CN114125708A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114125708A CN114125708A CN202210065422.1A CN202210065422A CN114125708A CN 114125708 A CN114125708 A CN 114125708A CN 202210065422 A CN202210065422 A CN 202210065422A CN 114125708 A CN114125708 A CN 114125708A
- Authority
- CN
- China
- Prior art keywords
- user equipment
- unmanned aerial
- aerial vehicle
- task
- active area
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 92
- 238000005265 energy consumption Methods 0.000 claims abstract description 58
- 238000013468 resource allocation Methods 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims description 27
- 230000000694 effects Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005056 compaction Methods 0.000 claims description 2
- QVRVXSZKCXFBTE-UHFFFAOYSA-N n-[4-(6,7-dimethoxy-3,4-dihydro-1h-isoquinolin-2-yl)butyl]-2-(2-fluoroethoxy)-5-methylbenzamide Chemical compound C1C=2C=C(OC)C(OC)=CC=2CCN1CCCCNC(=O)C1=CC(C)=CC=C1OCCF QVRVXSZKCXFBTE-UHFFFAOYSA-N 0.000 claims 1
- 238000004891 communication Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001788 irregular Effects 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
- 238000012545 processing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了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,包括:构建无人机集群辅助边缘计算模型;构建物理实体网络;构建物理实体网络的数字孪生网络,拟合用户设备和无人机的地理位置、资源状态信息;构建无人机轨迹、用户设备卸载决策和计算资源分配的优化模型;求解无人机轨迹和用户设备、无人机的计算资源分配策略;获取用户设备的卸载决策;获得无人机的轨迹,用户设备和无人机的计算资源最优分配策略,以及获得用户设备的计算任务最优卸载决策。本发明利用在基站端构建的数字孪生网络所反馈的实时数据,获得全局次优解的无人机轨迹、用户设备卸载决策和计算资源分配,从而降低整个系统的能量消耗。
Description
技术领域
本发明涉及无人机辅助的边缘计算技术领域,具体而言涉及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。
背景技术
近年来,处在偏远山区或通信覆盖率较低地区的用户,当面临极端天气发生时,将会出现部分移动电话无信号的情况,这或将导致本可以有求救机会的用户失去宝贵的生命。因此,在面对极端天气频发的今天,提前做好通信平台的建设至关重要,这既是对突发事件的有利防范,也是对用户生命安全的一道保障。
现阶段,关于临时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。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
本发明针对现有技术中的不足,提供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(DTUAV-TO),充分考虑在面对多用户活动区域时,无人机数量和初始悬停位置的确定,以及利用在基站端构建的数字孪生网络所反馈的实时数据,获得全局次优解的无人机轨迹、用户设备卸载决策和计算资源分配,从而降低整个系统的能量消耗。
为实现上述目的,本发明采用以下技术方案:
本发明实施例提出了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,所述无人机集群轨迹优化和任务卸载方法包括以下步骤:
S1,根据第三方收集的数据,得到环境中各个区域中心的位置坐标,构建无人机集群辅助边缘计算模型;
S2,采用改进的A-DBSCAN方法求解无人机的数量以及位置部署,构建物理实体网络;
S3,在配备MEC服务器的宏基站端构建物理实体网络的数字孪生网络,拟合用户设备和无人机的地理位置、资源状态信息;
S4,基于步骤S3反馈的用户设备位置及任务信息,构建无人机轨迹、用户设备卸载决策和计算资源分配的优化模型;
S5,基于步骤S4构建的优化模型,应用Optimization Algorithm算法求解无人机轨迹和用户设备、无人机的计算资源分配策略;
S6,基于步骤S5求解出的无人机轨迹,用户设备、无人机的计算资源分配策略,利用DDQN-OD算法来获取用户设备的卸载决策;
S7,循环执行步骤S5和步骤S6,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,即获得无人机的轨迹,用户设备和无人机的计算资源最优分配策略,以及获得用户设备的计算任务最优卸载决策;基于无人机集群的布设,应用无人机轨迹、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用户设备上计算任务的卸载计算。
本发明的有益效果是:
本发明可根据具体环境状况,采用A-DBSCAN方法求解无人机的数量以及初始悬停位置部署,对移动用户的活动区域进行有效划分,之后每架无人机只服务属于自己区域的移动用户,实现了分工明确的目的。由于环境的多变性和用户移动的无规律性,在基站端引入数字孪生网络来实时反馈用户设备、无人机以及基站自身的地理位置和计算资源等信息,为了进一步使得移动用户的任务能够高效地完成,应用OA算法(OptimizationAlgorithm算法)求解各个区域中无人机的最优飞行轨迹,为了实现资源的最大化利用,进一步应用OA算法得到用户设备和无人机的计算资源分配策略,并应用DDQN-OD算法求解用户设备的卸载决策,有效降低整个系统的能量消耗,提高用户设备的服务体验,具有较好的方便性。本发明采用A-DBSCAN方法求解无人机的数量以及初始悬停位置部署,能够有效利用无人机资源,在确保资源不浪费的同时,充分为用户设备服务,做到效益最大化,并且DDQN-OD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为本发明实施例的无人机集群构成示意图。
图2为本发明实施例的基于数字孪生的无人机集群轨迹优化和任务卸载方法流程图。
图3为本发明实施例的A-DBSCAN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-OD示意图。
图5为本发明实施例的不同算法的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用户设备数与系统能量消耗对比图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
需要注意的是,发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
图1是本发明实施例的无人机集群构成示意图。在物理实体网络,包含两层,即移动用户层和无人机层,其中,移动用户层中的用户携带移动设备身处周围一座基站的区域中,移动用户所携带的移动设备会随时产生计算任务,并随着用户的移动位置发生改变;无人机层是由多架配备MEC服务器的无人机集群组成,其覆盖移动用户的活动区域,并且能够处理来自自己所属区域中用户设备的计算任务,减轻用户设备的负担。在数字孪生网络,其可以与物理实体网络进行信息的实时交互与共享,实现信息资源的及时掌握。
图2是本发明实施例的算法流程。该流程包含以下步骤:
S2,采用改进的A-DBSCAN方法求解无人机的数量以及位置部署,构建物理实体网络,如图3所示,具体流程包括:
S2-3,依据欧几里得距离计算公式,依次计算数据集A中的数据对象Lm与其他数据
对第个最近点的距离,并将其作为数据对象Lm的k-dist值,记为,直到数
据集 中全部数据对象的k-dist值计算结束。
S2-5,k=k+1,循环执行步骤S2-3至S2-4,直到k>K,循环停止,得到若干张k-dist图像;k-dist图像的数量不超过K。
S2-6,观察步骤S2-5中得到的K张k-dist图像,如果(k+1)-dist图像和k-dist图像没有太大的变化,则选取k-dist图像对应的k值为传统DBSCAN算法中的MinPts取值,继续观察该k-dist图像的曲线分布,找出临界点即图中出现的第一个谷点,Eps的值取这个点对应的距离即它的纵坐标。
