CN114745666A - 一种用于拥挤场馆中无人机辅助边缘计算方法 - Google Patents

一种用于拥挤场馆中无人机辅助边缘计算方法 Download PDF

Info

Publication number
CN114745666A
CN114745666A CN202210644872.6A CN202210644872A CN114745666A CN 114745666 A CN114745666 A CN 114745666A CN 202210644872 A CN202210644872 A CN 202210644872A CN 114745666 A CN114745666 A CN 114745666A
Authority
CN
China
Prior art keywords
user
unmanned aerial
aerial vehicle
task
time slot
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
CN202210644872.6A
Other languages
English (en)
Other versions
CN114745666B (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 CN202210644872.6A priority Critical patent/CN114745666B/zh
Publication of CN114745666A publication Critical patent/CN114745666A/zh
Application granted granted Critical
Publication of CN114745666B publication Critical patent/CN114745666B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/14—Spectrum sharing arrangements between different networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • 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
    • H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种用于拥挤场馆中无人机辅助边缘计算方法，利用无人机充当边缘服务器，建立一个无人机辅助通信的边缘计算网络，用于缓解通信网络的过载和计算量过大造成的高时延问题。针对拥挤场馆中用户任务传输以及处理延迟过高的问题提出一个双队列空闲卸载方法DQIO，在无人机辅助的边缘计算实体网络下，构建实体网络的数字孪生网络，并构建无人机轨迹和计算资源分配的优化模型，提出一种空闲卸载的卸载决策并利用机器学习等方法求解最优的无人机轨迹、卸载比例和计算资源分配方案，从而解决拥挤场馆中信道过载的问题，并降低用户的时延。

Description

一种用于拥挤场馆中无人机辅助边缘计算方法
技术领域
本发明属于无人机辅助的边缘计算领域，具体涉及一种用于拥挤场馆中无人机辅助边缘计算方法。
背景技术
随着智能移动设备和5G的普及，出现了人手一台甚至多台智能设备的情况，这带来了极大的通信需求和巨大的任务量；与此同时，许多计算密集型服务应运而生，而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，如大型展会或大型体育赛事中，基站除了要为场馆外的用户提供服务，还需要服务场馆内激增的用户，这很容易造成通信网络的过载，进而造成用户端时延过高、用户使用体验差的问题。为此产生了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。
数字孪生，是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生体最大的特点在于：它是对实体对象的动态仿真。
现有关于无人机辅助边缘计算的研究，大多假设边缘服务器有足够强大的计算能力，并且卸载的计算任务在到达服务器时立即执行，但实际上，在边缘服务器需要为大量用户提供服务时，用户卸载到边缘服务器的任务数量可能非常大，任务不能在短时间内被边缘服务器计算完成，这部分时延是不可忽略的，尤其是在上述场景中，优化用户时延的问题将更难解决。除此之外，目前大多研究假定每个用户产生的每个任务所需的计算量均相同，但在现实场景中，用户所产生的任务必定是不同的，所以每个任务所需的计算量也不同。
发明内容
为了解决上述背景技术提到的技术问题，本发明提出了一种用于拥挤场馆中无人机辅助边缘计算方法，充分考虑拥挤场馆中的任务数量大且计算量不同的情况，并降低用户端的时延，以实现通信网络过载时，用户的任务仍能快速卸载并处理完成。
为了实现上述技术目的，本发明的技术方案为：
一种用于拥挤场馆中无人机辅助边缘计算方法，包括以下步骤： S1、通过基站实时监测场馆用户数量，当场馆内用户数量超过预设的拥挤阈值，根据用户位置数据，采用改进的自然最近邻优化的密度峰值聚类方法对无人机进行部署，构建物理实体网络，随后基站停止对该场馆区域内用户的服务； S2、在基站端构建物理实体网络的数字孪生网络，拟合用户和无人机的信息，包括用户位置、计算资源最大值、用于本地处理的计算资源、与其数字孪生体之间计算资源的估计误差以及任务信息和无人机的位置、计算资源最大值、分配给每个用户的计算资源、与其数字孪生体之间计算资源的估计误差以及分配给每个用户的信道带宽； S3、根据S2拟合的用户位置、计算资源最大值、用于本地处理的计算资源、与其数字孪生体之间计算资源的估计误差以及任务信息和无人机的位置、计算资源最大值、分配给每个用户的计算资源、与其数字孪生体之间计算资源的估计误差以及分配给每个用户的信道带宽，构建本地计算模型、无人机计算模型以及用户和无人机的任务数据队列与计算队列； S4、根据用户本地处理时延、用户卸载任务的传输时延以及无人机的计算时延，计算用户的总时延，并构建无人机轨迹和计算资源分配的用户时延优化模型，即系统时延最小化问题； S5、基于李雅普诺夫优化方法将系统时延最小化问题转化为李雅普诺夫漂移加罚最小化问题； S6、基于就近空闲卸载的卸载决策，分别通过凸优化和PPO算法得到最优方案，并检测用户数量； S7、当基站检测到场馆用户数量减少到拥挤阈值以下时，视为一般状态，边缘计算无人机不再接收新任务，并在处理完剩余任务后进入待机状态，当基站检测到场馆用户仍处于拥挤状态时，重复步骤S1~S6直至场馆用户数量减少到拥挤阈值以下。
采用上述技术方案带来的有益效果：
1、本发明根据用户的位置，采用改进的自然最近邻优化的密度峰值聚类方法求解无人机数量以及初始位置，对用户区域进行了划分，规定了每架无人机的服务范围；设定一个类簇数据点阈值，避免当场馆内用户过于集中时，类簇中数据点过多的情况，避免一架无人机服务过多用户，更合理地分配了计算资源，同时自然最近邻优化的密度峰值聚类方法只需要类簇数据点阈值这一个参数，且自然最近邻优化的密度峰值聚类方法在该参数的选择上是鲁棒的，避免了参数敏感问题；
2、在基站端引入数字孪生网络，可以实时反馈用户和无人机的位置、计算资源、任务量等信息；
3、本发明考虑用户随机生成任务的计算量不同以及任务卸载到无人机上不能立即处理完成的情况，设定每个任务具有不同的计算量，并采用任务数据队列和计算队列的双队列数学模型，更加贴合实际；提出就近空闲卸载的卸载决策，非噪声点用户优先选择其类簇上空的无人机进行任务卸载，但该用户上空无人机双队列中，任一队列超过缓冲区阈值，或用户为噪声点用户时，则用户将根据其他无人机队列动态方程的值选择最空闲的无人机进行任务卸载，该卸载决策避免了无人机的任务过载，同时也避免了空闲计算资源的浪费；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；
4、本发明针对用户的总能耗，使用凸优化方法和PPO算法分别对无人机的轨迹和计算资源分配方案进行最优化并进行迭代，从而得到无人机轨迹和计算资源分配方案的最优解，使用户时延最小化。
附图说明
图1为本发明DQIO方法流程图；
图2为本发明改进的自然最近邻优化的密度峰值聚类方法流程图；
图3为本发明边缘计算网络示意图；
图4为本发明双队列运行示意图；
图5为本发明PPO算法示意图；
图6为本发明不同卸载比例方案的用户任务量与用户总时延对比图；
图7为本发明不同算法的用户任务量与用户总时延对比图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
本实施例所述的一种用于拥挤场馆中无人机辅助边缘计算方法DQIO流程图如图1所示，该方法包括以下步骤：
S1、通过基站实时监测场馆用户数量，当场馆内用户数量超过预设的拥挤阈值，根据用户位置数据，采用改进的自然最近邻优化的密度峰值聚类方法对无人机进行部署，构建物理实体网络，随后基站停止对该场馆区域内用户的服务。
场馆方面在活动开始前将通过预计观众数量NUM以及活动开始时间等信息发送给基站，以便基站进行下一步的部署。
场馆内用户不超过NUM时，视为用户数为一般状态，若超过，则视为用户为拥挤状态，基站检测到用户进入拥挤状态时，采用改进的自然最近邻优化的密度峰值聚类方法求解无人机数量以及初始位置部署，如图2所示。
