CN113852994B - 一种用于应急通信中的高空基站集群辅助边缘计算方法 - Google Patents

一种用于应急通信中的高空基站集群辅助边缘计算方法 Download PDF

Info

Publication number
CN113852994B
CN113852994B CN202111365868.8A CN202111365868A CN113852994B CN 113852994 B CN113852994 B CN 113852994B CN 202111365868 A CN202111365868 A CN 202111365868A CN 113852994 B CN113852994 B CN 113852994B
Authority
CN
China
Prior art keywords
mobile user
user equipment
time slot
unmanned aerial
calculation
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
CN202111365868.8A
Other languages
English (en)
Other versions
CN113852994A (zh
Inventor
谈玲
刘玉风
夏景明
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202111365868.8A priority Critical patent/CN113852994B/zh
Publication of CN113852994A publication Critical patent/CN113852994A/zh
Application granted granted Critical
Publication of CN113852994B publication Critical patent/CN113852994B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0925—Management thereof using policies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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]
    • G06F9/5094—Allocation of resources, e.g. of the central processing unit [CPU] where the allocation takes into account power or heat criteria
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/18502—Airborne stations
    • H04B7/18504—Aircraft used as relay or high altitude atmospheric platform
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/18502—Airborne stations
    • H04B7/18506—Communications with or from aircraft, i.e. aeronautical mobile service
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04—Large scale networks; Deep hierarchical networks
    • H04W84/06—Airborne or Satellite Networks
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
    • 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)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种用于应急通信中的高空基站集群辅助边缘计算方法，采用精准获取K值的AK‑means方法求解无人机的数量、以及位置部署，对移动目标区域进行全面覆盖，并且为了防止无人机供电不足、或者其他意外天气情况的发生，在空中部署一定数量配备MEC服务器的高空气球终端，辅助无人机为地面移动用户设备提供通信与计算服务，并引入数字孪生网络来实时反馈移动用户设备、无人机、高空气球终端的地理位置和计算资源等信息，应用深度强化学习中的DDQN算法求解移动用户设备的卸载决策，利用RO算法获取移动用户设备、无人机以及高空气球终端的计算资源分配策略，有效降低整个系统的能量消耗，提高移动用户设备的服务体验。

