CN113825145B - 一种面向用户体验的无人机系统服务方法及系统 - Google Patents

Abstract

本发明涉及一种面向用户体验的无人机系统服务方法及系统，包括：获取用户设备信息和无人机信息并对无人机轨迹和服务分配时间进行初始化；根据所述用户设备信息和所述无人机信息构建优化问题模型；对所述优化问题模型进行重组和拆分，确定第一子问题和第二子问题；根据经初始化后的无人机轨迹对所述第一子问题进行求解，确定无人机轨迹和CPU频率；对所述第二子问题进行求解，确定无人机服务策略；根据所述无人机轨迹、所述CPU频率、经初始化后的服务分配时间和所述无人机服务策略利用估计算法对所述优化问题模型的目标函数进行求解，确定最优收缩比。本发明能提高无人机辅助的效果和效率。

Description

一种面向用户体验的无人机系统服务方法及系统

技术领域

本发明涉及无人机物联网技术领域，特别是涉及一种面向用户体验的无人机系统服务方法及系统。

背景技术

目前，无人机辅助移动边缘计算在无基础设施地区的服务提供中逐渐得到重视。在无人机辅助移动边缘计算架构下，无人机通过执行多个地面用户设备卸载的任务，可以为多个用户设备提供计算和通信服务。无人机的强机动性、易于部署和成本效益，与边缘计算的低延迟和低传输，为无人机辅助移动边缘计算带来了高效率。而当下，除了系统结构的设计和实现外，任务的调度以及资源利用问题也备受关注。

为了提高无人机辅助移动边缘计算系统的效率，人们提出了不同类型的优化方法。然而，现有的优化目标通常是从服务提供的角度出发，而不是从用户设备的角度出发。仅从无人机(即服务提供商)的角度提供服务并不能保证高质量的无人机用户设备(即服务消费者)的体验。

发明内容

本发明的目的是提供一种面向用户体验的无人机系统服务方法及系统，以提高无人机辅助的效果和效率。

为实现上述目的，本发明提供了如下方案：

一种面向用户体验的无人机系统服务方法，包括：

获取用户设备信息和无人机信息并对无人机轨迹和服务分配时间进行初始化；所述用户设备信息包括各用户设备的总任务量、用户设备缓存容量和用户设备计算频率；所述无人机信息包括无人机的缓存容量和无人机计算频率；

根据所述用户设备信息和所述无人机信息构建优化问题模型；

对所述优化问题模型进行重组和拆分，确定第一子问题和第二子问题；

根据经初始化后的无人机轨迹对所述第一子问题进行求解，确定无人机轨迹和CPU频率；

对所述第二子问题进行求解，确定无人机服务策略；其中，所述无人机服务策略为无人机服务用户设备的顺序；

根据所述无人机轨迹、所述CPU频率、经初始化后的服务分配时间和所述无人机服务策略利用估计算法对所述优化问题模型的目标函数进行求解，确定最优收缩比；所述收缩比为有无人机辅助和无无人机辅助任务未完成时间比的平均值。

一种面向用户体验的无人机系统服务系统，包括：

获取模块，用于获取用户设备信息和无人机信息并对无人机轨迹和服务分配时间进行初始化；所述用户设备信息包括各用户设备的总任务量、用户设备缓存容量和用户设备计算频率；所述无人机信息包括无人机的缓存容量和无人机计算频率；

构建模块，用于根据所述用户设备信息和所述无人机信息构建优化问题模型；

重组和拆分模块，用于对所述优化问题模型进行重组和拆分，确定第一子问题和第二子问题；

第一求解模块，用于根据经初始化后的无人机轨迹对所述第一子问题进行求解，确定无人机轨迹和CPU频率；

第二求解模块，用于对所述第二子问题进行求解，确定无人机服务策略；其中，所述无人机服务策略为无人机服务用户设备的顺序；

最优收缩比确定模块，用于根据所述无人机轨迹、所述CPU频率、经初始化后的服务分配时间和所述无人机服务策略利用估计算法对所述优化问题模型的目标函数进行求解，确定最优收缩比；所述收缩比为有无人机辅助和无无人机辅助任务未完成时间比的平均值。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供的一种面向用户体验的无人机系统服务方法及系统，包括：获取用户设备信息和无人机信息并对无人机轨迹和服务分配时间进行初始化；根据所述用户设备信息和所述无人机信息构建优化问题模型；对所述优化问题模型进行重组和拆分，确定第一子问题和第二子问题；根据经初始化后的无人机轨迹对所述第一子问题进行求解，确定无人机轨迹和CPU频率；对所述第二子问题进行求解，确定无人机服务策略；根据所述无人机轨迹、所述CPU频率、经初始化后的服务分配时间和所述无人机服务策略利用估计算法对所述优化问题模型的目标函数进行求解，确定最优收缩比；所述收缩比为有无人机辅助和无无人机辅助任务未完成时间比的平均值。设置收缩比并考虑用户设备信息和无人机信息实现将用户设备体验质量的提升转化为收缩比最小问题，通过确定最佳收缩比进而提高无人机的辅助效果。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的面向用户体验的无人机系统服务方法流程图；

图2为本发明提供的面向用户体验的无人机系统服务方法流程示意图；

图3为本发明在使用不同初始化方案得到的收缩比对比图；

图4为支持无人机的MEC框架示意图。

具体实施方式

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。

本发明的目的是提供一种面向用户体验的无人机系统服务方法及系统，以提高无人机辅助的效果和效率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供的一种面向用户体验的无人机系统服务方法，包括：

