CN113840329B - 无人机网络中协同计算和缓存调度策略方法及系统 - Google Patents
无人机网络中协同计算和缓存调度策略方法及系统 Download PDFInfo
- Publication number
- CN113840329B CN113840329B CN202111080351.4A CN202111080351A CN113840329B CN 113840329 B CN113840329 B CN 113840329B CN 202111080351 A CN202111080351 A CN 202111080351A CN 113840329 B CN113840329 B CN 113840329B
- Authority
- CN
- China
- Prior art keywords
- task
- unmanned aerial
- user
- point
- aerial vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000005457 optimization Methods 0.000 claims abstract description 56
- 238000004891 communication Methods 0.000 claims abstract description 16
- 238000005265 energy consumption Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000003139 buffering effect Effects 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 description 23
- 238000013468 resource allocation Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000013461 design Methods 0.000 description 7
- 230000009977 dual effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 230000007423 decrease Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
-
- 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
- H04W72/535—Allocation or scheduling criteria for wireless resources based on resource usage policies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人机网络中协同计算和缓存调度策略方法及系统。该方法包括:获取任务约束、用户约束、无人机性能约束、现实条件约束;基于任务约束、用户约束、无人机性能约束以及现实条件约束,以所有无人机的导航总时间最短为优化目标,求解优化参数;导航总时间与用户任务卸载悬停点、用户任务计算悬停点、无人机分配给用户任务的计算资源、无人机的悬停点轨迹有关,优化参数包括:用户任务的最优卸载悬停点、最优计算悬停点、无人机分配给用户任务的最优计算资源、无人机的最优悬停点轨迹;卸载悬停点表示用户任务卸载的悬停点,计算悬停点表示计算用户任务的悬停点。本发明实现了对无人机辅助MEC网络的通信效率和计算资源利用效率的均衡。
Description
技术领域
本发明涉及MEC网络领域,特别是涉及一种无人机网络中协同计算和缓存调度策略方法及系统。
背景技术
随着物联网(IoT)的快速发展和5G的大规模商用,虚拟现实、人脸识别、自动驾驶等众多计算密集型和通信密集型应用有望部署在资源有限的物联网设备上。然而,物联网设备有限的服务能力与这些应用的巨大资源需求之间的计算资源差距严重阻碍了这些新型应用的广泛部署。
大量的研究努力致力于设计高效的卸载、调度和缓存,并应用到计算卸载、数据收集和内容缓存与用于无人机辅助MEC网络。然而,很少有研究会考虑具有大量服务需求的情况,尽管这种情况可以极大地影响无人机辅助MEC网络的性能。例如,对于用户聚集的地区,会产生大量的数据或任务,需要在无人机上进行处理,但计算资源有限的无人机无法同时满足物联网设备的计算需求,这会导致在传输和计算过程中排队所带来的长响应延迟。与此相反,当无人机飞到服务请求较少的区域时,其CPU可能会空置较长时间,造成计算资源的浪费。
此外,在以下两种情况下,物联网设备和无人机之间的信道增益可能与无人机的计算能力不匹配:
(1)无人机的信道增益强但计算能力不足。
(2)无人机具有足够的计算能力但信道增益弱。
发明内容
本发明的目的是提供一种无人机网络中协同计算和缓存调度策略方法及系统。
为实现上述目的,本发明提供了如下方案:
一种无人机网络中协同计算和缓存调度策略方法,包括:
获取任务约束、用户约束、无人机性能约束以及现实条件约束;
所述任务约束包括:每一用户的任务只能在一个无人机的一个悬停点进行卸载,每一用户的任务只能在一个无人机的一个悬停点进行计算,以及每个用户卸载在无人机上的任务均能够得到计算;
所述用户约束包括:每个用户任务的执行延迟小于等于所述用户的最大容忍延迟;
所述无人机性能约束包括:无人机分配给每一任务的计算资源小于等于无人机的最大计算能力,无人机的缓存数据量小于等于所述无人机的最大缓存能力,以及无人机总能耗小于其最大能耗,所述总能耗为关于任务计算时间以及分配给所述任务的计算资源的能耗函数;
所述现实条件约束包括:用户位于其对应无人机的通信范围内,无人机的任意两个悬停点的距离大于设定值,用户卸载任务的悬停点早于所述任务计算的悬停点或用户卸载任务的悬停点与所述任务计算的悬停点为同一悬停点;
基于所述任务约束、所述用户约束、所述无人机性能约束以及所述现实条件约束,以所有无人机的导航总时间最短为优化目标,求解优化参数;所述导航总时间与用户任务卸载悬停点、用户任务计算悬停点、无人机分配给所述用户任务的计算资源、以及无人机的悬停点轨迹有关,所述优化参数包括:用户任务的最优卸载悬停点、最优计算悬停点、无人机分配给所述用户任务的最优计算资源、以及无人机的最优悬停点轨迹;所述卸载悬停点表示用户任务卸载的悬停点,所述计算悬停点表示计算用户任务的悬停点。