Description

一种用于应急通信中的高空基站集群辅助边缘计算方法
技术领域
本发明涉及一种用于应急通信中的高空基站集群辅助边缘计算方法，属于无人机辅助的边缘计算技术领域。
背景技术
近年来，极端天气事件频发，在面对未知的天气状况时，提前做好通信平台的建设至关重要，既是对突发事件的防范，也是对人员生命的保障；现阶段，关于应急通信中高空基站平台的搭建研究越来越多，其中由于无人机具有高机动性，成本低廉和易于部署的特点，无人机辅助的边缘计算技术快速发展，并受到学术界和工业界广泛的关注。一方面，关于无人机的部署问题常用的方法有DBSCAN算法和K-means算法等，其中，DBSCAN算法不用事先给定聚类数目，但需要对距离阈值和邻域样本数阈值联合调参，一般这两个参数的确定需要依靠经验值，若是初始选择不好，将会造成较大的计算复杂度。而传统的K-means算法在解决无人机部署问题时，聚类数目 K是给定的无人机数量， K值的选择也会对最终的聚类效果产生一定的影响。另一方面，现有针对无人机辅助边缘计算的研究中，大多假设无人机能够稳定地飞行或悬停在高空中，为用户设备提供流畅的通信与计算服务，并未考虑在极端天气中，一旦无人机无法稳定持续地为用户设备提供服务，该如何进一步保障用户设备的通信体验。
现实世界中，环境在随时随地发生改变，地面用户的移动也存在无规律性，数字孪生作为一种新兴的数字技术，可将真实世界数字化，实现物理世界与虚拟世界的交流，协作和信息共享，从而创造出一个混合的真实虚拟世界。进一步的，通过将移动边缘计算和数字孪生进行结合，构建数字孪生边缘网络，可以监控整个边缘计算网络的实时状态，为物理实体提供更加准确快速的决策。
发明内容
本发明所要解决的技术问题是提供一种用于应急通信中的高空基站集群辅助边缘计算方法，充分考虑在面对未知环境时，无人机数量和位置部署的确定，以及利用在高空气球端构建的数字孪生网络所反馈的实时数据，获得全局次优解的卸载决策和计算资源分配，从而降低整个系统的能量消耗。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种用于应急通信中的高空基站集群辅助边缘计算方法，基于无人机集群、以及高空气球终端集群，实现对目标区域内各移动用户设备上计算任务的卸载计算；包括如下步骤：
步骤S1. 基于目标区域中预设用于标记目标区域范围的各个固定地标对象，应用AK-means方法，求解获得无人机布设数量、以及各无人机部署位置，构建无人机集群辅助边缘计算模型，然后进入步骤S2；
步骤S2. 根据无人机集群辅助边缘计算模型，结合目标区域内的各移动用户设备，以及高度统一高于无人机集群高度、且通信范围覆盖目标区域的各个配备MEC服务器的高空气球终端所构成的高空气球终端集群，构建物理实体网络、以及其所对应的数字孪生网络，用于拟合各移动用户设备、各无人机、各高空气球终端的坐标位置、资源状态，然后进入步骤S3；
步骤S3. 基于数字孪生网络反馈的物理实体网络信息，包括各移动用户设备的位置、全部计算任务，以及无人机集群的布设信息和高空气球终端集群的布设信息，构建移动用户设备卸载决策优化模型和计算任务资源分配优化模型，然后进入步骤S4；
步骤S4. 基于步骤S3所构建的移动用户设备卸载决策优化模型和计算任务资源分配优化模型，应用深度强化学习中的DDQN算法求解移动用户设备卸载决策，然后进入步骤S5；
步骤S5. 基于步骤S4所获取的移动用户设备的卸载决策，利用RO算法来获取移动用户设备、无人机、高空气球终端的计算资源分配策略，然后进入步骤S6；
步骤S6. 迭代执行步骤S4至步骤S5，直到相邻两次迭代下整个系统的能量消耗值的绝对值小于预设阈值，或者达到最大预设迭代次数时，迭代结束，即获得移动用户设备、无人机、高空气球终端的计算资源最优分配策略，以及获得移动用户设备、无人机、高空气球终端的计算任务最优卸载决策；然后基于无人机集群、以及高空气球终端集群的布设，应用计算任务最优卸载决策、以及计算资源最优分配策略，实现对目标区域内各移动用户设备上计算任务的卸载计算。
作为本发明的一种优选技术方案：所述步骤S1中，基于目标区域中预设用于标记目标区域范围的各个固定地标对象，执行如下步骤S1-1至步骤S1-11，求解获得无人机布设数量、以及各无人机部署位置，构建无人机集群辅助边缘计算模型，然后进入步骤S2；
步骤S1-1. 初始化大于2、且小于或等于供选择无人机总数的聚类中心数量，然后进入步骤S1-2；其中，小于固定地标对象的总数；
步骤S1-2. 初始化=1，由各个固定地标对象中随机选择一个固定地标对象，作为个聚类中心方案下的第个初始聚类中心，并针对的值进行加1更新，且定义未作为个聚类中心方案下初始聚类中心的各个固定地标对象为个聚类中心方案下的各个待选择固定地标对象，然后进入步骤S1-3；
步骤S1-3. 基于各个固定地标对象分别对应水平面内的二维坐标，获得各个待选择固定地标对象分别与各初始聚类中心之间的最小欧几里得距离，并按如下公式:
获得各个待选择固定地标对象分别作为下一个初始聚类中心的概率，然后进入步骤S1-4；其中，，表示待选择固定地标对象的数量，表示第个待选择固定地标对象与各初始聚类中心之间的最小欧几里得距离，表示第个待选择固定地标对象与各初始聚类中心之间的最小欧几里得距离；
步骤S1-4. 基于各个待选择固定地标对象分别作为下一个初始聚类中心的概率，按照轮盘法选择出作为下一个初始聚类中心的待选择固定地标对象，将该待选择固定地标对象更新作为个聚类中心方案下的第个初始聚类中心，然后进入步骤S1-5；
步骤S1-5. 判断是否大于，是则个聚类中心方案下初始聚类中心的选择结束，并进入步骤S1-6，否则返回步骤S1-3；
步骤S1-6. 基于各个固定地标对象分别对应水平面内的二维坐标，针对个聚类中心方案下的各个待选择固定地标对象，将各个待选择固定地标对象分别分配至距离其最近的初始聚类中心，构成个聚类中心方案下的各个簇，然后进入步骤S1-7；
步骤S1-7. 分别针对个聚类中心方案下的各个簇，获得簇中各个固定地标对象对应水平面内二维坐标的均值坐标，以该均值坐标位置更新作为该簇的初始聚类中心，进而获得个聚类中心方案下各个簇的初始聚类中心的更新，然后进入步骤S1-8；
步骤S1-8. 判断个聚类中心方案下各个簇中更新后的初始聚类中心是否与更新之前的初始聚类中心均相同，是则个聚类中心方案下各个簇的初始聚类中心即为各个簇的聚类中心，并进入步骤S1-9，否则返回步骤S1-6；
步骤S1-9. 分别针对个聚类中心方案下的各个簇，计算获得簇中各个固定地标对象分别与其聚类中心的欧几里得距离，并按，获得该簇所对应的簇内误差平方和，然后进入步骤S1-10；其中，表示个聚类中心方案下第个簇中第个固定地标对象与其对应聚类中心之间的欧几里得距离，表示个聚类中心方案下第个簇中的固定地标对象数量；
步骤S1-10. 获得个聚类中心方案下的各个簇所对应簇内误差平方和的最大值，记为，并按，获得个聚类中心方案所对应的簇内误差平方和，然后判断是否大于，是则进入步骤S1-11，否则针对的值进行加1更新，并返回步骤S1-2；其中，和均表示预设参数，且＞1，＞1；
步骤S1-11. 根据各个聚类中心方案分别所对应的簇内误差平方和，以值作为横坐标、簇内误差平方和作为纵坐标，绘制手肘图像，并按横坐标方向选择手肘图像中的第一个拐点，获得该拐点所对应的横坐标值，即由该横坐标值确定无人机布设数量，以及由该横坐标值所对应聚类中心方案中各聚类中心分别对应水平面内的二维坐标，结合预设无人机统一海拔高度，确定各无人机部署位置。
作为本发明的一种优选技术方案：所述步骤S2包括如下步骤S2-1至步骤S2-3；
步骤S2-1. 基于预设目标区域内所有移动用户设备分别在目标区域内的任务计算操作持续时长统一为，获得各移动用户设备的坐标如下：
以及获得各移动用户设备分别在各时隙下所生成的计算任务如下：
然后进入步骤S2-2；其中，，表示移动用户设备的数量，表示第移动用户设备在时隙下的坐标，表示第移动用户设备在时隙下坐标中对应X轴的坐标值，表示第移动用户设备在时隙下坐标中对应Y轴的坐标值，表示第移动用户设备在时隙下坐标中对应Z轴的坐标值，表示第移动用户设备在时隙下所产生的计算任务，表示第移动用户设备在时隙下所产生计算任务的任务量大小，表示第移动用户设备在时隙下所产生计算任务中1比特任务量计算所需的CPU资源，表示第移动用户设备在时隙下所产生计算任务对应的预设最大时延；
步骤S2-2. 根据无人机集群辅助边缘计算模型，结合目标区域内的各移动用户设备，以及高度统一高于无人机集群高度、且通信范围覆盖目标区域的各个配备MEC服务器的高空气球终端所构成的高空气球终端集群，构建物理实体网络，然后进入步骤S2-3；
步骤S2-3. 构建物理实体网络所对应的数字孪生网络，用于拟合各移动用户设备、各无人机、各高空气球终端的坐标位置、资源状态，其中，各移动用户设备分别所对应的数字孪生体如下：
其中，表示第移动用户设备在时隙下所对应的数字孪生体，表示第移动用户设备的最大CPU频率，表示第移动用户设备在时隙下所对应数字孪生体的CPU频率，表示第移动用户设备在时隙下与其所对应数字孪生体之间的CPU频率估计误差；
各无人机分别所对应的数字孪生体如下：
其中，，表示无人机布设数量，表示第无人机在时隙下所对应的数字孪生体，表示第无人机的最大CPU频率，表示第无人机的坐标，表示第无人机在时隙下所对应数字孪生体分配给第移动用户设备的估计CPU频率，表示第无人机在时隙下分配给第移动用户设备的实际CPU频率与该无人机在时隙下所对应数字孪生体分配给第移动用户设备的估计CPU频率之间的误差；
各高空气球终端分别所对应的数字孪生体如下：
