CN114143893A - 基于移动边缘计算与微波能量传输的无人机资源分配及轨迹优化方法 - Google Patents

Abstract

本发明提供了一种基于移动边缘计算与微波能量传输的无人机资源分配及轨迹优化方法，它解决了当前传感器网络中传感器设备计算能力不足和电池容量有限的问题，以及无人机支持下的移动边缘计算系统中无人机作为边缘云及能量供应端能耗过高的问题。本发明首先提出了无人机边缘云的任务缓存模型，该模型动态体现整个系统的数据流动方向。其次，本发明提出一种基于能量感知的定量微波供能方法，根据传感器设备能量需求定量为设备提供微波能量。同时，本发明设计了一种联合资源分配及无人机轨迹优化的算法，通过优化无人机卸载功率、计算能力分配、飞行时间、卸载决策以及无人机轨迹来最小化无人机的总能耗，进而提高整个移动边缘计算系统的收益。

Description

基于移动边缘计算与微波能量传输的无人机资源分配及轨迹 优化方法

技术领域

本发明属于移动边缘计算和微波能量传输两大领域，具体涉及基于移动边缘计算与微波能量传输的无人机资源分配及轨迹优化方法。

背景技术

2014年，欧洲电信标准协会提出“移动边缘计算”的概念，移动边缘计算使移动设备能够将部分或全部计算密集型任务卸载到位于无线网络边缘(如蜂窝基站和无线接入点)的边缘计算服务器。与传统云计算不同，移动边缘计算服务器部署在离终端用户很近的地方，因此，移动边缘计算能够为移动用户提供低延迟服务，节省移动设备的能源，并实现数据传输的高效安全。移动边缘计算的基本思想是把云计算平台从移动核心网络内部迁移到移动接入网边缘，实现计算及存储资源的弹性利用。另外，微波能量传输应用了电磁波能量可以通过天线发射和接收的原理为低能量的设备提供可持续和低成本的能量。微波能量传输端将微波聚焦并定向传输，接收端通过整流天线将接收到的微波能量转换成直流电。与常规的能量收集技术(风能，水能，核能)相比，微波能量传输能提供一种更加稳定更加可控的供能方式。整流天线是能量接收端接收能量的一个主要部件，整流天线主要由接收天线和微波整流器组成，并且传感器网络和射频识别系统中的整流天线更小、更集成。

传感器设备被广泛应用到农作物环境检测、森林火灾检测、健康监护、交通控制以及家庭自动化等领域，可以有效地检测温度、湿度、压力、声音及运动状态等信息。然而，地处位置偏远或环境恶劣的传感器网络不方便进行信息采集以及供能，因此最近学术界提出一种无人机支持下的传感器网络辅助计算及供能方法，将无人机看作边缘云，利用边缘计算思想处理设备上传到无人机服务器上的任务，利用微波能量传输技术将电磁波能量从无人机传送到传感器设备，可以有效收集传感器设备存储的数据并进行处理分析以及对传感器网络进行无线供能，解决传感器设备计算能力以及电池容量不足的缺点并延长设备寿命。

将无人机应用到移动边缘计算环境下的辅助计算及无线能量供应成为一种发展趋势，同时，无人机部署在传感器网络中给传感器设备带来便利的同时也带来了诸多问题和挑战，主要包括：(1)无人机作为微波能量发射端需要控制为每个传感器设备传输能量的多少，如何定量为每个设备传输能量是一个不可忽视的问题；(2)无人机在整个任务处理以及能量传输过程中都处于移动状态，信道状态与无人机和传感器设备之间的距离相关，如何根据信道状态信息进行信道的选择是一个必须解决的问题；(3)无人机的能量消耗还与为设备提供的计算能力和无人机飞行轨迹相关，无人机如何做出资源分配及飞行轨迹决策是值得挑战的问题。

因此针对这些问题，如何设计无人机的轨迹以及整个移动边缘计算系统中的资源分配，使得无人机为所有传感器设备传输能量并处理完卸载的任务之后消耗的能量最少，是本发明主要解决的问题。

发明内容

本发明的目的在于：针对无人机在传感器网络中处理任务及进行微波能量传输消耗能量过高的问题，提出基于移动边缘计算与微波能量传输的无人机资源分配及轨迹优化方法，减少无人机处理任务及进行微波能量传输的能量消耗，提高整个移动边缘计算系统的收益。

