CN114698116A - 一种无人机协助的非线性能量收集mec系统的资源分配方法 - Google Patents

一种无人机协助的非线性能量收集mec系统的资源分配方法 Download PDF

Info

Publication number
CN114698116A
CN114698116A CN202210256243.6A CN202210256243A CN114698116A CN 114698116 A CN114698116 A CN 114698116A CN 202210256243 A CN202210256243 A CN 202210256243A CN 114698116 A CN114698116 A CN 114698116A
Authority
CN
China
Prior art keywords
user
unmanned aerial
aerial vehicle
energy
base station
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
Application number
CN202210256243.6A
Other languages
English (en)
Other versions
CN114698116B (zh
Inventor
赵宜升
贺喜梅
徐志红
陈勇
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN202210256243.6A priority Critical patent/CN114698116B/zh
Publication of CN114698116A publication Critical patent/CN114698116A/zh
Application granted granted Critical
Publication of CN114698116B publication Critical patent/CN114698116B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
    • 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
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种无人机协助的非线性能量收集MEC系统的资源分配方法。首先构建非线性能量收集MEC系统的网络结构；然后计算远近用户和无人机收集的能量、获取远近用户本地计算完成的数据量及本地计算耗能、计算远近用户卸载给基站或无人机MEC服务器的数据量及卸载耗能、获取远近用户总计算完成的数据量和计算无人机总耗能；最后构建计算资源、发射功率、能量消耗和无人机速度的预设约束，根据预设约束构建系统计算完成的数据量最大化的优化模型并采用差分进化算法进行求解，得到最佳资源分配结果，并得到系统计算完成的数据量值。本发明在保证用户能量需求和计算服务需求下，缓解系统中出现的双远近问题，实现系统计算完成数据量最大化。