首先使用自然最近邻居搜索算法获得数据集中每个数据点的自然邻居以及计算每个数据点的密度，包括：
S1-1、将场馆内所有用户的集合作为自然最近邻搜索的数据集；
S1-2、对于集合
Figure DEST_PATH_IMAGE001
中每一个数据点（用户）
Figure 983685DEST_PATH_IMAGE002
，采用KNN搜索，得到每个数据点
Figure 369667DEST_PATH_IMAGE002
的 邻居集合
Figure DEST_PATH_IMAGE003
，
Figure 585622DEST_PATH_IMAGE003
是
Figure 449673DEST_PATH_IMAGE001
的子集，如果数据点
Figure 732887DEST_PATH_IMAGE002
是集合
Figure 24191DEST_PATH_IMAGE004
中另一个数据点
Figure DEST_PATH_IMAGE005
的邻居，则将这对自然邻居
Figure 25645DEST_PATH_IMAGE006
加入集合NN中，且
Figure 693387DEST_PATH_IMAGE007
，
Figure 831107DEST_PATH_IMAGE008
，其中NN的初始值为空集，表示自然最近邻居的集合，
Figure DEST_PATH_IMAGE009
和
Figure 263619DEST_PATH_IMAGE010
初始值为0，分别表示数据点
Figure 221210DEST_PATH_IMAGE002
和数据点
Figure 427064DEST_PATH_IMAGE005
的自然最近邻居数。
S1-3、重复步骤S1-2，直到集合NN中不再加入新的自然邻居对；
S1-4、得到自然邻居特征值：
Figure DEST_PATH_IMAGE011
其中
Figure 888132DEST_PATH_IMAGE012
表示自然邻居对的总数。
S1-5、计算每个数据点的密度
Figure DEST_PATH_IMAGE013
，其中
Figure 255659DEST_PATH_IMAGE014
是点
Figure 966127DEST_PATH_IMAGE002
的
Figure 506829DEST_PATH_IMAGE015
个自然邻居，
Figure DEST_PATH_IMAGE016
是点
Figure 586518DEST_PATH_IMAGE002
和
Figure 390526DEST_PATH_IMAGE005
之间的距离。
然后根据自然最近邻居搜索算法获得的自然邻居集合NN以及每个数据点的密度，利用自然最近邻优化的密度峰值聚类方法得到无人机数量以及位置部署方案，包括：
S1-6、找到每个数据点的代表点和稀疏邻居，其中代表点的定义为
Figure 588290DEST_PATH_IMAGE017
,
稀疏邻居的定义为
Figure 100002_DEST_PATH_IMAGE018
，其中
Figure 339208DEST_PATH_IMAGE019
和
Figure 100002_DEST_PATH_IMAGE020
均是数据点，
Figure 774868DEST_PATH_IMAGE021
代表数据点
Figure 516822DEST_PATH_IMAGE019
自然邻居的集合；
S1-7、找到所有的密度峰并任意访问一个密度峰，将它和它的稀疏邻居分到同一 个聚类，其中如果数据点
Figure 936302DEST_PATH_IMAGE019
满足
Figure 100002_DEST_PATH_IMAGE022
，就称数据点
Figure 553228DEST_PATH_IMAGE019
为一 个密度峰；
S1-8、找到一个未访问的密度峰并重复S1-7，直到所有的密度峰都被访问；生成初始类簇；
S1-9、划分好初始类簇，根据初始类簇之间的相似度关系，合并相似度高的初始类 簇，其中，类间相似度为
Figure 374553DEST_PATH_IMAGE023
，
Figure 100002_DEST_PATH_IMAGE024
是自然邻居特征值，
Figure 254785DEST_PATH_IMAGE025
是类
Figure 100002_DEST_PATH_IMAGE026
和类
Figure 630402DEST_PATH_IMAGE027
的公共部分；设定一个类簇数据点阈值
Figure 100002_DEST_PATH_IMAGE028
，当一个类簇的数据点数超过 阈值
Figure 221658DEST_PATH_IMAGE028
时，该类簇不合并；
S1-10、将类簇中数据个数小于最小自然邻居数的类簇从聚类结果中去除，并将这 些类簇中的数据标记为噪声点，获得最终的聚类结果，将最终类簇的数量定义为
Figure 163070DEST_PATH_IMAGE029
，并将
Figure 100002_DEST_PATH_IMAGE030
架无人机部署在每个类簇上空。
无人机辅助的边缘计算系统由1个基站，
Figure 214202DEST_PATH_IMAGE031
架无人机和
Figure 100002_DEST_PATH_IMAGE032
个用户组成，
Figure 873854DEST_PATH_IMAGE033
架无人机 的集合表示为
Figure 100002_DEST_PATH_IMAGE034
，
Figure 35845DEST_PATH_IMAGE035
个用户的集合表示为
Figure DEST_PATH_IMAGE036
，
Figure 524771DEST_PATH_IMAGE037
架无 人机的初始位置为该类簇内所有数据点位置的平均值，边缘计算系统运行过程中，无人机 会根据用户任务量进行移动，同时无人机由基站无线供电，因此不考虑无人机的能耗。
S2、在基站端构建物理实体网络的数字孪生网络，拟合用户和无人机的位置、资源信息，物理实体网络与数字孪生网络如图3所示。
将用户活动周期划分为
Figure DEST_PATH_IMAGE038
个时隙，每个时隙的时间为
Figure 746805DEST_PATH_IMAGE039
，用户位置为
Figure 100002_DEST_PATH_IMAGE040
，在
Figure 831436DEST_PATH_IMAGE041
时隙用户设备产生的任务为
Figure DEST_PATH_IMAGE042
，其中
Figure 797117DEST_PATH_IMAGE043
是任 务编号，表示用户
Figure 946077DEST_PATH_IMAGE002
任务产生的顺序,该任务数据量为
Figure DEST_PATH_IMAGE044
，单位为比特，假设不同用户 的任务计算量不同，
Figure 870170DEST_PATH_IMAGE045
是计算用户
Figure 238835DEST_PATH_IMAGE002
产生的第
Figure 273787DEST_PATH_IMAGE043
个任务所需的CPU周期数。
在基站端构建物理实体网络的数字孪生网络，由用户设备和无人机两部分组成， 在
Figure DEST_PATH_IMAGE046
时隙，用户的数字孪生体
Figure 513138DEST_PATH_IMAGE047
构建为：
Figure DEST_PATH_IMAGE048
其中
Figure 811396DEST_PATH_IMAGE049
表示用户
Figure 168821DEST_PATH_IMAGE002
的位置，
Figure DEST_PATH_IMAGE050
表示用户
Figure 476306DEST_PATH_IMAGE002
的最大计算资源，
Figure 835743DEST_PATH_IMAGE051
表示用户
Figure 101639DEST_PATH_IMAGE002
在
Figure 382579DEST_PATH_IMAGE041
时隙用于本地处理任务的计算资源，
Figure DEST_PATH_IMAGE052
是用户
Figure 992290DEST_PATH_IMAGE002
与其数字孪生体之间计算资源的估 计误差，
Figure 268550DEST_PATH_IMAGE053
表示用户
Figure 908610DEST_PATH_IMAGE002
在
Figure 473584DEST_PATH_IMAGE041
时隙的上行传输功率。
在
Figure DEST_PATH_IMAGE054
时隙，无人机
Figure 122871DEST_PATH_IMAGE055
的数字孪生体
Figure DEST_PATH_IMAGE056
表示为：
Figure 925742DEST_PATH_IMAGE057
其中
Figure 34905DEST_PATH_IMAGE058
是无人机
Figure 87175DEST_PATH_IMAGE055
在
Figure 805732DEST_PATH_IMAGE041
时隙的位置，表示为
Figure 100002_DEST_PATH_IMAGE059
，
Figure 728689DEST_PATH_IMAGE060
分别表示无人机
Figure 507289DEST_PATH_IMAGE055
在
Figure 46855DEST_PATH_IMAGE041
时隙的横纵坐标和高度，
Figure 100002_DEST_PATH_IMAGE061
是无人机
Figure 536480DEST_PATH_IMAGE062