步骤101：获取用户设备信息和无人机信息并对无人机轨迹和服务分配时间进行初始化；所述用户设备信息包括各用户设备的总任务量、用户设备缓存容量和用户设备计算频率；所述无人机信息包括无人机的缓存容量和无人机计算频率。其中，所述获取用户设备信息和无人机信息并对无人机轨迹和服务分配时间进行初始化，具体包括：分别获取多个用户设备的所述用户设备信息和无人机的所述无人机信息；利用收缩比加权对TSP问题进行求解，确定服务顺序；根据所述服务顺序对所述无人机轨迹进行初始化；根据服务时间、分配系数或者分配任务对所述服务分配时间进行初始化。

步骤102：根据所述用户设备信息和所述无人机信息构建优化问题模型。其中优化问题模型的目标函数为收缩比，联合优化的变量包括：计算资源分配

无人机轨迹{q(t)}、卸载计划{θ_i(t)}和传输功率{P_i(t)}。

步骤103：对所述优化问题模型进行重组和拆分，确定第一子问题和第二子问题。其中，所述对所述优化问题模型进行重组和拆分，确定第一子问题和第二子问题，具体包括：对所述优化问题模型进行等效变换，得到第一优化问题；利用离散时隙模型，对所述第一优化问题中的无人机飞行速度约束函数进行处理并根据无人机允许卸载的最后一个时间片和无人机分配给用户设备的服务时间确定第二优化问题；将所述第二优化问题进行拆分，确定第一子问题和第二子问题。

步骤104：根据经初始化后的无人机轨迹对所述第一子问题进行求解，确定无人机轨迹和CPU频率。其中，所述根据经初始化后的无人机轨迹对所述第一子问题进行求解，确定无人机轨迹和CPU频率，具体包括：采用一阶泰勒展开法和连续凸近似(SCA)技术对所述第一子问题进行处理，得到处理后的第一子问题；根据所述经初始化后的无人机轨迹和连续优化算法对所述处理后的第一子问题进行求解，确定无人机轨迹和CPU频率。

步骤105：对所述第二子问题进行求解，确定无人机服务策略。其中，所述无人机服务策略为无人机服务用户设备的顺序。

步骤106：根据所述无人机轨迹、所述CPU频率、经初始化后的服务分配时间和所述无人机服务策略利用估计算法对所述优化问题模型的目标函数进行求解，确定最优收缩比；所述收缩比为有无人机辅助和无无人机辅助任务未完成时间比的平均值。

本发明针对上述技术问题，定义了一个称为收缩比的新度量来反映用户设备的体验，该指标表示为有无人机辅助和无无人机辅助任务完成时间比的平均值。该比值考虑了用户设备与无人机的距离、任务长度和用户设备的计算能力之间的权衡，然后将用户设备体验质量的提升转化为收缩比最小化问题，通过联合优化无人机轨迹、服务策略、计算频率分配和传输功率来最小化收缩比。收缩比越小，无人机辅助的效果也就越好。通过该收缩比，可以有效解决面向用户体验的任务调度问题。针对建立的数学模型，通过离散时隙模型、构建子问题、辅助变量、SCA，将非凸问题转化为凸优化问题后使用CVX求解，并给出了求解问题的算法。针对变量的初始化，提出了一种低复杂度的系统初始化方案来构造无人机初始化路径，并给出了三种有关服务时间分配的初始化方案。

如图2所示，本发明方法的步骤可以总结为如下：

步骤一：初始化阶段。本阶段获得各用户设备的总任务量、缓存容量、计算能力、无人机的缓存容量和计算能力，并初始化无人机轨迹和服务分配时间。

步骤二：建立优化模型，最小化目标为用于衡量用户设备体验的收缩比。

步骤三：求解线性规划子问题，优化无人机服务策略。

步骤四：求解凸优化子问题，优化无人机轨迹，并得到CPU频率。

步骤五：优化服务分配时间。

步骤六：检查各值是否满足预定义的精度，不满足，执行步骤三，满足，得到最优收缩比。

本发明方法具体为：

多个地面用户设备表示为：I＝{s_i,1≤i≤I}，其中s_i为第i个用户设备。

在三维笛卡尔坐标系中每个用户设备(UD_si)的静止水平坐标为：

无人机(UAV)飞行高度为H，初始点为q⁰。

UAV在t时刻投影到水平面的位置为：q(t)＝(q_x(t)，q_y(t))^T∈R^2×1。

UAV与用户设备间距离表示为：

瞬时无人机速度为：

其中，

为速度

为水平速度，

为垂直速度。

在任何时刻t，无人机的速度必须不超过无人机的最大速度V_max。

在任何时刻t，无人机与UD之间的信道功率增益为：h_i(t)＝β₀d_i ^-2(t)，其中β₀是距离1m的通道参考，其中，d_i ^-2(t)表示两个节点间的距离。