S2-8,如果在该数据对象Lm的邻域中至少含有MinPts个数据对象,则该数据对象Lm是一个核心对象,聚类开始,该数据对象Lm成为新聚类中的第一个点。否则,该数据对象Lm将被标记为噪声点,在这两种情况下,该数据对象Lm均被标记为“已访问”。
S2-9,对于步骤S2-8中新聚类中的第一个数据对象Lm,其圆形区域内的点都成为同一聚类中的一部分。
S2-10,若核心对象邻域内的数据对象满足步骤S2-8中的条件,则成为新的核心对象,并将其邻域内的数据对象为同一聚类中的一部分,不断重复步骤S2-8至S2-10,直到该聚类附近的所有数据对象都已被访问。
S2-11,当完成当前的聚类时,重新检索下一个新的未访问点,重复步骤S2-8至S2-10,直到所有数据对象都被标记为“已访问”。
S2-12,当全部聚类结束后,记录当前聚类个数为P,对应最终的无人机数量,并且也对应将用户的活动区域划分为P个。
其中,H为P架无人机统一悬停高度,H为大于0的正数,无人机p服务的区域Zp即为自身所在聚类的区域。
S3,在配备MEC服务器的宏基站端构建物理实体网络的数字孪生网络,主要由用户设备和无人机两部分组成,用于拟合他们的地理位置、资源状态等信息。
S3-1,对于任意的用户活动区域Zp,假设其中的所有用户的活动周期为T,用户设
备数量为Ip,大小范围均为正整数,在时隙t,处在区域Zp的用户设备i生成的计算任务可以
表示为:,其中,表
示处在活动区域Zp的用户设备i的任务量的大小,单位为比特,表示完成1比特任务
所需的CPU周期数,表示完成该任务的最大时延。
S3-2-1,在时隙(t+1),处在活动区域Zp的无人机p的位置表示为:
S3-3,在配备MEC服务器的宏基站端构建物理实体网络的数字孪生网络,主要由用户设备和无人机两部分组成。
S3-3-1,在时隙t,处在活动区域Zp的用户设备i的数字孪生体构建为:
S3-3-2,在时隙t,无人机p的数字孪生体构建为:
其中,是处在活动区域Zp的无人机的最大CPU频率,是
处在活动区域Zp的无人机 的数字孪生体分配给处在活动区域Zp的用户设备i估
计的CPU频率,是处在活动区域Zp的无人机与其数字孪生体之间CPU频率
的估计误差。
S4-1,若处在活动区域Zp的用户设备i执行本地计算:
S4-3,若处在活动区域Zp的用户设备i卸载到基站计算:
S4-4,考虑处在活动区域Zp的用户设备i在时隙t下的计算任务是独立不可分的,只能在一个地点进行计算,得到对应的约束条件为:
S4-5,若处在活动区域Zp的用户设备i执行本地计算,即;对应的能量消
耗包括处在活动区域Zp的用户设备i为完成任务消耗的计算能耗和无人机p的推进
能耗;对应的时间消耗包括处在活动区域Zp的用户设备i为完成任务消耗的时
间能耗。
S4-6,在时隙t,若处在活动区域Zp的用户设备i选择将计算任务卸载给无人机p,
即,对应的能量消耗包括处在活动区域Zp的用户设备i将计算任务传输给无人
机p的传输能耗,无人机p为完成用户设备i的任务消耗的计算能耗,无人机p的推进能耗;对应的时间消耗包括处在活动区域Zp的用
户设备i将计算任务卸载给无人机p的传输时间和无人机p为完成计算任务消
耗的计算时间。
则在时隙t,无人机p为完成用户设备i的计算任务实际消耗的时间表示为:
S4-7,在时隙t,若处在活动区域Zp的用户设备i选择将计算任务卸载给基站,即,对应的能量消耗包括处在活动区域Zp的用户设备i将计算任务传输给无人机p
的传输能耗,无人机p将计算任务传输给基站消耗的传输能耗,无
人机p的推进能耗;对应的时间消耗包括处在活动区域Zp的用户设备i将计算任
务传输给无人机p的传输时间和无人机p将计算任务传输给基站的传输时间。
其中,分别表示在时隙t,处在活动区域Zp的用
户设备i计算任务的本地计算模式、无人机端计算模式和基站端计算模式下的能量消耗;约
束C1表示在时隙t,处在活动区域Zp的用户设备i的关联变量,约束C2表示在时隙t,处在活
动区域Zp的用户设备i的计算任务只能选择在一个地点进行完成,约束C3和C4表示处在活
动区域Zp的用户设备i和无人机p的计算CPU频率不能超过各自的最大CPU频率,约束C5-C7
表示在时隙t,处在活动区域Zp的用户设备i的计算任务无论是在本地计算,无人机端计算
还是基站端计算,完成的时间
均不能超过处在活动区域Zp的用户设备i所能容忍的最大时延 ,约束C8和C9表示在
整个时间周期T,处在活动区域Zp的用户设备i和无人机p消耗的总能耗均不能超过各自的
最大能耗值,约束C10保证无人机p飞行的初始位置相同,约束C11表示无人机p在时隙t时速
度约束,约束C12表示无人机p相邻两次位置之间的计算表达式。
S5,基于步骤S4构建的优化模型,应用OA算法求解无人机轨迹和用户设备、无人机的计算资源分配策略,包括以下步骤:
S5-1,给定用户设备的卸载决策A和无人机的轨迹U,求解计算资源分配变量F,则构建的优化问题表示为:
P1.1的约束条件C13.1至C13.6分别为式(3)、式(4)、式(5)、式(6)、式(8)和式(9)。
S5-2,对于步骤S5-1中的凸优化问题P1.1,最优的计算资源分配变量F使用凸优化工具CVX进行求解。
