CN114363803B - 一种移动边缘计算网络节能的多任务分配方法及系统 - Google Patents

Abstract

本发明涉及一种移动边缘计算网络节能的多任务分配方法及系统。其方法包括步骤：S1、获取多个用户与多个无人机的基本信息，用户基本信息包括用户位置信息、所需卸载任务信息，无人机基本信息包括无人机位置信息；S2、建立一个以最小化任务计算卸载能耗为目标，以分配决策、无人机容量、无人机能量为约束的系统优化模型；S3、基于无人机基本信息、用户基本信息，对系统优化模型进行求解，以得到任务分配方案。本发明在无人机能量与容量有限的约束下，优化了资源分配，实现了用户本地任务计算能耗与无人机任务计算卸载能耗最小化。且优化目标只依赖于无人机与用户之间的相互距离，该参数容易获取，任务分配算法简单。

Description

一种移动边缘计算网络节能的多任务分配方法及系统

技术领域

本发明属于信息与通信工程技术领域，具体涉及一种移动边缘计算网络节能的多任务分配方法及系统。

背景技术

在通信基础设施不可用的情况下，搭载的无人机因其部署灵活，覆盖范围广，被认为是为地面移动设备提供额外计算能力的重要设备。在无人机辅助的系统中，因为无人机电池容量的限制，处理卸载任务的能量消耗将是一个大问题。目前，无人机辅助通信已经得到了广泛的研究，如将无人机作为移动边缘服务器为地面用户提供上行/下行信息服务和计算服务。目前，针对用户任务的分配处理，大量学者研究了多用户在无人机覆盖下的单任务分配，而且任务大小都是一样的，但在真实场景下，用户任务大小通常是不同的，而且有多个并行的任务，如何在无人机能量与容量有限的情况下，多个服务器和多用户多任务之间合理分配计算资源，就成了亟待解决的一个问题。

发明内容

针对现有技术中存在的上述问题，本发明提供一种移动边缘计算网络节能的多任务分配方法及系统，在无人机能量与容量有限的约束下，优化了资源分配，实现了用户本地任务计算能耗与无人机任务计算卸载能耗最小化。

本发明采用以下技术方案：

一种移动边缘计算网络节能的多任务分配方法，包括步骤：

S1、获取多个用户与多个无人机的基本信息，用户基本信息包括用户位置信息、所需卸载任务信息，无人机基本信息包括无人机位置信息；

S2、建立一个以最小化任务计算卸载能耗为目标，以分配决策、无人机容量、无人机能量为约束的系统优化模型；

S3、基于无人机基本信息、用户基本信息，对系统优化模型进行求解，以得到任务分配方案。

作为优选方案，步骤S2中，分配决策约束为：每个任务只能分配到一架无人机上，表示为：

其中，x_knm∈{0,1}，x_knm＝1表示第k个用户的第n个任务f_nk分配到无人机m上，x_knm＝0表示第k个用户的第n个任务f_nk在本地处理，n＝{1,2,3,...,N},k＝{1,2,3,...,K}，N表示相应用户的任务总数，K表示用户总数，m＝{1,2,3,...,M}，M表示无人机总数。

作为优选方案，步骤S2中，无人机容量约束为：分配给相应无人机的任务容量不能超过相应无人机的最大存储容量，表示为：

其中，Q_m表示无人机m的最大存储容量。

作为优选方案，步骤S2中，任务计算卸载能耗包括任务卸载到无人机的能耗以及任务由用户本地处理所需的能耗。

作为优选方案，任务卸载到无人机的能耗计算，包括步骤：

A、基于用户位置信息、无人机位置信息，计算用户与无人机之间的视距无线传输概率；

B、基于用户位置信息、无人机位置信息、视距无线传输概率计算用户与无人机之间的路径损耗；

C、基于路径损耗计算用户与无人机之间的信道容量；

D、基于信道容量计算任务卸载到无人机的能耗，表示为：

其中，E_knm表示任务f_nk卸载到无人机m的能耗，表示任务f_nk的传输能耗，表示任务f_nk在无人机m处理的能耗，P_k表示用户k的发送功率，R_km表示用户k与无人机m之间信道容量，P^u表示无人机每秒处理任务的能耗，Y_nk表示完成任务f_nk所需的CPU周期，f_m表示无人机m的计算能力；