Description

一种无人机协助的非线性能量收集MEC系统的资源分配方法
技术领域
本发明属于无线通信技术和移动边缘计算领域，具体涉及一种无人机协助的非线性能量收集MEC系统的资源分配方法。
背景技术
随着无线通信技术的迅速发展和许多新应用的出现，便携式无线设备应用越来越普及，它们的供电方式以电池为主，当电池电量耗尽时，需要重新充电。并且，它们的本地计算能力也有限，在终端上运行计算要求较高的应用程序将会受到很大限制。
射频能量收集是一种将接收到的射频信号转换成电能的技术，以其新型绿色的供电方式为用户设备提供持续稳定的能量。移动边缘计算可以将用户设备的计算任务卸载给计算能力更强的边缘服务器，能够有效缓解用户设备的计算压力，减少用户设备的能量消耗。因此，为了减少用户设备的能量消耗和缓解它们的计算压力，从而提升系统性能，研究结合MEC的能量收集系统的资源分配问题具有重要意义。
然而，现有大多数研究没有考虑能量收集MEC系统中出现的双远近问题(双远近问题指的距离基站较远的用户从基站收集的能量较少却需要以更大的发射功率将自己的计算任务卸载给基站的MEC服务器)。因此，如何缓解系统中出现的双远近问题，保证用户之间的公平性，是亟待解决的问题。
发明内容
本发明的目的在于提供一种无人机协助的非线性能量收集MEC系统的资源分配方法，以解决系统中出现的双远近问题。通过对远近用户的本地计算资源、发射功率和无人机的飞行轨迹进行联合优化以实现系统计算完成的数据量最大化。
为实现上述目的，本发明的技术方案是：一种无人机协助的非线性能量收集MEC系统的资源分配方法，包括如下步骤：
S1、建模非线性能量收集MEC系统的网络结构；
S2、建模远近用户从基站或无人机收集的总能量和无人机从基站收集的能量；
S3、建模远近用户本地计算完成的数据量和本地计算耗能；
S4、建模远近用户卸载给基站或无人机MEC服务器计算完成的数据量和卸载耗能；
S5、建模远近用户总计算完成的数据量；
S6、建模无人机为远距离用户供电、执行远距离用户卸载的计算任务和飞行能量消耗总和；
S7、建模远近用户计算资源、发射功率、能量消耗和无人机速度的预设约束；
S8、建模系统计算完成的数据量最大化的优化模型；
S9、采用差分进化算法，求解系统计算完成的数据量最大化优化模型，得到计算资源、发射功率和无人机轨迹的最佳分配结果，并将最佳分配结果代入系统计算完成的数据量最大化函数得到系统计算完成的数据量值。
在本发明一实施例中，所述步骤S1具体实现如下：
步骤S11、构建非线性能量收集MEC系统，包括一个携带MEC服务器的基站、一个携带 MEC服务器的无人机、I个近距离用户设备和J个远距离用户设备；
步骤S12、基站为所有用户提供能量，但只为近距离用户提供MEC服务，无人机为远距离用户提供能量和MEC服务；设i(i＝1,2,…,I)表示近距离用户集，j(j＝1,2,…,J)表示远距离用户集；整个任务执行时间为T，将时间T等分为N个时隙，T＝Nτ，τ是每个时隙的长度， n(n＝1,2,…,N)表示时隙集；采用时分多址协议，近距离用户i在第n个时隙卸载的时间为 ti[n]τ，远距离用户j在第n个时隙卸载的时间为
Figure BDA0003548934000000021
基站坐标为(xB,yB,0)，近距离用户i的坐标为(xi,yi,0)，远距离用户j的坐标为
Figure BDA0003548934000000022
无人机的高度是固定的为H，无人机在第个时隙的坐标为u[n]＝(xU[n],yU[n],H)；基站和近距离用户i的距离为
Figure BDA0003548934000000023
基站和远距离用户j的距离为
Figure BDA0003548934000000024
第n个时隙无人机和远距离用户j的距离为
Figure BDA0003548934000000025
第n个时隙基站和无人机的距离为
Figure BDA0003548934000000026
在本发明一实施例中，所述步骤S2具体实现如下：
用户和无人机采用非线性能量收集模式进行能量收集；近距离用户i在第n个时隙从基站收集的总能量为：
Figure BDA0003548934000000027
其中
Figure BDA0003548934000000028
是用户i从基站实际收集到的功率，具体表达式为
Figure BDA0003548934000000029
式子中的
Figure BDA00035489340000000210
是一个常数，确保能量收集电路的零输入零输出响应，参数si和zi是跟详细电路有关的两个常数，参数Mi表示能量收集电路达到饱和时的最大接收功率，
Figure BDA00035489340000000211
是用户i射频接收功率
Figure BDA00035489340000000212
的传统逻辑函数，
Figure BDA00035489340000000213
具体表达式为
Figure BDA00035489340000000214
由Friis公式可得
Figure BDA00035489340000000215
其中
Figure BDA00035489340000000216
和
Figure BDA00035489340000000217
分别为基站的发射功率和发射天线增益，
Figure BDA0003548934000000031
是用户i的接收天线增益，c是电磁波传播速度，fB是基站的发射频率；
同理可得，在n个时隙内远距离用户j从基站和无人机收集的总能量为
Figure BDA0003548934000000032
其中
Figure BDA0003548934000000033
表示用户j从基站实际收集的功率，
Figure BDA0003548934000000034
表示用户j在第n个时隙从无人机实际收集的功率；无人机在n个时隙内从基站收集到的能量为
Figure BDA0003548934000000035
其中
Figure BDA0003548934000000036
表示在第n个时隙无人机从基站实际收集的功率。
在本发明一实施例中，所述步骤S3具体实现如下：
根据下式，计算近距离用户i在n个时隙内本地计算完成的数据量
Figure BDA0003548934000000037
其中，fi loc[n]为近距离用户i在第n个时隙的本地计算资源，Ci为近距离用户i计算每比特数据需要的CPU周期数；近距离用户i在n个时隙内本地计算消耗的能量为
Figure BDA0003548934000000038
其中，κi为用户i处理器芯片的有效电容系数；
根据下式，计算远距离用户j在n个时隙内本地计算完成的数据量
Figure BDA0003548934000000039
其中，
Figure BDA00035489340000000310
为远距离用户j在第n个时隙的本地计算资源，
Figure BDA00035489340000000311
为远距离用户j计算每比特数据需要的CPU周期数；远距离用户j在n个时隙内本地计算消耗的能量为
Figure BDA00035489340000000312
其中，