可选的,所述基于所述任务约束、所述用户约束、所述无人机性能约束以及所述现实条件约束,以所有无人机的导航总时间最短为优化目标,求解优化参数,具体包括:
基于所述任务约束、所述用户约束、所述无人机性能约束以及所述现实条件约束:
以所有无人机的悬停总时间最短为优化目标,求解用户任务的最优卸载悬停点和最优计算悬停点;
根据所述最优卸载悬停点和最优计算悬停点,以所有无人机的航行总时间最短为优化目标,求解无人机的最优悬停点轨迹;
根据所述最优卸载悬停点、最优计算悬停点以及无人机的最优悬停点轨迹,以所有无人机的悬停总时间最短为优化目标,求解分配给所述用户任务的最优计算资源。
可选的,
所述每一用户的任务只能在一个无人机的一个悬停点进行卸载的公式形式为:
其中,an,m,j=1表示第n个用户将任务卸载到第m个无人机的第j个悬停点,an,m,j=0表示第n个用户没有将任务卸载到第m个无人机的第j个悬停点,M表示无人机的数量,Jm表示悬停点的数量;
所述每一用户的任务只能在一个无人机的一个悬停点进行计算的公式形式为:
其中,cn,m,j=1表示第n个用户的任务在第m个无人机的第j个悬停点计算,cn,m,j=0表示第n个用户没有在第m个无人机的第j个悬停点计算;
可选的,
所述每个用户任务的执行延迟小于等于所述用户的最大容忍延迟的公式形式为:
其中,an,m,j=1表示第n个用户将任务卸载到第m个无人机的第j个悬停点,an,m,j=0表示第n个用户没有将任务卸载到第m个无人机的第j个悬停点,cn,m,j=1表示第n个用户的任务在第m个无人机的第j个悬停点计算,cn,m,j=0表示第n个用户没有在第m个无人机的第j个悬停点计算,第n个用户的任务在第个悬停点计算,/> 表示在第j个悬停点将第n个用户的任务卸载到第m个无人机的时间,/>表示第m个无人机在第j个点计算第n个用户的任务所用的时间,/>表示第m个无人机在第/>个点计算第n个用户的任务所用的时间,/>表示第m个无人机从第j个点到第j+1个点的飞行时间,/> 表示在第j个悬停点将第n个用户的任务卸载到第m个无人机的时间,/>表示第m个无人机从第/>个点到第/>个点的飞行时间,/>表示所述用户的最大容忍延迟,dn表示用户任务的大小,rn,m,j表示用户任务卸载到无人机的可实现速率,fn,m,j表示分配给所述用户任务的CPU资源,θn表示CPU周期计算任务的一位所需的时间。
可选的,
所述无人机分配给每一任务的计算资源小于等于无人机的最大计算能力的公式形式为:
其中,cn,m,j=1表示第n个用户的任务在第m个无人机的第j个悬停点计算,cn,m,j=0表示第n个用户没有在第m个无人机的第j个悬停点计算,fn,m,j表示分配给所述用户任务的CPU资源,Fm表示无人机的最大计算能力,N表示用户的数量;
所述无人机的缓存数据量小于等于所述无人机的最大缓存能力的公式形式为:
其中,an,m,j=1表示第n个用户将任务卸载到第m个无人机的第j个悬停点,an,m,j=0表示第n个用户没有将任务卸载到第m个无人机的第j个悬停点,dn表示用户任务的大小,Cm,j-1表示第m个无人机在第j-1个悬停点的最大缓存能力,Cm表示第m个无人机在第j个悬停点的最大缓存能力;
所述无人机总能耗小于其最大能耗的公式形式为:
其中,表示第m个无人机从第j个点到第j+1个点的飞行时间,/>表示第m个无人机从第0个点到第1个点的飞行时间,/> 表示在第j个悬停点将第n个用户的任务卸载到第m个无人机的时间,/>表示第m个无人机在第j个点计算第n个用户的任务所用的时间,dn表示用户任务的大小,rn,m,j表示用户任务卸载到无人机的可实现速率,fn,m,j表示分配给所述用户任务的CPU资源,θn表示CPU周期计算任务的一位所需的时间,Jm表示悬停点的数量,N表示用户的数量,β表示无人机处理器芯片的计算能效系数,Ph表示悬停功率,Ptr表示行驶功率,/>表示第m个无人机的最大能耗。
可选的,
所述用户位于其对应无人机的通信范围内的公式形式为:
其中,表示第n个用户将任务卸载到第m个无人机的第j个悬停点,an,m,j=0表示第n个用户没有将任务卸载到第m个无人机的第j个悬停点,qm,j表示第m个无人机在第j个悬停点的位置,wn表示第n个用户的位置,r表示第m个无人机的通信半径;
所述无人机的任意两个悬停点的距离大于设定值的公式形式为:
其中,qm1,j1表示第m1个无人机在第j1个悬停点的位置,qm2,j2表示第m2个无人机在第j2个悬停点的位置,dmin表示所述设定值;
所述用户卸载任务的悬停点早于所述任务计算的悬停点或用户卸载任务的悬停点与所述任务计算的悬停点为同一悬停点的公式形式为:
可选的,所述所有无人机的导航总时间的公式形式为:
其中, 表示在第j个悬停点将第n个用户的任务卸载到第m个无人机的时间,/>表示第m个无人机在第j个点计算第n个用户的任务所用的时间,/>表示第m个无人机从第j个点到第j+1个点的飞行时间,dn表示用户任务的大小,rn,m,j表示用户任务卸载到无人机的可实现速率,fn,m,j表示分配给所述用户任务的CPU资源,θn表示CPU周期计算任务的一位所需的时间,/>表示第m个无人机从第0个点到第1个点的飞行时间,Jm表示悬停点的数量,M表示无人机的数量。
可选的,
所述所有无人机的悬停总时间的公式形式为:
所述所有无人机的航行总时间的公式形式为:
可选的,所述以所有无人机的悬停总时间最短为优化目标,求解用户任务的最优卸载悬停点和最优计算悬停点包括:
基于用户的位置,采用聚类算法对用户进行分类;
基于分类后的用户,采用惩罚算法对所述所有无人机的悬停总时间最短这一优化目标进行简化;
对简化后的优化目标进行求解,得到用户任务的最优卸载悬停点和最优计算悬停点。
本发明还提供了一种MEC网络的协同计算和缓存调度策略确定系统,包括:
约束获取模块,用于获取任务约束、用户约束、无人机性能约束以及现实条件约束;所述任务约束包括:每一用户的任务只能在一个无人机的一个悬停点进行卸载,每一用户的任务只能在一个无人机的一个悬停点进行计算,以及每个用户卸载在无人机上的任务均能够得到计算;所述用户约束包括:每个用户任务的执行延迟小于等于所述用户的最大容忍延迟;所述无人机性能约束包括:无人机分配给每一任务的计算资源小于等于无人机的最大计算能力,无人机的缓存数据量小于等于所述无人机的最大缓存能力,以及无人机总能耗小于其最大能耗,所述总能耗为关于任务计算时间以及分配给所述任务的计算资源的能耗函数;所述现实条件约束包括:用户位于其对应无人机的通信范围内,无人机的任意两个悬停点的距离大于设定值,用户卸载任务的悬停点早于所述任务计算的悬停点或用户卸载任务的悬停点与所述任务计算的悬停点为同一悬停点;