的最大计 算资源，
Figure 845101DEST_PATH_IMAGE063
代表无人机
Figure 794603DEST_PATH_IMAGE055
在
Figure 555885DEST_PATH_IMAGE041
时隙分别分配给
Figure 100002_DEST_PATH_IMAGE064
个用户
Figure 350666DEST_PATH_IMAGE065
的计算资源的集合，
Figure 513794DEST_PATH_IMAGE066
是无人机
Figure 634197DEST_PATH_IMAGE055
与其数字孪生体之间分别分配给
Figure 649820DEST_PATH_IMAGE064
个用户的计算资源的估计误差，
Figure 100002_DEST_PATH_IMAGE067
表示无人机
Figure 982712DEST_PATH_IMAGE055
在
Figure 347DEST_PATH_IMAGE041
时隙分 别提供给
Figure 557230DEST_PATH_IMAGE064
个用户的信道带宽。
S3、根据S2获取的用户设备信息，构建本地计算模型、无人机计算模型及用户和无人机的任务数据队列与计算队列。
在
Figure 293105DEST_PATH_IMAGE054
时隙，
Figure 226426DEST_PATH_IMAGE064
个用户将一部分的任务进行本地处理，另一部分任务卸载到无人机 上，用
Figure 98567DEST_PATH_IMAGE068
表示用户
Figure 324886DEST_PATH_IMAGE065
本地处理任务的比例，
Figure 548057DEST_PATH_IMAGE069
表示用户卸载到无人机任务的比 例，
Figure DEST_PATH_IMAGE070
；
在
Figure 426015DEST_PATH_IMAGE054
时隙，用户
Figure 418241DEST_PATH_IMAGE065
的数字孪生体估计的在本地计算过程中计算时延
Figure 316927DEST_PATH_IMAGE071
表示 为：
Figure DEST_PATH_IMAGE072
其中，
Figure 27394DEST_PATH_IMAGE073
表示用户
Figure 753385DEST_PATH_IMAGE065
在
Figure 865697DEST_PATH_IMAGE041
时隙用于本地处理任务的计算资源，
Figure DEST_PATH_IMAGE074
为用户
Figure 935284DEST_PATH_IMAGE065
产生的第
Figure 133047DEST_PATH_IMAGE075
个任务的数据量，
Figure 100002_DEST_PATH_IMAGE076
是计算用户
Figure 352807DEST_PATH_IMAGE065
产生的第
Figure 818161DEST_PATH_IMAGE075
个任务所需的CPU周期数；
用户
Figure 589808DEST_PATH_IMAGE065
真实计算时延与其数字孪生体估计值之间的计算延迟间隙
Figure 274868DEST_PATH_IMAGE077
表示 为：
Figure 100002_DEST_PATH_IMAGE078
其中
Figure 298318DEST_PATH_IMAGE079
是用户
Figure 119644DEST_PATH_IMAGE065
与其数字孪生体之间计算资源的估计误差；
在
Figure 531034DEST_PATH_IMAGE054
时隙，用户
Figure 234547DEST_PATH_IMAGE065
本地计算任务实际消耗时间
Figure 100002_DEST_PATH_IMAGE080
表示为：
Figure 94312DEST_PATH_IMAGE081
S3-3、用户
Figure 35724DEST_PATH_IMAGE065
的数据传输速率
Figure 100002_DEST_PATH_IMAGE082
，表达式为：
Figure 821277DEST_PATH_IMAGE083
式中
Figure 100002_DEST_PATH_IMAGE084
表示无人机
Figure 684191DEST_PATH_IMAGE055
在
Figure 377340DEST_PATH_IMAGE041
时隙提供给用户
Figure 173258DEST_PATH_IMAGE065
的信道带宽，
Figure 424986DEST_PATH_IMAGE085
表示用户
Figure 40775DEST_PATH_IMAGE065
在
Figure 272036DEST_PATH_IMAGE046
时隙的上行数据传输功率，
Figure 922460DEST_PATH_IMAGE086
表示信道增益，
Figure DEST_PATH_IMAGE087
表示噪声功率，
Figure 315395DEST_PATH_IMAGE088
是用户
Figure 684060DEST_PATH_IMAGE065
与其类 簇上空无人机
Figure 719012DEST_PATH_IMAGE055
的距离，表示为：
Figure DEST_PATH_IMAGE089
，
Figure 990987DEST_PATH_IMAGE090
分别表示用户
Figure 85981DEST_PATH_IMAGE065
的横纵 坐标，
Figure DEST_PATH_IMAGE091
分别表示
Figure 410784DEST_PATH_IMAGE041
时隙无人机
Figure 718268DEST_PATH_IMAGE055
的横纵坐标及高度；
用户
Figure 343285DEST_PATH_IMAGE065
在
Figure 609181DEST_PATH_IMAGE054
时隙将任务
Figure 686858DEST_PATH_IMAGE075
卸载到无人机
Figure 827727DEST_PATH_IMAGE055
的传输时延
Figure 103988DEST_PATH_IMAGE092
表示为：
Figure DEST_PATH_IMAGE093
S3-4、在
Figure 9627DEST_PATH_IMAGE041
时隙，用户
Figure 574601DEST_PATH_IMAGE065
将任务卸载到无人机
Figure 489467DEST_PATH_IMAGE055
后，无人机
Figure 823496DEST_PATH_IMAGE055
的数字孪生体估计的 处理任务
Figure 431195DEST_PATH_IMAGE075
的计算时延
Figure 483465DEST_PATH_IMAGE094
表示为：
Figure DEST_PATH_IMAGE095
其中
Figure 172328DEST_PATH_IMAGE096
代表无人机
Figure 626444DEST_PATH_IMAGE055
在
Figure 405044DEST_PATH_IMAGE041
时隙分配给用户
Figure 741347DEST_PATH_IMAGE065
的计算资源；
无人机
Figure 263595DEST_PATH_IMAGE055
真实计算时延与其数字孪生体估计值之间的计算延迟间隙
Figure DEST_PATH_IMAGE097
表示 为：
Figure 41058DEST_PATH_IMAGE098
其中
Figure DEST_PATH_IMAGE099
是无人机
Figure 957937DEST_PATH_IMAGE055
与其数字孪生体之间分配给用户
Figure 719219DEST_PATH_IMAGE065
的计算资源的估计误 差；
在
Figure 779579DEST_PATH_IMAGE054
时隙，无人机
Figure 208286DEST_PATH_IMAGE055
完成用户
Figure 63110DEST_PATH_IMAGE065
卸载的任务实际消耗时间
Figure 577268DEST_PATH_IMAGE100
表示为：
Figure 441319DEST_PATH_IMAGE101
如图4所示，构建用户和边缘服务器的双队列。首先构建用户本地计算队列模型， 其中用户
Figure 458953DEST_PATH_IMAGE103
数据队列的
Figure 100002_DEST_PATH_IMAGE104
动态方程为：
Figure 974424DEST_PATH_IMAGE105
用户
Figure 507037DEST_PATH_IMAGE065
计算队列
Figure 100002_DEST_PATH_IMAGE106
的动态方程为：
Figure 378041DEST_PATH_IMAGE107
其中
Figure DEST_PATH_IMAGE108
表示每个时隙的时间，
Figure 719023DEST_PATH_IMAGE109
和
Figure DEST_PATH_IMAGE110
分别为用户
Figure 915650DEST_PATH_IMAGE065
在
Figure 371776DEST_PATH_IMAGE041
时隙的数据和 任务队列，
Figure 843209DEST_PATH_IMAGE111
表示计算用户