在t时刻，从UD到UAV的比特秒(bps)卸载速率为：

上式，P_i，trans(t)是t时刻向无人机卸载比特的UD传输功率，B是总带宽，σ²是无人机噪声功率。

假设每个UD都有一个要计算的任务L_i，t时刻任何一个任务的计算长度为：

其中

是UD的本地计算长度，

是卸载任务的长度。C_i是计算任务Li中的每一位都需要的CPU周期，将任意时刻t的局部计算频率表示为

得到：

同样地，无人机为UD计算的任务长度为：

无人机在任意时刻t的总功耗可以表示为飞行功耗

与计算功耗

之和，旋转无人机在任意速度v下的飞行功率消耗为：

P₀和P_i分别表示悬停状态下的定叶型功率和诱导功率，v₀表示平均转子感应速度，d₀表示机身阻力比，s表示转子稳定性，ρ表示空气密度，A表示转子盘区，U_tip表示转子叶片的叶尖速度。

无人机在任何时刻t的飞行功耗为：

无人机对用户设备i在任意时刻t的计算功耗为：

k为无人机中CPU的电容系数。

因此，任意时刻t的总计算功耗为：

无人机剩余能量表示为：

接下来，将用于评估面向用户体验的服务方案的收缩率定义为：

其中

表示UD自行计算完成其任务的最小延迟，f_i，max为第i个用户设备的最大CPU频率，T_i表示UD任务的实际完成时间，收缩比越小，无人机辅助效果越好。

通过联合优化设计变量来最小化收缩率，变量包括计算资源分配

无人机轨迹{q(t)}、卸载计划{θ_i(t)}即卸载策略和传输功率{P_i(t)}。

问题即优化问题模型表述如下：

q(0)＝q₀,

上式中，

是无人机的最大CPU频率，

为t时刻无人机向用户设备i提供服务时的CPU频率，在模型中，卸载的任务将在固定的延迟T0后进行调度计算，当时间t小于延迟T0时，没有发生调度，则t时刻无人机的频率为0。q(0)＝q₀表示无人机从初始点q₀出发。

为了解决问题P1，等价地将问题P1的目标函数R表示为等式：

变换后，将问题P1等效变换为：

q(0)＝q₀,

采用离散时隙模型，并将无人机的轨迹{q(t)}用序列{q[n]，n∈n}来近似，q[n]表示第n个时间段的水平坐标，无人机飞行速度约束表示为：

上式中，δ表示时间片。

此外，θ_i[n]满足：

0≤θ_i[n]≤1

进一步构造等价问题，并定义无人机在第n个时间片的CPU频率

卸载调度变量Θ＝{θ_i[n]},无人机轨迹Q＝{q[n]},固定延迟的时间片数量

实际完成第i个用户设备任务所需要的时间片数量

0≤θ_i[n]≤1,

q[1]＝q₀,

采用一种估计方案，假设N^off是无人机允许卸载的最后一个时间片，M_i是无人机分配给第i个用户设备的服务时间，将上述问题进一步表述为：

0≤θ_i[n]≤1,

q[1]＝q₀,

接下来，可以通过不同的N^off和{M_i}的值对问题P'₂进行求解，并选取其中一个最好的解，将这个解近似为问题P₂的最优解，但是问题P'₂由于非凸约束，依旧很难求解，因此，将问题P'₂分为两个可行的子问题，子问题一即第一子问题可表示为：

q[1]＝q₀,

采用一阶泰勒展开法将非凸约束近似转化为凸约束，并使用SCA技术进行处理，引入松弛变量

松弛变量记为O，定义局部点Q_r＝{q_r[n]},V＝{v_r[n]},O_r＝{o_r[n]}，问题P₃可以近似为问题P'₃：

q[1]＝q₀,

接下来，问题P'₃可以通过标准凸优化工具CVX来有效解决，算法如下：算法一：连续优化算法(求解问题P'₃)

输入：初始化Q⁰,Θ，设置r＝0

输出：q^*[n]为应用优化算法得到的新的无人机轨迹

1.初始化：

2.循环：

3.给定变量值q^r[n]，v^r，o^r[n]，解决凸优化问题(P′₃)，得到最优解q^*[n].

4.更新变量值：

q^r+1[n]＝q^*[n]；

5.当变量收敛到预定义的精度后退出循环。

子问题二即第二子问题表示为：

s.t0≤θ_i[n]≤1，

问题P₄是一个线性规划问题，可以通过求解器CVX得到最优解。综上，通过一个连续的算法，联合优化无人机的服务策略、计算频率和轨迹，可以推导出问题P′₂，该算法如下：

算法二：连续优化算法(求解问题P′₂)

输入：初始化Q⁰，F⁰，设置r＝0

输出：Q^*，F^*，Θ^*分别为应用优化算法得到的新的无人机轨迹、计算频率和调度策略。

1.循环：

2.给定变量值Q^r，F^r，通过解决线性规划问题P₄，得到无人机服务策略Θ^r.

3.由变量值Q^r，Θ^r+1，通过算法一得到无人机轨迹Q^r+1，和CPU频率F^r+1.4.当变量收敛到预定义的精度后退出循环。

使用更好的N^off和{M_i}，可以得到一个更好的优化解。对于任意固定的N^off，基于解的筛选方案，可以推导出一种算法用来更好地估计服务时间{M_i}，算法如下：

算法三：{M_i}估计算法

输入：初始化值

Q⁰，F⁰，设置步长S⁰，并设置r＝0

输出：

为应用估计算法得到的优化后的服务时间

1.循环：

2.给定变量值

Q^r，F^r，通过应用算法二得到Q^r+1，F^r+1，Θ^r+1.