其中，，表示高空气球终端的数量，表示第高空气球终端在时隙下所对应的数字孪生体，表示第高空气球终端的最大CPU频率，表示第高空气球终端的坐标，表示第高空气球终端在时隙下所对应数字孪生体分配给第移动用户设备的估计CPU频率，表示第高空气球终端在时隙下分配给第移动用户设备的实际CPU频率与该高空气球终端在时隙下所对应数字孪生体分配给第移动用户设备的估计CPU频率之间的误差；
然后进入步骤S3。
作为本发明的一种优选技术方案：所述步骤S4包括如下步骤S4-1至步骤S4-3；
步骤S4-1. 基于表示第移动用户设备在时隙下计算任务未在对象上执行，表示第移动用户设备在时隙下计算任务在对象上执行，以及所布设无人机集合、高空气球终端集合表示本地，若第移动用户设备在时隙下针对计算任务执行本地计算，则如下：
若第移动用户设备在时隙下将计算任务卸载至无人机上时，则如下：
若第移动用户设备在时隙下将计算任务卸载至高空气球终端上时，则如下：
然后进入步骤S4-2；
步骤S4-2. 获得各移动用户设备分别在时隙下针对计算任务进行卸载的约束条件如下：
然后进入步骤S4-3；
步骤S4-3. 构建两个参数完全相同的深度神经网络，并对其中一个网络记为G网络，且G网络的所有参数记为，另一个网络记为目标G网络，且目标G网络的所有参数记为，然后进入步骤S4-4；
步骤S4-4. 在时隙下，G网络的输入是当前系统的状态，输出是全部卸载动作构成的动作空间、以及状态下各个移动用户设备完成卸载动作选择后整个系统能量消耗值的负值和惩罚值之和值，其中应用-greedy贪婪算法进行最终动作的选择，在执行选择的动作后进入下一个状态，得到奖励函数，并将这条记录加入到大小为的经验池中，经验池被填满后，应用经验回放策略，进行G网络参数的更新，并经过预设步数，进行目标G网络参数的更新。
作为本发明的一种优选技术方案：所述步骤S4-4中当前系统的状态、全部卸载动作构成的动作空间、以及奖励函数分别表示如下：
则基于当前系统的状态，第移动用户设备完成计算任务地点的卸载后，在时隙下，全部卸载动作构成的动作空间表示如下：
则获得奖励函数表示如下：
 其中，、、分别表示在时隙下，第移动用户设备计算任务的本地计算模式、无人机计算模式、高空气球计算模式下的能量消耗；表示惩罚项，其中，若第移动用户设备计算任务的完成时间大于该计算任务本身所对应的预设最大时延，则会相应给出预设惩罚数值，表示第移动用户设备在时隙下选择本地计算消耗的能耗，表示第移动用户设备在时隙下传输计算任务到第无人机消耗的传输能耗，表示第无人机因为计算来自第移动用户设备的计算任务消耗的能耗，表示第移动用户设备在时隙下传输计算任务到第高空气球终端消耗的传输能耗，表示第高空气球终端计算来自第移动用户设备的计算任务消耗的能耗。
作为本发明的一种优选技术方案：所述奖励函数获得中在时隙下第移动用户设备计算任务的本地计算模式、无人机计算模式、高空气球计算模式下能量消耗的获得，包括如下步骤：
步骤S4-4-1. 在时隙下，若第移动用户设备计算任务选择本地计算模式，则相对应的能量消耗如下：
其中，表示对应第移动用户设备芯片结构的预设参数值；
步骤S4-4-2. 在时隙下，若第移动用户设备计算任务选择无人机计算模式，则相对应的能量消耗如下：
1）第移动用户设备在时隙下传输计算任务到第无人机消耗的传输能耗为：
其中，表示第移动用户设备在时隙下向第无人机传输计算任务时的发射功率；表示第移动用户设备在时隙下向第无人机传输计算任务的传输时间，表示为：
其中，表示信道功率增益，表示信道带宽，表示高斯白噪声；
 2）第无人机因为计算来自第移动用户设备的计算任务消耗的能耗为：
其中，表示对应第无人机芯片结构的预设参数值；
步骤S4-4-3. 在时隙下，若第移动用户设备计算任务选择高空气球终端计算模式，则相对应的能量消耗如下：
1）第移动用户设备在时隙下传输计算任务到第高空气球终端消耗的传输能耗为：
其中，表示第移动用户设备在时隙下向第高空气球终端传输计算任务的发射功率；表示第移动用户设备在时隙下向第高空气球终端传输计算任务的传输时间，表示为：
2)第高空气球终端计算来自第移动用户设备的计算任务消耗的能耗为：
其中，表示对应第高空气球终端芯片结构的预设参数值。
作为本发明的一种优选技术方案：所述步骤S5包括如下步骤S5-1至步骤S5-3；
步骤S5-1. 定义计算资源分配变量，，，，然后进入步骤S5-2；
步骤S5-2. 基于中对应的取值范围，构建优化问题和其对应的优化约束如下，求解计算资源分配变量；
其中，表示在时隙下为完成第移动用户设备的计算任务，表示相邻两个时隙之间的持续时间大小，整个系统的能量消耗表示如下：
约束C1-约束C3表示在时隙下第移动用户设备的计算CPU频率、第无人机的计算CPU频率、第高空气球终端的计算CPU频率不能超过各自的最大CPU频率；
约束C4-约束C6表示在时隙下第移动用户设备的计算任务无论是在本地计算、无人机计算，还是高空气球终端计算，完成的时间均不能超过第移动用户设备关于该计算任务对应的预设最大时延；其中，约束C4中，表示在时隙下第移动用户设备本地计算实际消耗的时间，包含第移动用户设备的数字孪生体估计的计算时间、以及第移动用户设备的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙，第移动用户设备的数字孪生体估计的计算时间表示为：
第移动用户设备的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙表示如下：
则在时隙下第移动用户设备本地计算实际消耗的时间表示如下：
约束C5中，表示在时隙下第无人机完成第移动用户设备的计算任务实际消耗的时间，包含第无人机的数字孪生体估计的计算时间、以及第无人机的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙，第无人机的数字孪生体估计的计算时间表示如下：
第无人机的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙表示为：
则在时隙下第无人机完成第移动用户设备的计算任务实际消耗的时间表示为：
约束C6中，表示在时隙下第高空气球终端为完成第移动用户设备的计算任务实际消耗的时间，包含第高空气球终端的数字孪生体估计的计算时间、以及第高空气球终端的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙，第高空气球终端的数字孪生体估计的计算时间表示为：
第高空气球终端的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙表示为：
则在时隙下第高空气球终端为完成第移动用户设备的计算任务实际消耗的时间表示为：
约束C7-C9表示在整个时间周期 T内，第移动用户设备、第无人机、第高空气球终端消耗的能耗都不能超过自身最大能耗值；
然后进入步骤S5-3；
步骤S5-3. 对于步骤S5-2中的各个优化约束，使用凸优化工具CVX，求解获得最优的计算资源分配结果。
本发明所述一种用于应急通信中的高空基站集群辅助边缘计算方法，采用以上技术方案与现有技术相比，具有以下技术效果：
（1）本发明所设计用于应急通信中的高空基站集群辅助边缘计算方法，根据具体环境状况，采用精准获取K值的AK-means方法求解无人机的数量、以及位置部署，对移动目标区域进行全面覆盖，并且为了防止无人机供电不足、或者其他意外天气情况的发生，在空中部署一定数量配备MEC服务器的高空气球终端，辅助无人机为地面移动用户设备提供通信与计算服务，并在高空气球终端引入数字孪生网络来实时反馈移动用户设备、无人机、以及高空气球终端的地理位置和计算资源等信息，应用深度强化学习中的DDQN算法求解移动用户设备的卸载决策，利用RO算法获取移动用户设备、无人机以及高空气球终端的计算资源分配策略，有效降低整个系统的能量消耗，提高移动用户设备的服务体验，具有较好的方便性；
（2）本发明采用精准获取K值的AK-means方法求解无人机的数量以及位置部署，能够有效利用无人机资源，在确保资源不浪费的同时，充分为移动用户设备服务，做到效益最大化，并且深度强化学习中的DDQN算法能够适应动态的环境变化，得到一个最优的卸载决策，可以明显提高系统的实时性。
附图说明
图1为本发明实施例的高空基站集群构成示意图；
图2是本发明实施例的HBS-AEC算法流程；
图3为本发明实施例的AK-means实施流程图；
图4为本发明实施例的用于求解卸载决策的DDQN示意图；
图5为本发明实施例的不同算法的移动用户设备任务量与系统能量消耗对比图；
图6为本发明实施例的不同算法的移动用户设备数与系统能量消耗对比图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明所设计一种用于应急通信中的高空基站集群辅助边缘计算方法， 基于图1所示，无人机集群、以及高空气球终端集群，实现对目标区域内各移动用户设备上计算任务的卸载计算；实际应用当中，如图2所示，执行如下步骤。
步骤S1. 基于目标区域中预设用于标记目标区域范围的各个固定地标对象，应用AK-means方法，求解获得无人机布设数量、以及各无人机部署位置，构建无人机集群辅助边缘计算模型，然后进入步骤S2。
实际应用当中，上述步骤S1中，基于目标区域中预设用于标记目标区域范围的各个固定地标对象，按图3所示，执行如下步骤S1-1至步骤S1-11，求解获得无人机布设数量、以及各无人机部署位置，构建无人机集群辅助边缘计算模型，然后进入步骤S2。
步骤S1-1. 初始化大于2、且小于或等于供选择无人机总数 的聚类中心数量，然后进入步骤S1-2；其中，小于固定地标对象的总数。
步骤S1-2. 初始化=1，由各个固定地标对象中随机选择一个固定地标对象，作为个聚类中心方案下的第个初始聚类中心，并针对的值进行加1更新，且定义未作为个聚类中心方案下初始聚类中心的各个固定地标对象为个聚类中心方案下的各个待选择固定地标对象，然后进入步骤S1-3。
