CN114520768B - 一种用于工业物联网中随机任务的ai卸载优化方法 - Google Patents

一种用于工业物联网中随机任务的ai卸载优化方法 Download PDF

Info

Publication number
CN114520768B
CN114520768B CN202210237294.4A CN202210237294A CN114520768B CN 114520768 B CN114520768 B CN 114520768B CN 202210237294 A CN202210237294 A CN 202210237294A CN 114520768 B CN114520768 B CN 114520768B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
task
equipment
energy consumption
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
CN202210237294.4A
Other languages
English (en)
Other versions
CN114520768A (zh
Inventor
谈玲
曹博源
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 CN202210237294.4A priority Critical patent/CN114520768B/zh
Publication of CN114520768A publication Critical patent/CN114520768A/zh
Application granted granted Critical
Publication of CN114520768B publication Critical patent/CN114520768B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H04L41/0833—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for reduction of network energy consumption
    • 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
    • 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
    • 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
    • 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
    • H04W28/0917—Management thereof based on the energy state of entities
    • 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
    • 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)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开一种用于工业物联网中随机任务的AI卸载优化方法，利用无人机充当边缘服务器，建立一个两层无人机的边缘计算实体网络，用于卸载和处理随机任务，并通过人工智能的方法优化边缘计算模型。针对危险作业环境里生产区发生通信故障时的特定任务处理以及能耗问题提出一个邻近智能卸载方法NIO，在两层无人机的边缘计算实体网络下，根据无人机采集到的设备信息构建系统卸载模型，首先基于距离提出一种密集设备就近卸载、分散设备集中卸载的卸载决策，随后通过李雅普诺夫优化方法进行能耗优化处理，最后基于DDPG‑G算法得到计算资源分配及无人机部署的最优方案。本发明解决危险作业过程中通信故障造成的任务卸载失败问题，并实现系统能耗最优化。