3.通过检查Θ^r+1，确定

4.更新

5.如果：

则

否则

6.检查S^r，

更新步长S^r+1

7.当变量收敛到预定义的精度后退出循环。

问题P₂和问题P′₂之间关键的区别为对N^off和{M_i}的估计。当N^off和{M_i}被准确估计时，问题P₂就解决了。因此，算法四也可以看作是求解问题P₂的整体算法：

算法四：收缩比优化总算法

输入：初始化N⁰，off，设置步长S⁰，并设置r＝0

输出：R^*为应用总算法最终得到的收缩比

对于迭代算法，收敛结果一般取决于初始化方案，本发明还提出了一种低复杂度的无人机轨迹Q₀初始化方案，该方案是根据近似收缩比加权的有向图获得的TSP路径来设置Q₀。

当UD_si被服务时，其他UD_s无法获得任何服务，只能在本地计算任务，则无人机从q₀出发，服务用户设备的部分收缩比可近似为：

其中，UD_si任务的完成时间为：

假设无人机不提供任何服务，除非它在一个定点悬停，在这个定点，UAV可以使用最大CPU频率计算，当UAV向UD提供服务时，定点与UD之间的水平距离记为：

考虑无人机完成对UD_si的服务后，下一个被服务的是UD_sj的情况，此时，除s_i和s_j外，其他UD_s只能在本地进行任务计算，收缩比的另一部分可以近似为：

将无人机的任务完成时间、无人机的飞行时间和无人机的任务计算时间相加，估计出的无人机的任务完成时间为：

由近似收缩比加权，可以得到一个有向图，在有向图上解决TSP问题，就可以得到满意的服务顺序，该问题可表示为：

s.tψ₀＝ψ_I+1

ψ_i≠ψ_j，

j≠I+1

其中，{ψi}表示用户设备的访问顺序，求解问题P₅，得到服务顺序

进而构造初始化无人机轨迹。

初始化

本发明提供了三个方案，方案一将服务时间均等地分配给用户设备，具体为：

方案二，服务时间的分配考虑了系数

方案三，按任务最小计算时间分配服务时间：

考虑图4所示的支持旋翼无人机的MEC架构，其中，多个地面用户设备(UD_s)定义为I＝{s_i，1≤i≤I}，可通过无线链路接入使用无人机辅助。假设三维笛卡尔坐标系中每个UD保持在静止的水平坐标上，记为

s_i∈I，无人机从原点q₀起飞，在固定高度H的水平面上飞行。定义q(t)＝(q_x(t)，q_y(t))^T∈R^2×1为t时刻无人机投影到水平面的位置。则在任意时刻t，无人机与UD_si的距离为

且

表示无人机的瞬时速度。本发明使用的主要符号如表一所示。

表一 符号和定义

在任何时刻t，无人机的速度不能超过无人机的最大速度V_max，因此有：

考虑无人机与用户设备之间的无线信道由LoS链路主导的情况，因此，无人机与用户设备之间的信道可以用自由空间路径损耗模型来建模。在任何时刻t，无人机和UD_si之间的信道功率增益为：

上式，β₀是距离1m的通道参考，在t时刻，从UD_si到UAV的比特秒(bps)卸载速率为：

上式，P_i，trans(t)是t时刻向无人机卸载比特的UD传输功率，B是总带宽，σ²是无人机噪声功率。

A.任务模型

假设每个UD都有一个要计算的任务，任务的长度用L_i表示，计算任务L_i中的每一位需要C_i个CPU周期。无人机内置了一个轻量级MEC服务器，可以为UDs的任务处理提供计算卸载服务。定义

是UD的本地计算长度，

是卸载任务的长度，因此，在t时刻任何一个任务的计算长度为：

将任意时刻t的局部计算频率表示为

有：

频率

不能超过UDs的最大CPU频率，因此有：

假设在任意时刻t，为了避免干扰和数据串扰，最多有一个UD可以将任务卸载给UAV。因此，引入二元卸载调度变量θ_i(t)来表示UD_si的传输状态。即当且仅当UD_si在瞬间t将任务卸载给无人机时，θ_i(t)＝1；否则θ_i(t)＝0。因此有：

一个常见的假设是任务可以被任意分区。在的模型中，卸载的任务将在固定的延迟T0后进行调度计算，这可能对应于UAV的调度开销。然后，表示

为任意时刻t，UAV向UD_si服务时的CPU频率，满足最大CPU频率

和任务卸载需求的约束。因此有：

注意，在约束(11)中，在时间t卸载的任务可能不会在时间t+T₀全部完成。未计算的任务将被丢弃，并在需要时由UDs重传。因此，直到时间t，无人机对UD_si计算的任务长度为：

B.能量消耗模型

假设返回结果到UDs的延迟和能量消耗可以忽略，因为结果的大小比卸载任务小得多。因此，无人机在任意时刻t的总功耗可以表示为飞行功耗

与计算功耗

之和。旋转无人机在任意速度v下的飞行功耗可以推导为：

上式中，P₀和P_i分别表示悬停状态下的定叶型功率和诱导功率，v₀表示平均转子感应速度，d₀表示机身阻力比，s表示转子稳定性，ρ表示空气密度，A表示转子盘区，U_tip表示转子叶片的叶尖速度。因此，无人机在任何时刻t的飞行功耗为：

