低时延高可靠业务的资源分配方法 |
| CN111552313A (zh) * | 2020-04-29 | 2020-08-18 | 南京理工大学 | 基于边缘计算动态任务到达的多无人机路径规划方法 |
| CN112911618A (zh) * | 2021-01-29 | 2021-06-04 | 重庆邮电大学 | 一种基于资源退出场景的无人机服务器任务卸载调度方法 |
| CN113115459A (zh) * | 2021-04-15 | 2021-07-13 | 华北电力大学 | 一种面向电力物联网海量终端的多尺度多维资源分配方法 |
Non-Patent Citations (3)
| Title |
|---|
| RESOURCE ALLOCATION FOR MULTIUSER VIDEO STREAMING IN UAV RELAY NETWORKS;Hangjing Zhang等;2019 11th International Conference on Wireless Communications and Signal Processing (WCSP);全文 * |
| URLLC-Oriented Joint Power Control and Resource Allocation in UAV-Assisted Networks;Kanghua Chen等;IEEE Internet of Things Journal;第8卷(第12期);全文 * |
| 基于能效的NOMA蜂窝车联网动态资源分配算法;唐伦;肖娇;赵国繁;杨友超;陈前斌;;电子与信息学报(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113709883A (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113709883B (zh) | 一种多无人机辅助工业场景下的动态资源分配方法及装置 | |
| Dai et al. | Joint load balancing and offloading in vehicular edge computing and networks | |
| Sun et al. | Joint offloading and computation energy efficiency maximization in a mobile edge computing system | |
| Mao et al. | Energy efficiency and delay tradeoff for wireless powered mobile-edge computing systems with multi-access schemes | |
| Feng et al. | Collaborative data caching and computation offloading for multi-service mobile edge computing | |
| CN109167787B (zh) | 一种移动边缘计算网络中安全计算卸载的资源优化方法 | |
| CN109068391B (zh) | 基于边缘计算和Actor-Critic算法的车联网通信优化算法 | |
| CN112822234B (zh) | 一种车联网中基于深度强化学习的任务卸载方法 | |
| Kasgari et al. | Model-free ultra reliable low latency communication (URLLC): A deep reinforcement learning framework | |
| CN112737842B (zh) | 空地一体化车联网中基于最小化时延的任务安全卸载方法 | |
| CN110753319B (zh) | 异构车联网中面向异质业务的分布式资源分配方法及系统 | |
| Wang et al. | A high reliable computing offloading strategy using deep reinforcement learning for iovs in edge computing | |
| Nguyen et al. | DRL‐based intelligent resource allocation for diverse QoS in 5G and toward 6G vehicular networks: a comprehensive survey | |
| Saravanan et al. | Design of deep learning model for radio resource allocation in 5G for massive iot device | |
| Wei et al. | Optimal offloading in fog computing systems with non-orthogonal multiple access | |
| Xu et al. | Stochastic adaptive event‐triggered control and network scheduling protocol co‐design for distributed networked systems | |
| Naghsh et al. | Digitally annealed solution for the maximum clique problem with critical application in cellular v2x | |
| Feng et al. | Age of information in UAV aided wireless sensor networks relying on blockchain | |
| Li et al. | Computation offloading strategy for improved particle swarm optimization in mobile edge computing | |
| Li et al. | A trade-off task-offloading scheme in multi-user multi-task mobile edge computing | |
| Wang et al. | Secure and reliable computation offloading in blockchain-assisted cyber-physical IoT systems | |
| Cui et al. | Distributed task migration optimization in mec by deep reinforcement learning strategy | |
| Zhao et al. | DRL Connects Lyapunov in Delay and Stability Optimization for Offloading Proactive Sensing Tasks of RSUs | |
| Zhang et al. | On-device intelligence for 5g ran: Knowledge transfer and federated learning enabled ue-centric traffic steering | |
| Khoshnevisan et al. | Adaptive rate‐based congestion control with weighted fairness through multi‐loop gradient projection internal model controller |
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 |