Description

一种用于工业物联网中随机任务的AI卸载优化方法
技术领域
本发明涉及无人机辅助的边缘计算领域，特别涉及一种用于工业物联网中随机任务的AI卸载优化方法。
背景技术
随着智能移动设备和5G的普及，许多计算密集型服务应运而生，但与此同时这些计算密集型服务发展受智能移动设备计算资源和电池容量的限制。为解决上述问题，通过将计算任务卸载给基站上的云服务器或者更近的边缘服务器，更快地完成计算任务并降低设备能耗、缩短任务处理时间。而在一些特殊情况，如出现拥挤场所或自然灾难的情况下，地面基站因为网络拥塞或损坏等原因无法为设备提供服务，由此产生无人机搭载边缘服务器接收用户任务的方案。无人机具有灵活、低成本、易于部署等优势，在无人机辅助边缘计算上有很好的应用前景。
工业物联网是将具有感知、监控等功能的传感器等与通信和智能分析结合，融入到工业生产过程中一种新兴技术，这种技术能够提高生产效率、改善产品质量、减少资源消耗。工业物联网同样采用云计算和边缘计算的思想，工业生产产生的大量数据可以卸载到云服务器和边缘服务器中。工业物联网设备可以安装到矿区、油气管道等危险作业环境中，能够实时监测工作环境，并进行分析和监控，最大限度地确保工作人员的人身安全，以及生产设备和周边环境不受损害，对于现代工业的安全生产需求提供了有效保障。
但是物联网技术、云计算和边缘计算技术被应用于工业生产的同时，也带来了一些问题，工业物联网不同于应用在日常生活领域的物联网，后者出现通信故障，多数情况都不会引发紧急状况出现，但工业互联网则不同，通信故障轻则影响生产，重则无法保障作业人员和设备的安全，所以保障工业物联网的通信畅通极为重要。
目前，工业物联网下无人机辅助的边缘计算存在以下问题：无人机虽然灵活、易于部署，但是体积小、电池容量和计算资源有限，导致无人机在处理任务时不能像基站一样长时间工作，也无法拥有基站的计算能力。无人机的计算和数据传输都需要消耗能量，所以为了让无人机尽可能长时间工作，需要尽可能减小系统的能耗；在工业物联网中，设备会不断产生数据，因此使用随机任务到达模型更加贴合实际，但任务到达是随机的，缓冲区是动态的，系统问题将难以解决。
发明内容
发明目的：针对以上问题，本发明目的是提供一种用于工业物联网中随机任务的AI卸载优化方法，充分考虑工业物联网环境中的任务随机到达的情况，并降低系统的能耗，以实现危险作业环境处于通信故障时，工业物联网仍能根据设备获取的数据进行分析任务，实现安全生产。
技术方案：本发明的一种用于工业物联网中随机任务的AI卸载优化方法，该卸载优化方法包括以下步骤：
S10，巡航无人机检测到生产区出现通信故障后，搭载边缘服务器的无人机搭建边缘计算实体网络，利用边缘计算实体网络确定通信故障预测时隙；
所述边缘计算实体网络包括三层，分别为生产区设备层、高空无人机层及低空无人机层；
S20，高空无人机获取生产区设备的基本信息，计算本地计算能耗模型、边缘服务器能耗计算模型、设备缓存任务队列及边缘服务器缓存任务队列；
S30，计算边缘计算实体网络在单个时隙下的最小总能耗，根据最小总能耗构建优化模型；
S40，利用李雅普诺夫优化方法将边缘计算实体网络能耗最小化问题转化为李雅普诺夫漂移加惩罚最小化问题；
S50，根据就近-集中卸载决策和设备的基本信息，DDPG-G算法对李雅普诺夫漂移加惩罚最小化问题进行优化，得到计算资源分配及无人机位置部署的最优方案；
S60，巡航无人机检测到通信恢复正常后，无人机辅助的边缘计算网络将结束任务的接收，并在处理完剩余任务后进入待机状态；如果预测故障时间将要结束而通信暂未恢复时，边缘计算实体网络将重新进行预测并重复上述步骤S20至步骤S50。
进一步，所述低空无人机层包括M架低空无人机，每台低空无人机搭载边缘服务器，随机分布于生产区，在边缘计算实体网络运行过程中移动，用
Figure BDA0003542789280000021
代表低空无人机的集合，位置表示为Lj＝[Xj,Yj,Hj]；
所述高空无人机层包括一架高空无人机，搭载边缘服务器，位于生产区的中央高空且位置固定不变，表示为L0＝[X0,Y0,H0]。
进一步，步骤S10中，当巡航无人机检测到生产区出现通信故障后，生产区设备层生成的任务一部分通过设备进行本地处理，另一部分卸载到无人机搭载的边缘服务器进行处理，任务卸载采用密集设备就近卸载、分散设备集中卸载的卸载决策，包括：令
Figure BDA0003542789280000031
代表设备层中设备组成的集合，位置表示为Li＝[Xi,Yi,0]，根据设备位置信息，计算每台设备与每台低空无人机的距离sij并进行比较，得到最大值为S，第i台设备与最近低空无人机之间的距离si，判断si是否小于S，若是，第i台设备将任务卸载到距离最近的低空无人机上；否则，第i台设备将任务卸载到高空无人机上。
进一步，步骤S10中，利用边缘计算实体网络确定通信故障预测时隙包括：边缘计算实体网络判断生产区是否第一次出现通信故障，若是，则随机设置一个初始值作为本次故障的预测时间；否则根据以往的故障时间对本次通信故障时间进行预测，将故障时间划分成T个时隙。
进一步，步骤S20，构建本地计算能耗模型包括：
将t时隙内设备i处理的任务量表示为：
Figure BDA0003542789280000032
式中τ表示时隙时长，fi loc(t)表示设备i在t时隙用于本地处理的计算资源，c表示执行1比特计算任务所需的CPU周期数；
计算本地计算能耗模型，表达式为：
Figure BDA0003542789280000033
式中单位计算资源的能耗为
Figure BDA0003542789280000034
Figure BDA0003542789280000035
是有效开关电容，取决于芯片的结构；
边缘服务器能耗计算模型包括：
计算设备i与高空无人机的距离，表达式为：
Figure BDA0003542789280000036
计算设备i与低空无人机的距离，表达式为：
Figure BDA0003542789280000037
其中j≠0表示设备i与低空无人机j的距离，j＝0表示设备i与高空无人机的距离；
根据设备与无人机之间的距离计算设备i的数据传输速率，表达式为：
Figure BDA0003542789280000038
式中Bij(t)表示无人机j在t时隙提供给设备的信道带宽，pi(t)表示设备i在t时隙的上行数据传输速率，h0表示信道增益，σ2表示噪声功率；
利用数据传输速率计算设备i在时隙t内卸载到无人机j的任务量，表达式为：
Figure BDA0003542789280000041
卸载计算总能耗包括卸载任务传输能耗和边缘计算能耗两个部分，表示为：
Figure BDA0003542789280000042
式中ε表示边缘服务器计算单位任务的能耗，
Figure BDA0003542789280000043
表示无人机j在t时隙分配给设备的计算资源；
设备缓存任务队列表达式为：
Figure BDA0003542789280000044
边缘服务器缓存任务队列表达式为：
Figure BDA0003542789280000045
式中δi(t)表示t时隙设备i执行和卸载的任务量之和，表达式为：
Figure BDA0003542789280000046
λi(t)表示t时隙设备i生成的任务量，即设备生成的任务进入缓存任务队列后，以卸载和本地处理两种方式离开队列；δj(t)表示t时隙离开边缘服务器缓冲区的任务，即计算完成的任务，
Figure BDA0003542789280000047
表示时隙t内设备i卸载到无人机j的任务量，即设备卸载到边缘服务器的任务进入边缘服务器缓存任务队列后，任务经过边缘服务器的处理后离开队列；
Figure BDA0003542789280000048
和
Figure BDA0003542789280000049
在时隙t＝0时均为0；