Figure 835436DEST_PATH_IMAGE065
产生的第
Figure DEST_PATH_IMAGE112
个任务所需的CPU周期数，
Figure 937384DEST_PATH_IMAGE113
表 示
Figure DEST_PATH_IMAGE114
时隙用户
Figure 913430DEST_PATH_IMAGE065
缓冲区任务的集合，
Figure 922975DEST_PATH_IMAGE115
表示
Figure DEST_PATH_IMAGE116
时隙用户
Figure 740014DEST_PATH_IMAGE103
卸载到无人机
Figure 544022DEST_PATH_IMAGE062
的任务量，
Figure 476206DEST_PATH_IMAGE117
表示
Figure 289441DEST_PATH_IMAGE116
时隙用户
Figure 256260DEST_PATH_IMAGE103
本地处理的任务量，当用户
Figure 231170DEST_PATH_IMAGE065
随机产生新任务
Figure DEST_PATH_IMAGE118
时，将
Figure 385070DEST_PATH_IMAGE075
加入
Figure 533155DEST_PATH_IMAGE119
； 队列执行任务采用先进先出的原则，
Figure DEST_PATH_IMAGE120
表示
Figure 321857DEST_PATH_IMAGE041
时隙集合
Figure 202088DEST_PATH_IMAGE113
中最小的编号，即最先 进入用户
Figure 108865DEST_PATH_IMAGE065
队列的任务的编号；当用户
Figure 263902DEST_PATH_IMAGE065
通过计算和卸载使任务
Figure 939734DEST_PATH_IMAGE075
离开队列时，
Figure 522025DEST_PATH_IMAGE075
将会从
Figure 916098DEST_PATH_IMAGE119
中移除；当
Figure 110712DEST_PATH_IMAGE041
=0时，
Figure 906630DEST_PATH_IMAGE121
和
Figure DEST_PATH_IMAGE122
均为0；为了保证队列稳定性，需满足：
Figure 925401DEST_PATH_IMAGE123
Figure DEST_PATH_IMAGE124
其中
Figure 10032DEST_PATH_IMAGE125
表示用户的集合，
Figure DEST_PATH_IMAGE126
表示时隙数；
构建边缘计算服务器计算队列模型，其中无人机
Figure 975714DEST_PATH_IMAGE055
的数据队列
Figure 626138DEST_PATH_IMAGE127
的动 态方程为：
Figure DEST_PATH_IMAGE128
无人机
Figure 252029DEST_PATH_IMAGE055
的计算队列
Figure 620694DEST_PATH_IMAGE129
的动态方程为：
Figure DEST_PATH_IMAGE130
其中，
Figure 124487DEST_PATH_IMAGE131
和
Figure DEST_PATH_IMAGE132
分别表示无人机
Figure 894997DEST_PATH_IMAGE055
在
Figure 989992DEST_PATH_IMAGE041
时隙的数据和计算队列，
Figure 580374DEST_PATH_IMAGE133
表示计算用户
Figure 920481DEST_PATH_IMAGE103
卸载到无人机
Figure 545498DEST_PATH_IMAGE055
的第
Figure DEST_PATH_IMAGE134
个任务所需的CPU周期数，
Figure 14656DEST_PATH_IMAGE135
表示
Figure 92334DEST_PATH_IMAGE046
时隙无人机
Figure 469089DEST_PATH_IMAGE055
缓冲区中来自用户
Figure 948611DEST_PATH_IMAGE065
任务的集合，当无人机
Figure 385409DEST_PATH_IMAGE055
接收来自用户
Figure 448918DEST_PATH_IMAGE065
的新任务
Figure DEST_PATH_IMAGE136
时，将
Figure 894943DEST_PATH_IMAGE075
加入
Figure 697813DEST_PATH_IMAGE137
；当用户
Figure 102250DEST_PATH_IMAGE055
通过计算使任务
Figure 888940DEST_PATH_IMAGE075
离开队列时，
Figure 873077DEST_PATH_IMAGE075
将会从
Figure DEST_PATH_IMAGE138
中移除，
Figure 796034DEST_PATH_IMAGE139
表示
Figure 822238DEST_PATH_IMAGE041
时隙集合
Figure 96225DEST_PATH_IMAGE135
中最小的编号，即用户
Figure 618473DEST_PATH_IMAGE065
卸载的任务中 最先进入无人机
Figure 927094DEST_PATH_IMAGE055
队列的编号；当用户
Figure 876596DEST_PATH_IMAGE065
没有将任务卸载到无人机
Figure 700195DEST_PATH_IMAGE055
时，
Figure DEST_PATH_IMAGE140
和
Figure 229397DEST_PATH_IMAGE141
均为0，当
Figure 658104DEST_PATH_IMAGE041
=0时，
Figure DEST_PATH_IMAGE142
和
Figure 745884DEST_PATH_IMAGE143
均为0；为了保证队列稳定性，需满足：
Figure DEST_PATH_IMAGE144
Figure 197725DEST_PATH_IMAGE145
其中
Figure 61775DEST_PATH_IMAGE147
表示无人机的集合；
S4、得到用户的总时延，并构建无人机轨迹和计算资源分配的用户时延优化模型。
无人机轨迹
Figure DEST_PATH_IMAGE148
表示为：
Figure 813831DEST_PATH_IMAGE149
其中
Figure 100002_DEST_PATH_IMAGE150
是无人机的飞行速度，
Figure 370714DEST_PATH_IMAGE151
表示每个时隙的时间，
Figure 608054DEST_PATH_IMAGE152
是第
Figure 275795DEST_PATH_IMAGE055
架无人 机上一时隙的位置。
用户总时延
Figure 413516DEST_PATH_IMAGE153
包括用户本地计算时延、上行传输时延和无人机计算时延 三部分，表达式为：
Figure 100002_DEST_PATH_IMAGE154
其中，
Figure DEST_PATH_IMAGE156
表示用户的集合，
Figure 547825DEST_PATH_IMAGE147
表示无人机的集合，
Figure 770996DEST_PATH_IMAGE157
是用户
Figure 242429DEST_PATH_IMAGE065
在
Figure 733190DEST_PATH_IMAGE041
时隙本地 计算过程中实际产生的计算时延，
Figure 100002_DEST_PATH_IMAGE158
表示用户
Figure 631876DEST_PATH_IMAGE065
在
Figure 342343DEST_PATH_IMAGE041
时隙将任务卸载到无人机
Figure 351888DEST_PATH_IMAGE055
的传 输时延，
Figure 198621DEST_PATH_IMAGE159
表示在
Figure 268208DEST_PATH_IMAGE041
时隙，无人机
Figure 934813DEST_PATH_IMAGE055
完成用户
Figure 748048DEST_PATH_IMAGE065
卸载的任务实际产生的计算时延；
由于任务处理完毕后返回的计算结果数据量较小，所以下行传输时延忽略不计。
构建用户时延最小化优化模型，优化问题表示为：
Figure 100002_DEST_PATH_IMAGE160
其中，
Figure 419594DEST_PATH_IMAGE161
是问题P1优化变量的集合，表示为：
Figure 100002_DEST_PATH_IMAGE162
式中
Figure 128924DEST_PATH_IMAGE163
表示第1到第
Figure 100002_DEST_PATH_IMAGE164
架无人机在
Figure 813984DEST_PATH_IMAGE054
时隙分配给第1到第
Figure 165330DEST_PATH_IMAGE165
个用户的带宽，
Figure 100002_DEST_PATH_IMAGE166
表示
Figure 455497DEST_PATH_IMAGE041
时隙第1到第