S5-3,给定计算资源分配变量F和用户设备的卸载决策A,求解无人机的轨迹U,则构建的优化问题表示为:
P1.2的约束条件C14.1至C14.7分别为式(6)、式(7)、式(8)、式(9)、式(10)、式(11)和式(12)。
S5-4,步骤S5-3中,约束C14.1至C14.3(对应式(6)至式(8))关于处在活动区域
的用户设备i将计算任务传输给无人机p的传输时间,其关于无人机的轨迹U
是非凸的,式(6)中,引入松弛变量,则式(6)转换为:
式(7)转换为:
式(8)转换为:
S5-7,优化问题P1.2重构为P1.3,表示如下:
P1.3的约束条件包括:C15.1至C15.6、C16、C17、C18和C19;其中,C15.1至C15.6分别为式(10)、式(11)、式(12)、式(13)、式(14)和式(15);
S6,基于步骤S5求解出的无人机轨迹和用户设备、无人机的计算资源分配策略,利用DDQN-OD算法来获取用户设备的卸载决策,包括以下步骤:
P1.4的约束条件C20.1至C20.7分别为式(1)、式(2)、式(5)、式(6)、式(7)、式(8)和式(9);
S6-5,为解决优化问题P1.4,得到最优的卸载决策A,在数字孪生网络应用DDQN-OD算法,如图4所示,主要步骤包括:
S6-5-1,将物理实体网络中关于用户设备和无人机的相关信息输入到数字孪生网络中,实现信息的共享。
S6-5-3,Q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、奖励以及状态下各个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,其中动作使用贪婪算法
进行选择,即以概率随机选择一个动作,以概率选择最优Q值动作。
S7,循环执行步骤S5和步骤S6,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,即获得无人机的轨迹,用户设备和无人机的计算资源最优分配策略,以及获得用户设备的计算任务最优卸载决策;然后基于无人机集群的布设,应用无人机轨迹、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用户设备上计算任务的卸载计算。
图5为本发明实施例的不同算法的用户设备任务量与系统能量消耗对比图,在用户设备数一定的情况下,随着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DTUAV-TO算法,Deep Q-Network (DQN)算法和贪婪算法。整体来看,无论哪一种算法,随着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DTUAV-TO算法较其他两种算法在最终得到的结果中均是最优的。一开始用户设备任务量不大的时候,三种算法之间的差距很小。当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DTUAV-TO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,并且用户设备和无人机的计算资源以及无人机的轨迹得到充分优化。
图6为本发明实施例的不同算法的用户设备数与系统能量消耗对比图,在用户设备任务量一定的情况下,随着用户设备数的增多,整个系统能量消耗的表现,分别是本发明提出的DTUAV-TO算法,DQN算法和贪婪算法。三种算法中,整体来看,随着用户设备数的增加,整体系统的能耗均是呈上升趋势,但我们所提出的DTUAV-TO算法相较于其他两种算法效果要更加优秀。当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-OD算法得到适合当下环境的卸载决策,最后对用户设备和无人机的计算资源充分优化,具有一定的可行性。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (6)
1.一种基于数字孪生的无人机集群轨迹优化和任务卸载方法,其特征在于,所述无人机集群轨迹优化和任务卸载方法包括以下步骤:
S1,根据第三方收集的数据,得到环境中各个区域中心的位置坐标,构建无人机集群辅助边缘计算模型;
S2,采用改进的A-DBSCAN方法求解无人机的数量以及位置部署,构建物理实体网络;
S3,在配备MEC服务器的宏基站端构建物理实体网络的数字孪生网络,拟合用户设备和无人机的地理位置、资源状态信息;
S4,基于步骤S3反馈的用户设备位置及任务信息,构建无人机轨迹、用户设备卸载决策和计算资源分配的优化模型;
S5,基于步骤S4构建的优化模型,应用Optimization Algorithm算法求解无人机轨迹和用户设备、无人机的计算资源分配策略;
S6,基于步骤S5求解出的无人机轨迹,用户设备、无人机的计算资源分配策略,利用DDQN-OD算法来获取用户设备的卸载决策;