利用李雅普诺夫优化方法约束任务队列的稳定性，则所有计算任务需要满足以下约束条件：
Figure BDA00035427892800000410
Figure BDA00035427892800000411
进一步，在步骤S30中，总能耗包括本地计算能耗和卸载计算能耗，表达式为：
Figure BDA0003542789280000051
根据边缘计算实体网络总能耗最小构建总能耗优化模型，优化问题表示为：
Figure BDA0003542789280000052
Figure BDA0003542789280000053
C2:0≤pi(t)≤pi,max(t)
C3:0≤fi loc(t)≤fi loc
Figure BDA0003542789280000054
Figure BDA0003542789280000055
Figure BDA0003542789280000056
Figure BDA0003542789280000057
a(t)是问题P1优化变量的集合，表示为：
a(t)＝[B(t),floc(t),fUAV(t),p(t),δ(t)]
式中B(t)＝{[b10(t),…b1M(t)],…,[bN0(t),…,bNM(t)]}表示M+1架无人机在t时隙分配给N台设备的带宽，
Figure BDA0003542789280000058
表示t时隙N台设备分别拥有的计算资源，
Figure BDA0003542789280000059
表示M+1架无人机在t时隙分别分配给N台设备的计算资源，p(t)＝[p1(t),…,pN(t)]表示t时隙N台设备的上行传输功率，δ(t)＝[δ0(t),…,δM(t)]表示t时隙离开M+1架无人机的计算任务；
约束C1表示无人机j在t时隙提供给设备的信道带宽Bij(t)之和不能大于无人机j拥有的总信道带宽Bj，且Bij(t)不能为负；
约束C2表示设备i在t时隙的上行数据传输速率pi(t)不为负且不能大于最大传输速率；
约束C3表示设备i在t时隙用于本地处理的计算资源fi loc(t)不能大于设备i的总计算资源fi loc；
约束C4表示无人机j在t时隙分配给设备的计算资源
Figure BDA00035427892800000510
非负，且
Figure BDA00035427892800000511
之和不能大于无人机j所拥有的总计算资源fj UAV；
约束C5表示用于t时隙处理任务的计算资源总和不超过可用的计算资源fj UAVτ；
约束C6、C7是队列稳定性约束。
进一步，步骤S40中，利用李雅普诺夫优化方法将边缘计算实体网络能耗最小化问题转化为李雅普诺夫漂移加惩罚最小化问题包括：
根据设备缓存任务队列和边缘服务器缓存任务队列建立李雅普诺夫函数，表达式为：
Figure BDA0003542789280000062
则李雅普诺夫漂移为：
Figure BDA0003542789280000063
利用漂移加罚算法得到李雅普诺夫漂移加罚函数为：
Figure BDA0003542789280000064
其中V是非负权重参数，用来表示Δ(Θ(t))和
Figure BDA0003542789280000065
的重要程度；
得到李雅普诺夫漂移加罚函数的上界为：
Figure BDA0003542789280000066
其中
Figure BDA0003542789280000067
δi,max，λi,max，δj,max和
Figure BDA0003542789280000068
分别代表
Figure BDA0003542789280000069
λi(t)，
Figure BDA00035427892800000610
和
Figure BDA00035427892800000611
的上界；
将问题P1转化为李雅普诺夫漂移加罚函数加罚最小化问题P2：
Figure BDA00035427892800000612
进一步，在步骤S50中，通过DDPG-G算法对李雅普诺夫漂移加惩罚最小化问题进行优化包括：
首先通过遗传算法计算低空无人机的最优位置，包括：
S501，生成一个包含M×X个个体的种群，使用二进制编码将个体进行编码；
其中每个个体由M行2列组成，种群表示低空无人机的位置；
S502，将边缘计算实体网络总能耗定义为个体适应度，分别计算每个个体的适应度；根据适应度的高低选择2个适应度最高的个体作为亲本，两亲本产生后代；
S503，后代发生交叉，产生一个随机交叉点，交叉点前面的基因来自于父亲，交叉点后面的基因来自于母亲；
S504，后代发生变异，随机生成一个实数表示突变发生的位置，该位置的二进制数将被反转；
S505，重复执行步骤S503到S504，直到达到预设的迭代次数，获得当前时隙的无人机位置部署最优解；
然后利用DDPG-G算法对计算资源进行优化，包括：
利用遗传算法的变异率pm(t)和交叉率pc(t)，构建当前时隙动作空间表达式为：
A(t)＝[a(t),pm(t),pc(t)]
边缘计算实体网络状态表示为：
s(t)＝[r(t),F,pmax(t),B,Θ(t)]
其中r(t)＝{[r11(t),…,r1M(t)],…,[rN1(t),…,rNM(t)]}表示无线传输速率；
Figure BDA0003542789280000071
表示N台设备和M+1架无人机分别拥有的计算资源；pmax(t)＝[p1,max(t),…,pN,max(t)]表示t时隙N台设备的最大传输功率，B＝[b0,b1,…,bM]表示M+1架无人机分别的总带宽；Θ(t)＝[Qloc(t),QUAV(t)]中，
Figure BDA0003542789280000072
和
Figure BDA0003542789280000073
分别表示t时隙设备本地和无人机搭载的边缘服务器的任务缓冲队列长度的集合；
奖励函数表示为：
Figure BDA0003542789280000074
式中v表示惩罚项，在边缘计算实体网络运行过程中，如果约束未被满足，则会相应给出一个惩罚数值；
S506，初始化现实Actor和现实Critic，将二者的参数θμ和θQ复制到目标Actor和目标Critic中，表示为θμ′和θQ′，使现实Actor与环境进行交互，现实Actor根据行为策略选择一个动作A，行为策略是一个根据当前以状态s作为参数的μ函数和随机噪声生成的随机过程，对环境施加动作A，边缘计算实体网络得到环境返回的下一时刻的状态s′和奖励R，这一过程的样本数据表示为(s,A,R,s′)，即状态s时，采取动作A，得到的奖励R和下一个状态s′，将样本数据放到经验池，其中参数θμ、θQ、θμ′和θQ′都是策略梯度；
S507，将样本数据(s,A,R,s′)从经验池中取出，进行训练：
把样本数据中的s和A输入到现实Critic中，得到现实Q值Q(s,A)，把样本数据中的s′输入到目标Actor中，得到动作A′，把s′和A′一起输入到目标Critic中，得到Q(s′,A′)，得到目标Q值Q’＝R+γ×Q(s′,A′)，边缘计算实体网络的目标是现实Critic输出的现实Q值Q要等于目标Critic中Q值Q′，边缘计算实体网络将更新现实Critic使得Q尽量接近Q′；
S508，更新现实Actor：
计算Q网络的损失值：
Figure BDA0003542789280000081
其中，Nt表示S507中随机取出的样本数据量，yk＝R+γQ′(s′,μ′(s′∣θμ′)∣θQ′)，γ是折扣因子；
S509，将两个现实网络的参数θμ和θQ输入给目标Actor和Critic，使得目标网络更新；
S510，循环执行步骤S501到S509，进行多次采样和更新，直到最后一个时隙；
S511，将得到的最优pm(t)和pc(t)作为遗传算法新的变异率和交叉率，循环执行步骤S501到S511，直至结果收敛或者达到预设的最大迭代次数，得到最优的计算资源分配方案、变异率、交叉率和无人机位置部署方案。
有益效果：本发明与现有技术相比，其显著优点是：