步骤S1-3. 基于各个固定地标对象分别对应水平面内的二维坐标，获得各个待选择固定地标对象分别与各初始聚类中心之间的最小欧几里得距离，并按如下公式:
获得各个待选择固定地标对象分别作为下一个初始聚类中心的概率，然后进入步骤S1-4；其中，，表示待选择固定地标对象的数量，表示第个待选择固定地标对象与各初始聚类中心之间的最小欧几里得距离，表示第个待选择固定地标对象与各初始聚类中心之间的最小欧几里得距离。
步骤S1-4. 基于各个待选择固定地标对象分别作为下一个初始聚类中心的概率，按照轮盘法选择出作为下一个初始聚类中心的待选择固定地标对象，将该待选择固定地标对象更新作为个聚类中心方案下的第个初始聚类中心，然后进入步骤S1-5。
步骤S1-5. 判断是否大于，是则个聚类中心方案下初始聚类中心的选择结束，并进入步骤S1-6，否则返回步骤S1-3。
步骤S1-6. 基于各个固定地标对象分别对应水平面内的二维坐标，针对个聚类中心方案下的各个待选择固定地标对象，将各个待选择固定地标对象分别分配至距离其最近的初始聚类中心，构成个聚类中心方案下的各个簇，然后进入步骤S1-7。
步骤S1-7. 分别针对个聚类中心方案下的各个簇，获得簇中各个固定地标对象对应水平面内二维坐标的均值坐标，以该均值坐标位置更新作为该簇的初始聚类中心，进而获得个聚类中心方案下各个簇的初始聚类中心的更新，然后进入步骤S1-8。
步骤S1-8. 判断个聚类中心方案下各个簇中更新后的初始聚类中心是否与更新之前的初始聚类中心均相同，是则个聚类中心方案下各个簇的初始聚类中心即为各个簇的聚类中心，并进入步骤S1-9，否则返回步骤S1-6。
步骤S1-9. 分别针对个聚类中心方案下的各个簇，计算获得簇中各个固定地标对象分别与其聚类中心的欧几里得距离，并按，获得该簇所对应的簇内误差平方和，然后进入步骤S1-10；其中，表示个聚类中心方案下第个簇中第个固定地标对象与其对应聚类中心之间的欧几里得距离，表示个聚类中心方案下第个簇中的固定地标对象数量。
步骤S1-10. 获得个聚类中心方案下的各个簇所对应簇内误差平方和的最大值，记为，并按，获得个聚类中心方案所对应的簇内误差平方和，然后判断是否大于，是则进入步骤S1-11，否则针对的值进行加1更新，并返回步骤S1-2；其中，和均表示预设参数，且＞1，＞1，这里指数函数的应用，是为了更好的显示聚类效果的好坏，以及对的应用，是为了降低计算复杂度。
步骤S1-11. 根据各个聚类中心方案分别所对应的簇内误差平方和，以值作为横坐标、簇内误差平方和作为纵坐标，绘制手肘图像，并按横坐标方向选择手肘图像中的第一个拐点，获得该拐点所对应的横坐标值，即由该横坐标值确定无人机布设数量，以及由该横坐标值所对应聚类中心方案中各聚类中心分别对应水平面内的二维坐标，结合预设无人机统一海拔高度，确定各无人机部署位置。
步骤S2. 根据无人机集群辅助边缘计算模型，结合目标区域内的各移动用户设备，以及高度统一高于无人机集群高度、且通信范围覆盖目标区域的各个配备MEC服务器的高空气球终端所构成的高空气球终端集群，构建物理实体网络、以及其所对应的数字孪生网络，用于拟合各移动用户设备、各无人机、各高空气球终端的坐标位置、资源状态，然后进入步骤S3。
实际应用当中，上述步骤S2包括具体执行如下步骤S2-1至步骤S2-3。
步骤S2-1. 基于预设目标区域内所有移动用户设备分别在目标区域内的任务计算操作持续时长统一为，获得各移动用户设备的坐标如下：
以及获得各移动用户设备分别在各时隙下所生成的计算任务如下：
然后进入步骤S2-2；其中，，表示移动用户设备的数量，表示第移动用户设备在时隙下的坐标，表示第移动用户设备在时隙下坐标中对应X轴的坐标值，表示第移动用户设备在时隙下坐标中对应Y轴的坐标值，表示第移动用户设备在时隙下坐标中对应Z轴的坐标值，表示第移动用户设备在时隙下所产生的计算任务，表示第移动用户设备在时隙下所产生计算任务的任务量大小，表示第移动用户设备在时隙下所产生计算任务中1比特任务量计算所需的CPU资源，表示第移动用户设备在时隙下所产生计算任务对应的预设最大时延。
步骤S2-2. 根据无人机集群辅助边缘计算模型，结合目标区域内的各移动用户设备，以及高度统一高于无人机集群高度、且通信范围覆盖目标区域的各个配备MEC服务器的高空气球终端所构成的高空气球终端集群，构建物理实体网络，然后进入步骤S2-3。
步骤S2-3. 构建物理实体网络所对应的数字孪生网络，用于拟合各移动用户设备、各无人机、各高空气球终端的坐标位置、资源状态，其中，各移动用户设备分别所对应的数字孪生体如下：
其中，表示第移动用户设备在时隙下所对应的数字孪生体，表示第移动用户设备的最大CPU频率，表示第移动用户设备在时隙下所对应数字孪生体的CPU频率，表示第移动用户设备在时隙下与其所对应数字孪生体之间的CPU频率估计误差；
各无人机分别所对应的数字孪生体如下：
其中，，表示无人机布设数量，表示第无人机在时隙下所对应的数字孪生体，表示第无人机的最大CPU频率，表示第无人机的坐标，表示第无人机在时隙下所对应数字孪生体分配给第移动用户设备的估计CPU频率，表示第无人机在时隙下分配给第移动用户设备的实际CPU频率与该无人机在时隙下所对应数字孪生体分配给第移动用户设备的估计CPU频率之间的误差；
各高空气球终端分别所对应的数字孪生体如下：
其中，，表示高空气球终端的数量，表示第高空气球终端在时隙下所对应的数字孪生体，表示第高空气球终端的最大CPU频率，表示第高空气球终端的坐标，表示第高空气球终端在时隙下所对应数字孪生体分配给第移动用户设备的估计CPU频率，表示第高空气球终端在时隙下分配给第移动用户设备的实际CPU频率与该高空气球终端在时隙下所对应数字孪生体分配给第移动用户设备的估计CPU频率之间的误差；然后进入步骤S3。
步骤S3. 基于数字孪生网络反馈的物理实体网络信息，包括各移动用户设备的位置、全部计算任务，以及无人机集群的布设信息和高空气球终端集群的布设信息，构建移动用户设备卸载决策优化模型和计算任务资源分配优化模型，然后进入步骤S4。
步骤S3具体实施中，定义移动用户设备关联变量，计算资源分配变量，，，，为了最小化整个系统的能量消耗，优化问题建模为：
；
；
 其中，表示在时隙，为完成第移动用户设备的计算任务，整个系统的能量消耗，表示为：
约束C1表示第移动用户设备的卸载决策是一个二进制变量，约束C2表示在时隙，第移动用户设备的计算任务只能选择一个地点进行完成，约束C3-C5表示在时隙，第移动用户设备，第无人机和第高空气球终端的CPU计算频率不能超过各自的最大CPU频率，约束C6-C8表示在时隙，第移动用户设备的计算任务无论是在本地计算，无人机端计算还是高空气球终端计算，完成的时间均不能超过用户设备所能容忍的最大时延，约束C9-C11表示在整个时间周期 T内，第移动用户设备、第无人机和第高空气球终端消耗的能耗都不能超过自身最大能耗值。
现有应用中，在求解移动用户设备卸载决策时，未引入深度强化学习中的DDQN算法时原问题的数学表达式构建为：给定计算资源分配，求解移动用户设备的卸载决策，故优化问题转换为：
步骤S4. 基于步骤S3所构建的移动用户设备卸载决策优化模型和计算任务资源分配优化模型，应用深度强化学习中的DDQN算法求解移动用户设备卸载决策，然后进入步骤S5。
实际应用当中，上述步骤S4包括执行如下步骤S4-1至步骤S4-3。
步骤S4-1. 基于表示第移动用户设备在时隙下计算任务未在对象上执行，表示第移动用户设备在时隙下计算任务在对象上执行，以及所布设无人机集合、高空气球终端集合表示本地，若第移动用户设备在时隙下针对计算任务执行本地计算，则如下：
若第移动用户设备在时隙下将计算任务卸载至无人机上时，则如下：
若第移动用户设备在时隙下将计算任务卸载至高空气球终端上时，则如下：
然后进入步骤S4-2。
步骤S4-2. 获得各移动用户设备分别在时隙下针对计算任务进行卸载的约束条件如下：
然后进入步骤S4-3。
步骤S4-3. 构建两个参数完全相同的深度神经网络，并对其中一个网络记为G网络，且G网络的所有参数记为，另一个网络记为目标G网络，且目标G网络的所有参数记为，然后进入步骤S4-4。
优化问题转换为：
其中，表示通过DDQN算法得到的最优卸载决策；
步骤S4-4. 在时隙下，G网络的输入是当前系统的状态，输出是全部卸载动作构成的动作空间、以及状态下各个移动用户设备完成卸载动作选择后整个系统能量消耗值的负值和惩罚值之和值，其中应用-greedy贪婪算法进行最终动作的选择，在执行选择的动作后进入下一个状态，得到奖励函数，并将这条记录加入到大小为的经验池中，经验池被填满后，应用经验回放策略，进行G网络参数的更新，并经过预设步数，进行目标G网络参数的更新。
实际应用中，上述步骤S4-4中当前系统的状态、全部卸载动作构成的动作空间、以及奖励函数分别表示如下：
则基于当前系统的状态，第移动用户设备完成计算任务地点的卸载后，在时隙下，全部卸载动作构成的动作空间表示如下：
则获得奖励函数表示如下：
其中，、、分别表示在时隙下，第移动用户设备计算任务的本地计算模式、无人机计算模式、高空气球计算模式下的能量消耗；表示惩罚项，其中，若第移动用户设备计算任务的完成时间大于该计算任务本身所对应的预设最大时延，则会相应给出预设惩罚数值，表示第移动用户设备在时隙下选择本地计算消耗的能耗，表示第移动用户设备在时隙下传输计算任务到第无人机消耗的传输能耗，表示第无人机因为计算来自第移动用户设备的计算任务消耗的能耗，表示第移动用户设备在时隙下传输计算任务到第高空气球终端消耗的传输能耗，表示第高空气球终端计算来自第移动用户设备的计算任务消耗的能耗。
并且所述奖励函数获得中在时隙下第移动用户设备计算任务的本地计算模式、无人机计算模式、高空气球计算模式下能量消耗的获得，包括如下步骤：