无人机对用户设备i在任意时刻t的计算功耗为：

其中，k为无人机中CPU的电容系数。因此，任意时刻t的总计算功耗为：

在本地，假设UDs有足够的能量完成任务计算，或者假设UDs已经接入电源。然而，无人机受到电池容量的限制。因此，到时刻t，无人机剩余能量可以表示为：

在任何时刻t，无人机必须有足够的能量返回，这样就有了：

式中，v^eff为无人机最节能的速度，P^eff为相应的功率。

C.收缩率

将用于评估面向用户体验的服务方案的收缩率定义为：

其中

表示UD自行计算完成其任务的最小延迟，T_i表示UD任务的实际完成时间，因此有：

在无人机的帮助下，完成时间T_i小于所需的局部计算时间

因此，收缩比是α和1之间的实数，其中

为收缩比不可达的下界。注意，α只在所有设备同时获得最大可能的辅助的条件下达到，但这在的模型中是不允许的，因此α是一个不可达的下界。此外，收缩率可考虑为完成时间的加权和，系数T_i为

显然，收缩比越小，无人机辅助效果越好。

收缩率极小化

A.问题公式化

根据上文提到的无人机辅助MEC系统模型，本节给出了收缩率优化问题。目标是通过联合优化设计变量，包括计算资源分配

无人机轨迹{q(t)}、卸载计划{θ_i(t)}、传输功率{P_i(t)}，使收缩率最小化。

q(0)＝q₀， (211)

其中P_i，max表示UD_si的最大传输功率。

B.问题重组

为了解决问题P₁，等价地将问题P₁的目标函数R表示为等式(22)。

注意，(22d)的第二部分

是非负的，并且本地计算的CPU频率仅受UDs最大CPU频率f_i，max的限制，因此，当收缩比最小时，必须：

注意，变量P_i，trans(t)只出现在方程(21h)和最大传输功率约束(21k)中，因此，只有一个传输速率的上限是确定的。注意，假设UDs有足够的能量进行计算和传输。此外，(22d)第三部分

表明

应尽可能大，以让收缩率更小。因此，可以给出P_i，trans(t)的一个可行解：

因此，根据(23)、(24)和变换后的收缩率(22d)，可以将问题P₁等效变换为：

s.t(21b)，(21d)，(21e)，(21f)，(21g)，(21i)，(21j)，((25b)

注意，问题P′₁涉及二元约束(21e)和非凸约束(21h)和(21i)。此外，目标函数(25a)中的T_i不能通过约束(21j)直接得到。结果，问题P′₁仍然具有直接解决的挑战性。为了解决这些问题，采用离散时隙模型来进一步表述问题。

应用离散时隙模型时，δ的长度会被选择的足够小，这样无人机的位置和CPU频率可以假定在每个时隙内近似不变。将时间长度t∈[(n-1)δ，nδ]表示为第n个时隙。因此，无人机轨迹{q(t)}可以用序列{q[n]，n∈N}来近似，其中q[n]表示第n个时间段的水平坐标。无人机飞行速度约束可以表示为：

相应地，

的离散形式定义为

此外，表示θ_i[n]为分配给UD_si在第n个时隙内卸载任务的时间的比例，即

并且有：

0≤θ_i[n]≤1 (27)

请注意，θ_i[n]不是像θ_i(t)那样的二元变量。因此，需要对θ_i(t)的约束条件和方程进行重构，以适应离散时隙模型。当θ_i(t)＝0，由(21h)得到

因此有

否则，当θ_i(t)＝1，

因此有：

出于同样的原因，有：

此外，由(25c)可以得到

基于离散时隙模型，可以得到近似

以及

因此，约束(25c)可以近似为

注意，当θ_i[n]＝0，对于有限的

都满足约束。因此，可以替代为：

定义

Q＝{q[n]},

问题P'₁可以近似为P₂。

C.解决方案

注意，问题P₂涉及(32a)、(32g)、(32h)求和的未知上界和(32f)、(32i)的非凸约束。因此，问题P₂仍然难以解决，首先通过应用估计方案克服未知上界的困难。容易看出，收缩率只与无人机的服务有关，不需要确定任务的实际完成时间。因此，采用一种估计方案。更具体地说，假设第N^off时间段是无人机允许卸载的最后一个时间片，M_i时间片是UD_si将任务卸载给无人机的时间长度。因此，无人机的计算服务将停止在第(N^off+N₀)时隙。接下来，就可以使用不同的N^off和{M_i}来解决问题P′₂，并选择一个更好的解，把这个解近似地考虑为问题P₂的最优解。将

表示为无人机服务于UD_si的最后一个时间片。通过求解问题P′₂得到一个解时，只要满足约束(34)，就可以构造问题P₂的等价可行解。

s.t(26)，(27)，(28) (32b)

q[1]＝q₀， (32c)

s.t(26),(27),(28),(32c),(32d),(32e),(32f) (33b)

然而，问题P'₂由于其非凸约束(32f)依旧很难解决，为了克服这些困难，将它分为可求解的两个子问题。

对于固定卸载策略Θ，总是满足约束(27)、(28)和(33c)。在此条件下，子问题可表示为：

s.t(26),(32c),(32d),(32f),(33d) (35b)

在这种情况下，目标函数(42a)和约束(32c)、(32d)、(32e)都是仿射的，此外，约束(26)是凸的，但是，由于非凸约束(32f)和(33d)，问题P₃仍然是非凸的。为了解决这个问题，应用了SCA技术。具体来说,对于约束(32f)，首先考虑一个函数