Figure BDA00035489340000000313
为用户j处理器芯片的有效电容系数。
在本发明一实施例中，所述步骤S4具体实现如下：
根据下式，计算近距离用户i在第n个时隙卸载给基站的数据量
Figure BDA00035489340000000314
其中：hB,i为基站和近距离用户i之间的信道增益，Pi Tr[n]为用户i在第n个时隙的发射功率，B是基站和近距离用户之间的信道带宽；
Figure BDA0003548934000000041
为基站处的噪声功率；近距离用户i在n个时隙内卸载消耗的能量为
Figure BDA0003548934000000042
根据下式，计算远距离用户j在第n个时隙卸载给无人机的数据量
Figure BDA0003548934000000043
其中，hU,j[n]为无人机和远距离用户j在第n个时隙的信道增益，
Figure BDA0003548934000000044
为用户j在第n个时隙的发射功率，
Figure BDA0003548934000000045
是远距离用户和无人机之间的信道带宽；
Figure BDA0003548934000000046
为无人机处的噪声功率。远距离用户j在n个时隙内卸载消耗的能量为
Figure BDA0003548934000000047
在本发明一实施例中，所述步骤S5具体实现如下：
根据下式，计算近距离用户i在部分卸载模式下总的计算完成数据量
Figure BDA0003548934000000048
其中，上限N-1表示近距离用户在最后一个时隙不进行卸载以保证基站MEC服务器在时间T内计算完成所有近距离用户卸载过来的计算任务；
根据下式，计算远距离用户j在部分卸载模式下总的计算完成数据量
Figure BDA0003548934000000049
其中，上限N-1的意思和近距离用户处表示的一样。
在本发明一实施例中，所述步骤S6具体实现如下：
无人机在n个时隙内为远距离用户供电消耗的能量为：
Figure BDA00035489340000000410
其中的
Figure BDA00035489340000000411
表示无人机的发射功率；无人机在n个时隙内执行远距离用户卸载的计算任务消耗的能量为：
Figure BDA00035489340000000412
其中φ为无人机计算一比特数据消耗的能量。无人机在n个时隙内飞行消耗的能量为
Figure BDA00035489340000000413
其中ζ表示无人机飞行能耗相关的效率参数，v[n]是无人机在第n个时隙的飞行速度，||·||2表示欧几里得范数。根据下式，计算无人机在整个任务执行期间总的耗能：
Figure BDA0003548934000000051
在本发明一实施例中，所述步骤S7具体实现如下：
资源分配限制条件为：0≤fi loc[n]≤fi max，
Figure BDA0003548934000000052
功率分配限制条件为：0≤Pi Tr[n]≤Pi max，
Figure BDA0003548934000000053
能量限制条件为：
Figure BDA0003548934000000054
无人机飞行速度限制条件为：||u[n+1]-u[n]||2≤τVmax；
其中，fi max和
Figure BDA0003548934000000055
分别表示近距离用户i和远距离用户j本地最大计算资源；Pi max和
Figure BDA0003548934000000056
分别表示近距离用户i和远距离用户j最大发射功率；
Figure BDA0003548934000000057
表示无人机的初始能量；Vmax表示无人机的最大飞行速度。
在本发明一实施例中，所述步骤S8具体实现如下：
在满足计算资源、发射功率、能量消耗和无人机飞行速度的约束条件下，以系统计算完成的数据量最大化为目标，确定优化资源分配策略，即
Figure BDA0003548934000000058
在本发明一实施例中，所述步骤S9具体实现如下：
S91、首先，进行差分进化算法的初始值设置并产生初始种群；假设种群中个体数量为P，并将N个时隙的远近用户的发射功率和本地计算资源以及无人机的飞行轨迹定义为个体向量，则个体p(p＝1,2,…,P)的向量可以表示为
Figure BDA0003548934000000059
其中，
Figure BDA00035489340000000510
表示第n个时隙远近用户的资源分配结果，
Figure BDA00035489340000000511
可以表示为
Figure BDA00035489340000000512
S92、根据适应度函数计算适应值；通过惩罚函数法将目标函数的不等式约束的非线性问题转化成求解无约束问题，适应度函数由目标函数和惩罚函数组成，表达式为：
Figure BDA00035489340000000513
其中fobj为目标函数，fpen为惩罚函数，γ是惩罚因子，惩罚函数的表达式为：
Figure BDA0003548934000000061
其包含8项，每一项具体形式分别为：
Figure BDA0003548934000000062
Figure BDA0003548934000000063
Figure BDA0003548934000000064
Figure BDA0003548934000000065
Figure BDA0003548934000000066
Figure BDA0003548934000000067
Figure BDA0003548934000000068
Figure BDA0003548934000000069
其中，max(·,·)表示在两个数值之间取较大的一个数值；
S93、根据构造好的适应度函数，带入每个个体向量，分别计算适应度值；
S94、判断是否达到终止条件，若是，则终止进化，将得到的最佳个体作为次优解输出；否则，进行差分进化操作；
S95、差分进化操作分为变异、交叉和选择三个步骤；变异就是从种群中随机选取两个不同的个体，用它们的向量差乘上变异算子，加到基向量上，得到变异向量；交叉是将变异向量与目标向量按照一定的规则进行交叉，生成试验向量；选择是根据适应度值对种群个体进行适者生存操作，采用贪婪选择方法对种群进行选择；如果试验向量的适应度值优于目标向量的适应度值，则选择试验向量进入下一代；否则，保留目标向量。
相较于现有技术，本发明具有以下有益效果：
1、本发明采用了非线性能量收集方式，相比于大多数研究中采用的简单线性能量收集方式，非线性能量收集方式更加符合实际。
2、本发明在保证用户能量需求和计算服务的需求下，缓解了系统中出现的双远近问题。
3、本发明的优化模型建模出来的非线性规划问题具有较高的复杂度，直接求解比较困难，本发明采用差分进化算法来进行求解，实现系统计算完成的数据量最大化。
附图说明
图1是本发明一实施例中非线性能量收集MEC网络结构示意图；
图2是本发明一实例中远近用户进行数据卸载的时间分配图；
图3是本发明一实施例中基于差分进化算法的资源优化的流程图；