本发明为解决上述技术问题所采用的技术方案是：

S1.构建传感器网络中无人机作为边缘云联合中央云为传感器设备提供计算服务以及微波能量的移动边缘计算系统架构，初始化传感器设备、无人机边缘云以及中央云的相关参数。

S2.构建无人机边缘云的任务缓存模型。

S3.结合S1中的移动边缘计算系统架构、S2中的边缘云任务缓存模型构建基于移动边缘计算与微波能量传输的无人机能耗模型。

S4.提出一种联合资源分配及无人机轨迹优化的算法。

在无线传感器网络中，无人机边缘云收集M个传感器设备上传的数据，并在本地处理一部分数据，然后将另一部分卸载到中央云进行处理。M个异构传感器不均匀地分布在二维平面内，在平面内的位置表示为q_m＝[x_m，y_m]，m∈M，M＝{1,2,…,M}，并且这些传感器设备的坐标对无人机来说是已知的。在整个任务处理期间，无人机在一个固定的高度H飞行，并且我们将无人机轨迹分解为N条轨迹段，用N+1个轨迹点

来表示，n∈N，N＝{1,2,…,N}。

表示无人机在第n条轨迹段飞行的时间。传感器设备中的任务数据可分，即可以在两个或多个服务器中处理该数据并将反馈的结果统一分析。将每个传感器设备中待处理的任务定义为{R_m，F_m}，m∈M。R_m表示第m个设备待处理任务的数据规模，F_m表示处理任务所需的CPU周期数。

无人机边缘云在第n条轨迹段接收到的传感器设备上传的数据规模表示为：

无人机边缘云在每个轨迹段在本地处理的数据为βD_n，β∈[0,1]，上传到中央云的数据为(1-β)D_n，则总的数据处理规模表示为：

其中

表示无人机处理单位数据所需要的CPU周期数，最终我们构建无人机边缘云的任务缓存模型为：

H_n+1＝H_n-D_n+A_n，n∈N (3)

无人机边缘云的能耗分为四部分：为地面传感器设备微波供能消耗的能量，在本地进行任务处理消耗的能量，将任务卸载到中央云消耗的能量以及飞行推进能耗。首先建立基于能量感知的微波供能能耗模型，我们将地面传感器设备的最大电池容量定义为E，进行微波供能前的初始电池容量为E_m，m∈M，我们的目标是无人机完成微波供能后每个传感器设备的电池容量能够达到最大，即：

其中

表示传感器设备上传任务消耗的能量，

是接收到的微波能量转化后的直流电能量。则微波供能能耗模型表示为：

其中

是设备的整流效率。无人机边缘云在本地处理任务的能耗模型和卸载任务的能耗模型表示为：

其中k表示能量转化能力。无人机的推进飞行能耗模型表示为：

其中c₁和c₂是有关无人机重量、机翼面积和空气密度的参数，v[n]是无人机在第n个轨迹段的飞行速度。无人机边缘云的整体能耗模型表示为：

上一步提出的能耗模型函数是一个非凸函数，获取最优解具有一定的挑战性。为了解决该问题，我们使用块坐标下降法将原始问题分为四个子问题：联合计算资源和卸载功率优化问题P₁，无人机飞行时间优化问题P₂，任务卸载决策优化问题P₃以及轨迹优化问题P₄。对于问题P₁，该问题的目标函数是凸的，我们使用ADMM算法对函数自变量迭代求解得到最优的计算资源分配和上传功率；对于问题P₂，其目标函数以及约束条件都是凸的，因此我们使用拉格朗日乘子法求解问题P₂；问题P₃是一个标准的线性规划问题，我们使用标准的凸优化工具箱CVX来对问题P₃求解；对于问题P₄，我们提出一种联合Chebyshev混沌映射和柯西扰动的自适应天牛群算法来获取最优的无人机轨迹，每个子问题在块坐标下降法中进行分步迭代优化。

与现有的技术相比，本发明的有益效果是：

1.本发明提出了无人机边缘云的任务缓存模型，结合无人机在每个轨迹段接收的数据与处理的数据建立任务缓存的动态模型。

2.本发明提出一种基于能量感知的定量微波能量传输方法，提高对传感器设备的服务质量。

3.本发明提出一种联合资源分配及无人机轨迹优化的算法，可以有效分配无人机的计算资源和通信资源并设计无人机轨迹，最终减少无人机的总能耗。

附图说明

图1是本发明基于移动边缘计算与微波能量传输的无人机资源分配及轨迹优化方法系统模型示意图。

图2是本发明基于移动边缘计算与微波能量传输的无人机资源分配及轨迹优化方法的具体实施方式流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制。

以下结合附图和示例对本发明做进一步的阐述。

图1为本发明基于移动边缘计算与微波能量传输的无人机资源分配及轨迹优化方法的系统模型示意图。如图1所示，本发明首先构建传感器网络中无人机作为边缘云联合中央云为传感器设备提供计算服务以及微波供能的移动边缘计算系统架构，初始化传感器设备、无人机边缘云以及中央云的相关参数。在无线传感器网络中，无人机边缘云收集M个传感器设备上传的数据，并在本地处理一部分数据，然后将另一部分卸载到中央云进行处理。M个异构传感器不均匀地分布在二维平面内，在平面内的位置表示为q_m＝[x_m，y_m]，m∈M，M＝{1,2,…,M}，并且这些传感器设备的坐标对无人机来说是已知的。在整个任务处理期间，无人机在一个固定的高度H飞行，并且我们将无人机轨迹分解为N条轨迹段，用N+1个轨迹点