优化求解模块,用于基于所述任务约束、所述用户约束、所述无人机性能约束以及所述现实条件约束,以所有无人机的导航总时间最短为优化目标,求解优化参数;所述导航总时间与用户任务卸载悬停点、用户任务计算悬停点、无人机分配给所述用户任务的计算资源、以及无人机的悬停点轨迹有关,所述优化参数包括:用户任务的最优卸载悬停点、最优计算悬停点、无人机分配给所述用户任务的最优计算资源、以及无人机的最优悬停点轨迹;所述卸载悬停点表示用户任务卸载的悬停点,所述计算悬停点表示计算用户任务的悬停点。
根据本发明提供的具体实施例,公开了以下技术效果:本申请基于任务约束、用户约束、无人机性能约束以及现实条件约束,以所有无人机的导航总时间最短为优化目标,求解用户任务的最优卸载悬停点、最优计算悬停点、分配给用户任务的最优计算资源、以及无人机的最优悬停点轨迹。基于本申请提供的方法,可以获得用户的卸载悬停点、计算悬停点以及无人机分配给用户任务的最优计算资源以及无人机的最优悬停点轨迹,即获得了无人机辅助MEC网络中各设备的运行卸载和调度策略,基于该策略,可实现通信效率和计算资源的利用效率的均衡,以及解决了服务请求多时通信延迟、服务请求少时CPU空置的问题。
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为本发明实施例中无人机网络中协同计算和缓存调度策略方法的流程示意图;
图2为本发明实施例中的系统模式图;
图3为本发明实施例中无人机的悬停轨迹,以及用户与无人机在3D笛卡尔坐标系中每个集群内的连接图,其中N=40;
图4为本发明实施例中不同方案的总导航时间与用户数量;
图5为本发明实施例中P0单次迭代的运行时间与不同方案的用户数量示意图;
图6为本发明实施例中基于K-means聚类的不同方案的总导航时间与用户数的关系图,其中R=70;
图7为本发明实施例中基于K-means聚类的不同方案的总导航时间与覆盖区域半径的关系图,其中N=40;
图8为本发明实施例中每个UAV有或没有调度时的卸载比特和计算比特的数量示意图,其中N=40,基于PM和K-means聚类;
图9为本发明实施例中不同方案下无人机的总导航时间与缓存容量示意图,其中R=100m;
图10为本发明实施例中每架无人机在不同悬停点的导航时间,以及基于PM与K-means聚类且N=40时有无调度的无人机总导航时间的比较图。
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无人机网络中协同计算和缓存调度策略方法及系统。
参见图1,本申请提供的无人机网络中协同计算和缓存调度策略方法包括以下步骤:
步骤11:获取任务约束、用户约束、无人机性能约束以及现实条件约束。
其中,上述任务约束包括:每一用户的任务只能在一个无人机的一个悬停点进行卸载,每一用户的任务只能在一个无人机的一个悬停点进行计算,以及每个用户卸载在无人机上的任务均能够得到计算。
上述用户约束包括:每个用户任务的执行延迟小于等于所述用户的最大容忍延迟。
上述无人机性能约束包括:无人机分配给每一任务的计算资源小于等于无人机的最大计算能力,无人机的缓存数据量小于等于所述无人机的最大缓存能力,以及无人机总能耗小于其最大能耗,所述总能耗为关于任务计算时间以及分配给所述任务的计算资源的能耗函数。
上述现实条件约束包括:用户位于其对应无人机的通信范围内,无人机的任意两个悬停点的距离大于设定值,用户卸载任务的悬停点早于所述任务计算的悬停点或用户卸载任务的悬停点与所述任务计算的悬停点为同一悬停点。
步骤12:基于上述任务约束、用户约束、无人机性能约束以及现实条件约束,以所有无人机的导航总时间最短为优化目标,求解优化参数;所述导航总时间与用户任务卸载悬停点、用户任务计算悬停点、无人机分配给所述用户任务的计算资源、以及无人机的悬停点轨迹有关,所述优化参数包括:用户任务的最优卸载悬停点、最优计算悬停点、无人机分配给所述用户任务的最优计算资源、以及无人机的最优悬停点轨迹;所述卸载悬停点表示用户任务卸载的悬停点,所述计算悬停点表示计算用户任务的悬停点。
在步骤11以及步骤12之后,MEC网络中的各物联网设备(即上述用户)以及无人机基于上述优化参数运行,具体的,根据上述最优悬停点轨迹设置无人机的悬停点,物联网设备根据最优卸载悬停点卸载任务,无人机根据最优计算悬停点计算该物联网设备的任务,并根据最优计算资源向该物联网设备分配计算资源。
在一些实施例中,为了简化步骤12中问题的求解,将上述优化问题分解为以下三个优化子问题,即基于上述任务约束、用户约束、无人机性能约束以及现实条件约束:
(1)以所有无人机的悬停总时间最短为优化目标,求解用户任务的最优卸载悬停点和最优计算悬停点。
(2)根据所述最优卸载悬停点和最优计算悬停点,以所有无人机的航行总时间最短为优化目标,求解无人机的最优悬停点轨迹。
(3)根据所述最优卸载悬停点、最优计算悬停点以及无人机的最优悬停点轨迹,以所有无人机的悬停总时间最短为优化目标,求解分配给所述用户任务的最优计算资源。
下面对上述步骤进行详细的介绍:
如图2所示,假设每个用户都有一个时间敏感的任务Tn,用表示,其中dn是任务的大小(以位为单位),θn是CPU周期计算任务的一位所需的时间,/>是第n个用户完成任务的最大容忍延迟。为了不失一般性,本文采用3-D笛卡尔坐标,其中第n个用户位于wn=(xn,yn,zn)T的位置。无人机在导航过程中应在/>标记的悬停点悬停并为用户提供计算和缓存服务。具体而言,在导航过程中,无人机将经过固定高度的服务点zm,/>以及表示第m架无人机在第j个点的qm,j=(xm,j,ym,j,zm)T。因此,第n个用户和第m个无人机在第j个点的距离为/>由于每架无人机的服务覆盖范围有限,只有目标区域内的用户才能访问无人机并将其任务卸载到悬停的无人机上。/>和/>表示无人机集合与用户集合,|M|与|N|是其对应的大小。
1)沟通模型
假设无人机和用户之间的无线信道以视距链路为主,第n个用户和第m个无人机在第j个悬停点时的信道增益由给出。其中β0表示参考距离d0=1m处的信道增益。应用频分多址技术,用户可以通过等价共享通信带宽B来接入无人机,即/>将其任务卸载到该无人机的相应可实现速率由以下公式给出:
其中pn是第n个用户的发射功率,N0是无人机的噪声功率谱密度。
2)执行延迟