1、本发明针对计算和数据传输两个方面的能耗，分别使用DDPG算法和遗传算法对计算资源分配方案和无人机部署方案进行最优化，降低了系统能耗，使系统能够长时间工作，提高了系统的续航时间；将上述两种算法进行结合，在每次DDPG算法求解计算资源分配方案前执行遗传算法，并得到新的变异率和交叉率，避免了遗传算法因为交叉率和变异率不准确导致的优化结果不准确的问题，也使得DDPG算法得到结果更优；
2、建立的数学模型通过李雅普诺夫优化方法，将随机问题转化为逐时间块问题，提高可解性；
3、本发明提出密集设备就近卸载、分散设备集中卸载的卸载决策，当一片区域的设备密集或任务密集时，无人机的部署尽量在该区域部署，最大限度满足密集设备的计算需要；当某台设备位置偏远或者一片区域内任务量很少时，可以选择直接令其将任务卸载给高空无人机，避免低空无人机单独为一台或个别几台设备服务，浪费计算资源的情况；同时高空无人机的算力要比低空无人机更强，如果零散的设备较多，仍然可以满足其计算资源需求。
附图说明
图1为本发明NIO方法流程图；
图2为本发明边缘计算网络示意图；
图3为本发明任务缓冲区运行示意图；
图4为本发明DDPG-G算法流程图；
图5为本发明DDPG算法示意图；
图6为本发明仿真实验结果图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。
本实施例所述的一种用于工业物联网中随机任务的AI卸载优化方法NIO，流程图如图1所示，该卸载优化方法包括以下步骤：
S10，巡航无人机检测到生产区出现通信故障后，搭载边缘服务器的无人机搭建边缘计算实体网络，利用边缘计算实体网络确定通信故障预测时隙。
厂区设有负责巡航的无人机，当巡航无人机发现厂区内的设备出现通信故障后，将派遣搭载了边缘服务器的无人机进行边缘计算实体网络的部署，边缘计算实体网络包括三层，分别为生产区设备层、高空无人机层及低空无人机层，如图2所示。
生产区设备层包括N台地面设备，其具有一定的计算能力，在工业物联网产生通信故障无法连接到基站时，地面设备生成的任务一部分进行本地处理，另一部分被卸载到无人机搭载的边缘服务器进行处理。
低空无人机层包括M架低空无人机，每台低空无人机搭载边缘服务器，随机分布于生产区，在边缘计算实体网络运行过程中移动，用
Figure BDA0003542789280000091
代表低空无人机的集合，位置表示为Lj＝[Xj,Yj,Hj]。
高空无人机层包括一架高空无人机，搭载边缘服务器，位于生产区的中央高空且位置固定不变，表示为L0＝[X0,Y0,H0]。高空无人机相对低空无人机，拥有更强的算力和更持久的续航。相关算法执行均由高空无人机进行，高空无人机获得最优的无人机部署方案以及计算资源分配方案后，将其传输给设备和低空无人机执行，由于数据量很小，所以传输能耗忽略不计。
当巡航无人机检测到生产区出现通信故障后，生产区设备层生成的任务一部分通过设备进行本地处理，另一部分卸载到无人机搭载的边缘服务器进行处理，任务卸载采用密集设备就近卸载、分散设备集中卸载的卸载决策，包括：令
Figure BDA0003542789280000101
代表设备层中设备组成的集合，位置表示为Li＝[Xi,Yi,0]，根据设备位置信息，计算每台设备与每台低空无人机的距离sij并进行比较，得到最大值为S，第i台设备与最近低空无人机之间的距离si，判断si是否小于S，若是，第i台设备将任务卸载到距离最近的低空无人机上；否则，第i台设备将任务卸载到高空无人机上。
边缘计算实体网络判断生产区是否第一次出现通信故障，若是，则随机设置一个初始值作为本次故障的预测时间；否则根据以往的故障时间对本次通信故障时间进行预测，将故障时间划分成T个时隙。
S20，高空无人机获取生产区设备的基本信息，计算本地计算能耗模型、边缘服务器能耗计算模型、设备缓存任务队列及边缘服务器缓存任务队列；
将t时隙内设备i处理的任务量表示为：
Figure BDA0003542789280000102
式中τ表示时隙时长，fi loc(t)表示设备i在t时隙用于本地处理的计算资源，c表示执行1比特计算任务所需的CPU周期数；
计算本地计算能耗模型，表达式为：
Figure BDA0003542789280000103
式中单位计算资源的能耗为
Figure BDA0003542789280000104
Figure BDA0003542789280000105
是有效开关电容，取决于芯片的结构。
边缘服务器能耗计算模型包括：
计算设备i与高空无人机的距离，表达式为：
Figure BDA0003542789280000106
计算设备i与低空无人机的距离，表达式为：
Figure BDA0003542789280000111
其中j≠0表示设备i与低空无人机j的距离，j＝0表示设备i与高空无人机的距离。
根据设备与无人机之间的距离计算设备i的数据传输速率，表达式为：
Figure BDA0003542789280000112
式中Bij(t)表示无人机j在t时隙提供给设备的信道带宽，pi(t)表示设备i在t时隙的上行数据传输速率，h0表示信道增益，σ2表示噪声功率。
利用数据传输速率计算设备i在时隙t内卸载到无人机j的任务量，表达式为：
Figure BDA0003542789280000113
卸载计算总能耗包括卸载任务传输能耗和边缘计算能耗两个部分，表示为：
Figure BDA0003542789280000114
式中ε表示边缘服务器计算单位任务的能耗，
Figure BDA0003542789280000115
表示无人机j在t时隙分配给设备的计算资源。
设备缓存任务队列表达式为：
Figure BDA0003542789280000116
边缘服务器缓存任务队列表达式为：
Figure BDA0003542789280000117
如图3所示，式中δi(t)表示t时隙设备i执行和卸载的任务量之和，表达式为：
Figure BDA0003542789280000118
λi(t)表示t时隙设备i生成的任务量，即设备生成的任务进入缓存任务队列后，以卸载和本地处理两种方式离开队列；δj(t)表示t时隙离开边缘服务器缓冲区的任务，即计算完成的任务，
Figure BDA0003542789280000119
表示时隙t内设备i卸载到无人机j的任务量，即设备卸载到边缘服务器的任务进入边缘服务器缓存任务队列后，任务经过边缘服务器的处理后离开队列；
Figure BDA00035427892800001110
和
Figure BDA00035427892800001111
在时隙t＝0时均为0。
利用李雅普诺夫优化方法约束任务队列的稳定性，则所有计算任务需要满足以下约束条件：
Figure BDA0003542789280000121
Figure BDA0003542789280000122
S30，计算边缘计算实体网络在单个时隙下的最小总能耗，根据最小总能耗构建优化模型；
总能耗包括本地计算能耗和卸载计算能耗，表达式为：
Figure BDA0003542789280000123
由于任务处理完毕后返回的计算结果数据量较小，所以下行传输能耗忽略不计。
根据边缘计算实体网络总能耗最小构建总能耗优化模型，优化问题表示为：
Figure BDA0003542789280000124
Figure BDA0003542789280000125
C2:0≤pi(t)≤pi,max(t)
C3:0≤fi loc(t)≤fi loc
Figure BDA0003542789280000126
Figure BDA0003542789280000127
Figure BDA0003542789280000128
Figure BDA0003542789280000129
a(t)是问题P1优化变量的集合，表示为：
a(t)＝[B(t),floc(t),fUAV(t),p(t),δ(t)]
