CN114153528B - 并行任务悬停时间分配的无人机最优位置的计算卸载方法 - Google Patents
并行任务悬停时间分配的无人机最优位置的计算卸载方法 Download PDFInfo
- Publication number
- CN114153528B CN114153528B CN202111515239.9A CN202111515239A CN114153528B CN 114153528 B CN114153528 B CN 114153528B CN 202111515239 A CN202111515239 A CN 202111515239A CN 114153528 B CN114153528 B CN 114153528B
- Authority
- CN
- China
- Prior art keywords
- uav
- user equipment
- optimal
- energy consumption
- objective function
- 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
Classifications
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44594—Unloading
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请公开的并行任务悬停时间分配的无人机最优位置的计算卸载方法,包括:为用户设备定义总问题,总问题的目标是最小化UAV能耗;确定总问题的目标函数求解最小化UAV能耗;引入选择变量bij获取无人机并行任务悬停时间最大求解;并根据选择变量bij对总问题进行问题转换,将其转换成NP难问题,并确定问题转换后的目标函数;随后通过块坐标下降法和DQN算法求出所有变量的最优解,从而确定UAV的最优计算频率、最优卸载位置以及最小化能耗。本发明涉及的技术方案,其能够计算得出无人机最优悬停位置,根据最优选择UAV悬停位置来最小化UAV所产生的计算能耗和UAV在空中的悬停能耗。
Description
技术领域
本申请涉及日志异常检测技术领域,更具体地说,尤其涉及一种并行任务悬停时间分配的无人机最优位置的计算卸载方法。
背景技术
移动边缘计算(MEC)技术作为一种帮助资源受限的用户设备处理通信和计算延迟任务的技术,近年来受到了学术界和工业界的广泛关注。移动边缘计算是指在移动网络边缘部署计算和存储资源,为移动网络提供IT服务坏境和云计算能力,从而为用户提供超低时延和快带的网络服务解决方案。作为MEC的关键技术之一,计算卸载是指终端设备将部分或全部计算任务交给云计算处理的技术,以解决移动设备在资源存储、计算性能以及能效等方面存在的不足。计算卸载技术主要包括卸载决策、资源分配和卸载系统实现这三方面。其中,卸载决策主要解决的是移动终端如何卸载、卸载多少以及卸载什么的问题:资源分配则重点解决终端在实现卸载后如何分配资源的问题;对于卸载系统的实现,则侧重于移动用户迁移过程中的实现方案。MEC中计算卸载有许多应用场景,例如在自然灾害如地震、泥石流等灾区需要及时恢复通信的应用场景中,通信资源的有效利用就是对抢救人的最大帮助,对灾区重建通信系统在时间上肯定来不及,如何在短时间内建立一个通信网络,对灾区的灾难情况进行通报是一个非常紧急的任务。。
目前,在现有技术中出现利用UAV建立一个辅助通信系统,MEC辅助无人机(UAV)工作时,UAV可以充当MEC服务器;但在考虑MEC服务器时,MEC服务器是静止的,MEC服务器通常部署在某一个固定的地方,UAV由于其独特的机动性,可以在空中不同的位置卸载数据;但同时,由于UAV自身载重和其电池容量的限制,其能量有限,持续工作时长有限;其次,现有MEC技术在多用户单UAV的场景下,主要研究目标是用户设备延迟和能量消耗,很少有成果考虑对UAV计算资源有限的前提下,通过并行任务卸载决策选择最优位置卸载数据来最小化UAV的能量消耗,让UAV在有限时长的工作条件下,如何最大程度的减少UAV在空中消耗的能量。
因此,如何提供一种并行任务悬停时间分配的无人机最优位置的计算卸载方法,其能够计算得出无人机最优悬停位置,根据最优选择UAV悬停位置来最小化UAV所产生的计算能耗和UAV在空中的悬停能耗,已经成为本领域技术人员亟待解决的技术问题。