由于物联网网络中用户的计算与缓存能力弱于无人机,因此本文的场景中不考虑用户的计算与缓存。an,m,j∈{0,1}作为第n个用户的任务卸载决策,其中an,m,j=1表示第n个用户将数据卸载到第m个无人机的第j个点,否则an,m,j=0。令cn,m,j∈{0,1}表示计算或缓存接收到的任务的无人机的调度策略,即卸载和先前缓存的任务,其中cn,m,j=1代表第m个无人机在第j个悬停点计算,否则cn,m,j=0。为方便表达,我们将Tn,m,j表示为第n个用户的任务在第j个点卸载到第m个无人机处。由于第n个用户的任务是不可分割的,它的整个任务必须卸载到一个悬停点的仅一架无人机上,并在其中计算一次,由和/>给出。
由于无人机的计算资源不足,可以存储在第j个点卸载的任务而不是计算任务。无人机在第j个点可以处理两种调度任务:(1)当前点新卸载的数据;(2)上一点存储的数据。具体来说,在第j个点悬停期间,当cn,m,j=1时,当前点分流到第m架无人机的第n个用户任务将在其传输完成后进行计算。至于之前接收和存储的任务,如果那么在第m个无人机到达第j个点时计算它们,否则它们可以继续存储。此外,假设占用的缓存空间不能超过无人机的缓存容量,由下式可以得出:
在上式中,第一项Cm,j-1代表第(j-1)个点占用的存储空间,后两项分别代表用户新到达的数据和第n个用户的完全计算数据。此外,无人机能够在其能力范围内存储其所属用户的任务。
并且,一旦第m架无人机从其所属用户接受到所有任务并完成调度任务后,它就可以飞到第(j+1)个点。因此,第m架无人机在第j个点的悬停时间取决于该点任务的最大执行延迟,可使用下式表示:
需要注意的是,无人机将悬停,直到卸载的任务和计划的任务传输或计算完成。
为了更好地理解,将Tn卸载到第m架无人机并将在其计算的点用和/>表示,它们由/>和/>给出。要注意,Tn的卸载和计算点不一定相同。具体而言,Tn的执行包括无人机从第0个点即原点起飞的时刻开始,并在无人机完成处理时结束。如果在第m架无人机上上传和计算Tn,则其整个执行时延由上传排队时间、卸载时间、计算时间以及处理排队时间组成,可表示为如下公式:/>
其中表示从第j个点到第(j+1)个点的行程时间,第0个点表示原点。第二项等式用于在第1个点卸载和计算的情况,即/>以及/> 无人机在悬停点完成预定任务后,以最大速度vmax飞向下一个点,其飞行时间可表示为如下公式:
3)无人机的能源消耗
由于有限的电池容量限制了无人机的续航时间,因此必须仔细安排计算、移动与悬停所消耗的能量。在无人机采用动态电压和频率缩放技术,计算第m个无人机的所有接收比特所消耗的能量可用如下公式表示:
其中β为无人机处理器芯片的相关计算能效系数,此外,分配的计算资源不能超过无人机的最大计算能力,计算资源由下式给出:
对于速度为vmax的旋翼无人机。推进功率消耗可以建模为:
其中P0和Pi是常数,代表悬停状态下的叶片轮廓功率和感应功率,Qtip表示转子叶片的叶尖速度,v0称为平均转子实度,ρ和A分别表示空气密度和转子盘面积,因此,悬停功率和行驶功率可写为Ph=P(v)v=0和Ptr=P(v)v=max,悬停和行驶消耗的能量如下公式所示:
因此,第m架无人机的总能耗可以表示为:
4)问题制定
在本文考虑的系统中,采取了联合优化卸载决策、缓存和计算策略、计算资源分配以及无人机的轨迹,以最小化所有无人机的总导航时间,即悬停和旅行时间,可以公式化为如下公式:
其中表示卸载决策,/>表示缓存和计算策略,/>是悬停点,/>表示计算资源分配,其中/>由于硬件限制,无人机的能量供应、计算资源和存储空间受到限制。因此,无人机只能在上传传输完成后计算或缓存卸载的任务。并且,每个用户的任务必须在给定的延迟要求内完全计算。同时,一旦第n个用户位于第m个无人机在第j个点的覆盖范围内,就可以提供访问服务。
5)基于缓存和计算协同、悬停和资源分配的面向时间的卸载策略
本文为所考虑的优化问题P提供了缓存和计算合作、基于悬停定位的资源分配策略,基于本文的观察,由于约束和目标函数中的耦合变量而难以处理,为了解耦这些变体,本文将原始问题P分为三个子问题:
(1)PO,缓存和计算的卸载和调度决策
(2)PH,悬停轨迹设计
(3)PC,计算资源分配
首先,利用给定的悬停点Q和计算资源分配F,可以求解通过K-means方法和PM来降低计算复杂度以获得最优卸载决策A*,缓存和计算设计C*。其次,用新得到的{A*,C*},我们可以通过求解相应的子问题PH来利用一阶泰勒展开式设计悬停点Q。第三,我们可以借助辅助变量获得的{A*,C*,Q*}。最后,我们将在外循环中迭代更新派生的{A*,C*,Q*,F*},该过程称为BCD方法。在本节中,将按照基于BCD方法的迭代方法提出卸载决策、缓存和计算协作、悬停设计和计算资源分配的联合优化。
6)缓存和计算的卸载和调度决策
缓存和计算的卸载和调度决策,即{A,C},是通过给定的悬停设计和计算资源分配{Q,F}进行优化,以最小化所有无人机的总导航时间。这个相应的问题PO可以表述为如下公式:
由于二元变量{A,C}在约束中进一步相互耦合,因此它是强非凸的。为了处理这个整数线性规划问题,可以采用B&B方法通过构建搜索树并计算边界值来获得最优的{A*,C*}。B&B方法虽然可以通过递归遍历空间找到全局最优解,但随着的增加,使得算法的复杂度不利于实际应用。因此,提出了基于K-means聚类和惩罚方法的低复杂度算法,以降低计算复杂度并简化处理过程。
为了使算法更加实用,K-means聚类和惩罚方法侧重于我们所考虑问题的不同方面。具体来说,K-means聚类专注于通过根据用户的距离将用户分成不同的组来降低用户|N|的维度。同时,惩罚方法兼顾了缓存和计算的卸载决策和调度,将整数变量放宽为连续变量,求助于辅助变量,并进一步采用一阶泰勒展开式来促进求解过程。关于求解过程的更多细节如下。
6.1)基于K-means聚类的低复杂度算法
由于B&B算法难以处理涉及多架无人机的大规模用户调度问题,我们提出了一种基于K-means聚类的用户关联方法来寻找满意的解决方案。众所周知,K-means是一种流行的基于原型的聚类算法,它将用户|N|划分为不同的组|K|中,并使|K|≤|N|。此外,每个用户值都属于均值最近的簇,作为簇的原型,不同的簇质心之间的距离最远。给定用户和集合的一系列位置(w1,…,wn)和K-means聚类最小化簇内平方和形式上,是为了找到如下值:
其中μk是用户在集群sk中的位置均值。然而,获得|K|的最小簇内方差是很困难的。为了解决这样一个计算成本高的问题,应用两阶段启发式方法来找到初始化K个质心位置的聚类解决方案:
(1)根据下式,在第t次迭代时将第n个用户分配到最近的中心:
其中第n个用户wn在第t次迭代时被分配到集群sk。
(2)使用该集群中关联用户坐标的平均值更新集群质心的位置,由下式给出:
相应地,用户按照地理坐标wn进行聚类,然后不同的聚类与不同的无人机相关联。而且,一个集群中的分组用户只能连接到一架无人机,该无人机可以为其覆盖范围内的所属集群提供服务。随着聚类后用户数量的减少,相应的计算复杂度也会降低。
6.2)基于惩罚方法的低复杂度算法
尽管K-means聚类有助于将用户划分为不同的组以进行降维,但即使对于给定的UAV-用户关联,仍然难以为缓存和计算做出卸载和调度决策,因为相应的二进制整数阻碍了求解过程。而且,随着|M|和计算复杂度使得B&B算法效率低下,不利于实际应用。因此,提出了一种基于惩罚方法的算法来设计一种复杂度较低的/>的高效调度策略。
由于二进制整数变量an,m,j和cn,m,j增加了处理Po的难度,我们等价的将整数约束转化为如下公式:
我们进一步定义了以下惩罚函数:
其中p1(A)和p2(C)表示从约束中导出的惩罚项,它们被给出为如下公式:
其中φ1和φ2是惩罚因子。因此,采用PM的优化问题可以改写为如下形式:
因此,目标函数f(A,C)可以在第i次迭代时近似为:
7)悬停轨迹优化
随着新获得的{A*,C*},给定的F以及无人机的悬停轨迹Q*,可以从如下问题导出:
在放宽不平等限制后,可以得到以下问题:
这可以通过标准的凸优化工具有效解决。其细节可以参考如下算法:
8)计算资源分配
在本小节中,根据最新推导出的{A*,C*,Q*}以及最优计算资源分配F*,可以通过通过求解以下优化问题来最小化所有无人机的总导航时间:
此外,拉格朗日对偶问题由下式给出:
s.t.λ≥0,α≥0,φ≥0.
下面首先得到给定拉格朗日乘子(λ,α,φ)的最优计算资源分配F,然后通过梯度下降法更新拉格朗日乘子。
此外,当时,第m架无人机仅将其计算资源fn,m,j的一部分分配给第n个用户,/>是无人机决定处理第n个用户任务的点。否则,fn,m,j=0。使用Karush-Kuhn-Tucker(KKT)条件,以下条件对于计算能力分配的最优性既是必要的也是充分的:
命题1.L是fn,m,j的凸函数。
有趣的是,与悬停相比,计算任务的能耗可以忽略不计。因此,最优计算资源分配闭式解可以由如下推论给出。
需要说明的是,随着卸载任务dn的增加,第m架无人机将为第n位用户分配更多的计算资源。回想一下,如果使/> 在第/>个用户处。换句话说,在/>点的悬停时间由所有用户的最大执行延迟决定。因此,第m个无人机倾向于为第/>个用户分配更多的计算资源以减少其执行延迟,并进一步减少在第/>点的悬停时间。
需要说明的是,拉格朗日乘数更新:根据新获得的F*去更新拉格朗日乘数(λ,α,φ)。鉴于拉格朗日对偶函数总是凸的,因此,我们可以应用次梯度方法来更新这些变量。
下面对本申请进行验证:
启用无人机的MEC系统由多个无人机和用户组成,它们随机分布在300m×300m的区域内。每个用户属于一个用户集群,因为不同的用户组可以访问不同的无人机,每一个任务都在特定的无人机上等待进一步处理。
1、如图3所示,其中四条线是无人机优化悬停位置后为用户提供服务的轨迹。本文设计了以下四种方案来展示无人机在总导航时间方面的性能:
(1)仅基于B&B处理P0;
(2)采用K-means聚类获取用户-无人机之间的关联,进一步应用B&B处理缩小后的P0;
(3)仅通过PM求解P0;
(4)首先推导出用户-无人机的关联并降维,然后通过PM进一步处理转换后的P0,以方便求解过程。
2、如图4所示,随着用户数量的增加,这些方案的无人机的总导航时间也在增加。与使用K-means聚类的方案相比,不使用K-means聚类的方案可以产生更好的性能,因为它们可以在考虑所有因素后更好的设计无人机与用户之间的关联,同时考虑物理距离、用户的能量预算和延迟要求、无人机的计算能力和缓存容量等所有因素。
具体来说,与使用K-means聚类的B&B相比,不使用K-means聚类的B&B可以节约大概17.13%-20.43%的总导航时间,但会消耗68.96%-985.97%的额外运行时间,如图5所示。此外,没有PM与采用K-means聚类的PM相比,K-means聚类可以减少约8.05%-22.8%的总导航时间,但需要91.04%-189.36%的额外运行时间。此外,由于采用B&B的方案通过递归遍历整个变量空间获得精确解,因此与采用PM的方案相比,它们可以减少总导航时间。虽然我们可以通过使用B&B来解决P0来获得更好的效果,但如图4所示,这是十分耗时的,甚至对于具有较大用户规模的实际应用来说是难以处理的。具体来说,相较于没有K-means聚类的B&B,有K-means聚类的PM可以帮助为首次迭代节省约34.62%-548.8%的运行时间,但对于N≤25时只牺牲了总导航时间的3.7%-16.11%。此外,与带有K-means聚类的B&B相比,带有K-means聚类的PM可以帮助节省21.11%-122.74%的运行时间,并仅仅损失了总导航时间的0%-10.69%。由于B&B算法较为耗时,并随着N与M的增加,复杂度较高,除非另有说明,否则在模拟中采用PM与K-means聚类来处理子问题P0。
为了进一步证明采用计算和缓存调度的有效性和好处,我们展示了B&B与K-means聚类、PM与K-means聚类和无调度三种情况在图5的用户数量与半径以及图7的覆盖范围中产生的总导航时间,其中卸载任务必须在无敌嗷呜的同一点上传一次,即上传和计算的点相同。从图6的观察结果来看,考虑了计算和缓存调度的B&B与K-means聚类与PM和K-means聚类,在总导航时间上分别优于无调度的19.3%-24.5%和6.2%-16.9%。
此外,随着无人机覆盖面积的增加,上述方案的总导航时间正在减少,因为无人机可以让更多的远方用户访问而不是接近它们。与无调度相比,带有K-means聚类的B&B和带有K-means聚类的PM可以帮助节省19.6%-27.8%和10.9%-19.7%的总导航时间。当所需的计算量超过无人机的计算能力时,一部分上传的任务会在到达无人机后存储在缓冲区缓存中。图8中显示,由于计算和缓存合作的机制,这些缓存的任务可以由无人机在其未来悬停点计算而不是立即处理,这可以最大限度地减少图10所示的悬停时间。可以看出,在有调度的情况下,无人机倾向于集中计算最后两个悬停点的任务,即97.56%,在无调度的情况下为50.07%。
此外,总导航时间随着图9中无人机缓存容量的增加而减少,因为无人机有更多的缓存区空间来临时缓存更多上传的来自用户的任务内容,而不是悬停来处理它们。同时,计算和缓存调度对于总导航时间的影响如图10所示。在无调度的情况下,有调度情况可以节省总导航时间的22.08%。具体而言,调度可以帮助减少从第1架无人机到第4架无人机的导航时间的9.94%-34.87%。可以得出结论,计算和缓存调度在缓存的帮助下对节省导航时间有很大的作用,可以减轻负担并更好地利用无人机的物理通道和计算能力。