S7,循环执行步骤S5和步骤S6,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,即获得无人机的轨迹,用户设备和无人机的计算资源最优分配策略,以及获得用户设备的计算任务最优卸载决策;基于无人机集群的布设,应用无人机轨迹、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用户设备上计算任务的卸载计算。
2.根据权利要求1所述的基于数字孪生的无人机集群轨迹优化和任务卸载方法,其特征在于,步骤S2中,采用改进的A-DBSCAN方法求解无人机的数量以及位置部署,构建物理实体网络的过程包括以下步骤:
S2-3,依据欧几里得距离计算公式,依次计算数据集A中的数据对象Lm与其他数据对象
第k个最近点的距离,并将其作为数据对象Lm的k-dist值,记为,
直到数据集A中全部数据对象的k-dist值计算结束;
S2-4,将此k值下的所有数据对象的k-dist值按照从小到大的顺序排列,绘制对应的k-dist图像,其中横坐标为数据对象Lm,纵坐标为数据对象Lm对应的k-dist值;
S2-6,观察步骤S2-5中得到的若干张k-dist图像,如果(k+1)-dist图像和k-dist图像
相似度大于预设相似度阈值,则选取k-dist图像对应的值为DBSCAN算法中的MinPts取值,
继续观察该k-dist图像的曲线分布,找出临界点即图中出现的第一个谷点,Eps的值取这个
点对应的距离即它的纵坐标;
S2-8,如果在该数据对象Lm的邻域中至少含有MinPts个数据对象,则该数据对象Lm是一个核心对象,聚类开始,该数据对象Lm成为新聚类中的第一个点;否则,该数据对象Lm将被标记为噪声点,在这两种情况下,该数据对象Lm均被标记为已访问;
S2-9,对于步骤S2-8中新聚类中的第一个数据对象Lm,其圆形区域内的点都成为同一聚类中的一部分;
S2-10,若核心对象邻域内的数据对象满足步骤S2-8中的条件,则成为新的核心对象,并将其邻域内的数据对象为同一聚类中的一部分,不断重复步骤S2-8至S2-10,直到该聚类附近的所有数据对象都已被访问;
S2-11,当完成当前的聚类时,重新检索下一个新的未访问点,重复步骤S2-8至S2-10,直到所有数据对象都被标记为已访问;
S2-12,当全部聚类结束后,记录当前聚类个数为P,对应最终的无人机数量,并且也对应将用户的活动区域划分为P个;
S2-13,计算每个聚类中所有数据对象的平均值,将其横坐标和纵坐标记为每架无人机p的初始悬停位置的横纵坐标,即第p架无人机的初始悬停位置坐标表示为:
3.根据权利要求2所述的基于数字孪生的无人机集群轨迹优化和任务卸载方法,其特征在于,步骤S3中,在配备MEC服务器的宏基站端构建物理实体网络的数字孪生网络,拟合用户设备和无人机的地理位置、资源状态信息的过程包括以下步骤:
S3-2,在配备MEC服务器的宏基站端构建物理实体网络的数字孪生网络,由用户设备和无人机两部分组成;
其中,是处在活动区域的用户设备i的最大CPU频率,是处在活动区域
的用户设备i的位置,是处在活动区域的用户设备i的数字孪生体估计的CPU频率,是处在活动区域的用户设备i与其数字孪生体之间CPU频率的估计误差;
S3-5,在t时隙,无人机p的数字孪生体构建为:
4.根据权利要求3所述的基于数字孪生的无人机集群轨迹优化和任务卸载方法,其特征在于,步骤S4中,构建无人机轨迹、用户设备卸载决策和计算资源分配的优化模型的过程包括以下步骤:
其中,P0表示悬停状态下无人机p的翼型功率,Utip表示转子叶尖转速,Pc表示悬停状态
下无人机p的诱导功率,V0表示前进飞行时感应转子的平均速度,d0表示机身阻力比, 表
示空气密度,s表示转子压实度,M表示转子盘面积;
S4-4,在时隙t,若处在活动区域的用户设备i选择将计算任务卸载给无人机p,即,对应的时间消耗包括处在活动区域的用户设备i将计算任务传输给无人
机p的传输时间和无人机p为完成用户设备i的任务消耗的计算时间;对应的能量消耗包括处在活动区域的用户设备i将计算任务传输给无人
机p的传输能耗,无人机p为完成用户设备i的任务消耗的计算能耗,无人机p的推进能耗;
则在时隙t,无人机p为完成用户设备i的计算任务实际消耗的时间表示为:
S4-5,在时隙t,若处在活动区域的用户设备i选择将计算任务卸载给基站,即,对应的时间消耗包括处在活动区域的用户设备i将计算任务传输给无人机p
的传输时间和无人机p将计算任务传输给基站的传输时间,由于基
站计算资源丰富,基站协助用户设备完成计算任务的时间可忽略不计;对应的能量消耗包
括处在活动区域的用户设备i将计算任务传输给无人机p的传输能耗,无人
机p将计算任务传输给基站消耗的传输能耗和无人机p的推进能耗;
约束C1表示在时隙t,处在活动区域的用户设备i的关联变量,约束C2表示在时隙t,
处在活动区域的用户设备i的计算任务只能选择在一个地点进行完成,约束C3和C4表示
处在活动区域的用户设备i和无人机p的计算CPU频率不能超过各自的最大CPU频率,约束