发明内容
为解决上述技术问题,本申请提供一种并行任务悬停时间分配的无人机最优位置的计算卸载方法,其能够计算得出无人机最优悬停位置,根据最优选择UAV悬停位置来最小化UAV所产生的计算能耗和UAV在空中的悬停能耗。
本申请提供一种并行任务悬停时间分配的无人机最优位置的计算卸载方法,包括以下步骤:S1、利用无人机建立辅助通信系统,所述辅助通信系统包括单个UAV以及多个与所述UAV通信的用户设备;S2、为所述用户设备定义总问题,所述总问题的目标是最小化UAV能耗;S3、确定所述总问题的目标函数求解所述最小化UAV能耗,所述最小化UAV能耗包括计算卸载能耗以及飞行能耗;S4、引入选择变量bij获取所述飞行能耗中无人机并行任务悬停时间最大求解;其中所述选择变量bij为0-1变量,表示第i个所述用户设备是否是一个在第j个位置具有最大计算卸载处理时间的用户;S5、并根据所述选择变量bij对所述总问题进行问题转换,将其转换成NP难问题,并确定问题转换后的目标函数;随后通过块坐标下降法和DQN算法求出所有变量的最优解,从而确定UAV的最优计算频率、最优卸载位置以及最小化能耗。
进一步地,在本发明一种优选方式中,所述总问题的目标函数具体为:
其中aij—用户设备选择决策;fij—UAV的计算频率;Tj—UAV悬停时间;ki—能量效率系数;Fi—完成任务的总CPU周期;φ—UAV能耗与悬停能耗之间的权重;pu—UAV的悬停消耗功率;i—第i个用户设备;j—表示第j个UAV位置;N—场景中用户设备数量;M—场景中UAV悬停位置。
进一步地,在本发明一种优选方式中,所述目标函数的约束条件为:
C1:
C2:C3:/>
C4:
C5:
C6:
其中S—用户设备集合;Q—UAV悬停位置集合;Fc—UAV的最大计算频率;Di—任务数据大小;rij—任务上传速率;Ti—用户设备的最大任务延迟。
进一步地,在本发明一种优选方式中,所述选择变量的约束条件包括:
C1、同一悬停位置只有一个所述用户设备的计算卸载时间是最大的,等于无人机悬停时间:
C2、无人机的悬停时间为:
C3、其他所述用户设备的时间要小于等于无人机的悬停时间:
进一步地,在本发明一种优选方式中,在步骤S5中,问题转换步骤包括:
S1、根据所述选择变量的约束条件以及所述总问题的目标函数,进行问题转换,得到转换后的目标函数:
S2、运用DQN算法,根据转换后目标函数的约束条件为每个所述用户设备确定一个aij以及选择变量bij;
S3、将确定好的变量带入转换后的目标函数中,使所述总问题转换为NP难问题,从而完成问题的转换。
进一步地,在本发明一种优选方式中,转换后目标函数的约束条件为:
C1:
C2:C3:/>
C4:
C7:
C8:
C9:
进一步地,在本发明一种优选方式中,所述确定UAV的最优计算频率的目标函数为:
其约束条件为:C3:
C4:
C8:
其中,aij、bij的值预先给定,bkj=1。
进一步地,在本发明一种优选方式中,在步骤S5中,求解所述UAV的最优计算频率问题可分解成M个子问题,其子问题的目标函数为:
其约束条件为:C3:
C4:
C8:
进一步地,在本发明一种优选方式中,确定所述UAV的最优计算频率的步骤包括:S1、给变量aij和bij赋值,确定求解最优计算频率问题的目标函数;S2、将所述最优计算频率问题分解成M个子问题进行求解,并确定所述子问题的目标函数;S3、结合所述子问题目标函数与其约束条件C3,将两者写成拉格朗日函数形式;随后初始化所有变量参数;S4、利用拉格朗日对偶方法求解fkj;S5、进一步求解得到其他所述用户设备的UAV的计算频率fij,i≠k;随后更新拉格朗日乘子S6、判断所有变量或者拉格朗日函数是否收敛,如果收敛,则推出;否则跳回S3继续执行;其中跳回后不必重复步骤S4。
进一步地,在本发明一种优选方式中,在步骤S5中,变量aij和bij由DQN算法求解获取,求解中确定所述最优卸载位置,具体步骤包括:
S1、为每个所述用户设备确定动作空间变量aij和bij;假设用户设备的第一动作空间变量定义为Ai∈{1,2......,M},该空间表示用户设备可以选择M个UAV位置中的一个;S2、假设用户设备的第二动作空间定位为Bi∈{0,1},表示该用户设备是否选择成为计算卸载时间最长的用户;S3、将两个动作空间合并:Ci∈{1,1,......,1,1,......,1,1},其中Ci[m]=1,m≤M表示用户设备i选择第m个位置卸载,并且不是最大的卸载时间;Ci[m]=1,m>M表示用户设备i选择第m-M个位置卸载,并且是最大的卸载时间;S4、所述用户设备之间进行动作协调:如果用户设备i选择Ci[m]=1,m>M,则选择相同的m-M位置卸载的用户设备的动作空间只能够是Ci[m]=1,m≤M。
S5、执行流程:
S501、根据所有用户设备,依次从动作空间选择一个动作Ai∈{1,2......,M},确定该用户设备选择哪个位置进行卸载,从而确定所述最优卸载位置;S502、分别根据所有用户设备选择的位置,从选择结果中随机选择一个用户设备作为卸载处理任务最大时间的那个用户设备;S503、动作空间分为两个层次,确定好动作空间后,利用凸优化理论求解连续变量;S504、最终使算法收敛,得出变量求解结果。
本发明提供的一种并行任务悬停时间分配的无人机最优位置的计算卸载方法,与现有技术相比,包括以下步骤:S1、利用无人机建立辅助通信系统,所述辅助通信系统包括单个UAV以及多个与所述UAV通信的用户设备;S2、为所述用户设备定义总问题,所述总问题的目标是最小化UAV能耗;S3、确定所述总问题的目标函数求解所述最小化UAV能耗,所述最小化UAV能耗包括计算卸载能耗以及飞行能耗;S4、引入选择变量bij获取所述飞行能耗中无人机并行任务悬停时间最大求解;其中所述选择变量bij为0-1变量,表示第i个所述用户设备是否是一个在第j个位置具有最大计算卸载处理时间的用户;S5、并根据所述选择变量bij对所述总问题进行问题转换,将其转换成NP难问题,并确定问题转换后的目标函数;随后通过块坐标下降法和DQN算法求出所有变量的最优解,从而确定UAV的最优计算频率、最优卸载位置以及最小化能耗。在受许多特殊应用场景中,UAV接收大量的用户设备并行任务计算卸载请求,但是由于其本身的资源有限,为用户设备提供计算卸载服务是有限的,因此本发明提供的一种并行任务悬停时间分配的无人机最优位置的计算卸载方法,在多用户设备单UAV的场景中,UAV能够在最优位置进行卸载决策,让UAV的有限资源得到最大程度的利用;具体表现为在满足用户设备任务调度约束、UAV计算频率约束、任务最大时延约束和UAV最大悬停时间约束等前提条件下,最优使用UAV的计算资源,并基于最优选择UAV悬停位置策略来最小化UAV所产生的计算能耗和UAV在空中的悬停能耗,再考虑最优位置卸载的同时考虑了能耗最小化。相对于现有技术而言,本方法在其能够计算得出无人机最优悬停位置,根据最优选择UAV悬停位置来最小化UAV所产生的计算能耗和UAV在空中的悬停能耗。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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申请的一些实施例,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为本发明实施例提供的并行任务悬停时间分配的无人机最优位置的计算卸载方法的步骤流程图;
图2为本发明实施例提供的所述问题转换的步骤流程图;
图3为本发明实施例提供的确定所述UAV最优计算频率的步骤流程图;
图4为本发明实施例提供的确定所述UAV最优卸载位置的步骤流程图;
图5为本发明实施例提供的UAV计算卸载的原理示意图;
图6为本发明实施例提供的UAV最优计算卸载的原理示意图。
具体实施方式
为了使本领域的技术人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图对本申请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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
需要说明的是,当元件被称为“固定于”或“设置于”另一个元件上,它可以直接在另一个元件上或者间接设置在另一个元件上;当一个元件被称为是“连接于”另一个元件,它可以是直接连接到另一个元件或间接连接至另一个元件上。