那么它的一阶导数和二阶导数可以表示为

因此，有f”(x)>0,

和f(x)≥f(x₀)+f'(x)(x-x₀),

x₀>0。函数f(x)是凸函数。定义第r次迭代中给定的局部点为{q^r[n]}，替换

C₂＝H²,x＝||q[n]-w_i||²,x₀＝||q^r[n]-w_i||²。因此，有不等式(36)表示约束(32f)的RHS的下界，那么约束(32f)可以近似地用约束(37)代替。

对于约束(33d)，其非凸性由第二部分

造成，表述为

为了解决这个问题，定义松弛变量

因此有：

对约束(38)，第r次迭代，在给定的局部点(v^r[n],o^r[n])处应用一阶泰勒展开，则RHS的下界为：

然后用这样的下界替换(38)的RHS，约束(38)可以近似如下：

然后可以用

的上界来近似

松弛变量记为O＝{o[n]}，局部点Q_r＝{q_r[n]},V＝{v_r[n]},O_r＝{o_r[n]}和近似约束(37)、(40)，问题P₃可以近似为问题P'₃：

s.t(26)，(32c)，(32d)，(32e),(37),(39),(40) (42b)

现在，问题P'₃是一个凸优化问题，可以通过标准的凸优化工具，如CVX有效地解决。通过在局部点上利用SCA技术，将非凸问题P₃转化为凸优化问题，然后，通过不断迭代地求解优化问题(P′₃)有效地解决问题(P₃)。算法一总结了解决问题P₃的具体细节。注意，在算法一的每次迭代中，标准凸优化问题P′₃已经被解决，并且，优化变量的数量只与N^off和I有关。具体来说，算法一的计算复杂度大致可以用O(LN^off，3，I³)表示，其中，L为迭代次数。

对于固定的无人机轨迹Q和计算频率F，总是满足约束条件(26)、(32c)、(32d)、(32e)和(32f)。在此条件下，另一个子问题可表示为：

s.t(27)，(28)，(33c)，(33d) (43b)

在这种情况下，目标函数(43a)和约束(27)、(28)、(33c)、(33d)都是仿射的。因此，问题P₄是一个线性规划问题，很容易通过现有的技术或求解器如CVX得到最优解。

综上所述，可以推导出联合优化无人机服务策略、计算频率和轨迹的连续算法来求解问题(P′₂)，采用算法二进行求解。

解决问题P′₂后，应该决定一个更好的N^off和{M_i}来得到一个更好的优化解。对于任意固定的N^off，基于解的筛选方案，通过算法三来更好地估计{M_i}。

通过应用算法三，对于一个固定N^off精确估计的

以及相关无人机轨迹

服务策略

CPU频率

和收缩率

说明无人机的计算资源在任何任务完成后都不会停留在理想状态。虽然不能保证所求的

可以最好地减小收缩率，但是算法三提供了一个令人满意的估计，通过迭代地应用算法三来优化N^off。注意，无人机所提供的服务受服务时间的长度N^off和电池容量的约束。随着N^off增加，UDs可以在更长时间内将任务卸载给无人机，但无人机的飞行能量消耗会增加，分配给计算的能量也会减少。计算能量的减少可能会限制无人机的CPU频率。因此，有一种直接的想法，随着N^off时间的增加，优化后的收缩率会近似地先减小后增大。基于这个思想，可以推导出算法四来获得满意的N^off，以对收缩率进行优化。

问题(P2)和问题(P′₂)之间最关键的区别为{M_i}和N^off的估计。当{M_i}和N^off被准确估计时，问题(P2)就解决了。因此，算法四也可以看作是求解问题(P2)的整体算法。

初始化方案

对于迭代算法，收敛结果一般取决于初始化方案。本节提出了一种低复杂度的无人机轨迹Q⁰初始化方案，并提出了几种合理的初始化方案来构造给定任意的N^off时的

A.Q⁰初始化方案

需要注意，无人机初始轨迹Q⁰表明了无人机的服务顺序，这对收缩率的优化结果有很大影响。一种直观的方法是根据由近似收缩比加权的有向图获得的TSP路径设置Q⁰。因此，为了便于利用，假设无人机不提供任何服务，除非它在一个定点悬停，在这个定点，UAV可以使用最大CPU频率计算，或者这个定点正好在UD上。此外，忽略了能量约束。在这种情况下，UAV总是可以尽其最大努力进行飞行和计算。因此，当UAV向UD提供服务时，定点与UD之间的水平距离为：

则无人机服务于

的CPU频率可表示为：

因此，如果

是第一个被服务的，则可以通过无人机飞行时间与

任务计算时间之和估计出

任务的完成时间。因此有：

但是当

被服务时，其他UD_s无法获得任何服务，只能在本地计算任务。局部计算任务也决定了收缩比的一部分。从q₀出发，服务UD的部分收缩率可以近似为：

然后考虑无人机完成对

的服务后，下一个被服务的是

的情况。不幸的是，无法确定在这种情况下有多少UD_s被服务，以及无人机盘旋为

服务的位置。因此，简单地假设

为第一架，

是第二架，当

任务完成时，无人机就在

上方。然后将无人机的任务完成时间、无人机的飞行时间和无人机的任务计算时间相加，估计出无人机的任务完成时间。

除s_i和s_j外，其他UD_s只能在本地进行任务计算，收缩比的另一部分可以近似为：

特别地，定义：

然后得到一个有向图，它由近似的收缩比加权。在有向图上解决TSP问题，可以得到满意的服务顺序，TSP问题可以表示为：

s.tψ₀＝ψ_I+1 (51b)

其中{ψ_i}表示用户设备的访问顺序。虽然TSP是NP-hard，但它已经得到了很好的研究，并存在各种方法来获得一个满意的近似解。通过求解P₅问题，得到一个满意的服务订单

然后可以构造一个初始化的无人机轨迹。

B.