图4是本发明方法流程图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明一种无人机协助的非线性能量收集MEC系统的资源分配方法，包括如下步骤：
S1、建模非线性能量收集MEC系统的网络结构；
S2、建模远近用户从基站或无人机收集的总能量和无人机从基站收集的能量；
S3、建模远近用户本地计算完成的数据量和本地计算耗能；
S4、建模远近用户卸载给基站或无人机MEC服务器计算完成的数据量和卸载耗能；
S5、建模远近用户总计算完成的数据量；
S6、建模无人机为远距离用户供电、执行远距离用户卸载的计算任务和飞行能量消耗总和；
S7、建模远近用户计算资源、发射功率、能量消耗和无人机速度的预设约束；
S8、建模系统计算完成的数据量最大化的优化模型；
S9、采用差分进化算法，求解系统计算完成的数据量最大化优化模型，得到计算资源、发射功率和无人机轨迹的最佳分配结果，并将最佳分配结果代入系统计算完成的数据量最大化函数得到系统计算完成的数据量值。
以下为本发明具体实现过程。
本发明针对非线性能量收集MEC系统中出现的双远近问题，提出了一种无人机协助的非线性能量收集MEC系统中最大化系统计算完成数据量的资源分配策略。远距离用户从基站收集的能量较少，无法以更大的发射功率将数据卸载到基站的MEC服务器，从而遭受着双远近问题的影响。通过部署一个携带MEC服务器的无人机额外为远距离用户进行能量补充，并且远距离用户可以将一部分计算任务卸载到无人机的MEC服务器，从而缓解系统中出现的双远近问题，保证远近用户之间的公平性。
一、无人机协助的非线性能量收集MEC系统的网络模型
本实施例中提出了一种无人机协助的非线性能量收集MEC系统的资源分配方法，非线性能量收集MEC系统的网络模型如图1所示。在该系统中，存在一个带有MEC服务器的基站、一个带有MEC服务器的无人机、I个近距离用户设备和J个远距离用户设备。在能量收集阶段，由于基站是有稳定的电源供应，而无人机和移动用户是没有固定的能源供应，因此基站为无人机和所有用户进行能量传输。由于远距离用户距离基站的距离较远，因此收集到的能量较少。无人机可以额外为远距离用户进行能量补充。在数据卸载阶段，近距离用户进行本地计算和将数据卸载到基站的MEC服务器进行计算，远距离用户进行本地计算和将数据卸载到无人机的 MEC服务器进行计算。图2为近距离用户和远距离用户进行数据卸载的时隙图。整个数据卸载时间T等分为N个时隙，T＝Nτ，τ是每个时隙的长度。在每个时隙中，采用时分多址协议，近距离用户i(i＝1,2,…,I)在第n(n＝1,2,…,N)个时隙的卸载时间为ti[n]τ，远距离用户 j(j＝1,2,…,J)在第n个时隙的卸载时间为
Figure BDA0003548934000000081
由于计算结果数据的大小相对于卸载的数据大小要小的多，所以本发明忽略了计算结果反馈时间和计算结果反馈的能量消耗。
二、建立无人机协助的非线性能量收集MEC系统的资源分配模型
请参照图4，本实施案例中提出的一种无人机协助的非线性能量收集MEC系统的资源分配方法包括以下几个步骤：
S1、建模非线性能量收集MEC系统的网络结构
系统网络结构中主要包括基站、无人机、远距离用户设备和近距离用户设备。在本实施例中，采用三维笛卡尔坐标系，基站坐标为(xB,yB,0)，近距离用户i的坐标为(xi,yi,0)，远距离用户j的坐标为
Figure BDA0003548934000000082
无人机的高度是固定的为H，无人机在第个时隙的坐标为 u[n]＝(xU[n],yU[n],H)。基站和近距离用户i的距离为
Figure BDA0003548934000000083
基站和远距离用户j的距离为
Figure BDA0003548934000000084
第n个时隙无人机和远距离用户j的距离为
Figure BDA0003548934000000085
第n个时隙基站和无人机的距离为
Figure BDA0003548934000000086
S2、建模远近用户从基站或无人机收集的总能量和无人机从基站收集的能量
用户和无人机采用非线性能量收集模式进行能量收集。近距离用户i在第n个时隙从基站收集的总能量为：
Figure BDA0003548934000000087
其中
Figure BDA0003548934000000088
是用户i从基站实际收集到的功率，具体表达式为
Figure BDA0003548934000000091
式子中的
Figure BDA0003548934000000092
是一个常数，确保能量收集电路的零输入零输出响应，参数si和zi是跟详细电路有关的两个常数，参数Mi表示能量收集电路达到饱和时的最大接收功率，
Figure BDA0003548934000000093
是用户i射频接收功率
Figure BDA0003548934000000094
的传统逻辑函数，
Figure BDA0003548934000000095
具体表达式为
Figure BDA0003548934000000096
由Friis公式可得
Figure BDA0003548934000000097
其中
Figure BDA0003548934000000098
和
Figure BDA0003548934000000099
分别为基站的发射功率和发射天线增益，
Figure BDA00035489340000000910
是用户i的接收天线增益，c是电磁波传播速度，fB是基站的发射频率。
同理可得，在n个时隙内远距离用户j从基站和无人机收集的总能量为
Figure BDA00035489340000000911
其中
Figure BDA00035489340000000912
表示用户j从基站实际收集的功率，
Figure BDA00035489340000000913
表示用户j在第n个时隙从无人机实际收集的功率。无人机在n个时隙内从基站收集到的能量为
Figure BDA00035489340000000914
其中
Figure BDA00035489340000000915
表示在第n个时隙无人机从基站实际收集的功率。
S3、建模远近用户本地计算完成的数据量和本地计算耗能
根据下式，计算近距离用户i在n个时隙内本地计算完成的数据量
Figure BDA00035489340000000916
其中，fi loc[n]为近距离用户i在第n个时隙的本地计算资源，Ci为近距离用户i计算每比特数据需要的CPU周期数。近距离用户i在n个时隙内本地计算消耗的能量为
Figure BDA00035489340000000917
其中，κi为用户i处理器芯片的有效电容系数。
根据下式，计算远距离用户j在n个时隙内本地计算完成的数据量
Figure BDA00035489340000000918
其中，
Figure BDA00035489340000000919
为远距离用户j在第n个时隙的本地计算资源，
Figure BDA00035489340000000920
为远距离用户j计算每比特数据需要的CPU周期数。远距离用户j在n个时隙内本地计算消耗的能量为
Figure BDA0003548934000000101
其中，