式中B(t)＝{[b10(t),…b1M(t)],…,[bN0(t),…,bNM(t)]}表示M+1架无人机在t时隙分配给N台设备的带宽，
Figure BDA00035427892800001210
表示t时隙N台设备分别拥有的计算资源，
Figure BDA00035427892800001211
表示M+1架无人机在t时隙分别分配给N台设备的计算资源，p(t)＝[p1(t),…,pN(t)]表示t时隙N台设备的上行传输功率，δ(t)＝[δ0(t),…,δM(t)]表示t时隙离开M+1架无人机的计算任务；
约束C1表示无人机j在t时隙提供给设备的信道带宽Bij(t)之和不能大于无人机j拥有的总信道带宽Bj，且Bij(t)不能为负；
约束C2表示设备i在t时隙的上行数据传输速率pi(t)不为负且不能大于最大传输速率；
约束C3表示设备i在t时隙用于本地处理的计算资源fi loc(t)不能大于设备i的总计算资源fi loc；
约束C4表示无人机j在t时隙分配给设备的计算资源
Figure BDA0003542789280000131
非负，且
Figure BDA0003542789280000132
之和不能大于无人机j所拥有的总计算资源fj UAV；
约束C5表示用于t时隙处理任务的计算资源总和不超过可用的计算资源fj UAVτ；
约束C6、C7是队列稳定性约束。
S40，通过李雅普诺夫优化方法将原本的随机问题转化为确定性的问题，利用李雅普诺夫优化方法将边缘计算实体网络能耗最小化问题转化为李雅普诺夫漂移加惩罚最小化问题。
根据设备缓存任务队列和边缘服务器缓存任务队列建立李雅普诺夫函数，表达式为：
Figure BDA0003542789280000135
则李雅普诺夫漂移为：
Figure BDA0003542789280000136
利用漂移加罚算法得到李雅普诺夫漂移加罚函数为：
Figure BDA0003542789280000137
其中V是非负权重参数，用来表示Δ(Θ(t))和
Figure BDA0003542789280000138
的重要程度；
得到李雅普诺夫漂移加罚函数的上界为：
Figure BDA0003542789280000139
其中
Figure BDA00035427892800001310
δi,max，λi,max，δj,max和
Figure BDA0003542789280000141
分别代表
Figure BDA0003542789280000142
λi(t)，
Figure BDA0003542789280000143
和
Figure BDA0003542789280000144
的上界；
将问题P1转化为李雅普诺夫漂移加罚函数加罚最小化问题P2：
Figure BDA0003542789280000145
S50，根据就近-集中卸载决策和设备的基本信息，DDPG-G算法对李雅普诺夫漂移加惩罚最小化问题进行优化，得到计算资源分配及无人机位置部署的最优方案，流程图如图4所示。
首先通过遗传算法计算低空无人机的最优位置，包括：
S501，生成一个包含M×X个个体的种群，使用二进制编码将个体进行编码；
其中每个个体由M行2列组成，每行是一个坐标，第一列是X轴，第二列是Y轴，种群表示低空无人机的位置；
S502，将边缘计算实体网络总能耗定义为个体适应度，分别计算每个个体的适应度；根据适应度的高低选择2个适应度最高的个体作为亲本，两亲本产生后代；
S503，后代发生交叉，产生一个随机交叉点，交叉点前面的基因来自于父亲，交叉点后面的基因来自于母亲；
S504、后代发生变异，随机生成一个实数表示突变发生的位置，该位置的二进制数将被反转；
S505，重复执行步骤S503到S504，直到达到预设的迭代次数，获得当前时隙的无人机位置部署最优解；
然后利用DDPG-G算法对计算资源进行优化，包括：
利用遗传算法的变异率pm(t)和交叉率pc(t)，如图5所示，构建当前时隙动作空间表达式为：
A(t)＝[a(t),pm(t),pc(t)]
动作空间除了包含问题P2中的a(t)外，还加入了遗传算法的变异率pm(t)和交叉率pc(t)；
边缘计算实体网络状态表示为：
s(t)＝[r(t),F,pmax(t),B,Θ(t)]
其中r(t)＝{[r11(t),…,r1M(t)],…,[rN1(t),…,rNM(t)]}表示无线传输速率；
Figure BDA0003542789280000151
表示N台设备和M+1架无人机分别拥有的计算资源；pmax(t)＝[p1,max(t),…,pN,max(t)]表示t时隙N台设备的最大传输功率，B＝[b0,b1,…,bM]表示M+1架无人机分别的总带宽；Θ(t)＝[Qloc(t),QUAV(t)]中，
Figure BDA0003542789280000152
和
Figure BDA0003542789280000153
分别表示t时隙设备本地和无人机搭载的边缘服务器的任务缓冲队列长度的集合；
奖励函数表示为：
Figure BDA0003542789280000154
式中v表示惩罚项，在边缘计算实体网络运行过程中，如果约束未被满足，则会相应给出一个惩罚数值；
S506，初始化现实Actor和现实Critic，将二者的参数θμ和θQ复制到目标Actor和目标Critic中，表示为θμ′和θQ′，使现实Actor与环境进行交互，现实Actor根据行为策略选择一个动作A，行为策略是一个根据当前以状态s作为参数的μ函数和随机噪声生成的随机过程，对环境施加动作A，边缘计算实体网络得到环境返回的下一时刻的状态s′和奖励R，这一过程的样本数据表示为(s,A,R,s′)，即状态s时，采取动作A，得到的奖励R和下一个状态s′，将样本数据放到经验池，其中参数θμ、θQ、θμ′和θQ′都是策略梯度，用来对策略进行近似，从而得到最好的策略；
S507，将样本数据(s,A,R,s′)从经验池中取出，进行训练：
把样本数据中的s和A输入到现实Critic中，得到现实Q值Q(s,A)，把样本数据中的s′输入到目标Actor中，得到动作A′，把s′和A′一起输入到目标Critic中，得到Q(s′,A′)，得到目标Q值Q’＝R+γ×Q(s′,A′)，边缘计算实体网络的目标是现实Critic输出的现实Q值Q要等于目标Critic中Q值Q′，边缘计算实体网络将更新现实Critic使得Q尽量接近Q′；
S508，更新现实Actor：
计算Q网络的损失值：
Figure BDA0003542789280000155
其中，Nt表示S507中随机取出的样本数据量，yk＝R+γQ′(s′,μ′(s′∣θμ′)∣θQ′)，γ是折扣因子；
S509，将两个现实网络的参数θμ和θQ输入给目标Actor和Critic，使得目标网络更新；
S510，循环执行步骤S501到S509，进行多次采样和更新，直到最后一个时隙；
S511，将得到的最优pm(t)和pc(t)作为遗传算法新的变异率和交叉率，循环执行步骤S501到S511，直至结果收敛或者达到预设的最大迭代次数，得到最优的计算资源分配方案、变异率、交叉率和无人机位置部署方案。
S60，巡航无人机检测到通信恢复正常后，无人机辅助的边缘计算网络将结束任务的接收，并在处理完剩余任务后进入待机状态；如果预测故障时间将要结束而通信暂未恢复时，边缘计算实体网络将重新进行预测并重复上述步骤S20至步骤S50。
图6是多次仿真实验后的对比图，对比了贪婪算法与不对计算资源F＝floc(t)+fUAV(t)优化的DDPG-G算法，随着设备数量增多，系统能耗均呈上升趋势，但本发明提出的DDPG-G算法无论是对比贪婪算法还是减少优化变量的DDPG-G算法，优化结果都是最好。在设备数量较少的情况下，几种算法的差距不大，但随着设备数量增加，三种算法的差距增大，这表示本发明提出的DDPG-G算法能够更好地对能耗进行优化，并且计算资源也得到了充分地优化。