Figure 365422DEST_PATH_IMAGE165
个用户分别用于本地计算的 计算资源，
Figure 272198DEST_PATH_IMAGE167
表示第1到 第
Figure 161657DEST_PATH_IMAGE164
架无人机在
Figure 837489DEST_PATH_IMAGE041
时隙分别分配给
Figure 419780DEST_PATH_IMAGE165
个用户的计算资源，
Figure 100002_DEST_PATH_IMAGE168
表示
Figure 282694DEST_PATH_IMAGE041
时隙第1到第
Figure 772581DEST_PATH_IMAGE165
个用户的上行传输功率，
Figure 568499DEST_PATH_IMAGE169
表示
Figure 557577DEST_PATH_IMAGE041
时隙第1到第
Figure 438945DEST_PATH_IMAGE165
个用户卸载比例的集合，
Figure 100002_DEST_PATH_IMAGE170
表示
Figure 404627DEST_PATH_IMAGE041
时隙第1到第
Figure 55051DEST_PATH_IMAGE164
架无人机位置的集合；
约束C1表示无人机
Figure 713566DEST_PATH_IMAGE055
在
Figure 816651DEST_PATH_IMAGE041
时隙提供给用户的信道带宽
Figure 851603DEST_PATH_IMAGE171
之和不能大于无人机
Figure 100002_DEST_PATH_IMAGE172
拥有的总信道带宽
Figure 589490DEST_PATH_IMAGE173
，且
Figure 100002_DEST_PATH_IMAGE174
不能为负；
约束C2表示用户
Figure 153326DEST_PATH_IMAGE065
在
Figure 540445DEST_PATH_IMAGE041
时隙的上行数据传输速率
Figure 379088DEST_PATH_IMAGE175
不为负且不能大于最大传 输速率
Figure 4105DEST_PATH_IMAGE177
；
约束C3表示用户
Figure 270001DEST_PATH_IMAGE065
在
Figure 82099DEST_PATH_IMAGE041
时隙用于本地处理的计算资源
Figure 100002_DEST_PATH_IMAGE178
不为负且不能大于用 户
Figure 417441DEST_PATH_IMAGE065
的总计算资源
Figure 896964DEST_PATH_IMAGE179
；
约束C4表示无人机
Figure 333762DEST_PATH_IMAGE055
在
Figure 898735DEST_PATH_IMAGE041
时隙分配给用户的计算资源
Figure 100002_DEST_PATH_IMAGE180
非负，且
Figure 548023DEST_PATH_IMAGE181
之 和不能大于无人机
Figure 678790DEST_PATH_IMAGE055
所拥有的总计算资源
Figure 100002_DEST_PATH_IMAGE182
；
约束C5表示卸载比例
Figure 253865DEST_PATH_IMAGE183
不能大于1且不能小于0；
约束C6-C7是无人机的轨迹约束，C6表示无人机最后一个时隙
Figure 100002_DEST_PATH_IMAGE184
的位置
Figure 509397DEST_PATH_IMAGE185
与 初始位置
Figure 100002_DEST_PATH_IMAGE186
相同，C7是无人机
Figure 962375DEST_PATH_IMAGE055
位置
Figure 150911DEST_PATH_IMAGE187
的表达式，即
Figure 929511DEST_PATH_IMAGE041
时隙无人机
Figure 469077DEST_PATH_IMAGE055
的位置等于上 个时隙的位置
Figure 100002_DEST_PATH_IMAGE188
加上无人机
Figure 961632DEST_PATH_IMAGE055
速度
Figure 66991DEST_PATH_IMAGE189
与时间
Figure 100002_DEST_PATH_IMAGE190
的乘积；
约束C8-C11是队列稳定性约束，
Figure 485334DEST_PATH_IMAGE191
和
Figure 100002_DEST_PATH_IMAGE192
分别为用户
Figure 981037DEST_PATH_IMAGE065
在
Figure 41397DEST_PATH_IMAGE041
时隙的数据和 任务队列，
Figure 204525DEST_PATH_IMAGE193
和
Figure 100002_DEST_PATH_IMAGE194
分别表示无人机
Figure 557884DEST_PATH_IMAGE055
在
Figure 806463DEST_PATH_IMAGE041
时隙的数据和计算队列。
S5、基于李雅普诺夫优化方法将系统时延最小化问题转化为李雅普诺夫漂移加罚最小化问题。
为了满足队列稳定性约束，根据用户缓存任务队列和无人机缓存任务队列建立李 雅普诺夫函数
Figure 670513DEST_PATH_IMAGE195
，表达式为：
Figure 100002_DEST_PATH_IMAGE196
其中，
Figure 156990DEST_PATH_IMAGE197
、
Figure 100002_DEST_PATH_IMAGE198
、
Figure 825125DEST_PATH_IMAGE199
、
Figure DEST_PATH_IMAGE200
和
Figure 826579DEST_PATH_IMAGE201
分别表示
Figure DEST_PATH_IMAGE202
时隙第1到第
Figure 602643DEST_PATH_IMAGE165
个用户本地和第1到第
Figure 740363DEST_PATH_IMAGE164
架无人机的任务数据与任 务队列长度的集合
则李雅普诺夫漂移
Figure 202568DEST_PATH_IMAGE203
为：
Figure DEST_PATH_IMAGE204
利用漂移加罚算法得到李雅普诺夫漂移加罚函数
Figure 160160DEST_PATH_IMAGE205
为：
Figure DEST_PATH_IMAGE206
其中
Figure 569276DEST_PATH_IMAGE207
是非负权重参数，用来表示
Figure DEST_PATH_IMAGE208
和
Figure 531809DEST_PATH_IMAGE209
的重要程度；
得到李雅普诺夫漂移加罚函数的上界为：
Figure DEST_PATH_IMAGE210
其中
Figure 899336DEST_PATH_IMAGE211
其中，
Figure DEST_PATH_IMAGE212
和
Figure 78645DEST_PATH_IMAGE213
分别代表
Figure DEST_PATH_IMAGE214
、
Figure 291451DEST_PATH_IMAGE215
、
Figure 100002_DEST_PATH_IMAGE216
、
Figure 371141DEST_PATH_IMAGE217
、
Figure 100002_DEST_PATH_IMAGE218
、
Figure 440728DEST_PATH_IMAGE219
、
Figure 638491DEST_PATH_IMAGE220
和
Figure DEST_PATH_IMAGE221
的上界，
Figure 654989DEST_PATH_IMAGE222
表示用户
Figure 356228DEST_PATH_IMAGE065
产生的第
Figure DEST_PATH_IMAGE223
个任务的数据量，
Figure 65558DEST_PATH_IMAGE224
是用户
Figure 998222DEST_PATH_IMAGE065
的数据传输速率，
Figure DEST_PATH_IMAGE225
表 示计算用户
Figure 647771DEST_PATH_IMAGE065
产生的第
Figure 469097DEST_PATH_IMAGE223
个任务所需的CPU周期数，
Figure 880487DEST_PATH_IMAGE226
表示计算用户
Figure 787263DEST_PATH_IMAGE065
产生的第
Figure DEST_PATH_IMAGE227
个任务所需的CPU周期数，
Figure 145563DEST_PATH_IMAGE228
表示
Figure 86974DEST_PATH_IMAGE041
时隙用户
Figure 403686DEST_PATH_IMAGE065
缓冲区任务的集合，
Figure DEST_PATH_IMAGE229
表示
Figure 765135DEST_PATH_IMAGE041
时隙集合
Figure 458284DEST_PATH_IMAGE230
中最小的编号，即最先进入用户
Figure 988623DEST_PATH_IMAGE065
队列的任务的编号，