任务由用户本地处理所需的能耗计算公式为：

E′_kn＝z_nkY_nk，

其中，E′_kn表示用户k的第n个任务在本地处理所需的能耗，z_nk表示完成任务f_nk每CPU周期的能耗，Y_nk表示完成任务f_nk所需的CPU周期。

作为优选方案，步骤S2中，无人机能量约束为：无人机的总能耗小于无人机最大能量ε，表示为：

作为优选方案，步骤S2中，系统优化模型表示为：

s.t.

x_knm∈{0,1}

作为优选方案，步骤S2与步骤S3之间还包括步骤：

根据用户所需卸载任务数量创建与该用户位置相同的虚拟用户，并将该用户所需卸载任务分配至虚拟用户，以使每一用户分配一个所需卸载任务。

作为优选方案，步骤S3中，具体采用模拟退火方法进行求解。

还提供一种移动边缘计算网络节能的多任务分配系统，基于上述的分配方法，包括依次联接的信息获取模块、求解模块、模型建立模块；

信息获取模块，用于获取用户与无人机的基本信息，用户基本信息包括用户位置信息、所需卸载任务信息，无人机基本信息包括无人机位置信息；

模型建立单元，用于建立一个以最小化任务计算卸载能耗为目标，以分配决策、无人机容量、无人机能量为约束的系统优化模型；

求解模块，基于无人机基本信息、用户基本信息，对系统优化模型进行求解，以得到任务分配方案。

本发明的有益效果是：

本发明针对基于无人机的系统多服务器与多用户之间的多任务进行了任务分配，在无人机能量与容量有限的约束下，优化了资源分配，实现了用户本地任务计算能耗与无人机任务计算卸载能耗最小化。

本发明实现的任务分配算法简单，可扩展，并且优化目标只依赖于无人机与用户之间的相互距离，这一参数在初始化阶段可获得，易实现。

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的前提下，还可以根据这些附图获得其他的附图。

图1是本发明所述一种移动边缘计算网络节能的多任务分配方法的流程图；

图2是多用户与多个无人机的双层网络示意图；

图3是无人机能量与系统总能耗仿真图；

图4是无人机容量与系统总能耗仿真图；

图5是本发明所述一种移动边缘计算网络节能的多任务分配系统的结构示意图。

具体实施方式

以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

实施例一：

参照图1，本实施例提供一种移动边缘计算网络节能的多任务分配方法，包括步骤：

S1、获取多个用户与多个无人机的基本信息，用户基本信息包括用户位置信息、所需卸载任务信息，无人机基本信息包括无人机位置信息；

S2、建立一个以最小化任务计算卸载能耗为目标，以分配决策、无人机容量、无人机能量为约束的系统优化模型；

S3、基于无人机基本信息、用户基本信息，对系统优化模型进行求解，以得到任务分配方案。

具体地：

本实施例考虑参照图2所示的多用户与多个无人机的双层网络，无人机位置设置为[x_m,y_m,H]，其中m∈M,m＝{1,2,3,...,M}为第m个无人机，M为无人机总数，x_m为无人机m的横坐标，y_m为纵坐标，H为无人机高度；用户位置设置为[x_k,y_k,0]，其中k∈K,k＝{1,2,3,...,K}为第k个用户，K为用户总数，xk为用户k的横坐标，yk为纵坐标，假定用户垂直方向坐标为0。每个用户拥有N个大小不等的任务f_nk,n＝{1,2,3,...,N},k＝{1,2,3,...,K}，表示用户k的第n个任务。

步骤S2中，分配决策约束为：每个任务只能分配到一架无人机上，表示为：

其中，x_knm∈{0,1}，x_knm＝1表示第k个用户的第n个任务f_nk分配到无人机m上，x_knm＝0表示第k个用户的第n个任务f_nk在本地处理，n＝{1,2,3,...,N},k＝{1,2,3,...,K}，N表示相应用户的任务总数，K表示用户总数，m＝{1,2,3,...,M}，M表示无人机总数。

步骤S2中，无人机容量约束为：分配给相应无人机的任务容量不能超过相应无人机的最大存储容量，表示为：

其中，Q_m表示无人机m的最大存储容量。

步骤S2中，任务计算卸载能耗包括任务卸载到无人机的能耗以及任务由用户本地处理所需的能耗。

任务卸载到无人机的能耗计算，包括步骤：

A、基于用户位置信息、无人机位置信息，计算用户与无人机之间的视距无线传输概率；

用户与无人机之间信道服从视距无线传输(LoS)信道模型，因此视距无线传输概率表示为：

其中，p(m,k)表示无人机m与用户k之间的视距无线传输概率，a和b是取决于环境的常数值，x_m表示无人机m的横坐标，y_m表示无人机m的纵坐标，H表示无人机m的高度，xk为用户k的横坐标，yk为用户k的纵坐标。