Claims (4)

1.一种用于工业物联网中随机任务的AI卸载优化方法，其特征在于，该卸载优化方法包括以下步骤：
S10，巡航无人机检测到生产区出现通信故障后，搭载边缘服务器的无人机搭建边缘计算实体网络，利用边缘计算实体网络确定通信故障预测时隙；
所述边缘计算实体网络包括三层，分别为生产区设备层、高空无人机层及低空无人机层；
S20，高空无人机获取生产区设备的基本信息，计算本地计算能耗模型、边缘服务器能耗计算模型、设备缓存任务队列及边缘服务器缓存任务队列；
S30，计算边缘计算实体网络在单个时隙下的最小总能耗，根据最小总能耗构建优化模型；
S40，利用李雅普诺夫优化方法将边缘计算实体网络能耗最小化问题转化为李雅普诺夫漂移加惩罚最小化问题；
S50，根据就近-集中卸载决策和设备的基本信息，DDPG-G算法对李雅普诺夫漂移加惩罚最小化问题进行优化，得到计算资源分配及无人机位置部署的最优方案；
S60，巡航无人机检测到通信恢复正常后，无人机辅助的边缘计算网络将结束任务的接收，并在处理完剩余任务后进入待机状态；如果预测故障时间将要结束而通信暂未恢复时，边缘计算实体网络将重新进行预测并重复上述步骤S20至步骤S50；
步骤S20，构建本地计算能耗模型包括：
将t时隙内设备i处理的任务量表示为：
Figure FDA0004181295460000011
式中τ表示时隙时长，
Figure FDA0004181295460000012
表示设备i在t时隙用于本地处理的计算资源，c表示执行1比特计算任务所需的CPU周期数；
计算本地计算能耗模型，表达式为：
Figure FDA0004181295460000013
式中单位计算资源的能耗为
Figure FDA0004181295460000014
Figure FDA0004181295460000015
是有效开关电容，取决于芯片的结构；
边缘服务器能耗计算模型包括：
计算设备i与高空无人机的距离，表达式为：
Figure FDA0004181295460000016
计算设备i与低空无人机的距离，表达式为：
Figure FDA0004181295460000021
其中j≠0表示设备i与低空无人机j的距离，j＝0表示设备i与高空无人机的距离，Xi、Yi分别表示设备i的横纵坐标，X0、Y0分别表示高空无人机的横纵坐标，H0表示高空无人机的悬停高度，Xj、Yj分别表示低空无人机j的横纵坐标，Hj表示低空无人机j的悬停高度；
根据设备与无人机之间的距离计算设备i的数据传输速率，表达式为：
Figure FDA0004181295460000022
式中Bij(t)表示无人机j在t时隙提供给设备的信道带宽，pi(t)表示设备i在t时隙的上行数据传输速率，h0表示信道增益，σ2表示噪声功率；
利用数据传输速率计算设备i在时隙t内卸载到无人机j的任务量，表达式为：
Figure FDA0004181295460000023
卸载计算总能耗包括卸载任务传输能耗和边缘计算能耗两个部分，表示为：
Figure FDA0004181295460000024
式中ε表示边缘服务器计算单位任务的能耗，
Figure FDA0004181295460000025
表示无人机j在t时隙分配给设备的计算资源；
设备缓存任务队列表达式为：
Figure FDA0004181295460000026
边缘服务器缓存任务队列表达式为：
Figure FDA0004181295460000027
式中δi(t)表示t时隙设备i执行和卸载的任务量之和，表达式为：
Figure FDA0004181295460000028
λi(t)表示t时隙设备i生成的任务量，即设备生成的任务进入缓存任务队列后，以卸载和本地处理两种方式离开队列；δj(t)表示t时隙离开边缘服务器缓冲区的任务，即计算完成的任务，
Figure FDA0004181295460000029
表示时隙t内设备i卸载到无人机j的任务量，即设备卸载到边缘服务器的任务进入边缘服务器缓存任务队列后，任务经过边缘服务器的处理后离开队列；
Figure FDA0004181295460000031
和
Figure FDA0004181295460000032
在时隙t＝0时均为0；
利用李雅普诺夫优化方法约束任务队列的稳定性，则所有计算任务需要满足以下约束条件：
Figure FDA0004181295460000033
Figure FDA0004181295460000034
在步骤S30中，总能耗包括本地计算能耗和卸载计算能耗，表达式为：
Figure FDA0004181295460000035
根据边缘计算实体网络总能耗最小构建总能耗优化模型，优化问题表示为：
P1:
Figure FDA0004181295460000036
s.t.C1:
Figure FDA0004181295460000037
C2:0≤pi(t)≤pi,max(t)
C3:0≤fi loc(t)≤fi loc
C4:
Figure FDA0004181295460000038
C5:δj(t)c≤fj UAVτ,δj(t)≥0
C6:
Figure FDA0004181295460000039
C7:
Figure FDA00041812954600000310
a(t)是问题P1优化变量的集合，表示为：
a(t)＝[B(t),floc(t),fUAV(t),p(t),δ(t)]
式中B(t)＝{[b10(t),…b1M(t)],…,[bN0(t),…,bNM(t)]}表示M+1架无人机在t时隙分配给N台设备的带宽，
Figure FDA00041812954600000311
表示t时隙N台设备分别拥有的计算资源，
Figure FDA00041812954600000312
表示M+1架无人机在t时隙分别分配给N台设备的计算资源，p(t)＝[p1(t),…,pN(t)]表示t时隙N台设备的上行传输功率，δ(t)＝[δ0(t),…,δM(t)]表示t时隙离开M+1架无人机的计算任务；
约束C1表示无人机j在t时隙提供给设备的信道带宽Bij(t)之和不能大于无人机j拥有的总信道带宽Bj，且Bij(t)不能为负；
约束C2表示设备i在t时隙的上行数据传输速率pi(t)不为负且不能大于最大传输速率；
约束C3表示设备i在t时隙用于本地处理的计算资源fi loc(t)不能大于设备i的总计算资源fi loc；
约束C4表示无人机j在t时隙分配给设备的计算资源
Figure FDA0004181295460000041
非负，且
Figure FDA0004181295460000042
之和不能大于无人机j所拥有的总计算资源fj UAV；
约束C5表示用于t时隙处理任务的计算资源总和不超过可用的计算资源fj UAVτ；
约束C6、C7是队列稳定性约束；
步骤S40中，利用李雅普诺夫优化方法将边缘计算实体网络能耗最小化问题转化为李雅普诺夫漂移加惩罚最小化问题包括：
根据设备缓存任务队列和边缘服务器缓存任务队列建立李雅普诺夫函数，表达式为：
Figure FDA0004181295460000043
则李雅普诺夫漂移为：
Figure FDA0004181295460000044
利用漂移加罚算法得到李雅普诺夫漂移加罚函数为：
Figure FDA0004181295460000045