需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“第一”、“第二”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”、“若干个”的含义是两个或两个以上,除非另有明确具体的限定。
须知,本说明书附图所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本申请可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本申请所能产生的功效及所能达成的目的下,均应仍落在本申请所揭示的技术内容得能涵盖的范围内。
如图1至图6所示,本发明提供的一种并行任务悬停时间分配的无人机最优位置的计算卸载方法,与现有技术相比,包括以下步骤:S1、利用无人机建立辅助通信系统,所述辅助通信系统包括单个UAV以及多个与所述UAV通信的用户设备;S2、为所述用户设备定义总问题,所述总问题的目标是最小化UAV能耗;S3、确定所述总问题的目标函数求解所述最小化UAV能耗,所述最小化UAV能耗包括计算卸载能耗以及飞行能耗;S4、引入选择变量bij获取所述飞行能耗中无人机并行任务悬停时间最大求解;其中所述选择变量bij为0-1变量,表示第i个所述用户设备是否是一个在第j个位置具有最大计算卸载处理时间的用户;S5、并根据所述选择变量bij对所述总问题进行问题转换,将其转换成NP难问题,并确定问题转换后的目标函数;随后通过块坐标下降法和DQN算法求出所有变量的最优解,从而确定UAV的最优计算频率、最优卸载位置以及最小化能耗。
本发明提供的一种并行任务悬停时间分配的无人机最优位置的计算卸载方法,包括以下步骤:S1、利用无人机建立辅助通信系统,所述辅助通信系统包括单个UAV以及多个与所述UAV通信的用户设备;S2、为所述用户设备定义总问题,所述总问题的目标是最小化UAV能耗;S3、确定所述总问题的目标函数求解所述最小化UAV能耗,所述最小化UAV能耗包括计算卸载能耗以及飞行能耗;S4、引入选择变量bij获取所述飞行能耗中无人机并行任务悬停时间最大求解;其中所述选择变量bij为0-1变量,表示第i个所述用户设备是否是一个在第j个位置具有最大计算卸载处理时间的用户;S5、并根据所述选择变量bij对所述总问题进行问题转换,将其转换成NP难问题,并确定问题转换后的目标函数;随后通过块坐标下降法和DQN算法求出所有变量的最优解,从而确定UAV的最优计算频率、最优卸载位置以及最小化能耗。在受许多特殊应用场景中,UAV接收大量的用户设备并行任务计算卸载请求,但是由于其本身的资源有限,为用户设备提供计算卸载服务是有限的,因此本发明提供的一种并行任务悬停时间分配的无人机最优位置的计算卸载方法,在多用户设备单UAV的场景中,UAV能够在最优位置进行卸载决策,让UAV的有限资源得到最大程度的利用;具体表现为在满足用户设备任务调度约束、UAV计算频率约束、任务最大时延约束和UAV最大悬停时间约束等前提条件下,最优使用UAV的计算资源,并基于最优选择UAV悬停位置策略来最小化UAV所产生的计算能耗和UAV在空中的悬停能耗,再考虑最优位置卸载的同时考虑了能耗最小化。相对于现有技术而言,本方法在其能够计算得出无人机最优悬停位置,根据最优选择UAV悬停位置来最小化UAV所产生的计算能耗和UAV在空中的悬停能耗。
在本发明实施例的应用场景中,一定区域内单个UAV停留在多个所述用户设备上空的多个位置,多个用户设备向UAV传输任务数据。UAV在空中选择最优的卸载位置进行计算任务,同时UAV在空中悬停需消耗悬停能耗。在本发明的实施例中,所述用户设备与UAV采取全部卸载或者部分卸载的方式。
具体地,在本发明的实施例中,所述总问题的目标函数具体为:
所述目标函数的约束条件为:
C1:
C2:C3:/>
C4:
C5:
C6:其中,上式各符号如下表所示:
具体地,在本发明的实施例中,所述选择变量的约束条件包括:
C1、同一悬停位置只有一个所述用户设备的计算卸载时间是最大的,等于无人机悬停时间:
C2、无人机的悬停时间为:
C3、其他所述用户设备的时间要小于等于无人机的悬停时间:
具体地,在本发明的实施例中,在步骤S5中,所述问题转换步骤包括:
S1、根据所述选择变量的约束条件以及所述总问题的目标函数,进行问题转换,得到转换后的目标函数:
其约束条件为:C1:
C2:
C3:
C4:
C7:
C8:
C9:
S2、运用DQN算法,根据转换后目标函数的约束条件为每个所述用户设备确定一个aij以及选择变量bij;S3、将确定好的变量带入转换后的目标函数中,使所述总问题转换为NP难问题,从而完成问题的转换。
其中,根据上述约束条件C8可知,在DQN算法中,每个用户都会随机选择一个aij以及bij(bij选择会受到调节,确保每个位置只有一个bij=1),然后优化其他连续变量;通过结合凸优化技术,能够提高DQN算法的执行效率;当确定好了选择变量bij,比如确定了bij=1,其他都是0,则目标函数转换为:
其约束条件为:C1:
C2:
C3:
C4:
C7:
C8:
C9:
其中,上述函数涉及的问题为NP难问题,在本实施例中通过块坐标下降法和DQN算法求出所有变量的最优解。
具体地,在本发明的实施例中,所述确定UAV的最优计算频率的目标函数为:
其约束条件为:C3:
C4:
C8:
其中,aij、bij的值预先给定,bkj=1。
具体地,在本发明的实施例中,在步骤S5中,求解所述UAV的最优计算频率问题可分解成M个子问题,其子问题的目标函数为:
其约束条件为:C3:
C4:
C8:
其中,在所述子问题的目标函数中,非凸的约束在于C3,将C3约束与目标函数写成拉格朗日函数,这时关于这个非凸问题变成图问题并采用拉格朗日对偶方法求解fij和fkj,进一步的可以采用二分法求解fkj。
具体地,在本发明的实施例中,确定所述UAV的最优计算频率的步骤包括:S1、给变量aij和bij赋值,确定求解最优计算频率问题的目标函数;S2、将所述最优计算频率问题分解成M个子问题进行求解,并确定所述子问题的目标函数;S3、结合所述子问题目标函数与其约束条件C3,将两者写成拉格朗日函数形式;随后初始化所有变量参数;S4、利用拉格朗日对偶方法求解fkj;S5、进一步求解得到其他所述用户设备的UAV的计算频率fij,i≠k;随后更新拉格朗日乘子S6、判断所有变量或者拉格朗日函数是否收敛,如果收敛,则推出;否则跳回S3继续执行;其中跳回后不必重复步骤S4。
具体地,在本发明的实施例中,在步骤S5中,变量aij和bij由DQN算法求解获取,求解中确定所述最优卸载位置,具体步骤包括:
S1、为每个所述用户设备确定动作空间变量aij和bij;假设用户设备的第一动作空间变量定义为Ai∈{1,2......,M},该空间表示用户设备可以选择M个UAV位置中的一个;S2、假设用户设备的第二动作空间定位为Bi∈{0,1},表示该用户设备是否选择成为计算卸载时间最长的用户;S3、将两个动作空间合并:Ci∈{1,1,......,1,1,......,1,1},其中Ci[m]=1,m≤M表示用户设备i选择第m个位置卸载,并且不是最大的卸载时间;Ci[m]=1,m>M表示用户设备i选择第m-M个位置卸载,并且是最大的卸载时间;S4、所述用户设备之间进行动作协调:如果用户设备i选择Ci[m]=1,m>M,则选择相同的m-M位置卸载的用户设备的动作空间只能够是Ci[m]=1,m≤M。
S5、执行流程:
S501、根据所有用户设备,依次从动作空间选择一个动作Ai∈{1,2......,M},确定该用户设备选择哪个位置进行卸载,从而确定所述最优卸载位置;S502、分别根据所有用户设备选择的位置,从选择结果中随机选择一个用户设备作为卸载处理任务最大时间的那个用户设备;S503、动作空间分为两个层次,确定好动作空间后,利用凸优化理论求解连续变量;S504、最终使算法收敛,得出变量求解结果。
更为具体地阐述,在现有技术中UAV计算卸载时,一般只是考虑UAV能耗最小化,由于UAV负载有限,如何最大程度利用有限资源,那么就需要使UAV的最优位置卸载数据,就需要UAV在空中选择一个最优的位置进行计算卸载任务,这样就能保证UAV的资源得到最大利用,这样,用户的请求才会被尽可能处理。因此,本申请提出了一种关于UAV位置最优计算卸载策略,在兼顾能耗最小化的情况下,可以使UAV的资源得到最大程度的利用。