B、基于用户位置信息、无人机位置信息、视距无线传输概率计算用户与无人机之间的路径损耗；

路径损耗具体表示为：

其中，l_km表示无人机m与用户k之间的路径损耗，A＝η_LoS-η_NLoS，C＝20log[(4πf_c)/c]+η_NLoS；fc表示载波频率，c表示光速，η_LoS和η_NLoS是取决于环境的LoS与非LoS连接对应的损耗。

C、基于路径损耗计算用户与无人机之间的信道容量；

信道容量具体表示为：

其中，R_km表示用户k与无人机m之间信道容量，B表示信道带宽，P_k表示用户k的发送功率，σ²表示高斯白噪声方差，

D、基于信道容量计算任务卸载到无人机的能耗，表示为：

其中，E_knm表示任务f_nk卸载到无人机m的能耗，表示任务f_nk的传输能耗，表示任务f_nk在无人机m处理的能耗，P_k表示用户k的发送功率，P^u表示无人机每秒处理任务的能耗，Y_nk表示完成任务f_nk所需的CPU周期，f_m表示无人机m的计算能力；

任务由用户本地处理所需的能耗计算公式为：

E′_kn＝z_nkY_nk，

其中，E′_kn表示用户k的第n个任务在本地处理所需的能耗，z_nk表示完成任务f_nk每CPU周期的能耗，Y_nk表示完成任务f_nk所需的CPU周期。

步骤S2中，无人机能量约束为：无人机的总能耗小于无人机最大能量ε，表示为：

综上所述，步骤S2中，系统优化模型表示为：

s.t.

x_knm∈{0,1}

在具体实施例中，步骤S2与步骤S3之间还可包括步骤：

根据用户所需卸载任务数量创建与该用户位置相同的虚拟用户，并将该用户所需卸载任务分配至虚拟用户，以使每一用户分配一个所需卸载任务。即为了解决用户与任务匹配问题，根据用户任务的数量创建虚拟用户，对于单个用户而言，若其具有N个任务，则创建N-1个虚拟用户，虚拟用户的位置与该用户位置相同，即将该用户的N个任务，分配给N个位置相同的用户。将一个用户多个任务的问题转化为一个用户对应一个任务的问题。

在具体实施例中，步骤S3中，本发明进一步引入模拟退火方法(SA)进行求解，以最小化系统总能耗为目标，以无人机容量及能量为约束，满足无人机接收任务大小在一定范围内且计算卸载任务的能耗不高于无人机最大能量的条件下，使得系统总能耗最小。SA方法会以一定的概率接受一个比当前解要差的解，所以有可能跳出局部最优解，从而获得一个全局最优解。具体实现步骤如下：

S1、输入初始化参数，包括初始温度，最大迭代次数，温度衰减系数α等。将初始温度T₀设为1000，内循环迭代最大次数设为100，随机给定一个初始解X；

S2、对初始解X进行扰动，从而产生新解X^*，对比对应的目标函数值f(X)与f(X^*)；

S3、若f(X^*)<f(X)，则接收新解X^*，若f(X^*)>f(X)，则按照概率接收新解；

S4、内层循环结束后更新温度T_i+1＝αT_i，表示下次迭代温度T_i+1在当前温度T_i基础上衰减α倍；

S5、重复执行S2-S4，判断温度T是否达到终止温度或者目标函数值已收敛，若收敛则终止。

参照图3，其仿真了确定无人机容量，无人机能量与系统总能耗之间的关系，从图3可以看出，当无人机最大容量确定时随着无人机电池能量的增加，系统总能耗递减，当接收任务到达无人机最大容量后随着无人机最能量的增加，系统总能耗趋于平稳；在相同无人机能量的情况下，无人机容量越大表示无人机可处理的任务越多，用户本地处理任务越少，系统总能耗也会越少。参照图4，其仿真了确定无人机最大能量，无人机容量与系统总能耗之间的关系，从图4可以看出，无人机容量较小时，随着无人机最大能量的增加，系统总能耗不会发生变化，说明此时对决策变量的影响主要是无人机的容量；当无人机最大能量确定时，随着无人机容量的增加，系统总能耗逐渐减小，直至趋于平稳；当无人机能量增加并且无人机容量也增加而系统总能耗趋于平稳时，表明当前系统任务分配策略已找到最优解，并且无人机所处理任务没有达到无人机最大容量与无人机最大能量。