步骤S4-4-1. 在时隙下，若第移动用户设备计算任务选择本地计算模式，则相对应的能量消耗如下：
其中，表示对应第移动用户设备芯片结构的预设参数值，的设定依据移动用户设备的类型，针对不同的移动用户设备，对应的硬件信息不同，故该值有大有小；本专利预设所有移动用户设备对于该值的指定数值均是10-27。
步骤S4-4-2. 在时隙下，若第移动用户设备计算任务选择无人机计算模式，则相对应的能量消耗如下：
1）第移动用户设备在时隙下传输计算任务到第无人机消耗的传输能耗为：
其中，表示第移动用户设备在时隙下向第无人机传输计算任务时的发射功率；表示第移动用户设备在时隙下向第无人机传输计算任务的传输时间，表示为：
其中，表示信道功率增益，表示信道带宽，表示高斯白噪声；
 2）第无人机因为计算来自第移动用户设备的计算任务消耗的能耗为：
其中，表示对应第无人机芯片结构的预设参数值；的设定，依据无人机的类型，针对不同的无人机，对应的硬件信息不同，故该值有大有小；本专利预设所有无人机对于该值的指定数值均是10-28。
步骤S4-4-3. 在时隙下，若第移动用户设备计算任务选择高空气球终端计算模式，则相对应的能量消耗如下：
1）第移动用户设备在时隙下传输计算任务到第高空气球终端消耗的传输能耗为：
其中，表示第移动用户设备在时隙下向第高空气球终端传输计算任务的发射功率；表示第移动用户设备在时隙下向第高空气球终端传输计算任务的传输时间，表示为：
2)第高空气球终端计算来自第移动用户设备的计算任务消耗的能耗为：
其中，表示对应第高空气球终端芯片结构的预设参数值；的设定依据高空气球的类型，针对不同的高空气球，对应的硬件信息不同，故该值有大有小；本专利预设所有高空气球对于该值的指定数值均是10-29。
为解决优化问题P1.2，得到最优的卸载决策，具体在数字孪生网络应用DDQN算法的过程如下：
1），将物理实体网络中关于移动用户设备、无人机和高空气球的相关信息输入到数字孪生网络中，实现信息的共享；
2），智能体接收到物理信息后，向G网络输入当前系统的状态，即；
3），G网络在接收到当前系统状态后，经过处理，输出下一个状态、卸载动作、奖励和对应的Q值，其中动作使用-greedy贪婪算法进行选择，即以概率随机选择一个动作，以概率选择最优值动作；
4），智能体执行选择的动作，进入到下一个状态，得到奖励，并将记录加入到大小为的经验池中；
5），经验池被填满后，在其中随机抽取样本，应用经验回放策略，进行G网络参数的更新，具体步骤如下：
5-1），在经验池中，随机抽取份记录，并令；
5-2），对于第份记录，将其对应的状态输入到G网络中，得到对应的Q预测值，记为；
5-3），对于第份记录，将其对应的状态输入到G网络中，选择最大Q值对应的动作，记为；
5-4），对于第份记录，将其对应的状态输入到目标G网络中，找到动作对应的Q值，即
5-5），计算第份记录的Q目标值，记为：
其中，是衰减系数，当趋近于0时，全局网络将倾向于注重当前的瞬时奖励，当趋近于1时，全局网络将倾向于注重未来的回报；
5-6），使，并重复5-2）至5-6），直到，停止计算；
5-7），定义均方差损失函数，记为：
5-8），训练G网络，即通过神经网络的梯度反向传播来更新G网络的参数，更新公式为：
其中，表示学习率；
6），并经过一定的步数，使，进行目标G网络参数的更新。
步骤S5. 基于步骤S4所获取的移动用户设备的卸载决策，利用RO算法来获取移动用户设备、无人机、高空气球终端的计算资源分配策略，然后进入步骤S6。
上述步骤S5在实际应用当中具体执行如下步骤S5-1至步骤S5-3。
步骤S5-1. 定义计算资源分配变量，，，，然后进入步骤S5-2。
步骤S5-2. 基于中对应的取值范围，构建优化问题和其对应的优化约束如下，求解计算资源分配变量；
其中，表示的是所需要优化的目标函数，即在整个活动时间下，整个系统的能量消耗之和，表示在时隙下为完成第移动用户设备的计算任务，表示相邻两个时隙之间的持续时间大小，整个系统的能量消耗表示如下：
约束C1-约束C3表示在时隙下第移动用户设备的计算CPU频率、第无人机的计算CPU频率、第高空气球终端的计算CPU频率不能超过各自的最大CPU频率；
约束C4-约束C6表示在时隙下第移动用户设备的计算任务无论是在本地计算、无人机计算，还是高空气球终端计算，完成的时间均不能超过第移动用户设备关于该计算任务对应的预设最大时延；其中，约束C4中，表示在时隙下第移动用户设备本地计算实际消耗的时间，包含第移动用户设备的数字孪生体估计的计算时间、以及第移动用户设备的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙，第移动用户设备的数字孪生体估计的计算时间表示为：
第移动用户设备的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙表示如下：
则在时隙下第移动用户设备本地计算实际消耗的时间表示如下：
约束C5中，表示在时隙下第无人机完成第移动用户设备的计算任务实际消耗的时间，包含第无人机的数字孪生体估计的计算时间、以及第无人机的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙，第无人机的数字孪生体估计的计算时间表示如下：
第无人机的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙表示为：
则在时隙下第无人机完成第移动用户设备的计算任务实际消耗的时间表示为：
约束C6中，表示在时隙下第高空气球终端为完成第移动用户设备的计算任务实际消耗的时间，包含第高空气球终端的数字孪生体估计的计算时间、以及第高空气球终端的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙，第高空气球终端的数字孪生体估计的计算时间表示为：
第高空气球终端的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙表示为：
则在时隙下第高空气球终端为完成第移动用户设备的计算任务实际消耗的时间表示为：
约束C7-C9表示在整个时间周期 T内，第移动用户设备、第无人机、第高空气球终端消耗的能耗都不能超过自身最大能耗值；
然后进入步骤S5-3；
步骤S5-3. 对于步骤S5-2中的各个优化约束，使用凸优化工具CVX，求解获得最优的计算资源分配结果。
步骤S6. 迭代执行步骤S4至步骤S5，直到相邻两次迭代下整个系统的能量消耗值的绝对值小于预设阈值，或者达到最大预设迭代次数时，迭代结束，即获得移动用户设备、无人机、高空气球终端的计算资源最优分配策略，以及获得移动用户设备、无人机、高空气球终端的计算任务最优卸载决策；然后基于无人机集群、以及高空气球终端集群的布设，应用计算任务最优卸载决策、以及计算资源最优分配策略，实现对目标区域内各移动用户设备上计算任务的卸载计算。
上述技术方案所设计用于应急通信中的高空基站集群辅助边缘计算方法，根据具体环境状况，采用精准获取K值的AK-means方法求解无人机的数量、以及位置部署，对移动目标区域进行全面覆盖，并且为了防止无人机供电不足、或者其他意外天气情况的发生，在空中部署一定数量配备MEC服务器的高空气球终端，辅助无人机为地面移动用户设备提供通信与计算服务，并在高空气球终端引入数字孪生网络来实时反馈移动用户设备、无人机、以及高空气球终端的地理位置和计算资源等信息，应用深度强化学习中的DDQN算法求解移动用户设备的卸载决策，利用RO算法获取移动用户设备、无人机以及高空气球终端的计算资源分配策略，有效降低整个系统的能量消耗，提高移动用户设备的服务体验，具有较好的方便性。
本发明采用精准获取K值的AK-means方法求解无人机的数量以及位置部署，能够有效利用无人机资源，在确保资源不浪费的同时，充分为移动用户设备服务，做到效益最大化，并且深度强化学习中的DDQN算法能够适应动态的环境变化，得到一个最优的卸载决策，可以明显提高系统的实时性。
如图5和图6所示是经过多次仿真实验后的对比图。其中图5给出的是一些求解算法，在移动用户设备数一定的情况下，随着移动用户设备任务量增多，整个系统能量消耗的表现，分别是本发明提出HBS-AEC算法，Deep Q-Network （DQN）算法和不应用RO算法。整体来看，无论哪一种算法，随着移动用户设备任务量的增加，整体系统的能耗均是呈上升趋势，但本发明提出的HBS-AEC算法较其他两种算法在最终得到的结果中均是最优的。一开始移动用户设备任务量不大的时候，三种算法之间的差距很小。当移动用户设备任务量增长到一定程度后，三种算法之间的差距明显增大，这是由于本发明提出的HBS-AEC算法求解出来的策略开始充分考虑了环境信息，部署了适量的无人机，并且移动用户设备、无人机和高空气球的计算资源得到充分优化。
如图6所示给出的是一些求解算法，在移动用户设备任务量一定的情况下，随着移动用户设备数的增多，整个系统能量消耗的表现，分别是本发明提出的HBS-AEC算法，DQN算法和不应用RO算法。三种算法中，整体来看，随着移动用户设备数的增加，整体系统的能耗均是呈上升趋势，但我们所提出的HBS-AEC算法相较于其他两种算法效果要更加优秀。当移动用户设备数增长到一定程度后，三种算法之间的差距明显增大，这是由于本发明提出的算法求解出来的策略充分利用了数字孪生网络所反馈的环境信息，并依据DDQN算法得到适合当下环境的卸载决策，最后对移动用户设备、无人机和高空气球终端计算资源充分优化，具有一定的可行性。经过实验数据分析，本发明提出的HBS-AEC算法相较于DQN算法和不应用RO算法能够分别显著降低整体系统能耗的7%和10%。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (3)