与上述无人机网络中协同计算和缓存调度策略方法相对应,本申请还提供了一种MEC网络的协同计算和缓存调度策略确定系统,该系统包括:约束获取模块以及优化求解模块。
其中,约束获取模块,用于获取任务约束、用户约束、无人机性能约束以及现实条件约束;所述任务约束包括:每一用户的任务只能在一个无人机的一个悬停点进行卸载,每一用户的任务只能在一个无人机的一个悬停点进行计算,以及每个用户卸载在无人机上的任务均能够得到计算;所述用户约束包括:每个用户任务的执行延迟小于等于所述用户的最大容忍延迟;所述无人机性能约束包括:无人机分配给每一任务的计算资源小于等于无人机的最大计算能力,无人机的缓存数据量小于等于所述无人机的最大缓存能力,以及无人机总能耗小于其最大能耗,所述总能耗为关于任务计算时间以及分配给所述任务的计算资源的能耗函数;所述现实条件约束包括:用户位于其对应无人机的通信范围内,无人机的任意两个悬停点的距离大于设定值,用户卸载任务的悬停点早于所述任务计算的悬停点或用户卸载任务的悬停点与所述任务计算的悬停点为同一悬停点。
优化求解模块,用于基于所述任务约束、所述用户约束、所述无人机性能约束以及所述现实条件约束,以所有无人机的导航总时间最短为优化目标,求解优化参数;所述导航总时间与用户任务卸载悬停点、用户任务计算悬停点、无人机分配给所述用户任务的计算资源、以及无人机的悬停点轨迹有关,所述优化参数包括:用户任务的最优卸载悬停点、最优计算悬停点、无人机分配给所述用户任务的最优计算资源、以及无人机的最优悬停点轨迹;所述卸载悬停点表示用户任务卸载的悬停点,所述计算悬停点表示计算用户任务的悬停点。
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 (10)
1.一种无人机网络中协同计算和缓存调度策略方法,其特征在于,包括:
获取任务约束、用户约束、无人机性能约束以及现实条件约束;
所述任务约束包括:每一用户的任务只能在一个无人机的一个悬停点进行卸载,每一用户的任务只能在一个无人机的一个悬停点进行计算,以及每个用户卸载在无人机上的任务均能够得到计算;
所述用户约束包括:每个用户任务的执行延迟小于等于所述用户的最大容忍延迟;
所述无人机性能约束包括:无人机分配给每一任务的计算资源小于等于无人机的最大计算能力,无人机的缓存数据量小于等于所述无人机的最大缓存能力,以及无人机总能耗小于其最大能耗,所述总能耗为关于任务计算时间以及分配给所述任务的计算资源的能耗函数;
所述现实条件约束包括:用户位于其对应无人机的通信范围内,无人机的任意两个悬停点的距离大于设定值,用户卸载任务的悬停点早于所述任务计算的悬停点或用户卸载任务的悬停点与所述任务计算的悬停点为同一悬停点;
基于所述任务约束、所述用户约束、所述无人机性能约束以及所述现实条件约束,以所有无人机的导航总时间最短为优化目标,求解优化参数;所述导航总时间与用户任务卸载悬停点、用户任务计算悬停点、无人机分配给所述用户任务的计算资源、以及无人机的悬停点轨迹有关,所述优化参数包括:用户任务的最优卸载悬停点、最优计算悬停点、无人机分配给所述用户任务的最优计算资源、以及无人机的最优悬停点轨迹;所述卸载悬停点表示用户任务卸载的悬停点,所述计算悬停点表示计算用户任务的悬停点。
2.根据权利要求1所述的无人机网络中协同计算和缓存调度策略方法,其特征在于,所述基于所述任务约束、所述用户约束、所述无人机性能约束以及所述现实条件约束,以所有无人机的导航总时间最短为优化目标,求解优化参数,具体包括:
基于所述任务约束、所述用户约束、所述无人机性能约束以及所述现实条件约束:
以所有无人机的悬停总时间最短为优化目标,求解用户任务的最优卸载悬停点和最优计算悬停点;
根据所述最优卸载悬停点和最优计算悬停点,以所有无人机的航行总时间最短为优化目标,求解无人机的最优悬停点轨迹;
根据所述最优卸载悬停点、最优计算悬停点以及无人机的最优悬停点轨迹,以所有无人机的悬停总时间最短为优化目标,求解分配给所述用户任务的最优计算资源。
3.根据权利要求1或2所述的无人机网络中协同计算和缓存调度策略方法,其特征在于,
所述每一用户的任务只能在一个无人机的一个悬停点进行卸载的公式形式为:
其中,an,m,j=1表示第n个用户将任务卸载到第m个无人机的第j个悬停点,an,m,j=0表示第n个用户没有将任务卸载到第m个无人机的第j个悬停点,M表示无人机的数量,Jm表示悬停点的数量;
所述每一用户的任务只能在一个无人机的一个悬停点进行计算的公式形式为:
其中,cn,m,j=1表示第n个用户的任务在第m个无人机的第j个悬停点计算,cn,m,j=0表示第n个用户没有在第m个无人机的第j个悬停点计算;
所述每个用户卸载在无人机上的任务均能够得到计算的公式形式为:
4.根据权利要求1或2所述的无人机网络中协同计算和缓存调度策略方法,其特征在于,
所述每个用户任务的执行延迟小于等于所述用户的最大容忍延迟的公式形式为:
其中,an,m,j=1表示第n个用户将任务卸载到第m个无人机的第j个悬停点,an,m,j=0表示第n个用户没有将任务卸载到第m个无人机的第j个悬停点,cn,m,j=1表示第n个用户的任务在第m个无人机的第j个悬停点计算,cn,m,j=0表示第n个用户没有在第m个无人机的第j个悬停点计算,第n个用户的任务在第/>个悬停点计算,/> 表示在第j个悬停点将第n个用户的任务卸载到第m个无人机的时间,/>表示第m个无人机在第j个点计算第n个用户的任务所用的时间,/>表示第m个无人机在第/>个点计算第n个用户的任务所用的时间,/>表示第m个无人机从第j个点到第j+1个点的飞行时间,/> 表示在第j个悬停点将第n个用户的任务卸载到第m个无人机的时间,/>表示第m个无人机从第/>个点到第/>个点的飞行时间,/>表示所述用户的最大容忍延迟,dn表示用户任务的大小,rn,m,j表示用户任务卸载到无人机的可实现速率,fn,m,j表示分配给所述用户任务的CPU资源,θn表示CPU周期计算任务的一位所需的时间。
5.根据权利要求1或2所述的无人机网络中协同计算和缓存调度策略方法,其特征在于,
所述无人机分配给每一任务的计算资源小于等于无人机的最大计算能力的公式形式为:
其中,cn,m,j=1表示第n个用户的任务在第m个无人机的第j个悬停点计算,cn,m,j=0表示第n个用户没有在第m个无人机的第j个悬停点计算,fn,m,j表示分配给所述用户任务的CPU资源,Fm表示无人机的最大计算能力,N表示用户的数量;