由上所述,本发明实施例涉及的并行任务悬停时间分配的无人机最优位置的计算卸载方法,在受许多特殊应用场景中,UAV接收大量的用户设备并行任务计算卸载请求,但是由于其本身的资源有限,为用户设备提供计算卸载服务是有限的,因此本发明提供的一种并行任务悬停时间分配的无人机最优位置的计算卸载方法,在多用户设备单UAV的场景中,UAV能够在最优位置进行卸载决策,让UAV的有限资源得到最大程度的利用;具体表现为在满足用户设备任务调度约束、UAV计算频率约束、任务最大时延约束和UAV最大悬停时间约束等前提条件下,最优使用UAV的计算资源,并基于最优选择UAV悬停位置策略来最小化UAV所产生的计算能耗和UAV在空中的悬停能耗,再考虑最优位置卸载的同时考虑了能耗最小化。相对于现有技术而言,本方法在其能够计算得出无人机最优悬停位置,根据最优选择UAV悬停位置策略来最小化UAV所产生的计算能耗和UAV在空中的悬停能耗。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (1)
1.一种并行任务悬停时间分配的无人机最优位置的计算卸载方法,其特征在于,包括以下步骤:
S1、利用无人机建立辅助通信系统,所述辅助通信系统包括单个UAV以及多个与所述UAV通信的用户设备;
S2、为所述用户设备定义总问题,所述总问题的目标是最小化UAV能耗;
S3、确定所述总问题的目标函数求解所述最小化UAV能耗,所述最小化UAV能耗包括计算卸载能耗以及飞行能耗;所述总问题的目标函数具体为:;
其中aij—用户设备选择决策;fij—UAV的计算频率;Tj—UAV悬停时间;ki—能量效率系数;Fi—完成任务的总CPU周期;φ—UAV能耗与悬停能耗之间的权重;pu—UAV的悬停消耗功率;i—第i个用户设备;j—表示第j个UAV位置;N—场景中用户设备数量;M—场景中UAV悬停位置;
所述目标函数的约束条件为:
;
;
;
;
其中S—用户设备集合;Q—UAV悬停位置集合;Fc—UAV的最大计算频率;Di—任务数据大小;rij—任务上传速率;Ti—用户设备的最大任务延迟;
S4、引入选择变量bij获取所述飞行能耗中无人机并行任务悬停时间最大求解;其中所述选择变量bij为0-1变量,表示第i个所述用户设备是否是一个在第j个位置具有最大计算卸载处理时间的用户;
所述选择变量的约束条件包括:
C1、同一悬停位置只有一个所述用户设备的计算卸载时间是最大的,等于无人机悬停时间:;
C2、无人机的悬停时间为:;
C3、其他所述用户设备的时间要小于等于无人机的悬停时间:;
S5、并根据所述选择变量bij对所述总问题进行问题转换,将其转换成NP难问题,并确定问题转换后的目标函数;随后通过块坐标下降法和DQN算法求出所有变量的最优解,从而确定UAV的最优计算频率、最优卸载位置以及最小化能耗;所述问题转换步骤包括:
S1、根据所述选择变量的约束条件以及所述总问题的目标函数,进行问题转换,得到转换后的目标函数:;
S2、运用DQN算法,根据转换后目标函数的约束条件为每个所述用户设备确定一个aij以及选择变量bij;所述转换后目标函数的约束条件为:;
;
;
;
;
S3、将确定好的变量带入转换后的目标函数中,使所述总问题转换为NP难问题,从而完成问题的转换;
所述确定UAV的最优计算频率的目标函数为:;
其约束条件为:C3:;
;
;
其中,aij、bij的值预先给定,bkj=1;
求解所述UAV的最优计算频率问题可分解成M个子问题,其子问题的目标函数为:
;
其约束条件为:C3:;
;
确定所述UAV的最优计算频率的步骤包括:
S1、给变量aij和bij赋值,确定求解最优计算频率问题的目标函数;
S2、将所述最优计算频率问题分解成M个子问题进行求解,并确定所述子问题的目标函数;
S3、结合所述子问题目标函数与其约束条件C3,将两者写成拉格朗日函数形式;随后初始化所有变量参数;
S4、利用拉格朗日对偶方法求解fkj;
S5、进一步求解得到其他所述用户设备的UAV的计算频率fij,i≠k;随后更新拉格朗日乘子;
S6、判断所有变量或者拉格朗日函数是否收敛,如果收敛,则推出;否则跳回S3继续执行;其中跳回后不必重复步骤S4;
变量aij和bij由DQN算法求解获取,求解中确定所述最优卸载位置,具体步骤包括:
S1、为每个所述用户设备确定动作空间变量aij和bij;假设用户设备的第一动作空间变量定义为Ai∈{1 ,2 ......,M},该动作空间表示用户设备可以选择M个UAV位置中的一个;
S2、假设用户设备的第二动作空间定位为Bi∈{0 ,1},表示该用户设备是否选择成为计算卸载时间最长的用户;