Figure DEST_PATH_IMAGE231
表示计算用户
Figure 7394DEST_PATH_IMAGE065
卸载到无人机
Figure 888763DEST_PATH_IMAGE055
的第
Figure 385603DEST_PATH_IMAGE232
个任务所需的CPU周期 数，
Figure DEST_PATH_IMAGE233
表示
Figure 6334DEST_PATH_IMAGE041
时隙无人机
Figure 399269DEST_PATH_IMAGE055
缓冲区中来自用户
Figure 767933DEST_PATH_IMAGE065
任务的集合，
Figure 802886DEST_PATH_IMAGE234
表示
Figure 573395DEST_PATH_IMAGE041
时隙集合
Figure 199549DEST_PATH_IMAGE135
中最小的编号，即用户
Figure 55509DEST_PATH_IMAGE065
卸载的任务中最先进入无人机
Figure 894152DEST_PATH_IMAGE055
队列的编号；
将问题
Figure DEST_PATH_IMAGE235
转化为李雅普诺夫漂移加罚函数加罚最小化问题
Figure 220966DEST_PATH_IMAGE236
：
Figure DEST_PATH_IMAGE237
其中
Figure 690125DEST_PATH_IMAGE238
S6、基于就近空闲卸载的卸载决策及S3获得的用户设备信息，分别通过凸优化和PPO算法得到无人机轨迹及卸载比例、计算资源分配的最优方案。
对无人机
Figure 767802DEST_PATH_IMAGE062
的数据队列
Figure DEST_PATH_IMAGE239
和计算队列
Figure 878978DEST_PATH_IMAGE240
均设置一个阈值，分别表示为
Figure 100002_DEST_PATH_IMAGE241
和
Figure 624080DEST_PATH_IMAGE242
，若用户
Figure 60877DEST_PATH_IMAGE065
处于任一类簇内，则用户
Figure 127316DEST_PATH_IMAGE065
将任务卸载到该类簇上空的无人机
Figure 307761DEST_PATH_IMAGE172
， 当无人机
Figure 641791DEST_PATH_IMAGE055
的数据队列
Figure 100002_DEST_PATH_IMAGE243
超过
Figure 718331DEST_PATH_IMAGE244
或者计算队列
Figure 100002_DEST_PATH_IMAGE245
超过
Figure 239442DEST_PATH_IMAGE246
时，用户
Figure 692420DEST_PATH_IMAGE065
不会 将任务卸载到无人机
Figure 645071DEST_PATH_IMAGE055
，而是根据其他无人机队列的动态方程来判断其空闲程度，动态方 程的值越小，代表无人机越空闲，用户
Figure 423671DEST_PATH_IMAGE065
将任务卸载到最空闲的无人机上；若用户
Figure 963237DEST_PATH_IMAGE065
作为噪 声点被排除，则用户
Figure 485485DEST_PATH_IMAGE065
将任务卸载到最空闲的无人机上；
首先通过计算无人机的最优轨迹：
S6-1、求解无人机在每个时隙的位置变化
Figure 100002_DEST_PATH_IMAGE247
，构建的优化问题表示为：
Figure 262948DEST_PATH_IMAGE248
其中，目标函数
Figure DEST_PATH_IMAGE249
中用户
Figure 478029DEST_PATH_IMAGE065
的数据传输速率
Figure 239311DEST_PATH_IMAGE250
关于无人机轨迹
Figure DEST_PATH_IMAGE251
是非 凸的，引入松弛变量
Figure 523838DEST_PATH_IMAGE252
，则
Figure 421387DEST_PATH_IMAGE250
转换为：
Figure DEST_PATH_IMAGE253
其中
Figure 10631DEST_PATH_IMAGE254
，
Figure DEST_PATH_IMAGE255
表示信道增益，
Figure 993631DEST_PATH_IMAGE256
表示噪 声功率，其中，
Figure DEST_PATH_IMAGE257
表示用户
Figure 123261DEST_PATH_IMAGE065
的横纵坐标，
Figure 639430DEST_PATH_IMAGE258
分别表示
Figure 196314DEST_PATH_IMAGE041
时隙无人机
Figure 666609DEST_PATH_IMAGE055
的 横纵坐标以及高度，
Figure DEST_PATH_IMAGE259
表示用户与无人机之间的距离的平方，引入局部点
Figure 803193DEST_PATH_IMAGE260
，将转换后的
Figure DEST_PATH_IMAGE261
利用连续凸逼近技术进行一阶泰勒展开，则目标函数转换为：
Figure 144175DEST_PATH_IMAGE262
优化问题
Figure 871960DEST_PATH_IMAGE236
重构为：
Figure DEST_PATH_IMAGE263
通过凸优化工具CVX对最优的无人机轨迹
Figure 862175DEST_PATH_IMAGE264
进行求解；
然后采用PPO算法，如图5所示，计算无人机的最优计算资源分配方案：
S6-2、给定无人机轨迹
Figure 68028DEST_PATH_IMAGE264
，求解
Figure DEST_PATH_IMAGE265
，构建的优化问题表示为：
Figure 529097DEST_PATH_IMAGE266
构建一个Critic网络和两个Actor网络，两个Actor网络结构相同，分别为Actor-old和Actor-new；
边缘计算实体网络状态表示为：
Figure DEST_PATH_IMAGE267
其中
Figure 631045DEST_PATH_IMAGE268
表示第1到第个
Figure 75933DEST_PATH_IMAGE165
用户将任务卸载至第1到第
Figure 85477DEST_PATH_IMAGE164
架无人机的无线传输速率；
Figure 100002_DEST_PATH_IMAGE269
表示第1到第
Figure 165166DEST_PATH_IMAGE165
个用户和第1到第
Figure 765912DEST_PATH_IMAGE164
架无人机分别拥 有的计算资源；
Figure 963675DEST_PATH_IMAGE270
表示
Figure 511331DEST_PATH_IMAGE041
时隙第1到第
Figure 478150DEST_PATH_IMAGE165
个用户的最大传输 功率，
Figure 100002_DEST_PATH_IMAGE271
表示第1到第
Figure 921901DEST_PATH_IMAGE164
架无人机的总带宽；
Figure 341381DEST_PATH_IMAGE272
表示
Figure 194192DEST_PATH_IMAGE041
时隙第1到第
Figure 15518DEST_PATH_IMAGE165
个用户随机生成的任务； 将
Figure 100002_DEST_PATH_IMAGE273
作为
Figure 895749DEST_PATH_IMAGE041
时隙的动作空间；
奖励函数
Figure 599263DEST_PATH_IMAGE274
表示为：
Figure 100002_DEST_PATH_IMAGE275
式中，
Figure 957563DEST_PATH_IMAGE276
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；
初始化Actor-new网络、Actor-old网络和Critic网络，设置抽取样本大小为
Figure 100002_DEST_PATH_IMAGE277
，
Figure 367816DEST_PATH_IMAGE277
为正整数，奖励折扣因子为
Figure 183063DEST_PATH_IMAGE278
；
S6-2-1、将环境信息
Figure 100002_DEST_PATH_IMAGE279
输入到Actor-new网络，得到一个动作A，再将动作A输入到 环境中，得到奖励R和下一步的状态
Figure 780397DEST_PATH_IMAGE280
，再将
Figure 473547DEST_PATH_IMAGE280
输入到Actor-new网络，循环该步骤，直到 存储了
Figure 100002_DEST_PATH_IMAGE281
组
Figure 738306DEST_PATH_IMAGE282
；
S6-2-2、将S6-3-1中最后一次循环得到的
Figure 491499DEST_PATH_IMAGE280
输入到Critic网络中，得到状态的折 扣回报
Figure 169605DEST_PATH_IMAGE283