所述无人机的缓存数据量小于等于所述无人机的最大缓存能力的公式形式为:
其中,an,m,j=1表示第n个用户将任务卸载到第m个无人机的第j个悬停点,an,m,j=0表示第n个用户没有将任务卸载到第m个无人机的第j个悬停点,dn表示用户任务的大小,Cm,j-1表示第m个无人机在第j-1个悬停点的最大缓存能力,Cm表示第m个无人机在第j个悬停点的最大缓存能力;
所述无人机总能耗小于其最大能耗的公式形式为:
6.根据权利要求1或2所述的无人机网络中协同计算和缓存调度策略方法,其特征在于,
所述用户位于其对应无人机的通信范围内的公式形式为:
其中,an,m,j=1表示第n个用户将任务卸载到第m个无人机的第j个悬停点,an,m,j=0表示第n个用户没有将任务卸载到第m个无人机的第j个悬停点,qm,j表示第m个无人机在第j个悬停点的位置,wn表示第n个用户的位置,r表示第m个无人机的通信半径;
所述无人机的任意两个悬停点的距离大于设定值的公式形式为:
其中,qm1,j1表示第m1个无人机在第j1个悬停点的位置,qm2,j2表示第m2个无人机在第j2个悬停点的位置,dmin表示所述设定值;
所述用户卸载任务的悬停点早于所述任务计算的悬停点或用户卸载任务的悬停点与所述任务计算的悬停点为同一悬停点的公式形式为:
9.根据权利要求2所述的无人机网络中协同计算和缓存调度策略方法,其特征在于,所述以所有无人机的悬停总时间最短为优化目标,求解用户任务的最优卸载悬停点和最优计算悬停点,具体包括:
基于用户的位置,采用聚类算法对用户进行分类;
基于分类后的用户,采用惩罚算法对所述所有无人机的悬停总时间最短这一优化目标进行简化;
对简化后的优化目标进行求解,得到用户任务的最优卸载悬停点和最优计算悬停点。
10.一种无人机网络中协同计算和缓存调度策略系统,其特征在于,包括:
约束获取模块,用于获取任务约束、用户约束、无人机性能约束以及现实条件约束;所述任务约束包括:每一用户的任务只能在一个无人机的一个悬停点进行卸载,每一用户的任务只能在一个无人机的一个悬停点进行计算,以及每个用户卸载在无人机上的任务均能够得到计算;所述用户约束包括:每个用户任务的执行延迟小于等于所述用户的最大容忍延迟;所述无人机性能约束包括:无人机分配给每一任务的计算资源小于等于无人机的最大计算能力,无人机的缓存数据量小于等于所述无人机的最大缓存能力,以及无人机总能耗小于其最大能耗,所述总能耗为关于任务计算时间以及分配给所述任务的计算资源的能耗函数;所述现实条件约束包括:用户位于其对应无人机的通信范围内,无人机的任意两个悬停点的距离大于设定值,用户卸载任务的悬停点早于所述任务计算的悬停点或用户卸载任务的悬停点与所述任务计算的悬停点为同一悬停点;
优化求解模块,用于基于所述任务约束、所述用户约束、所述无人机性能约束以及所述现实条件约束,以所有无人机的导航总时间最短为优化目标,求解优化参数;所述导航总时间与用户任务卸载悬停点、用户任务计算悬停点、无人机分配给所述用户任务的计算资源、以及无人机的悬停点轨迹有关,所述优化参数包括:用户任务的最优卸载悬停点、最优计算悬停点、无人机分配给所述用户任务的最优计算资源、以及无人机的最优悬停点轨迹;所述卸载悬停点表示用户任务卸载的悬停点,所述计算悬停点表示计算用户任务的悬停点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111080351.4A CN113840329B (zh) | 2021-09-15 | 2021-09-15 | 无人机网络中协同计算和缓存调度策略方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111080351.4A CN113840329B (zh) | 2021-09-15 | 2021-09-15 | 无人机网络中协同计算和缓存调度策略方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113840329A CN113840329A (zh) | 2021-12-24 |
CN113840329B true CN113840329B (zh) | 2023-05-30 |
Family
ID=78959468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111080351.4A Active CN113840329B (zh) | 2021-09-15 | 2021-09-15 | 无人机网络中协同计算和缓存调度策略方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113840329B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115915275B (zh) * | 2022-10-25 | 2023-08-08 | 大连海事大学 | 一种面向近海的无人机辅助中继数据卸载方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111585637A (zh) * | 2020-04-17 | 2020-08-25 | 长沙理工大学 | 一种基于边缘计算系统的无人机任务卸载和资源分配方法 |
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 |
CN112995913A (zh) * | 2021-03-08 | 2021-06-18 | 南京航空航天大学 | 一种无人机轨迹、用户关联和资源分配联合优化方法 |
CN113395654A (zh) * | 2021-06-11 | 2021-09-14 | 广东工业大学 | 一种边缘计算系统的多无人机任务卸载和资源分配的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10607026B2 (en) * | 2016-03-21 | 2020-03-31 | Acronis International Gmbh | System and method for data backup using unmanned aerial vehicle (UAV) |