S3、将两个动作空间合并:Ci∈{1 ,1 ,......,1 ,1 ,......,1 ,1},其中Ci[m]=1 ,m≤M表示用户设备i选择第m个位置卸载,并且不是最大的卸载时间;
Ci[m]=1 ,m>M表示用户设备i选择第m-M个位置卸载,并且是最大的卸载时间;
S4、所述用户设备之间进行动作协调:如果用户设备i选择Ci[m]=1 ,m>M,则选择相同的m-M位置卸载的用户设备的动作空间只能够是Ci[m]=1 ,m≤M;
S5、执行流程:
S501、根据所有用户设备,依次从动作空间选择一个动作Ai∈{1 ,2 ......,M},确定该用户设备选择哪个位置进行卸载,从而确定所述最优卸载位置;
S502、分别根据所有用户设备选择的位置,从选择结果中随机选择一个用户设备作为卸载处理任务最大时间的那个用户设备;
S503、动作空间分为两个层次,确定好动作空间后,利用凸优化理论求解连续变量;
S504、最终使算法收敛,得出变量求解结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111515239.9A CN114153528B (zh) | 2021-12-13 | 2021-12-13 | 并行任务悬停时间分配的无人机最优位置的计算卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111515239.9A CN114153528B (zh) | 2021-12-13 | 2021-12-13 | 并行任务悬停时间分配的无人机最优位置的计算卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114153528A CN114153528A (zh) | 2022-03-08 |
CN114153528B true CN114153528B (zh) | 2023-10-20 |
Family
ID=80451053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111515239.9A Active CN114153528B (zh) | 2021-12-13 | 2021-12-13 | 并行任务悬停时间分配的无人机最优位置的计算卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114153528B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381265A (zh) * | 2020-10-19 | 2021-02-19 | 长沙理工大学 | 基于无人机的充电和任务卸载系统及其任务耗时优化方法 |
CN113064671A (zh) * | 2021-04-27 | 2021-07-02 | 清华大学 | 基于多智能体的边缘云可扩展任务卸载方法 |
CN113159519A (zh) * | 2021-03-25 | 2021-07-23 | 重庆大学 | 一种复用运输无人机的城市感知运输协同调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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
- 2021-12-13 CN CN202111515239.9A patent/CN114153528B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381265A (zh) * | 2020-10-19 | 2021-02-19 | 长沙理工大学 | 基于无人机的充电和任务卸载系统及其任务耗时优化方法 |
CN113159519A (zh) * | 2021-03-25 | 2021-07-23 | 重庆大学 | 一种复用运输无人机的城市感知运输协同调度方法 |
CN113064671A (zh) * | 2021-04-27 | 2021-07-02 | 清华大学 | 基于多智能体的边缘云可扩展任务卸载方法 |
Non-Patent Citations (2)
Title |
---|