其中V是非负权重参数，用来表示Δ(Θ(t))和
Figure FDA0004181295460000046
的重要程度；
得到李雅普诺夫漂移加罚函数的上界为：
Figure FDA0004181295460000047
其中
Figure FDA0004181295460000048
δi,max，λi,max，δj,max和
Figure FDA0004181295460000051
分别代表
Figure FDA0004181295460000052
λi(t)，
Figure FDA0004181295460000053
和
Figure FDA0004181295460000054
的上界；
将问题P1转化为李雅普诺夫漂移加罚函数加罚最小化问题P2：
P2:
Figure FDA0004181295460000055
s.t.C1-C7
在步骤S50中，通过DDPG-G算法对李雅普诺夫漂移加惩罚最小化问题进行优化包括：
首先通过遗传算法计算低空无人机的最优位置，包括：
S501，生成一个包含M×X个个体的种群，使用二进制编码将个体进行编码；
其中每个个体由M行2列组成，种群表示低空无人机的位置；
S502，将边缘计算实体网络总能耗定义为个体适应度，分别计算每个个体的适应度；根据适应度的高低选择2个适应度最高的个体作为亲本，两亲本产生后代；
S503，后代发生交叉，产生一个随机交叉点，交叉点前面的基因来自于父亲，交叉点后面的基因来自于母亲；
S504，后代发生变异，随机生成一个实数表示突变发生的位置，该位置的二进制数将被反转；
S505，重复执行步骤S503到S504，直到达到预设的迭代次数，获得当前时隙的无人机位置部署最优解；
然后利用DDPG-G算法对计算资源进行优化，包括：
利用遗传算法的变异率pm(t)和交叉率pc(t)，构建当前时隙动作空间表达式为：
A(t)＝[a(t),pm(t),pc(t)]
边缘计算实体网络状态表示为：
s(t)＝[r(t),F,pmax(t),B,Θ(t)]
其中r(t)＝{[r11(t),…,r1M(t)],…,[rN1(t),…,rNM(t)]}表示无线传输速率；
Figure FDA0004181295460000056
Figure FDA0004181295460000057
表示N台设备和M+1架无人机分别拥有的计算资源；pmax(t)＝[p1,max(t),…,pN,max(t)]表示t时隙N台设备的最大传输功率，B＝[b0,b1,…,bM]表示M+1架无人机分别的总带宽；Θ(t)＝[Qloc(t),QUAV(t)]中，
Figure FDA0004181295460000058
和
Figure FDA0004181295460000059
分别表示t时隙设备本地和无人机搭载的边缘服务器的任务缓冲队列长度的集合；
奖励函数表示为：
Figure FDA0004181295460000061
式中v表示惩罚项，在边缘计算实体网络运行过程中，如果约束未被满足，则会相应给出一个惩罚数值；
S506，初始化现实Actor和现实Critic，将二者的参数θμ和θQ复制到目标Actor和目标Critic中，表示为θμ′和θQ′，使现实Actor与环境进行交互，现实Actor根据行为策略选择一个动作A，行为策略是一个根据当前以状态s作为参数的μ函数和随机噪声生成的随机过程，对环境施加动作A，边缘计算实体网络得到环境返回的下一时刻的状态s′和奖励R，这一过程的样本数据表示为(s,A,R,s′)，即状态s时，采取动作A，得到的奖励R和下一个状态s′，将样本数据放到经验池，其中参数θμ、θQ、θμ′和θQ′都是策略梯度；
S507，将样本数据(s,A,R,s′)从经验池中取出，进行训练：
把样本数据中的s和A输入到现实Critic中，得到现实Q值Q(s,A)，把样本数据中的s′输入到目标Actor中，得到动作A′，把s′和A′一起输入到目标Critic中，得到Q(s′,A′)，得到目标Q值Q’＝R+γ×Q(s′,A′)，边缘计算实体网络的目标是现实Critic输出的现实Q值Q要等于目标Critic中Q值Q′，边缘计算实体网络将更新现实Critic使得Q尽量接近Q′；
S508，更新现实Actor：
计算Q网络的损失值：
Figure FDA0004181295460000062
其中，Nt表示步骤S507中随机取出的样本数据量，yk＝R+γQ′(s′,μ′(s′|θμ′)|θQ′)，γ是折扣因子；
S509，将两个现实网络的参数θμ和θQ输入给目标Actor和Critic，使得目标网络更新；
S510，循环执行步骤S501到S509，进行多次采样和更新，直到最后一个时隙；
S511，将得到的最优pm(t)和pc(t)作为遗传算法新的变异率和交叉率，循环执行步骤S501到S511，直至结果收敛或者达到预设的最大迭代次数，得到最优的计算资源分配方案、变异率、交叉率和无人机位置部署方案。
2.根据权利要求1所述的AI卸载优化方法，其特征在于，所述低空无人机层包括M架低空无人机，每台低空无人机搭载边缘服务器，随机分布于生产区，在边缘计算实体网络运行过程中移动，用
Figure FDA0004181295460000071
代表低空无人机的集合，位置表示为Lj＝[Xj,Yj,Hj]；
所述高空无人机层包括一架高空无人机，搭载边缘服务器，位于生产区的中央高空且位置固定不变，表示为L0＝[X0,Y0,H0]。
3.根据权利要求2所述的AI卸载优化方法，其特征在于，步骤S10中，当巡航无人机检测到生产区出现通信故障后，生产区设备层生成的任务一部分通过设备进行本地处理，另一部分卸载到无人机搭载的边缘服务器进行处理，任务卸载采用密集设备就近卸载、分散设备集中卸载的卸载决策，包括：令
Figure FDA0004181295460000072
Figure FDA0004181295460000073
代表设备层中设备组成的集合，位置表示为Li＝[Xi,Yi,0]，根据设备位置信息，计算每台设备与每台低空无人机的距离sij并进行比较，得到最大值为S，第i台设备与最近低空无人机之间的距离si，判断si是否小于S，若是，第i台设备将任务卸载到距离最近的低空无人机上；否则，第i台设备将任务卸载到高空无人机上。
4.根据权利要求3所述的AI卸载优化方法，其特征在于，步骤S10中，利用边缘计算实体网络确定通信故障预测时隙包括：边缘计算实体网络判断生产区是否第一次出现通信故障，若是，则随机设置一个初始值作为本次故障的预测时间；否则根据以往的故障时间对本次通信故障时间进行预测，将故障时间划分成T个时隙。
CN202210237294.4A 2022-03-11 2022-03-11 一种用于工业物联网中随机任务的ai卸载优化方法 Active CN114520768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210237294.4A CN114520768B (zh) 2022-03-11 2022-03-11 一种用于工业物联网中随机任务的ai卸载优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210237294.4A CN114520768B (zh) 2022-03-11 2022-03-11 一种用于工业物联网中随机任务的ai卸载优化方法