Figure BDA0003548934000000102
为用户j处理器芯片的有效电容系数。
S4、建模远近用户卸载给基站或无人机MEC服务器计算完成的数据量和卸载耗能
根据下式，计算近距离用户i在第n个时隙卸载给基站的数据量
Figure BDA0003548934000000103
其中：hB,i为基站和近距离用户i之间的信道增益，Pi Tr[n]为用户i在第n个时隙的发射功率， B是基站和近距离用户之间的信道带宽。
Figure BDA0003548934000000104
为基站处的噪声功率。近距离用户i在n个时隙内卸载消耗的能量为
Figure BDA0003548934000000105
根据下式，计算远距离用户j在第n个时隙卸载给无人机的数据量
Figure BDA0003548934000000106
其中，hU,j[n]为无人机和远距离用户j在第n个时隙的信道增益，
Figure BDA0003548934000000107
为用户j在第n个时隙的发射功率，
Figure BDA0003548934000000108
是远距离用户和无人机之间的信道带宽。
Figure BDA0003548934000000109
为无人机处的噪声功率。远距离用户j在n个时隙内卸载消耗的能量为
Figure BDA00035489340000001010
S5、建模远近用户总计算完成的数据量
根据下式，计算近距离用户i在部分卸载模式下总的计算完成数据量
Figure BDA00035489340000001011
其中，上限N-1表示近距离用户在最后一个时隙不进行卸载以保证基站MEC服务器在时间T内计算完成所有近距离用户卸载过来的计算任务。
根据下式，计算远距离用户j在部分卸载模式下总的计算完成数据量
Figure BDA00035489340000001012
其中，上限N-1的意思和近距离用户处表示的一样。
S6、建模无人机为远距离用户供电、执行远距离用户卸载的计算任务和飞行能量消耗总和
无人机在n个时隙内为远距离用户供电消耗的能量为：
Figure BDA0003548934000000111
其中的
Figure BDA0003548934000000112
表示无人机的发射功率。无人机在n个时隙内执行远距离用户卸载的计算任务消耗的能量为：
Figure BDA0003548934000000113
其中φ为无人机计算一比特数据消耗的能量。无人机在n个时隙内飞行消耗的能量为
Figure BDA0003548934000000114
其中ζ表示无人机飞行能耗相关的效率参数，v[n]是无人机在第n个时隙的飞行速度，||·||2表示欧几里得范数。根据下式，计算无人机在整个任务执行期间总的耗能
Figure BDA0003548934000000115
S7、建模远近用户计算资源、发射功率、能量消耗和无人机速度的限制条件
资源分配限制条件为：0≤fi loc[n]≤fi max，
Figure BDA0003548934000000116
功率分配限制条件为：0≤Pi Tr[n]≤Pi max，
Figure BDA0003548934000000117
能量限制条件为：
Figure BDA0003548934000000118
无人机飞行速度限制条件为：||u[n+1]-u[n]||2≤τVmax；
其中，fi max和
Figure BDA0003548934000000119
分别表示近距离用户i和远距离用户j本地最大计算资源；Pi max和
Figure BDA00035489340000001110
分别表示近距离用户i和远距离用户j最大发射功率；
Figure BDA00035489340000001111
表示无人机的初始能量；Vmax表示无人机的最大飞行速度。
S8、建模系统计算完成的数据量最大化的优化模型
在满足计算资源、发射功率、能量消耗和无人机飞行速度的约束条件下，以系统计算完成的数据量最大化为目标，确定优化资源分配策略，即
Figure BDA00035489340000001112
三、基于差分进化算法求解资源分配最优化模型
参考图3，在本实施例中，采用差分进化算法，求解系统计算完成的数据量最大化的优化模型，得到本地计算资源、发射功率和无人机轨迹的最佳分配结果，并将最佳分配结果代入系统计算完成的数据量函数得到系统计算完成的数据量值。具体为：
步骤1、首先，进行差分进化算法的初始值设置并产生初始种群。假设种群中个体数量为P，并将N个时隙的远近用户的发射功率和本地计算资源以及无人机的飞行轨迹定义为个体向量，则个体p(p＝1,2,…,P)的向量可以表示为
Figure BDA0003548934000000121
其中，
Figure BDA0003548934000000122
表示第n个时隙远近用户的资源分配结果，
Figure BDA0003548934000000123
可以表示为
Figure BDA0003548934000000124
步骤2、根据适应度函数计算适应值。通过惩罚函数法将目标函数的不等式约束的非线性问题转化成求解无约束问题，适应度函数由目标函数和惩罚函数组成，表达式为：
Figure BDA0003548934000000125
其中fobj为目标函数，fpen为惩罚函数，γ是惩罚因子，惩罚函数的表达式为：
Figure BDA0003548934000000126
其包含8项，每一项具体形式分别为：
Figure BDA0003548934000000127
Figure BDA0003548934000000128
Figure BDA0003548934000000129
Figure BDA00035489340000001210
Figure BDA00035489340000001211
Figure BDA00035489340000001212
Figure BDA00035489340000001213
Figure BDA00035489340000001214
其中，max(·,·)表示在两个数值之间取较大的一个数值。
步骤3、根据构造好的适应度函数，带入每个个体向量，分别计算适应度值。
步骤4、判断是否达到终止条件，若是，则终止进化，将得到的最佳个体作为次优解输出。否则，进行差分进化操作。
步骤5、差分进化操作分为变异、交叉和选择三个步骤。变异就是从种群中随机选取两个不同的个体，用它们的向量差乘上变异算子，加到基向量上，得到变异向量，变异算子是三个算子中最重要的，它的选择决定了差分进化算法的局部搜索能力和全局搜索能力。交叉是将变异向量与目标向量按照一定的规则进行交叉，生成试验向量。其基本思想是目标向量和变异向量相互交换一些元素，从而增加种群的多样性，本发明采用二项式交叉方法进行交叉操作。选择是根据适应度值对种群个体进行适者生存操作，采用贪婪选择方法对种群进行选择。如果试验向量的适应度值优于目标向量的适应度值，则选择试验向量进入下一代。否则，保留目标向量。选择操作过程决定了整个种群的进化方向。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (10)