1.一种用于应急通信中的高空基站集群辅助边缘计算方法，其特征在于：基于无人机集群、以及高空气球终端集群，实现对目标区域内各移动用户设备上计算任务的卸载计算；包括如下步骤：
步骤S1.基于目标区域中预设用于标记目标区域范围的各个固定地标对象，应用AK-means方法，执行如下步骤S1-1至步骤S1-11，求解获得无人机布设数量、以及各无人机部署位置，构建无人机集群辅助边缘计算模型，然后进入步骤S2；
步骤S1-1.初始化大于2、且小于或等于供选择无人机总数MAX的聚类中心数量K，然后进入步骤S1-2；其中，MAX小于固定地标对象的总数M；
步骤S1-2.初始化kK＝1，由各个固定地标对象中随机选择一个固定地标对象，作为K个聚类中心方案下的第kK个初始聚类中心，并针对kK的值进行加1更新，且定义未作为K个聚类中心方案下初始聚类中心的各个固定地标对象为K个聚类中心方案下的各个待选择固定地标对象，然后进入步骤S1-3；
步骤S1-3.基于各个固定地标对象分别对应水平面内的二维坐标，获得各个待选择固定地标对象分别与各初始聚类中心之间的最小欧几里得距离，并按如下公式:
Figure FDA0004109281390000011
获得各个待选择固定地标对象分别作为下一个初始聚类中心的概率p(m')，然后进入步骤S1-4；其中，1≤m'≤M'，1≤m”≤M'，M'表示待选择固定地标对象的数量，d(m')表示第m'个待选择固定地标对象与各初始聚类中心之间的最小欧几里得距离，d(m”)表示第m”个待选择固定地标对象与各初始聚类中心之间的最小欧几里得距离；
步骤S1-4.基于各个待选择固定地标对象分别作为下一个初始聚类中心的概率，按照轮盘法选择出作为下一个初始聚类中心的待选择固定地标对象，将该待选择固定地标对象更新作为K个聚类中心方案下的第kK个初始聚类中心，然后进入步骤S1-5；
步骤S1-5.判断kK+1是否大于K，是则K个聚类中心方案下初始聚类中心的选择结束，并进入步骤S1-6，否则返回步骤S1-3；
步骤S1-6.基于各个固定地标对象分别对应水平面内的二维坐标，针对K个聚类中心方案下的各个待选择固定地标对象，将各个待选择固定地标对象分别分配至距离其最近的初始聚类中心，构成K个聚类中心方案下的各个簇，然后进入步骤S1-7；
步骤S1-7.分别针对K个聚类中心方案下的各个簇，获得簇中各个固定地标对象对应水平面内二维坐标的均值坐标，以该均值坐标位置更新作为该簇的初始聚类中心，进而获得K个聚类中心方案下各个簇的初始聚类中心的更新，然后进入步骤S1-8；
步骤S1-8.判断K个聚类中心方案下各个簇中更新后的初始聚类中心是否与更新之前的初始聚类中心均相同，是则K个聚类中心方案下各个簇的初始聚类中心即为各个簇的聚类中心，并进入步骤S1-9，否则返回步骤S1-6；
步骤S1-9.分别针对K个聚类中心方案下的各个簇，计算获得簇中各个固定地标对象分别与其聚类中心的欧几里得距离
Figure FDA0004109281390000021
并按
Figure FDA0004109281390000022
获得该簇所对应的簇内误差平方和
Figure FDA0004109281390000023
然后进入步骤S1-10；其中，
Figure FDA0004109281390000024
表示K个聚类中心方案下第kK个簇中第
Figure FDA0004109281390000025
个固定地标对象与其对应聚类中心之间的欧几里得距离，
Figure FDA0004109281390000026
表示K个聚类中心方案下第kK个簇中的固定地标对象数量；
步骤S1-10.获得K个聚类中心方案下的各个簇所对应簇内误差平方和
Figure FDA0004109281390000027
的最大值，记为
Figure FDA0004109281390000028
并按
Figure FDA0004109281390000029
获得K个聚类中心方案所对应的簇内误差平方和FSSEK，然后判断K+1是否大于MAX，是则进入步骤S1-11，否则针对K的值进行加1更新，并返回步骤S1-2；其中，U和a均表示预设参数，且U＞1，a＞1；
步骤S1-11.根据各个聚类中心方案分别所对应的簇内误差平方和FSSEK，以K值作为横坐标、簇内误差平方和FSSEK作为纵坐标，绘制手肘图像，并按横坐标方向选择手肘图像中的第一个拐点，获得该拐点所对应的横坐标值，即由该横坐标值确定无人机布设数量，以及由该横坐标值所对应聚类中心方案中各聚类中心分别对应水平面内的二维坐标，结合预设无人机统一海拔高度，确定各无人机部署位置；
步骤S2.根据无人机集群辅助边缘计算模型，结合目标区域内的各移动用户设备，以及高度统一高于无人机集群高度、且通信范围覆盖目标区域的各个配备MEC服务器的高空气球终端所构成的高空气球终端集群，构建物理实体网络、以及其所对应的数字孪生网络，用于拟合各移动用户设备、各无人机、各高空气球终端的坐标位置、资源状态，然后进入步骤S3；
上述步骤S2包括如下步骤S2-1至步骤S2-3；
步骤S2-1.基于预设目标区域内所有移动用户设备分别在目标区域内的任务计算操作持续时长统一为T，获得各移动用户设备的坐标如下：
Li(t)＝(xi(t),yi(t),zi(t))
以及获得各移动用户设备分别在各时隙t下所生成的计算任务如下：
Ui(t)＝{Di(t),Ci(t),Ti(t)}
然后进入步骤S2-2；其中，1≤t≤T，1≤i≤I，I表示移动用户设备的数量，Li(t)表示第i移动用户设备在时隙t下的坐标，xi(t)表示第i移动用户设备在时隙t下坐标中对应X轴的坐标值，yi(t)表示第i移动用户设备在时隙t下坐标中对应Y轴的坐标值，zi(t)表示第i移动用户设备在时隙t下坐标中对应Z轴的坐标值，Ui(t)表示第i移动用户设备在时隙t下所产生的计算任务，Di(t)表示第i移动用户设备在时隙t下所产生计算任务的任务量大小，Ci(t)表示第i移动用户设备在时隙t下所产生计算任务中1比特任务量计算所需的CPU资源，Ti(t)表示第i移动用户设备在时隙t下所产生计算任务对应的预设最大时延；
步骤S2-2.根据无人机集群辅助边缘计算模型，结合目标区域内的各移动用户设备，以及高度统一高于无人机集群高度、且通信范围覆盖目标区域的各个配备MEC服务器的高空气球终端所构成的高空气球终端集群，构建物理实体网络，然后进入步骤S2-3；
步骤S2-3.构建物理实体网络所对应的数字孪生网络，用于拟合各移动用户设备、各无人机、各高空气球终端的坐标位置、资源状态，其中，各移动用户设备分别所对应的数字孪生体如下：
Figure FDA0004109281390000031
其中，DTi(t)表示第i移动用户设备在时隙t下所对应的数字孪生体，
Figure FDA0004109281390000032
表示第i移动用户设备的最大CPU频率，fi(t)表示第i移动用户设备在时隙t下所对应数字孪生体的CPU频率，fi^(t)表示第i移动用户设备在时隙t下与其所对应数字孪生体之间的CPU频率估计误差；
各无人机分别所对应的数字孪生体如下：
Figure FDA0004109281390000033
其中，1≤q≤Q，Q表示无人机布设数量，DTq(t)表示第q无人机在时隙t下所对应的数字孪生体，
Figure FDA0004109281390000041
表示第q无人机的最大CPU频率，Lq表示第q无人机的坐标，
Figure FDA0004109281390000042
表示第q无人机在时隙t下所对应数字孪生体分配给第i移动用户设备的估计CPU频率，
Figure FDA0004109281390000043
表示第q无人机在时隙t下分配给第i移动用户设备的实际CPU频率与该无人机在时隙t下所对应数字孪生体分配给第i移动用户设备的估计CPU频率之间的误差；
各高空气球终端分别所对应的数字孪生体如下：
Figure FDA0004109281390000044
其中，Q+1≤j≤Q+J，J表示高空气球终端的数量，DTj(t)表示第j高空气球终端在时隙t下所对应的数字孪生体，
Figure FDA0004109281390000045
表示第j高空气球终端的最大CPU频率，Lj表示第j高空气球终端的坐标，
Figure FDA0004109281390000046
表示第j高空气球终端在时隙t下所对应数字孪生体分配给第i移动用户设备的估计CPU频率，
Figure FDA0004109281390000047
表示第j高空气球终端在时隙t下分配给第i移动用户设备的实际CPU频率与该高空气球终端在时隙t下所对应数字孪生体分配给第i移动用户设备的估计CPU频率之间的误差；
然后进入步骤S3；
步骤S3.基于数字孪生网络反馈的物理实体网络信息，包括各移动用户设备的位置、全部计算任务，以及无人机集群的布设信息和高空气球终端集群的布设信息，构建移动用户设备卸载决策优化模型和计算任务资源分配优化模型，然后进入步骤S4；
步骤S4.基于步骤S3所构建的移动用户设备卸载决策优化模型和计算任务资源分配优化模型，应用深度强化学习中的DDQN算法求解移动用户设备卸载决策，然后进入步骤S5；上述步骤S4包括如下步骤S4-1至步骤S4-4；
步骤S4-1.基于
Figure FDA0004109281390000048
表示第i移动用户设备在时隙t下计算任务未在对象l上执行，
Figure FDA0004109281390000049
表示第i移动用户设备在时隙t下计算任务在对象l上执行，以及所布设无人机集合{1、…、Q}、高空气球终端集合{Q+1、…、Q+J}、l＝0表示本地，若第i移动用户设备在时隙t下针对计算任务执行本地计算，则如下：
Figure FDA00041092813900000410
若第i移动用户设备在时隙t下将计算任务卸载至无人机上时，则如下：
Figure FDA0004109281390000051
若第i移动用户设备在时隙t下将计算任务卸载至高空气球终端上时，则如下：
Figure FDA0004109281390000052
然后进入步骤S4-2；
步骤S4-2.获得各移动用户设备分别在时隙t下针对计算任务进行卸载的约束条件如下：
Figure FDA0004109281390000053
然后进入步骤S4-3；
步骤S4-3.构建两个参数完全相同的深度神经网络，并对其中一个网络记为G网络，且G网络的所有参数记为
Figure FDA0004109281390000054
另一个网络记为目标G网络，且目标G网络的所有参数记为
Figure FDA0004109281390000055
然后进入步骤S4-4；
步骤S4-4.在时隙t下，G网络的输入是当前系统的状态S(t)，输出是全部卸载动作构成的动作空间A(t)、以及状态S(t)下各个移动用户设备完成卸载动作选择后整个系统能量消耗值的负值和惩罚值之和Q值，其中应用ε-greedy贪婪算法进行最终动作的选择，在执行选择的动作
Figure FDA0004109281390000056
后进入下一个状态S(t+1)，得到奖励函数R(t+1)，并将这条记录
Figure FDA0004109281390000057
加入到大小为D的经验池中，经验池被填满后，应用经验回放策略，进行G网络参数
Figure FDA0004109281390000058
的更新，并经过预设步数，进行目标G网络参数
Figure FDA00041092813900000512
的更新；