Publications (2)

Publication Number Publication Date
CN114520768A CN114520768A (zh) 2022-05-20
CN114520768B true CN114520768B (zh) 2023-05-30

Family

ID=81598502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210237294.4A Active CN114520768B (zh) 2022-03-11 2022-03-11 一种用于工业物联网中随机任务的ai卸载优化方法

Country Status (1)

Country Link
CN (1) CN114520768B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114745666B (zh) * 2022-06-09 2022-08-30 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
CN116080407B (zh) * 2022-12-06 2023-07-28 南京信息工程大学 一种基于无线能量传输的无人机能耗优化方法与系统
CN116126428B (zh) * 2023-04-14 2023-06-13 昆明理工大学 一种面向能量采集的无人机计算任务卸载方法
CN117939429B (zh) * 2023-10-26 2024-09-20 广东工业大学 双层无人机辅助的车联网信号覆盖方法
CN117580105B (zh) * 2024-01-15 2024-04-19 南京信息工程大学 一种面向电网巡检的无人机任务卸载优化方法
CN118113470B (zh) * 2024-03-03 2024-10-18 南京林业大学 面向车联网边缘计算服务器的负载均衡优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9828107B1 (en) * 2014-08-25 2017-11-28 Stc.Unm Redundant component and intelligent computerized control system for multi-rotor VTOL aircraft
CN113115339A (zh) * 2021-04-13 2021-07-13 重庆邮电大学 一种基于移动性感知的任务卸载和资源分配联合优化方法
CN113377447A (zh) * 2021-05-28 2021-09-10 四川大学 一种基于李雅普诺夫优化的多用户计算卸载方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3697046B1 (en) * 2019-02-13 2021-03-31 Deutsche Telekom AG Real time adaption of a latency critical application
US11473913B2 (en) * 2019-09-20 2022-10-18 Prince Sultan University System and method for service oriented cloud based management of internet of drones
US11488488B2 (en) * 2020-01-03 2022-11-01 Prince Sultan University Blockchain-based solution for internet of drones security and privacy
CN113064665B (zh) * 2021-03-18 2022-08-30 四川大学 一种基于李雅普诺夫优化的多服务器计算卸载方法
CN113867934A (zh) * 2021-08-11 2021-12-31 杭州电子科技大学 一种无人机协助的多节点任务卸载调度的方法
CN113709883B (zh) * 2021-08-30 2023-12-05 北京邮电大学 一种多无人机辅助工业场景下的动态资源分配方法及装置
CN113905347B (zh) * 2021-09-29 2024-04-16 华北电力大学 一种空地一体化电力物联网云边端协同方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9828107B1 (en) * 2014-08-25 2017-11-28 Stc.Unm Redundant component and intelligent computerized control system for multi-rotor VTOL aircraft
CN113115339A (zh) * 2021-04-13 2021-07-13 重庆邮电大学 一种基于移动性感知的任务卸载和资源分配联合优化方法
CN113377447A (zh) * 2021-05-28 2021-09-10 四川大学 一种基于李雅普诺夫优化的多用户计算卸载方法

Also Published As

Publication number Publication date
CN114520768A (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
CN114520768B (zh) 一种用于工业物联网中随机任务的ai卸载优化方法
CN112351503B (zh) 基于任务预测的多无人机辅助边缘计算资源分配方法
CN110347500B (zh) 用于边缘计算环境中面向深度学习应用的任务卸载方法
CN112188442B (zh) 基于移动边缘计算的车联网数据驱动任务卸载系统和方法
CN113326002A (zh) 基于计算迁移的云边协同控制系统及迁移决策生成方法
CN113286329B (zh) 基于移动边缘计算的通信和计算资源联合优化方法
CN110928654A (zh) 一种边缘计算系统中分布式的在线任务卸载调度方法
CN113254188B (zh) 调度优化方法和装置、电子设备及存储介质
CN110809275B (zh) 基于无线城域网的微云节点放置方法
CN115659803A (zh) 一种无人机孪生网络映射误差情况下计算任务智能卸载方法
CN114650228A (zh) 一种异构网络中基于计算卸载的联邦学习调度方法
CN112988285A (zh) 任务卸载方法和装置、电子设备及存储介质
CN112835715A (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
CN112686374A (zh) 基于自适应负载分配的深度神经网络模型协同推理方法
CN116302481B (zh) 基于稀疏知识图谱链接预测的资源分配方法及系统
CN114745666B (zh) 一种用于拥挤场馆中无人机辅助边缘计算方法
CN115150781A (zh) 一种基于任务优先级的无人机协助边缘计算的资源分配方法
CN113573363A (zh) 基于深度强化学习的mec计算卸载与资源分配方法
CN114219074A (zh) 一种按需动态调整的无线通信网络资源分配算法
CN115499875A (zh) 一种卫星互联网任务卸载方法、系统以及可读存储介质
CN114698125A (zh) 移动边缘计算网络的计算卸载优化方法、装置及系统
CN115408072A (zh) 基于深度强化学习的快速适应模型构建方法及相关装置
Shimonishi et al. Energy optimization of distributed video processing system using genetic algorithm with bayesian attractor model
CN113821346A (zh) 基于深度强化学习的边缘计算中计算卸载与资源管理方法
Sun et al. Semantic-driven computation offloading and resource allocation for uav-assisted monitoring system in vehicular networks

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