1.一种无人机协助的非线性能量收集MEC系统的资源分配方法，其特征在于，包括如下步骤：
S1、建模非线性能量收集MEC系统的网络结构；
S2、建模远近用户从基站或无人机收集的总能量和无人机从基站收集的能量；
S3、建模远近用户本地计算完成的数据量和本地计算耗能；
S4、建模远近用户卸载给基站或无人机MEC服务器计算完成的数据量和卸载耗能；
S5、建模远近用户总计算完成的数据量；
S6、建模无人机为远距离用户供电、执行远距离用户卸载的计算任务和飞行能量消耗总和；
S7、建模远近用户计算资源、发射功率、能量消耗和无人机速度的预设约束；
S8、建模系统计算完成的数据量最大化的优化模型；
S9、采用差分进化算法，求解系统计算完成的数据量最大化优化模型，得到计算资源、发射功率和无人机轨迹的最佳分配结果，并将最佳分配结果代入系统计算完成的数据量最大化函数得到系统计算完成的数据量值。
2.根据权利要求1所述的一种无人机协助的非线性能量收集MEC系统的资源分配方法，其特征在于，所述步骤S1具体实现如下：
步骤S11、构建非线性能量收集MEC系统，包括一个携带MEC服务器的基站、一个携带MEC服务器的无人机、I个近距离用户设备和J个远距离用户设备；
步骤S12、基站为所有用户提供能量，但只为近距离用户提供MEC服务，无人机为远距离用户提供能量和MEC服务；设i(i＝1,2,…,I)表示近距离用户集，j(j＝1,2,…,J)表示远距离用户集；整个任务执行时间为T，将时间T等分为N个时隙，T＝Nτ，τ是每个时隙的长度，n(n＝1,2,…,N)表示时隙集；采用时分多址协议，近距离用户i在第n个时隙卸载的时间为ti[n]τ，远距离用户j在第n个时隙卸载的时间为
Figure FDA0003548933990000011
基站坐标为(xB,yB,0)，近距离用户i的坐标为(xi,yi,0)，远距离用户j的坐标为
Figure FDA0003548933990000012
无人机的高度是固定的为H，无人机在第个时隙的坐标为u[n]＝(xU[n],yU[n],H)；基站和近距离用户i的距离为
Figure FDA0003548933990000013
基站和远距离用户j的距离为
Figure FDA0003548933990000014
第n个时隙无人机和远距离用户j的距离为
Figure FDA0003548933990000015
第n个时隙基站和无人机的距离为
Figure FDA0003548933990000016
3.根据权利要求2所述的一种无人机协助的非线性能量收集MEC系统的资源分配方法，其特征在于，所述步骤S2具体实现如下：
用户和无人机采用非线性能量收集模式进行能量收集；近距离用户i在第n个时隙从基站收集的总能量为：
Figure FDA0003548933990000021
其中
Figure FDA0003548933990000022
是用户i从基站实际收集到的功率，具体表达式为
Figure FDA0003548933990000023
式子中的
Figure FDA0003548933990000024
是一个常数，确保能量收集电路的零输入零输出响应，参数si和zi是跟详细电路有关的两个常数，参数Mi表示能量收集电路达到饱和时的最大接收功率，
Figure FDA0003548933990000025
是用户i射频接收功率
Figure FDA0003548933990000026
的传统逻辑函数，
Figure FDA0003548933990000027
具体表达式为
Figure FDA0003548933990000028
由Friis公式可得
Figure FDA0003548933990000029
其中
Figure FDA00035489339900000210
和
Figure FDA00035489339900000211
分别为基站的发射功率和发射天线增益，
Figure FDA00035489339900000212
是用户i的接收天线增益，c是电磁波传播速度，fB是基站的发射频率；
同理可得，在n个时隙内远距离用户j从基站和无人机收集的总能量为
Figure FDA00035489339900000213
其中
Figure FDA00035489339900000214
表示用户j从基站实际收集的功率，
Figure FDA00035489339900000215
表示用户j在第n个时隙从无人机实际收集的功率；无人机在n个时隙内从基站收集到的能量为
Figure FDA00035489339900000216
其中
Figure FDA00035489339900000217
表示在第n个时隙无人机从基站实际收集的功率。
4.根据权利要求3所述的一种无人机协助的非线性能量收集MEC系统的资源分配方法，其特征在于，所述步骤S3具体实现如下：
根据下式，计算近距离用户i在n个时隙内本地计算完成的数据量
Figure FDA00035489339900000218
其中，fi loc[n]为近距离用户i在第n个时隙的本地计算资源，Ci为近距离用户i计算每比特数据需要的CPU周期数；近距离用户i在n个时隙内本地计算消耗的能量为
Figure FDA00035489339900000219
其中，κi为用户i处理器芯片的有效电容系数；
根据下式，计算远距离用户j在n个时隙内本地计算完成的数据量
Figure FDA0003548933990000031
其中，
Figure FDA0003548933990000032
为远距离用户j在第n个时隙的本地计算资源，
Figure FDA0003548933990000033
为远距离用户j计算每比特数据需要的CPU周期数；远距离用户j在n个时隙内本地计算消耗的能量为
Figure FDA0003548933990000034
其中，
Figure FDA0003548933990000035
为用户j处理器芯片的有效电容系数。
5.根据权利要求4所述的一种无人机协助的非线性能量收集MEC系统的资源分配方法，其特征在于，所述步骤S4具体实现如下：
根据下式，计算近距离用户i在第n个时隙卸载给基站的数据量
Figure FDA0003548933990000036
其中：hB,i为基站和近距离用户i之间的信道增益，Pi Tr[n]为用户i在第n个时隙的发射功率，B是基站和近距离用户之间的信道带宽；
Figure FDA0003548933990000037
为基站处的噪声功率；近距离用户i在n个时隙内卸载消耗的能量为
Figure FDA0003548933990000038
根据下式，计算远距离用户j在第n个时隙卸载给无人机的数据量
Figure FDA0003548933990000039