C5-C7表示在时隙t,处在活动区域的用户设备i的计算任务无论是在本地计算,无人机端
计算还是基站端计算,完成的时间均不能超过处在活动区域的用户设备i所能容忍的最
大时延,约束C8和C9表示在整个时间周期T,处在活动区域的用户设备i和无人机p消耗的
总能耗均不能超过各自的最大能耗值,约束C10保证无人机p飞行的初始位置相同,约束C11
表示无人机p在时隙t时速度约束,约束C12表示无人机p相邻两次位置之间的计算表达式。
5.根据权利要求4所述的基于数字孪生的无人机集群轨迹优化和任务卸载方法,其特征在于,步骤S5中,应用Optimization Algorithm算法求解无人机轨迹和用户设备、无人机的计算资源分配策略的过程包括以下步骤:
S5-1,给定用户设备的卸载决策A和无人机的轨迹U,求解用户设备和无人机的计算资源分配变量F,构建的优化问题表示为:
S5-2,对于步骤S5-1中的凸优化问题P1.1,用户设备和无人机的最优计算资源分配变量F使用凸优化工具CVX进行求解;
S5-3,给定用户设备和无人机的计算资源分配变量F和用户设备的卸载决策A,求解无人机的轨迹U,构建的优化问题表示为:
S5-4,步骤S5-3中,约束C14.1-C14.3中关于处在活动区域的用户设备i将计算任务
传输给无人机p的传输时间,其关于无人机的轨迹U是非凸的,在C14.1中,引入
松弛变量,则C14.1转换为:
约束C14.2转换为:
约束C14.3转换为:
S5-7,优化问题P1.2重构为P1.3,表示如下:
S5-8,对于步骤S5-7中的凸优化问题P1.3,最优的无人机轨迹U使用凸优化工具CVX进行求解。
6.根据权利要求5所述的基于数字孪生的无人机集群轨迹优化和任务卸载方法,其特征在于,步骤S6中,利用DDQN-OD算法来获取用户设备的卸载决策的过程包括以下步骤:
S6-1,给定用户设备和无人机的计算资源分配变量F和无人机的轨迹U,求解用户设备的卸载决策A,构建的优化问题表示为:
S6-3,当在某个时隙t下的状态S(t)时,处在活动区域Zp的每个用户设备i完成计算任务地点的选择,在时隙t下,动作空间A(t)表示为:
S6-4,奖励函数R(t+1)表示为:
S6-5,基于步骤S6-2至S6-4,优化问题P1.4转换为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210065422.1A CN114125708B (zh) | 2022-01-20 | 2022-01-20 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210065422.1A CN114125708B (zh) | 2022-01-20 | 2022-01-20 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114125708A true CN114125708A (zh) | 2022-03-01 |
CN114125708B CN114125708B (zh) | 2022-04-15 |
Family
ID=80360943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210065422.1A Active CN114125708B (zh) | 2022-01-20 | 2022-01-20 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114125708B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114745666A (zh) * | 2022-06-09 | 2022-07-12 | 南京信息工程大学 | 一种用于拥挤场馆中无人机辅助边缘计算方法 |
CN115577641A (zh) * | 2022-11-14 | 2023-01-06 | 成都飞机工业(集团)有限责任公司 | 一种数字孪生模型的训练方法、装置、设备及介质 |
CN115765826A (zh) * | 2022-09-19 | 2023-03-07 | 西安电子科技大学 | 一种面向按需服务的无人机网络拓扑重构方法 |
CN116112981A (zh) * | 2023-04-13 | 2023-05-12 | 东南大学 | 一种基于边缘计算的无人机任务卸载方法 |
CN116260877A (zh) * | 2023-02-27 | 2023-06-13 | 云南大学 | 基于无人机网络流模型的数字孪生资源分配方法 |
CN116302569A (zh) * | 2023-05-17 | 2023-06-23 | 安世亚太科技股份有限公司 | 一种基于用户请求信息的资源分区智能化调度方法 |