步骤S5.基于步骤S4所获取的移动用户设备的卸载决策，利用RO算法来获取移动用户设备、无人机、高空气球终端的计算资源分配策略，然后进入步骤S6；
上述步骤S5包括如下步骤S5-1至步骤S5-3；
步骤S5-1.定义计算资源分配变量F＝{F1,F2,F3},F1＝{fi(t)},
Figure FDA0004109281390000059
Figure FDA00041092813900000510
然后进入步骤S5-2；
步骤S5-2.基于
Figure FDA00041092813900000511
中l对应{0、1、…、Q+1、…、Q+J}的取值范围，构建优化问题和其对应的优化约束如下，求解计算资源分配变量F；
Figure FDA0004109281390000061
约束
Figure FDA0004109281390000062
约束
Figure FDA0004109281390000063
约束
Figure FDA0004109281390000064
约束
Figure FDA0004109281390000065
约束
Figure FDA0004109281390000066
约束
Figure FDA0004109281390000067
约束
Figure FDA0004109281390000068
约束
Figure FDA0004109281390000069
约束
Figure FDA00041092813900000610
其中，
Figure FDA00041092813900000611
表示在时隙t下为完成第i移动用户设备的计算任务，τ表示相邻两个时隙之间的持续时间大小，整个系统的能量消耗表示如下：
Figure FDA00041092813900000612
约束C1-约束C3表示在时隙t下第i移动用户设备的计算CPU频率、第q无人机的计算CPU频率、第j高空气球终端的计算CPU频率不能超过各自的最大CPU频率；
约束C4-约束C6表示在时隙t下第i移动用户设备的计算任务无论是在本地计算、无人机计算，还是高空气球终端计算，完成的时间均不能超过第i移动用户设备关于该计算任务对应的预设最大时延；其中，约束C4中，
Figure FDA00041092813900000613
表示在时隙t下第i移动用户设备本地计算实际消耗的时间，包含第i移动用户设备的数字孪生体估计的计算时间
Figure FDA00041092813900000614
以及第i移动用户设备的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure FDA00041092813900000615
第i移动用户设备的数字孪生体估计的计算时间
Figure FDA00041092813900000616
表示为：
Figure FDA00041092813900000617
第i移动用户设备的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure FDA00041092813900000716
表示如下：
Figure FDA0004109281390000071
则在时隙t下第i移动用户设备本地计算实际消耗的时间
Figure FDA00041092813900000717
表示如下：
Figure FDA0004109281390000072
约束C5中，
Figure FDA0004109281390000073
表示在时隙t下第q无人机完成第i移动用户设备的计算任务实际消耗的时间，包含第q无人机的数字孪生体估计的计算时间
Figure FDA0004109281390000074
以及第q无人机的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure FDA0004109281390000075
第q无人机的数字孪生体估计的计算时间
Figure FDA0004109281390000076
表示如下：
Figure FDA0004109281390000077
第q无人机的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure FDA0004109281390000078
表示为：
Figure FDA0004109281390000079
则在时隙t下第q无人机完成第i移动用户设备的计算任务实际消耗的时间表示为：
Figure FDA00041092813900000710
约束C6中，
Figure FDA00041092813900000711
表示在时隙t下第j高空气球终端为完成第i移动用户设备的计算任务实际消耗的时间，包含第j高空气球终端的数字孪生体估计的计算时间
Figure FDA00041092813900000712
以及第j高空气球终端的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure FDA00041092813900000713
第j高空气球终端的数字孪生体估计的计算时间
Figure FDA00041092813900000714
表示为：
Figure FDA00041092813900000715
第j高空气球终端的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure FDA0004109281390000081
表示为：
Figure FDA0004109281390000082
则在时隙t下第j高空气球终端为完成第i移动用户设备的计算任务实际消耗的时间
Figure FDA0004109281390000083
表示为：
Figure FDA0004109281390000084
约束C7-C9表示在整个时间周期T内，第i移动用户设备、第q无人机、第j高空气球终端消耗的能耗都不能超过自身最大能耗值；
然后进入步骤S5-3；
步骤S5-3.对于步骤S5-2中的各个优化约束，使用凸优化工具CVX，求解获得最优的计算资源分配结果F；
步骤S6.迭代执行步骤S4至步骤S5，直到相邻两次迭代下整个系统的能量消耗值的绝对值小于预设阈值，或者达到最大预设迭代次数时，迭代结束，即获得移动用户设备、无人机、高空气球终端的计算资源最优分配策略，以及获得移动用户设备、无人机、高空气球终端的计算任务最优卸载决策；然后基于无人机集群、以及高空气球终端集群的布设，应用计算任务最优卸载决策、以及计算资源最优分配策略，实现对目标区域内各移动用户设备上计算任务的卸载计算。
2.根据权利要求1所述一种用于应急通信中的高空基站集群辅助边缘计算方法，其特征在于：所述步骤S4-4中当前系统的状态S(t)、全部卸载动作构成的动作空间A(t)、以及奖励函数R(t+1)分别表示如下：
S(t)＝{Li(t),Ui(t),Lq,Lj}
则基于当前系统的状态S(t)，第i移动用户设备完成计算任务地点的卸载后，在时隙t下，全部卸载动作构成的动作空间A(t)表示如下：
Figure FDA0004109281390000085
则获得奖励函数R(t+1)表示如下：
Figure FDA0004109281390000091
其中，
Figure FDA0004109281390000092
Figure FDA0004109281390000093
分别表示在时隙t下，第i移动用户设备计算任务的本地计算模式、无人机计算模式、高空气球计算模式下的能量消耗；θ表示惩罚项，其中，若第i移动用户设备计算任务的完成时间大于该计算任务本身所对应的预设最大时延，则会相应给出预设惩罚数值，
Figure FDA0004109281390000094
表示第i移动用户设备在时隙t下选择本地计算消耗的能耗，
Figure FDA0004109281390000095
表示第i移动用户设备在时隙t下传输计算任务到第q无人机消耗的传输能耗，
Figure FDA0004109281390000096
表示第q无人机因为计算来自第i移动用户设备的计算任务消耗的能耗，
Figure FDA0004109281390000097
表示第i移动用户设备在时隙t下传输计算任务到第j高空气球终端消耗的传输能耗，
Figure FDA0004109281390000098
表示第j高空气球终端计算来自第i移动用户设备的计算任务消耗的能耗。
3.根据权利要求2所述一种用于应急通信中的高空基站集群辅助边缘计算方法，其特征在于：所述奖励函数R(t+1)获得中在时隙t下第i移动用户设备计算任务的本地计算模式、无人机计算模式、高空气球计算模式下能量消耗的获得，包括如下步骤：
步骤S4-4-1.在时隙t下，若第i移动用户设备计算任务选择本地计算模式，则相对应的能量消耗如下：
Figure FDA0004109281390000099
其中，ki表示对应第i移动用户设备芯片结构的预设参数值；
步骤S4-4-2.在时隙t下，若第i移动用户设备计算任务选择无人机计算模式，则相对应的能量消耗如下：
1)第i移动用户设备在时隙t下传输计算任务到第q无人机消耗的传输能耗为：
Figure FDA00041092813900000910
其中，
Figure FDA00041092813900000911
表示第i移动用户设备在时隙t下向第q无人机传输计算任务时的发射功率；
Figure FDA00041092813900000912
表示第i移动用户设备在时隙t下向第q无人机传输计算任务的传输时间，表示为：
Figure FDA0004109281390000101
其中，β0表示信道功率增益，B表示信道带宽，σ表示高斯白噪声；
2)第q无人机因为计算来自第i移动用户设备的计算任务消耗的能耗为：
Figure FDA0004109281390000102
其中，kq表示对应第q无人机芯片结构的预设参数值；
步骤S4-4-3.在时隙t下，若第i移动用户设备计算任务选择高空气球终端计算模式，则相对应的能量消耗如下：
1)第i移动用户设备在时隙t下传输计算任务到第j高空气球终端消耗的传输能耗为：
Figure FDA0004109281390000103
其中，
Figure FDA0004109281390000104
表示第i移动用户设备在时隙t下向第j高空气球终端传输计算任务的发射功率；
Figure FDA0004109281390000105
表示第i移动用户设备在时隙t下向第j高空气球终端传输计算任务的传输时间，表示为：
Figure FDA0004109281390000106
2)第j高空气球终端计算来自第i移动用户设备的计算任务消耗的能耗为：
Figure FDA0004109281390000107
其中，kj表示对应第j高空气球终端芯片结构的预设参数值。
CN202111365868.8A 2021-11-18 2021-11-18 一种用于应急通信中的高空基站集群辅助边缘计算方法 Active CN113852994B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111365868.8A CN113852994B (zh) 2021-11-18 2021-11-18 一种用于应急通信中的高空基站集群辅助边缘计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111365868.8A CN113852994B (zh) 2021-11-18 2021-11-18 一种用于应急通信中的高空基站集群辅助边缘计算方法