来表示，n∈N，N＝{1,2,…,N}。

表示无人机在第n条轨迹段飞行的时间。传感器设备中的任务数据可分，即可以在两个或多个服务器中处理该数据并将反馈的结果统一分析。将每个传感器设备中待处理的任务定义为{R_m，F_m}，m∈M。R_m表示第m个设备待处理任务的数据规模，F_m表示处理任务所需的CPU周期数。

然后无人机边缘云在第n条轨迹段接收到的传感器设备上传的数据规模表示为：

无人机边缘云在每个轨迹段在本地处理的数据为βD_n，β∈[0,1]，上传到中央云的数据为(1-β)D_n，则总的数据处理规模表示为：

其中

表示无人机处理单位数据所需要的CPU周期数，最终我们构建无人机边缘云的任务缓存模型为：

H_n+1＝H_n-D_n+A_n，n∈N (3)

然后结合移动边缘计算系统架构及边缘云任务缓存模型构建基于移动边缘计算与微波能量传输的无人机能耗模型。无人机边缘云的能耗分为四部分：为地面传感器设备微波供能消耗的能量，在本地进行任务处理消耗的能量，将任务卸载到中央云消耗的能量以及飞行推进能耗。首先建立基于能量感知的微波供能能耗模型，我们将地面传感器设备的最大电池容量定义为E，进行微波供能前的初始电池容量为E_m，m∈M，我们的目标是无人机完成微波供能后每个传感器设备的电池容量能够达到最大，即：

其中

表示传感器设备上传任务消耗的能量，

是接收到的微波能量转化后的直流电能量。则微波供能能耗模型表示为：

其中

是设备的整流效率。无人机边缘云在本地处理任务的能量消耗模型和卸载任务的能量消耗模型表示为：

其中k表示能量转化能力。无人机的推进飞行能耗模型表示为：

其中c₁和c₂是有关无人机重量、机翼面积和空气密度的参数，v[n]是无人机在第n个轨迹段的飞行速度。无人机边缘云的整体能耗模型表示为：

图2是本发明基于移动边缘计算与微波能量传输的无人机资源分配及轨迹优化方法的具体实施方式流程图。如图2所示，本发明提出一种联合资源分配及无人机轨迹优化的算法来解决上一步提出的无人机边缘云的能耗最小化问题。为了解决该问题，我们使用块坐标下降法将原始问题分为四个子问题：联合计算资源和卸载功率优化问题P₁，无人机飞行时间优化问题P₂，任务卸载决策优化问题P₃以及轨迹优化问题P₄。对于问题P₁，该问题的目标函数是凸的，我们使用ADMM算法对函数自变量迭代求解得到最优的计算资源分配和上传功率；对于问题P₂，其目标函数以及约束条件都是凸的，因此我们使用拉格朗日乘子法求解问题P₂；问题P₃是一个标准的线性规划问题，我们使用标准的凸优化工具箱CVX来对问题P₃求解；对于问题P₄，我们提出一种联合Chebyshev混沌映射和柯西扰动的自适应天牛群算法来获取最优的无人机轨迹，每个子问题在块坐标下降法中进行分步迭代优化。

本发明提出一种基于移动边缘计算与微波能量传输的无人机资源分配及轨迹优化方法。首先，本发明提出了传感器网络中无人机作为边缘云联合中央云为传感器设备提供计算服务以及进行微波供能的移动边缘计算系统架构，其中无人机作为边缘云联合中央云为传感器设备提供计算服务，并且无人机作为能量发射端为无线传感器网络提供微波能量，目的是提高整个移动边缘计算系统的计算能力，并延长传感器设备的使用寿命。其次本发明提出无人机边缘云的任务缓存模型，将无人机边缘云端的任务动态表示。同时，本发明设计了一种定量的微波能量供应方式，以确定为每个传感器设备提供能量的大小，有效解决了当前基于传感器网络的微波能量供应量的不确定性问题。最后通过设计一种联合资源分配及无人机轨迹优化的算法来优化无人机在系统运行期间的通信计算资源分配，以及设计无人机轨迹来最小化无人机的总能耗，提高整个边缘计算系统的效益。

最后，本发明的上述示例的细节仅为解释说明本发明所做的举例，对于本领域技术人员，对上述示例的任何修改、改进和替换等，均应包含在本发明权利要求的保护范围内。

Claims (5)