CN116643581A (zh) * | 2023-04-17 | 2023-08-25 | 重庆控环科技集团有限公司 | 考虑功耗故障的通信无人机路径规划和带宽分配方法 |
CN117715117A (zh) * | 2024-02-06 | 2024-03-15 | 南京信息工程大学 | 一种多uav-ris辅助移动边缘计算的任务卸载方法 |
CN118075783A (zh) * | 2024-04-18 | 2024-05-24 | 中国人民解放军32806部队 | 基于基站多用户无线通信自组网的鲁棒通信方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112600912A (zh) * | 2020-12-10 | 2021-04-02 | 西安君能清洁能源有限公司 | 一种无人机辅助的边缘计算卸载算法分布式激励方法 |
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 |
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 |
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 |
CN113852994A (zh) * | 2021-11-18 | 2021-12-28 | 南京信息工程大学 | 一种用于应急通信中的高空基站集群辅助边缘计算方法 |
-
2022
- 2022-01-20 CN CN202210065422.1A patent/CN114125708B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112600912A (zh) * | 2020-12-10 | 2021-04-02 | 西安君能清洁能源有限公司 | 一种无人机辅助的边缘计算卸载算法分布式激励方法 |
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 |
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 |
CN113852994A (zh) * | 2021-11-18 | 2021-12-28 | 南京信息工程大学 | 一种用于应急通信中的高空基站集群辅助边缘计算方法 |
Non-Patent Citations (4)
Title |
---|
YUANLIN YANG, ETC: "A Digital Twin Platform for Multi-Rotor UAV", 《PROCEEDINGS OF THE 40TH CHINESE CONTROL CONFERENCE》 * |
ZHIHAN LV,ETC: "Beyond 5G for digital twins of UAVs", 《COMPUTER NETWORKS 197(2021)》 * |
杭州张量科技有限公司: "基于边缘计算的混合现实数字孪生解决方案", 《自动化博览·边缘计算专辑》 * |
纪广等: "四旋翼无人机飞行过程孪生仿真研究", 《计算机工程与应用》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114745666A (zh) * | 2022-06-09 | 2022-07-12 | 南京信息工程大学 | 一种用于拥挤场馆中无人机辅助边缘计算方法 |
CN115765826A (zh) * | 2022-09-19 | 2023-03-07 | 西安电子科技大学 | 一种面向按需服务的无人机网络拓扑重构方法 |
CN115765826B (zh) * | 2022-09-19 | 2024-05-31 | 西安电子科技大学 | 一种面向按需服务的无人机网络拓扑重构方法 |
CN115577641A (zh) * | 2022-11-14 | 2023-01-06 | 成都飞机工业(集团)有限责任公司 | 一种数字孪生模型的训练方法、装置、设备及介质 |
CN116260877A (zh) * | 2023-02-27 | 2023-06-13 | 云南大学 | 基于无人机网络流模型的数字孪生资源分配方法 |
CN116112981B (zh) * | 2023-04-13 | 2023-07-25 | 东南大学 | 一种基于边缘计算的无人机任务卸载方法 |
CN116112981A (zh) * | 2023-04-13 | 2023-05-12 | 东南大学 | 一种基于边缘计算的无人机任务卸载方法 |
CN116643581A (zh) * | 2023-04-17 | 2023-08-25 | 重庆控环科技集团有限公司 | 考虑功耗故障的通信无人机路径规划和带宽分配方法 |
CN116643581B (zh) * | 2023-04-17 | 2024-09-10 | 控环科技集团有限公司 | 考虑功耗故障的通信无人机路径规划和带宽分配方法 |