其中，hU,j[n]为无人机和远距离用户j在第n个时隙的信道增益，
Figure FDA00035489339900000310
为用户j在第n个时隙的发射功率，
Figure FDA00035489339900000311
是远距离用户和无人机之间的信道带宽；
Figure FDA00035489339900000312
为无人机处的噪声功率；远距离用户j在n个时隙内卸载消耗的能量为
Figure FDA00035489339900000313
6.根据权利要求5所述的一种无人机协助的非线性能量收集MEC系统的资源分配方法，其特征在于，所述步骤S5具体实现如下：
根据下式，计算近距离用户i在部分卸载模式下总的计算完成数据量
Figure FDA00035489339900000314
其中，上限N-1表示近距离用户在最后一个时隙不进行卸载以保证基站MEC服务器在时间T内计算完成所有近距离用户卸载过来的计算任务；
根据下式，计算远距离用户j在部分卸载模式下总的计算完成数据量
Figure FDA0003548933990000041
其中，上限N-1的意思和近距离用户处表示的一样。
7.根据权利要求6所述的一种无人机协助的非线性能量收集MEC系统的资源分配方法，其特征在于，所述步骤S6具体实现如下：
无人机在n个时隙内为远距离用户供电消耗的能量为：
Figure FDA0003548933990000042
其中的
Figure FDA0003548933990000043
表示无人机的发射功率；无人机在n个时隙内执行远距离用户卸载的计算任务消耗的能量为：
Figure FDA0003548933990000044
其中φ为无人机计算一比特数据消耗的能量；无人机在n个时隙内飞行消耗的能量为
Figure FDA0003548933990000045
其中ζ表示无人机飞行能耗相关的效率参数，v[n]是无人机在第n个时隙的飞行速度，||·||2表示欧几里得范数；根据下式，计算无人机在整个任务执行期间总的耗能：
Figure FDA0003548933990000046
8.根据权利要求7所述的一种无人机协助的非线性能量收集MEC系统的资源分配方法，其特征在于，所述步骤S7具体实现如下：
资源分配限制条件为：0≤fi loc[n]≤fi max，
Figure FDA0003548933990000047
功率分配限制条件为：0≤Pi Tr[n]≤Pi max，
Figure FDA0003548933990000048
能量限制条件为：
Figure FDA0003548933990000049
无人机飞行速度限制条件为：||u[n+1]-u[n]||2≤τVmax；
其中，fi max和
Figure FDA00035489339900000410
分别表示近距离用户i和远距离用户j本地最大计算资源；Pi max和
Figure FDA00035489339900000411
分别表示近距离用户i和远距离用户j最大发射功率；
Figure FDA00035489339900000412
表示无人机的初始能量；Vmax表示无人机的最大飞行速度。
9.根据权利要求8所述的一种无人机协助的非线性能量收集MEC系统的资源分配方法，其特征在于，所述步骤S8具体实现如下：
在满足计算资源、发射功率、能量消耗和无人机飞行速度的约束条件下，以系统计算完成的数据量最大化为目标，确定优化资源分配策略，即
Figure FDA0003548933990000051
10.根据权利要求9所述的一种无人机协助的非线性能量收集MEC系统的资源分配方法，其特征在于，所述步骤S9具体实现如下：
S91、首先，进行差分进化算法的初始值设置并产生初始种群；假设种群中个体数量为P，并将N个时隙的远近用户的发射功率和本地计算资源以及无人机的飞行轨迹定义为个体向量，则个体p(p＝1,2,…,P)的向量可以表示为
Figure FDA0003548933990000052
其中，
Figure FDA0003548933990000053
表示第n个时隙远近用户的资源分配结果，
Figure FDA0003548933990000054
可以表示为
Figure FDA0003548933990000055
S92、根据适应度函数计算适应值；通过惩罚函数法将目标函数的不等式约束的非线性问题转化成求解无约束问题，适应度函数由目标函数和惩罚函数组成，表达式为：
Figure FDA0003548933990000056
其中fobj为目标函数，fpen为惩罚函数，γ是惩罚因子，惩罚函数的表达式为：
Figure FDA0003548933990000057
其包含8项，每一项具体形式分别为：
Figure FDA0003548933990000058
Figure FDA0003548933990000059
Figure FDA00035489339900000510
Figure FDA00035489339900000511
Figure FDA00035489339900000512
Figure FDA0003548933990000061
Figure FDA0003548933990000062
Figure FDA0003548933990000063
其中，max(·,·)表示在两个数值之间取较大的一个数值；
S93、根据构造好的适应度函数，带入每个个体向量，分别计算适应度值；
S94、判断是否达到终止条件，若是，则终止进化，将得到的最佳个体作为次优解输出；否则，进行差分进化操作；
S95、差分进化操作分为变异、交叉和选择三个步骤；变异就是从种群中随机选取两个不同的个体，用它们的向量差乘上变异算子，加到基向量上，得到变异向量；交叉是将变异向量与目标向量按照一定的规则进行交叉，生成试验向量；选择是根据适应度值对种群个体进行适者生存操作，采用贪婪选择方法对种群进行选择；如果试验向量的适应度值优于目标向量的适应度值，则选择试验向量进入下一代；否则，保留目标向量。
CN202210256243.6A 2022-03-16 2022-03-16 一种无人机协助的非线性能量收集mec系统的资源分配方法 Active CN114698116B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210256243.6A CN114698116B (zh) 2022-03-16 2022-03-16 一种无人机协助的非线性能量收集mec系统的资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210256243.6A CN114698116B (zh) 2022-03-16 2022-03-16 一种无人机协助的非线性能量收集mec系统的资源分配方法