初始化方案

显然，M_i最简单的初始化方案说将服务时间均等地分配给UD，因此有：

但是，在不同UD_s上分配相同的服务时间，会产生不同的效果。这是因为在问题P₂中，通过系数

可知，为小任务的UD提供服务，会带来更好的优化效果。因此，对于任务较小的用户设备，应该给予较高的优先级，并分配更多的服务时间。为此，提出了另一个初始化方案，该方案中，服务时间的分配基于系数

有：

此外，对

提出了另一种初始化方案，即按任务最小计算时间分配服务时间，具体如下：

需要注意的是，在该初始化方案中，对于任务量大、计算资源不足的UD_s，会分配更多的服务时间。因此，它可能更适合于提出构造{M_i}的算法三，服务浪费得更少。

本发明的比较结果显示，由于问题P′₂是非凸的，通过优化无人机轨迹、服务策略和计算频率进行迭代求解时，其结果可能得到的是一个局部解。因此，在将非凸问题转化为凸优化问题进行求解的过程中，或许有更好的方法可以得到一个更优的解。

本发明提供的一种面向用户体验的无人机系统服务系统，包括：

获取模块，用于获取用户设备信息和无人机信息并对无人机轨迹和服务分配时间进行初始化；所述用户设备信息包括各用户设备的总任务量、用户设备缓存容量和用户设备计算频率；所述无人机信息包括无人机的缓存容量和无人机计算频率。其中，所述获取模块，具体包括：获取单元，用于分别获取多个用户设备的所述用户设备信息和无人机的所述无人机信息；服务顺序确定单元，用于利用收缩比加权对TSP问题进行求解，确定服务顺序；第一初始化单元，用于根据所述服务顺序对所述无人机轨迹进行初始化；第二初始化单元，用于根据服务时间、分配系数或者分配任务对所述服务分配时间进行初始化。

构建模块，用于根据所述用户设备信息和所述无人机信息构建优化问题模型。

重组和拆分模块，用于对所述优化问题模型进行重组和拆分，确定第一子问题和第二子问题。其中，所述重组和拆分模块，具体包括：等效变换单元，用于对所述优化问题模型进行等效变换，得到第一优化问题；第二优化问题确定单元，用于利用离散时隙模型，对所述第一优化问题中的无人机飞行速度约束函数进行处理并根据无人机允许卸载的最后一个时间片和无人机分配给用户设备的服务时间确定第二优化问题；拆分单元，用于将所述第二优化问题进行拆分，确定第一子问题和第二子问题。

第一求解模块，用于根据经初始化后的无人机轨迹对所述第一子问题进行求解，确定无人机轨迹和CPU频率。其中，所述第一求解模块，具体包括：第一子问题处理单元，用于采用一阶泰勒展开法和连续凸近似(SCA)技术对所述第一子问题进行处理，得到处理后的第一子问题；无人机轨迹和CPU频率确定单元，用于根据所述经初始化后的无人机轨迹和连续优化算法对所述处理后的第一子问题进行求解，确定无人机轨迹和CPU频率。

第二求解模块，用于对所述第二子问题进行求解，确定无人机服务策略；其中，所述无人机服务策略为无人机服务用户设备的顺序；

最优收缩比确定模块，用于根据所述无人机轨迹、所述CPU频率、经初始化后的服务分配时间和所述无人机服务策略利用估计算法对所述优化问题模型的目标函数进行求解，确定最优收缩比；所述收缩比为有无人机辅助和无无人机辅助任务未完成时间比的平均值。

实际应用中，可以通过指定较小的总服务时间来增加服务周期，以服务更多的任务。当任务生成较慢时，也可以优化总服务时间，为当前任务请求带来更好的用户体验。通过本发明中提出的算法和方案，得到的收缩比结果显示，该收缩比可以有效利用无人机计算资源，改善用户的体验。

图3仿真了使用固定的{M_i}优化收缩比，以及采用固定的N^off和不同的初始化方案优化{M_i}的收缩比。在{M_i}固定的情况下，可以看出，随着N^off的增大，随着服务时间的增加，收缩率首先增大。由于{M_i}对分配到UDs的服务时间估计不准确，导致部分服务浪费，收缩率降低。一旦优化了{M_i}，计算资源的浪费就大大减少了。因此，基于这些计算资源的有效利用，与固定{M_i}的情况相比，进一步优化了收缩率。可以看出，在{M_i}优化的情况下，不同的{M_i}初始化方案对优化结果没有明显影响。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (2)

1.一种面向用户体验的无人机系统服务方法，其特征在于，包括：

获取用户设备信息和无人机信息并对无人机轨迹和服务分配时间进行初始化；所述用户设备信息包括各用户设备的总任务量、用户设备缓存容量和用户设备计算频率；所述无人机信息包括无人机的缓存容量和无人机计算频率；