Publications (2)

Publication Number Publication Date
CN113852994A CN113852994A (zh) 2021-12-28
CN113852994B true CN113852994B (zh) 2023-04-18

Family

ID=78984554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111365868.8A Active CN113852994B (zh) 2021-11-18 2021-11-18 一种用于应急通信中的高空基站集群辅助边缘计算方法

Country Status (1)

Country Link
CN (1) CN113852994B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114048689B (zh) * 2022-01-13 2022-04-15 南京信息工程大学 基于深度强化学习的多无人机空中充电和任务调度方法
CN114125708B (zh) * 2022-01-20 2022-04-15 南京信息工程大学 一种基于数字孪生的无人机集群轨迹优化和任务卸载方法
CN116521377B (zh) * 2023-06-30 2023-09-29 中国电信股份有限公司 业务计算卸载方法、系统、装置、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106358245A (zh) * 2016-11-07 2017-01-25 北京佰才邦技术有限公司 移动边缘计算应用负荷分担的方法和控制器
CN108924936A (zh) * 2018-07-12 2018-11-30 南昌大学 无人机辅助无线充电边缘计算网络的资源分配方法
CN109286913A (zh) * 2018-09-29 2019-01-29 郑州航空工业管理学院 基于蜂窝网联的无人机移动边缘计算系统能耗优化方法
CN110553629A (zh) * 2019-09-20 2019-12-10 中南大学 一种基于边缘计算的无人机目标追踪功耗优化方法及系统
CN111142883A (zh) * 2019-12-03 2020-05-12 沈阳航空航天大学 基于sdn架构的车辆计算任务卸载方法
CN111368971A (zh) * 2020-02-19 2020-07-03 中国人民解放军军事科学院国防科技创新研究院 一种无人机集群协同降落排序方法及系统
CN111522355A (zh) * 2020-03-19 2020-08-11 尚特杰电力科技有限公司 一种基于边缘计算的无人机巡检系统及其巡检方法
CN112351503A (zh) * 2020-11-05 2021-02-09 大连理工大学 基于任务预测的多无人机辅助边缘计算资源分配方法
CN113296963A (zh) * 2021-07-27 2021-08-24 南京信息工程大学 一种考虑用户移动性的无人机辅助的边缘计算方法
CN113660681A (zh) * 2021-05-31 2021-11-16 西北工业大学 一种应用于无人机集群辅助传输的多智能体资源优化方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10984660B2 (en) * 2019-03-25 2021-04-20 Kittyhawk.io, Inc. Systems and methods for multi-channel remote identification of aircraft
US11831458B2 (en) * 2019-11-19 2023-11-28 Intel Corporation Provisioning of multicast and broadcast services with different quality of service levels

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106358245A (zh) * 2016-11-07 2017-01-25 北京佰才邦技术有限公司 移动边缘计算应用负荷分担的方法和控制器
CN108924936A (zh) * 2018-07-12 2018-11-30 南昌大学 无人机辅助无线充电边缘计算网络的资源分配方法
CN109286913A (zh) * 2018-09-29 2019-01-29 郑州航空工业管理学院 基于蜂窝网联的无人机移动边缘计算系统能耗优化方法
CN110553629A (zh) * 2019-09-20 2019-12-10 中南大学 一种基于边缘计算的无人机目标追踪功耗优化方法及系统
CN111142883A (zh) * 2019-12-03 2020-05-12 沈阳航空航天大学 基于sdn架构的车辆计算任务卸载方法
CN111368971A (zh) * 2020-02-19 2020-07-03 中国人民解放军军事科学院国防科技创新研究院 一种无人机集群协同降落排序方法及系统
CN111522355A (zh) * 2020-03-19 2020-08-11 尚特杰电力科技有限公司 一种基于边缘计算的无人机巡检系统及其巡检方法
CN112351503A (zh) * 2020-11-05 2021-02-09 大连理工大学 基于任务预测的多无人机辅助边缘计算资源分配方法
CN113660681A (zh) * 2021-05-31 2021-11-16 西北工业大学 一种应用于无人机集群辅助传输的多智能体资源优化方法
CN113296963A (zh) * 2021-07-27 2021-08-24 南京信息工程大学 一种考虑用户移动性的无人机辅助的边缘计算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Kun Guo , Member, IEEE, Ruifeng Gao , Member, IEEE, Wenchao Xia , Member, IEEE, and Tony Q. S. Quek , Fellow, IEEE."Online Learning Based Computation Offloading in MEC Systems With Communication and Computation Dynamics ".《IEEE TRANSACTIONS ON COMMUNICATIONS》.2021,全文. *
赵拓，杨洁，曹雪虹."基于能效的异构蜂窝网络微基站部署研究".《计算机应用研究》.2018,全文. *

Also Published As

Publication number Publication date
CN113852994A (zh) 2021-12-28

Similar Documents

Publication Publication Date Title
CN113852994B (zh) 一种用于应急通信中的高空基站集群辅助边缘计算方法
CN112118601B (zh) 一种减少6g数字孪生边缘计算网络任务卸载延迟的方法
Wang et al. Trajectory design for UAV-based Internet of Things data collection: A deep reinforcement learning approach
CN109951897A (zh) 一种能耗与延迟约束下的mec卸载方法
CN106875066A (zh) 用车出行行为的预测方法、装置、服务器以及存储介质
CN108990158B (zh) 基于二元加载机制下无人机充电边缘计算网络的资源分配方法
Wu et al. Mobility-aware deep reinforcement learning with glimpse mobility prediction in edge computing
Jiang et al. Deep learning-based edge caching in fog radio access networks
CN114422056A (zh) 基于智能反射面的空地非正交多址接入上行传输方法
Dai et al. Delay-sensitive energy-efficient UAV crowdsensing by deep reinforcement learning
CN110069715A (zh) 一种信息推荐模型训练的方法、信息推荐的方法及装置
CN112835715B (zh) 基于强化学习的无人机任务卸载策略的确定方法和装置
CN113645637B (zh) 超密集网络任务卸载方法、装置、计算机设备和存储介质
CN114585006B (zh) 基于深度学习的边缘计算任务卸载和资源分配方法
CN113760511B (zh) 一种基于深度确定性策略的车辆边缘计算任务卸载方法
Luo et al. A two-step environment-learning-based method for optimal UAV deployment
CN111757266B (zh) 基于太阳能供电型农业物联网的uav数据采集轨迹算法
CN114125708A (zh) 一种基于数字孪生的无人机集群轨迹优化和任务卸载方法
CN112988285A (zh) 任务卸载方法和装置、电子设备及存储介质
US20230055079A1 (en) Method of load forecasting via attentive knowledge transfer, and an apparatus for the same
WO2022242468A1 (zh) 任务卸载方法、调度优化方法和装置、电子设备及存储介质
Li et al. UAV trajectory optimization for spectrum cartography: a PPO approach
CN113919483A (zh) 一种无线通信网络中无线电地图的构造和定位方法及其系统
CN114007231A (zh) 异构无人机数据卸载方法、装置、电子设备及存储介质
CN114334036A (zh) 一种模型训练的方法、相关装置、设备以及存储介质

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