CN116302569A (zh) * | 2023-05-17 | 2023-06-23 | 安世亚太科技股份有限公司 | 一种基于用户请求信息的资源分区智能化调度方法 |
CN116302569B (zh) * | 2023-05-17 | 2023-08-15 | 安世亚太科技股份有限公司 | 一种基于用户请求信息的资源分区智能化调度方法 |
CN117715117A (zh) * | 2024-02-06 | 2024-03-15 | 南京信息工程大学 | 一种多uav-ris辅助移动边缘计算的任务卸载方法 |
CN117715117B (zh) * | 2024-02-06 | 2024-05-28 | 南京信息工程大学 | 一种多uav-ris辅助移动边缘计算的任务卸载方法 |
CN118075783A (zh) * | 2024-04-18 | 2024-05-24 | 中国人民解放军32806部队 | 基于基站多用户无线通信自组网的鲁棒通信方法及系统 |
CN118075783B (zh) * | 2024-04-18 | 2024-06-25 | 中国人民解放军32806部队 | 基于基站多用户无线通信自组网的鲁棒通信方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114125708B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114125708B (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 | |
CN111800828B (zh) | 一种超密集网络的移动边缘计算资源分配方法 | |
CN112788605B (zh) | 基于双延迟深度确定性策略边缘计算资源调度方法和系统 | |
CN113852994A (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 | |
CN115499921A (zh) | 面向复杂无人机网络的三维轨迹设计及资源调度优化方法 | |
CN114745383A (zh) | 一种移动边缘计算辅助多层联邦学习方法 | |
CN115209426A (zh) | 一种边缘车联网内数字孪生服务器动态部署方法 | |
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 | |
CN116137724A (zh) | 一种基于移动边缘计算的任务卸载及资源分配方法 | |
CN116112981A (zh) | 一种基于边缘计算的无人机任务卸载方法 | |
CN117221950A (zh) | 一种基于深度强化学习的车辆任务卸载方法与系统 | |
CN117858015A (zh) | 基于深度强化学习的空中边缘计算数据安全传输及资源分配方法 | |
CN117236561A (zh) | 一种基于sac的多无人机辅助移动边缘计算方法、装置及存储介质 | |
CN117058929A (zh) | 一种基于ddpg的空中安全数据采集及资源分配方法 | |
CN114928893B (zh) | 一种基于智能反射面的架构及任务卸载方法 | |
CN113676917B (zh) | 基于博弈论的无人机分层移动边缘计算网络的能耗优化方法 | |
Lu et al. | Joint Trajectory Planning and Communication Design for Multiple UAVs in Intelligent Collaborative Air-Ground Communication Systems | |
CN115276115A (zh) | 一种基于lstm的电网前瞻调度方法及其系统 | |
CN114513814A (zh) | 基于无人机辅助节点的边缘网络计算资源动态优化方法 | |
CN114756294B (zh) | 一种基于深度强化学习的移动边缘计算卸载方法 | |
CN117459953B (zh) | 一种多无人机基站航迹规划方法、系统、终端及存储介质 | |
CN114895699B (zh) | 一种无人机集群飞行中有限交互情形下的协同控制方法 | |
CN118200878B (zh) | 基于合作博弈和多目标鲸鱼算法的边缘计算优化方法 | |
CN118200985A (zh) | 一种城市场景下无人机辅助异构边缘计算网络时延优化方法及装置 | |
Lin et al. | An Energy Effective RIS-Assisted Multi-UAV Coverage Scheme for Fairness-Aware Ground Terminals |
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 |