1.基于移动边缘计算与微波能量传输的无人机资源分配及轨迹优化方法，其特征在于，所述方法包括以下步骤：

S1.构建传感器网络中无人机作为边缘云联合中央云为传感器设备提供计算服务以及微波能量的移动边缘计算系统架构，初始化传感器设备、无人机边缘云以及中央云的相关参数。

S2.构建无人机边缘云的任务缓存模型。

S3.结合S1中的移动边缘计算系统架构、S2中的边缘云任务缓存模型构建基于移动边缘计算与微波能量传输的无人机能耗模型。

S4.提出一种联合资源分配及无人机轨迹优化的算法。

2.根据权利要求1所述的基于移动边缘计算与微波能量传输的无人机资源分配及轨迹优化方法，其特征在于，所述S1的具体过程为：

在无线传感器网络中，无人机边缘云收集M个传感器设备上传的数据，并在本地处理一部分数据，然后将另一部分卸载到中央云进行处理。M个异构传感器不均匀地分布在二维平面内，在平面内的位置表示为q_m＝[x_m，y_m]，m∈M，M＝{1，2，…，M}，并且这些传感器设备的坐标对无人机来说是已知的。在整个任务处理期间，无人机在一个固定的高度H飞行，并且我们将无人机轨迹分解为N条轨迹段，用N+1个轨迹点

来表示，n∈N，N＝{1，2，…，N}。

表示无人机在第n条轨迹段飞行的时间。传感器设备中的任务数据可分，即可以在两个或多个服务器中处理该数据并将反馈的结果统一分析。将每个传感器设备中待处理的任务定义为{R_m，F_m}，m∈M。R_m表示第m个设备待处理任务的数据规模，F_m表示处理任务所需的CPU周期数。

3.根据权利要求1所述的基于移动边缘计算与微波能量传输的无人机资源分配及轨迹优化方法，其特征在于，所述S2的具体过程为：

无人机边缘云在第n条轨迹段接收到的传感器设备上传的数据规模表示为：

无人机边缘云在每个轨迹段在本地处理的数据为βD_n，β∈[0，1]，上传到中央云的数据为(1-β)D_n，则总的数据处理规模表示为：

其中

表示无人机处理单位数据所需要的CPU周期数，最终我们构建无人机边缘云的任务缓存模型为：

H_n+1＝H_n-D_n+A_n，n∈N (3)

通过这种方式，我们构建了无人机边缘云的任务缓存模型。

4.根据权利要求1所述的基于移动边缘计算与微波能量传输的无人机资源分配及轨迹优化方法，其特征在于，所述S3的具体过程为：

无人机边缘云的能耗分为四部分：为地面传感器设备微波供能消耗的能量，在本地进行任务处理消耗的能量，将任务卸载到中央云消耗的能量以及飞行推进能耗。首先建立基于能量感知的微波供能能耗模型，我们将地面传感器设备的最大电池容量定义为E，进行微波供能前的初始电池容量为E_m，m∈M，我们的目标是无人机完成微波供能后每个传感器设备的电池容量能够达到最大，即：

其中

表示传感器设备上传任务消耗的能量，

是接收到的微波能量转化后的直流电能量。则微波供能能耗模型表示为：

其中

是设备的整流效率。无人机边缘云在本地处理任务的能耗模型和卸载任务的能耗模型表示为：

其中k表示能量转化能力。无人机的推进飞行能耗模型表示为：

其中c₁和c₂是有关无人机重量、机翼面积和空气密度的参数，v[n]是无人机在第n个轨迹段的飞行速度。无人机边缘云的整体能耗模型表示为：

通过这种方式，我们构建了基于移动边缘计算与微波能量传输的无人机能耗模型。

5.根据权利要求1所述的基于移动边缘计算与微波能量传输的无人机资源分配及轨迹

优化方法，其特征在于，所述S4的具体过程为：

S3提出的能耗模型函数是一个非凸函数，获取最优解具有一定的挑战性。为了解决该问题，我们使用块坐标下降法将原始问题分为四个子问题：联合计算资源和卸载功率优化问题P₁，无人机飞行时间优化问题P₂，任务卸载决策优化问题P₃以及轨迹优化问题P₄。对于问题P₁，该问题的目标函数是凸的，我们使用ADMM算法对函数自变量迭代求解得到最优的计算资源分配和上传功率；对于问题P₂，其目标函数以及约束条件都是凸的，因此我们使用拉格朗日乘子法求解问题P₂；问题P₃是一个标准的线性规划问题，我们使用标准的凸优化工具箱CVX来对问题P₃求解；对于问题P₄，我们提出一种联合Chebyshev混沌映射和柯西扰动的自适应天牛群算法来获取最优的无人机轨迹，每个子问题在块坐标下降法中进行分步迭代优化。

Images