Publications (2)

Publication Number Publication Date
CN114698116A true CN114698116A (zh) 2022-07-01
CN114698116B CN114698116B (zh) 2024-06-28

Family

ID=82139379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210256243.6A Active CN114698116B (zh) 2022-03-16 2022-03-16 一种无人机协助的非线性能量收集mec系统的资源分配方法

Country Status (1)

Country Link
CN (1) CN114698116B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115190420A (zh) * 2022-07-05 2022-10-14 东北石油大学 无人机辅助的无线能量传输及移动边缘计算方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108924938A (zh) * 2018-08-27 2018-11-30 南昌大学 一种用于无线充电边缘计算网络计算能效的资源分配方法
CN112073978A (zh) * 2020-08-11 2020-12-11 南京航空航天大学 一种多载波noma的移动边缘计算系统中计算效率优化方法
CN112512063A (zh) * 2020-11-25 2021-03-16 福州大学 基于射频能量收集的无人机协助边缘计算的资源分配方法
CN113329428A (zh) * 2021-06-07 2021-08-31 大连理工大学 一种无人机辅助的移动边缘网络的请求调度方法
CN113472426A (zh) * 2021-07-01 2021-10-01 云南大学 一种公平感知任务调度和资源分配方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108924938A (zh) * 2018-08-27 2018-11-30 南昌大学 一种用于无线充电边缘计算网络计算能效的资源分配方法
CN112073978A (zh) * 2020-08-11 2020-12-11 南京航空航天大学 一种多载波noma的移动边缘计算系统中计算效率优化方法
CN112512063A (zh) * 2020-11-25 2021-03-16 福州大学 基于射频能量收集的无人机协助边缘计算的资源分配方法
CN113329428A (zh) * 2021-06-07 2021-08-31 大连理工大学 一种无人机辅助的移动边缘网络的请求调度方法
CN113472426A (zh) * 2021-07-01 2021-10-01 云南大学 一种公平感知任务调度和资源分配方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ZHICHAO LIU 等: "UAV-Assisted Time Division Power Allocation Strategy Based on RF Energy Harvesting", 《 2020 IEEE 91ST VEHICULAR TECHNOLOGY CONFERENCE (VTC2020-SPRING)》, 25 May 2020 (2020-05-25) *
施丽琴;叶迎晖;卢光跃;: "无线供能边缘计算网络中系统计算能效最大化资源分配方案", 通信学报, no. 10, 31 October 2020 (2020-10-31) *
董超;沈赟;屈毓锛;: "基于无人机的边缘智能计算研究综述", 智能科学与技术学报, no. 03, 15 September 2020 (2020-09-15) *
陈加法 等: "基于混合能量收集的移动边缘计算系统资源分配策略", 《重庆邮电大学学报(自然科学版)》, vol. 33, no. 2, 28 February 2021 (2021-02-28) *
陶丽佳 等: "无人机协助边缘计算的能量收集MEC系统资源分配策略", 《南京邮电大学学报(自然科学版)》, vol. 42, no. 1, 28 February 2022 (2022-02-28) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115190420A (zh) * 2022-07-05 2022-10-14 东北石油大学 无人机辅助的无线能量传输及移动边缘计算方法

Also Published As

Publication number Publication date
CN114698116B (zh) 2024-06-28

Similar Documents

Publication Publication Date Title
Zhang et al. Resource allocation for a UAV-enabled mobile-edge computing system: Computation efficiency maximization
CN111586696B (zh) 一种基于多智能体架构强化学习的资源分配及卸载决策方法
CN107317700B (zh) 车载边缘计算节点选择系统及方法
CN110336861B (zh) 基于双层无人机的移动边缘计算系统的卸载任务分配方法
CN112512063B (zh) 基于射频能量收集的无人机协助边缘计算的资源分配方法
CN112118287B (zh) 基于交替方向乘子算法与移动边缘计算的网络资源优化调度决策方法
CN110557769A (zh) 基于深度强化学习的c-ran计算卸载和资源分配方法
CN111107153B (zh) 一种电力物联网中基于d2d通信的mec定价卸载方法
CN113286317B (zh) 一种基于无线供能边缘网络的任务调度方法
CN108990158A (zh) 基于二元加载机制下无人机充电边缘计算网络的资源分配方法
Lyu et al. Computation bits maximization in UAV-enabled mobile-edge computing system
CN116546559B (zh) 分布式多目标空地联合轨迹规划和卸载调度方法及系统
Liu et al. Incentive UAV-enabled mobile edge computing based on microwave power transmission
CN111182569B (zh) 一种5g场景下的边缘计算卸载周期最小化方法
CN114698116B (zh) 一种无人机协助的非线性能量收集mec系统的资源分配方法
CN115396953A (zh) 移动边缘计算中一种基于改进粒子群算法的计算卸载方法
CN114449490A (zh) 基于d2d通信的多任务联合计算卸载与资源分配方法
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
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
CN114025359B (zh) 基于深度强化学习的资源分配与计算卸载方法、系统、设备及介质
Yan et al. Fairness-aware data offloading of IoT applications enabled by heterogeneous UAVs
He et al. Resource allocation strategy for UAV-assisted non-linear energy harvesting MEC system
Zhang et al. Offloading strategy for UAV-assisted mobile edge computing based on reinforcement learning
Yang et al. A resource allocation method based on the core server in the collaborative space for mobile edge computing
CN113553188A (zh) 一种基于改进天牛须算法的移动边缘计算卸载方法

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