，计算折扣奖励：
Figure 100002_DEST_PATH_IMAGE284
得到
Figure 371172DEST_PATH_IMAGE285
，其中T为时隙数量，
Figure 100002_DEST_PATH_IMAGE286
分别为
Figure 490438DEST_PATH_IMAGE041
到T-1时隙的奖励值。
S6-2-3、将存储的状态
Figure 414532DEST_PATH_IMAGE279
组合输入到Critic网络中，得到所有状态的
Figure 517617DEST_PATH_IMAGE287
值，集合 为
Figure 552569DEST_PATH_IMAGE288
，
Figure 57500DEST_PATH_IMAGE289
与
Figure 100002_DEST_PATH_IMAGE290
的差值，即优势值表示为
Figure 119871DEST_PATH_IMAGE291
；
S6-2-4、求优势值平方的均值，表示为
Figure 100002_DEST_PATH_IMAGE292
；
S6-2-5、将存储的状态
Figure 241411DEST_PATH_IMAGE279
组合输入到Actor-old和Actor-new网络中，分别得到正 态分布Normal1和Normal2，将存储的动作A组合输入到正态分布Normal1和Normal2，得到每 个动作对应的prob1和prob2；
S6-2-6、计算
Figure 814475DEST_PATH_IMAGE293
，其中
Figure 100002_DEST_PATH_IMAGE294
是prob2 除以prob1得到的比例,
Figure 908333DEST_PATH_IMAGE295
的用途是剪裁
Figure 908650DEST_PATH_IMAGE294
，将其保持在
Figure 986327DEST_PATH_IMAGE296
内，
Figure DEST_PATH_IMAGE297
用来确定范围大小；
S6-2-7、循环步骤S6-2-5、S6-2-6，一定次数后循环结束，用Actor-new网络权重来更新Actor-old网络；
S6-2-8、循环步骤S6-2-1到S6-2-7，得到最优的计算资源分配方案；
S6-3、循环执行步骤S6-1和步骤S6-2，直到相邻两次迭代下用户总时延差的绝对值小于预设阈值，或者达到最大预设迭代次数时，迭代结束，即获得无人机轨迹以及最优的卸载比例、计算资源分配方案。
S7、基站检测到场馆用户减少到一般状态时，边缘计算无人机不再接收新任务，并在处理完剩余任务后进入待机状态。
图6和图7是多次仿真实验后的对比图。其中图6将本发明采用的按比例部分卸载的方案与全部卸载和全部本地处理进行对比，随着任务量的增多，用户的总时延均呈上升趋势，但本发明对卸载比例进行优化后，无论是对比全部卸载还是全部本地处理，优化结果都是最好，这表明本发明采用按比例部分卸载的方案能够更加充分利用计算资源，以减少用户的时延。图7对比了贪婪算法和Q-learning等智能算法，可以看出，尽管随着任务量增多，几种算法优化后的用户总时延还是呈上升趋势，但本文所采用的DQIO算法的优化结果是最好的，这表明本发明采用的DQIO优化算法能够得到更优的计算资源分配方案，更好地对用户总时延进行优化。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (7)

1.一种用于拥挤场馆中无人机辅助边缘计算方法，其特征在于，包括以下步骤：
S1、通过基站实时监测场馆用户数量，当场馆内用户数量超过预设的拥挤阈值，根据用户位置数据，采用改进的自然最近邻优化的密度峰值聚类方法对无人机进行部署，构建物理实体网络，随后基站停止对该场馆区域内用户的服务；
S2、在基站端构建物理实体网络的数字孪生网络，拟合用户和无人机的信息，包括用户位置、计算资源最大值、用于本地处理的计算资源、与其数字孪生体之间计算资源的估计误差以及任务信息和无人机的位置、计算资源最大值、分配给每个用户的计算资源、与其数字孪生体之间计算资源的估计误差以及分配给每个用户的信道带宽；
S3、根据S2拟合的用户位置、计算资源最大值、用于本地处理的计算资源、与其数字孪生体之间计算资源的估计误差以及任务信息和无人机的位置、计算资源最大值、分配给每个用户的计算资源、与其数字孪生体之间计算资源的估计误差以及分配给每个用户的信道带宽，构建本地计算模型、无人机计算模型以及用户和无人机的任务数据队列与计算队列；
S4、根据用户本地处理时延、用户卸载任务的传输时延以及无人机的计算时延，计算用户的总时延，并构建无人机轨迹和计算资源分配的用户时延优化模型，即系统时延最小化问题；
S5、基于李雅普诺夫优化方法将系统时延最小化问题转化为李雅普诺夫漂移加罚最小化问题；
S6、基于就近空闲卸载的卸载决策，分别通过凸优化和PPO算法得到最优方案，并检测用户数量；
S7、当基站检测到场馆用户数量减少到拥挤阈值以下时，视为一般状态，边缘计算无人机不再接收新任务，并在处理完剩余任务后进入待机状态，当基站检测到场馆用户仍处于拥挤状态时，重复步骤S1~S6直至场馆用户数量减少到拥挤阈值以下。
2.根据权利要求1所述一种用于拥挤场馆中无人机辅助边缘计算方法，其特征在于，所述步骤S1具体包括：
S1-1、在活动开始前将预计到来的用户数量NUM以及活动开始时间信息发送给基站，将NUM设为拥挤阈值；
S1-2、当场馆内用户数量小于NUM时，视为一般状态，若超过，则视为拥挤状态，当基站检测到场馆进入拥挤状态时，将场馆中所有用户的集合视作数据集，将用户视为数据点，使用自然最近邻居搜索算法获得数据集中每个数据点的自然邻居并计算每个数据点的密度；
S1-3、获取每个数据点的代表点和稀疏邻居，代表点
Figure DEST_PATH_IMAGE002
的公式表示如下：
Figure DEST_PATH_IMAGE004
稀疏邻居
Figure DEST_PATH_IMAGE006
的公式表示如下：
Figure DEST_PATH_IMAGE008
其中
Figure DEST_PATH_IMAGE010
和
Figure DEST_PATH_IMAGE012
均是数据点，
Figure DEST_PATH_IMAGE014
代表数据点
Figure DEST_PATH_IMAGE015
自然邻居的集合，
Figure DEST_PATH_IMAGE017
表示相应数据点的密度，代表点即该数据点密度最大的自然邻居；
S1-4、统计所有的密度峰并任意访问一个密度峰，将它和它的稀疏邻居分到同一个聚类，其中如果数据点
Figure DEST_PATH_IMAGE018
满足
Figure DEST_PATH_IMAGE020
，则数据点
Figure 659847DEST_PATH_IMAGE018
为一个密度峰；
S1-5、对所有未访问的密度峰重复步骤S1-4，直到所有的密度峰都被访问；生成初始类簇；
S1-6、根据初始类簇之间的相似度关系，合并相似度大于类间相似度阈值
Figure DEST_PATH_IMAGE022
的初始类簇，其中，类间相似度为
Figure DEST_PATH_IMAGE024
，
Figure DEST_PATH_IMAGE026
是类
Figure DEST_PATH_IMAGE028
和类
Figure DEST_PATH_IMAGE030
的公共部分，
Figure DEST_PATH_IMAGE032
是自然邻居特征值；设定一个类簇数据点数阈值
Figure DEST_PATH_IMAGE034
，当一个类簇的数据点数超过数据点数阈值
Figure DEST_PATH_IMAGE035
时，该类簇不合并；
S1-7、将类簇中数据点个数小于最小自然邻居数的类簇从合并类簇后得到的聚类结果中去除，并将这些类簇中的数据点标记为噪声点，获得最终的聚类结果，将最终类簇的数量定义为
Figure DEST_PATH_IMAGE037
，并在每个类簇上空部署一架无人机，其中最小自然邻居数是数值最小的
Figure DEST_PATH_IMAGE039
，
Figure DEST_PATH_IMAGE040
是数据点的自然邻居数；
S1-8、无人机辅助的边缘计算系统由1个基站、
Figure DEST_PATH_IMAGE041
架无人机和
Figure DEST_PATH_IMAGE043
个用户组成，每架无人机的初始位置为其对应的类簇内所有数据点位置的平均值，边缘计算系统运行过程中，无人机会根据用户的任务量进行移动。
3.根据权利要求1所述一种用于拥挤场馆中无人机辅助边缘计算方法，其特征在于，所述步骤S2具体包括： S2-1、将用户活动周期划分为
Figure DEST_PATH_IMAGE045
个时隙，每个时隙的时间为
Figure DEST_PATH_IMAGE047
，用户位置为
Figure DEST_PATH_IMAGE049
,
Figure DEST_PATH_IMAGE051
分别是用户
Figure DEST_PATH_IMAGE053
的横纵坐标，在
Figure DEST_PATH_IMAGE055
时隙用户设备产生的任务为
Figure DEST_PATH_IMAGE057
，其中
Figure DEST_PATH_IMAGE059
是任务编号，表示用户
Figure DEST_PATH_IMAGE053A
任务产生的顺序；
Figure DEST_PATH_IMAGE061
表示用户
Figure DEST_PATH_IMAGE053AA