US11703853B2 (en) * | 2019-12-03 | 2023-07-18 | University-Industry Cooperation Group Of Kyung Hee University | Multiple unmanned aerial vehicles navigation optimization method and multiple unmanned aerial vehicles system using the same |
-
2021
- 2021-09-15 CN CN202111080351.4A patent/CN113840329B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111585637A (zh) * | 2020-04-17 | 2020-08-25 | 长沙理工大学 | 一种基于边缘计算系统的无人机任务卸载和资源分配方法 |
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 |
CN112995913A (zh) * | 2021-03-08 | 2021-06-18 | 南京航空航天大学 | 一种无人机轨迹、用户关联和资源分配联合优化方法 |
CN113395654A (zh) * | 2021-06-11 | 2021-09-14 | 广东工业大学 | 一种边缘计算系统的多无人机任务卸载和资源分配的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113840329A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Learning-based computation offloading approaches in UAVs-assisted edge computing | |
Zhan et al. | Aerial–ground cost tradeoff for multi-UAV-enabled data collection in wireless sensor networks | |
CN112995913B (zh) | 一种无人机轨迹、用户关联和资源分配联合优化方法 | |
Hu et al. | Wireless-powered edge computing with cooperative UAV: Task, time scheduling and trajectory design | |
CN113472426B (zh) | 一种公平感知任务调度和资源分配方法 | |
CN110730031B (zh) | 一种用于多载波通信的无人机轨迹与资源分配联合优化方法 | |
Do et al. | Deep reinforcement learning for energy-efficient federated learning in UAV-enabled wireless powered networks | |
Mei et al. | Joint trajectory-task-cache optimization in UAV-enabled mobile edge networks for cyber-physical system | |
CN111757361B (zh) | 一种雾网络中基于无人机辅助的任务卸载方法 | |
CN111629443B (zh) | 用于超5g车联网中的动态频谱切片框架的优化方法及系统 | |
Hua et al. | Energy optimization for cellular-connected UAV mobile edge computing systems | |
CN113840329B (zh) | 无人机网络中协同计算和缓存调度策略方法及系统 | |
Xiao et al. | An energy-aware joint routing and task allocation algorithm in MEC systems assisted by multiple UAVs | |
CN113485409A (zh) | 一种面向地理公平性的无人机路径规划分配方法及系统 | |
Mousa et al. | Efficient UAV-Based MEC Using GPU-Based PSO and Voronoi Diagrams. | |
Bao et al. | Cooperative computation and cache scheduling for UAV-enabled MEC networks | |
CN116257335A (zh) | 无人机辅助mec系统联合任务调度及运动轨迹优化方法 | |
CN116723548A (zh) | 一种基于深度强化学习的无人机辅助计算卸载方法 | |
CN116614771A (zh) | 多无人机辅助的无线传感器网络数据采集方法 | |
Wu et al. | Energy efficient resource allocation and trajectory design for multi-uav-enabled wireless networks | |
Zhao et al. | Secure resource allocation for uav assisted joint sensing and comunication networks | |
Chen et al. | A triple learner based energy efficient scheduling for multi-UAV assisted mobile edge computing | |
CN115905900A (zh) | 无人机协助的热感知mec网络任务调度和资源分配方法 | |
Shi et al. | A Deep Reinforcement Learning Based Approach for Optimizing Trajectory and Frequency in Energy Constrained Multi-UAV Assisted MEC System | |
Maray et al. | Wireless Power Assisted Computation Offloading in Mobile Edge Computing: A Deep Reinforcement Learning Approach |
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 |