根据所述用户设备信息和所述无人机信息构建优化问题模型；其中优化问题模型的目标函数为收缩比；

对所述优化问题模型进行重组和拆分，确定第一子问题和第二子问题；所述对所述优化问题模型进行重组和拆分，确定第一子问题和第二子问题，具体包括：

对所述优化问题模型进行等效变换，得到第一优化问题；

利用离散时隙模型，对所述第一优化问题中的无人机飞行速度约束函数进行处理并根据无人机允许卸载的最后一个时间片和无人机分配给用户设备的服务时间确定第二优化问题；

将所述第二优化问题进行拆分，确定第一子问题和第二子问题；

其中，第一子问题的表达式为：

式中，F为无人机在第n个时间片的CPU频率，Q为无人机轨迹，I为地面用户设备，N_i为实际完成第i个用户设备任务所需要的时间片的数量，N₀为固定延迟的时间片数量，n为时间段的序号，δ为时间片，

为无人机向用户设备i提供服务时的CPU频率，θ_i[n]为卸载指标，C_i为计算任务L_i中的每一位都需要的CPU周期；

第二子问题的表达式为：

式中，Θ为卸载调度变量；

根据经初始化后的无人机轨迹对所述第一子问题进行求解，确定无人机轨迹和CPU频率；

对所述第二子问题进行求解，确定无人机服务策略；其中，所述无人机服务策略为无人机服务用户设备的顺序；

根据所述无人机轨迹、所述CPU频率、经初始化后的服务分配时间和所述无人机服务策略利用估计算法对所述优化问题模型的目标函数进行求解，确定最优收缩比；所述收缩比为有无人机辅助和无无人机辅助任务未完成时间比的平均值；

所述获取用户设备信息和无人机信息并对无人机轨迹和服务分配时间进行初始化，具体包括：

分别获取多个用户设备的所述用户设备信息和无人机的所述无人机信息；

利用收缩比加权对TSP问题进行求解，确定服务顺序；

根据所述服务顺序对所述无人机轨迹进行初始化；

根据服务时间、分配系数或者分配任务对所述服务分配时间进行初始化；

所述根据经初始化后的无人机轨迹对所述第一子问题进行求解，确定无人机轨迹和CPU频率，具体包括：

采用一阶泰勒展开法和连续凸近似技术对所述第一子问题进行处理，得到处理后的第一子问题；

根据所述经初始化后的无人机轨迹和连续优化算法对所述处理后的第一子问题进行求解，确定无人机轨迹和CPU频率。

2.一种面向用户体验的无人机系统服务系统，其特征在于，包括：

获取模块，用于获取用户设备信息和无人机信息并对无人机轨迹和服务分配时间进行初始化；所述用户设备信息包括各用户设备的总任务量、用户设备缓存容量和用户设备计算频率；所述无人机信息包括无人机的缓存容量和无人机计算频率；

构建模块，用于根据所述用户设备信息和所述无人机信息构建优化问题模型；其中优化问题模型的目标函数为收缩比；

重组和拆分模块，用于对所述优化问题模型进行重组和拆分，确定第一子问题和第二子问题；所述重组和拆分模块，具体包括：

等效变换单元，用于对所述优化问题模型进行等效变换，得到第一优化问题；

第二优化问题确定单元，用于利用离散时隙模型，对所述第一优化问题中的无人机飞行速度约束函数进行处理并根据无人机允许卸载的最后一个时间片和无人机分配给用户设备的服务时间确定第二优化问题；

拆分单元，用于将所述第二优化问题进行拆分，确定第一子问题和第二子问题；

其中，第一子问题的表达式为：

式中，F为无人机在第n个时间片的CPU频率，Q为无人机轨迹，I为地面用户设备，N_i为实际完成第i个用户设备任务所需要的时间片的数量，N₀为固定延迟的时间片数量，n为时间段的序号，δ为时间片，

为无人机向用户设备i提供服务时的CPU频率，θ_i[n]为卸载指标，C_i为计算任务L_i中的每一位都需要的CPU周期；

第二子问题的表达式为：

式中，Θ为卸载调度变量；

第一求解模块，用于根据经初始化后的无人机轨迹对所述第一子问题进行求解，确定无人机轨迹和CPU频率；

第二求解模块，用于对所述第二子问题进行求解，确定无人机服务策略；其中，所述无人机服务策略为无人机服务用户设备的顺序；

最优收缩比确定模块，用于根据所述无人机轨迹、所述CPU频率、经初始化后的服务分配时间和所述无人机服务策略利用估计算法对所述优化问题模型的目标函数进行求解，确定最优收缩比；所述收缩比为有无人机辅助和无无人机辅助任务未完成时间比的平均值；

所述获取模块，具体包括：

获取单元，用于分别获取多个用户设备的所述用户设备信息和无人机的所述无人机信息；

服务顺序确定单元，用于利用收缩比加权对TSP问题进行求解，确定服务顺序；

第一初始化单元，用于根据所述服务顺序对所述无人机轨迹进行初始化；

第二初始化单元，用于根据服务时间、分配系数或者分配任务对所述服务分配时间进行初始化；

所述第一求解模块，具体包括：

第一子问题处理单元，用于采用一阶泰勒展开法和连续凸近似技术对所述第一子问题进行处理，得到处理后的第一子问题；

无人机轨迹和CPU频率确定单元，用于根据所述经初始化后的无人机轨迹和连续优化算法对所述处理后的第一子问题进行求解，确定无人机轨迹和CPU频率。

Images