"Joint Design of Access Point Selection and Path Planning for UAV-Assisted Cellular Networks";Shichao Zhu et al;《IEEE internet of Things Journal》;220-233 * |
"无人机路径规划算法研究";魏涛;《中国优秀硕士学位论文全文数据库 工程科技II辑》;C031-290 * |
Also Published As
Publication number | Publication date |
---|---|
CN114153528A (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109684075B (zh) | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 | |
CN111586720B (zh) | 一种多小区场景下的任务卸载和资源分配的联合优化方法 | |
CN107766135B (zh) | 移动朵云中基于粒子群和模拟退火优化的任务分配方法 | |
CN110928654B (zh) | 一种边缘计算系统中分布式的在线任务卸载调度方法 | |
CN112004239A (zh) | 一种基于云边协同的计算卸载方法及系统 | |
CN113207136B (zh) | 一种联合优化计算卸载和资源分配的方法及装置 | |
CN114520768B (zh) | 一种用于工业物联网中随机任务的ai卸载优化方法 | |
CN111475274A (zh) | 云协同多任务调度方法及装置 | |
Hoseiny et al. | Using the power of two choices for real-time task scheduling in fog-cloud computing | |
CN114567895A (zh) | 一种mec服务器集群的智能协同策略的实现方法 | |
CN112988285B (zh) | 任务卸载方法和装置、电子设备及存储介质 | |
CN113114714B (zh) | 一种大规模任务卸载到5g边缘服务器的节能方法及系统 | |
CN110149401A (zh) | 一种用于优化边缘计算任务的方法和系统 | |
Cheng et al. | Energy-efficient resource allocation for UAV-empowered mobile edge computing system | |
CN113590279A (zh) | 一种面向多核边缘计算服务器的任务调度和资源分配方法 | |
CN113641417A (zh) | 一种基于分支定界法的车辆安全任务卸载方法 | |
Kopras et al. | Task allocation for energy optimization in fog computing networks with latency constraints | |
CN111158893B (zh) | 应用于雾计算网络的任务卸载方法、系统、设备及介质 | |
Kim et al. | Partition placement and resource allocation for multiple DNN-based applications in heterogeneous IoT environments | |
CN113342504A (zh) | 基于缓存的智能制造边缘计算任务调度方法及系统 | |
CN114153528B (zh) | 并行任务悬停时间分配的无人机最优位置的计算卸载方法 | |
CN115955479A (zh) | 一种云边端协作系统中的任务快速调度与资源管理方法 | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
CN115915276A (zh) | 基于边缘计算的能量受限终端任务在线调度装置及其方法 | |
CN114741200A (zh) | 面向数据中台的计算资源分配方法、装置及电子设备 |
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 |