实施例二：

参照图5，本实施例提供一种移动边缘计算网络节能的多任务分配系统，基于实施例一所述的一种移动边缘计算网络节能的多任务分配方法，包括依次联接的信息获取模块、求解模块、模型建立模块；

信息获取模块，用于获取用户与无人机的基本信息，用户基本信息包括用户位置信息、所需卸载任务信息，无人机基本信息包括无人机位置信息；

模型建立单元，用于建立一个以最小化任务计算卸载能耗为目标，以分配决策、无人机容量、无人机能量为约束的系统优化模型；

求解模块，基于无人机基本信息、用户基本信息，对系统优化模型进行求解，以得到任务分配方案。

需要说明的是，本实施例提供的一种移动边缘计算网络节能的多任务分配系统，与实施例一类似，在此不多做赘述。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围内。

Claims (3)

1.一种移动边缘计算网络节能的多任务分配方法，其特征在于，包括步骤：

S1、获取多个用户与多个无人机的基本信息，用户基本信息包括用户位置信息、所需卸载任务信息，无人机基本信息包括无人机位置信息；

S2、建立一个以最小化任务计算卸载能耗为目标，以分配决策、无人机容量、无人机能量为约束的系统优化模型；

S3、基于无人机基本信息、用户基本信息，对系统优化模型进行求解，以得到任务分配方案；

步骤S2中，分配决策约束为：每个任务只能分配到一架无人机上，表示为：

其中，x_knm∈{0,1}，x_knm＝1表示第k个用户的第n个任务f_nk分配到无人机m上，x_knm＝0表示第k个用户的第n个任务f_nk在本地处理，n＝{1,2,3,...,N},k＝{1,2,3,...,K}，N表示相应用户的任务总数，K表示用户总数，m＝{1,2,3,...,M}，M表示无人机总数；

步骤S2中，无人机容量约束为：分配给相应无人机的任务容量不能超过相应无人机的最大存储容量，表示为：

其中，Q_m表示无人机m的最大存储容量；

步骤S2中，任务计算卸载能耗包括任务卸载到无人机的能耗以及任务由用户本地处理所需的能耗；

任务卸载到无人机的能耗计算，包括步骤：

A、基于用户位置信息、无人机位置信息，计算用户与无人机之间的视距无线传输概率；

B、基于用户位置信息、无人机位置信息、视距无线传输概率计算用户与无人机之间的路径损耗；

C、基于路径损耗计算用户与无人机之间的信道容量；

D、基于信道容量计算任务卸载到无人机的能耗，表示为：

其中，E_knm表示任务f_nk卸载到无人机m的能耗，表示任务f_nk的传输能耗，/>表示任务f_nk在无人机m处理的能耗，P_k表示用户k的发送功率，R_km表示用户k与无人机m之间信道容量，P^u表示无人机每秒处理任务的能耗，Y_nk表示完成任务f_nk所需的CPU周期，f_m表示无人机m的计算能力；

任务由用户本地处理所需的能耗计算公式为：

E′_kn＝z_nkY_nk，

其中，E′_kn表示用户k的第n个任务在本地处理所需的能耗，z_nk表示完成任务f_nk每CPU周期的能耗，Y_nk表示完成任务f_nk所需的CPU周期；

步骤S2中，无人机能量约束为：无人机的总能耗小于无人机最大能量ε，表示为：

步骤S2中，系统优化模型表示为：

s.t.

x_knm∈{0,1}

步骤S3中，具体采用模拟退火方法进行求解。

2.根据权利要求1所述的一种移动边缘计算网络节能的多任务分配方法，其特征在于，步骤S2与步骤S3之间还包括步骤：

根据用户所需卸载任务数量创建与该用户位置相同的虚拟用户，并将该用户所需卸载任务分配至虚拟用户，以使每一用户分配一个所需卸载任务。

3.一种移动边缘计算网络节能的多任务分配系统，基于权利要求1-2任一项所述的分配方法，其特征在于，包括依次联接的信息获取模块、求解模块、模型建立模块；

信息获取模块，用于获取用户与无人机的基本信息，用户基本信息包括用户位置信息、所需卸载任务信息，无人机基本信息包括无人机位置信息；

模型建立单元，用于建立一个以最小化任务计算卸载能耗为目标，以分配决策、无人机容量、无人机能量为约束的系统优化模型；

求解模块，基于无人机基本信息、用户基本信息，对系统优化模型进行求解，以得到任务分配方案。