产生的第
Figure DEST_PATH_IMAGE062
个任务的数据量，单位为比特，
Figure DEST_PATH_IMAGE064
是计算用户
Figure DEST_PATH_IMAGE053AAA
产生的第
Figure 857216DEST_PATH_IMAGE059
个任务所需的CPU周期数；
S2-2、在基站端构建物理实体网络的数字孪生网络，包括用户设备部分和无人机部分；
在
Figure DEST_PATH_IMAGE065
时隙，用户的数字孪生体
Figure DEST_PATH_IMAGE067
表示为：
Figure DEST_PATH_IMAGE069
其中
Figure DEST_PATH_IMAGE071
表示用户
Figure DEST_PATH_IMAGE053AAAA
的位置，
Figure DEST_PATH_IMAGE073
表示用户
Figure DEST_PATH_IMAGE053_5A
的最大计算资源，
Figure DEST_PATH_IMAGE075
表示用户
Figure DEST_PATH_IMAGE053_6A
在
Figure DEST_PATH_IMAGE076
时隙用于本地处理任务的计算资源，
Figure DEST_PATH_IMAGE078
是用户
Figure DEST_PATH_IMAGE053_7A
与其数字孪生体之间计算资源的估计误差，
Figure DEST_PATH_IMAGE080
表示用户
Figure DEST_PATH_IMAGE053_8A
在
Figure DEST_PATH_IMAGE076A
时隙的上行传输功率；
在
Figure DEST_PATH_IMAGE065A
时隙，无人机
Figure DEST_PATH_IMAGE082
的数字孪生体
Figure DEST_PATH_IMAGE084
表示为：
Figure DEST_PATH_IMAGE086
其中
Figure DEST_PATH_IMAGE088
是无人机
Figure 311986DEST_PATH_IMAGE082
在
Figure DEST_PATH_IMAGE076AA
时隙的位置，表示为
Figure DEST_PATH_IMAGE090
，
Figure DEST_PATH_IMAGE092
分别表示无人机
Figure 159725DEST_PATH_IMAGE082
在
Figure DEST_PATH_IMAGE076AAA
时隙的横纵坐标和高度，
Figure DEST_PATH_IMAGE094
是无人机
Figure DEST_PATH_IMAGE096
的最大计算资源，
Figure DEST_PATH_IMAGE098
代表无人机
Figure 824363DEST_PATH_IMAGE082
在
Figure DEST_PATH_IMAGE076AAAA
时隙分别分配给
Figure DEST_PATH_IMAGE100
个用户
Figure DEST_PATH_IMAGE102
的计算资源的集合，
Figure DEST_PATH_IMAGE104
是无人机
Figure 161672DEST_PATH_IMAGE082
与其数字孪生体之间分别分配给
Figure DEST_PATH_IMAGE100A
个用户的计算资源的估计误差，
Figure DEST_PATH_IMAGE106
表示无人机
Figure 225443DEST_PATH_IMAGE082
在
Figure DEST_PATH_IMAGE076_5A
时隙分别提供给
Figure DEST_PATH_IMAGE100AA
个用户的信道带宽。
4.根据权利要求1所述一种用于拥挤场馆中无人机辅助边缘计算方法，其特征在于，所述步骤S3具体包括： S3-1、在
Figure DEST_PATH_IMAGE107
时隙，
Figure DEST_PATH_IMAGE100AAA
个用户将一部分的任务进行本地处理，另一部分任务卸载到无人机上，用
Figure DEST_PATH_IMAGE109
表示用户
Figure DEST_PATH_IMAGE102A
本地处理任务的比例，
Figure DEST_PATH_IMAGE111
表示用户卸载到无人机任务的比例，
Figure DEST_PATH_IMAGE113
；
S3-2、在
Figure DEST_PATH_IMAGE107A
时隙，用户
Figure DEST_PATH_IMAGE102AA
的数字孪生体估计的在本地计算过程中计算时延
Figure DEST_PATH_IMAGE115
表示为：
Figure DEST_PATH_IMAGE117
其中，
Figure DEST_PATH_IMAGE119
表示用户
Figure DEST_PATH_IMAGE102AAA
在
Figure DEST_PATH_IMAGE076_6A
时隙用于本地处理任务的计算资源，
Figure DEST_PATH_IMAGE121
为用户
Figure DEST_PATH_IMAGE102AAAA
产生的第
Figure DEST_PATH_IMAGE123
个任务的数据量，
Figure DEST_PATH_IMAGE125
是计算用户
Figure DEST_PATH_IMAGE102_5A
产生的第
Figure 302639DEST_PATH_IMAGE123
个任务所需的CPU周期数；
用户
Figure DEST_PATH_IMAGE102_6A
真实计算时延与其数字孪生体估计值之间的计算延迟间隙
Figure DEST_PATH_IMAGE127
表示为：
Figure DEST_PATH_IMAGE129
其中
Figure DEST_PATH_IMAGE131
是用户
Figure DEST_PATH_IMAGE102_7A
与其数字孪生体之间计算资源的估计误差；
在
Figure DEST_PATH_IMAGE065AA
时隙，用户
Figure DEST_PATH_IMAGE102_8A
本地计算任务实际消耗时间
Figure DEST_PATH_IMAGE133
表示为：
Figure DEST_PATH_IMAGE135
S3-3、用户
Figure DEST_PATH_IMAGE102_9A
的数据传输速率
Figure DEST_PATH_IMAGE137
，表达式为：
Figure DEST_PATH_IMAGE139
式中
Figure DEST_PATH_IMAGE141
表示无人机
Figure 800879DEST_PATH_IMAGE082
在
Figure DEST_PATH_IMAGE076_7A
时隙提供给用户
Figure DEST_PATH_IMAGE102_10A
的信道带宽，
Figure DEST_PATH_IMAGE143
表示用户
Figure DEST_PATH_IMAGE102_11A
在
Figure DEST_PATH_IMAGE076_8A
时隙的上行数据传输功率，
Figure DEST_PATH_IMAGE145
表示信道增益，
Figure DEST_PATH_IMAGE147
表示噪声功率，
Figure DEST_PATH_IMAGE149
是用户
Figure DEST_PATH_IMAGE150
与其类簇上空无人机
Figure 651634DEST_PATH_IMAGE082
的距离，表示为：
Figure DEST_PATH_IMAGE152
，
Figure DEST_PATH_IMAGE154
分别表示用户
Figure DEST_PATH_IMAGE155
的横纵坐标，
Figure DEST_PATH_IMAGE157
分别表示
Figure DEST_PATH_IMAGE055A
时隙无人机
Figure 186390DEST_PATH_IMAGE082
的横纵坐标及高度；
用户
Figure DEST_PATH_IMAGE102_12A
在
Figure DEST_PATH_IMAGE158
时隙将任务
Figure 316544DEST_PATH_IMAGE123
卸载到无人机
Figure 308771DEST_PATH_IMAGE082
的传输时延
Figure DEST_PATH_IMAGE160
表示为：
Figure DEST_PATH_IMAGE162
S3-4、在
Figure DEST_PATH_IMAGE107AA
时隙，用户
Figure DEST_PATH_IMAGE102_13A
将任务卸载到无人机
Figure 925566DEST_PATH_IMAGE082
后，无人机
Figure 495088DEST_PATH_IMAGE082
的数字孪生体估计的处理任务
Figure 239053DEST_PATH_IMAGE123
的计算时延
Figure DEST_PATH_IMAGE164
表示为：
Figure DEST_PATH_IMAGE166
其中
Figure DEST_PATH_IMAGE168
代表无人机
Figure 7158DEST_PATH_IMAGE082
在
Figure DEST_PATH_IMAGE076_9A
时隙分配给用户
Figure DEST_PATH_IMAGE102_14A
的计算资源；
无人机
Figure 469887DEST_PATH_IMAGE082
真实计算时延与其数字孪生体估计值之间的计算延迟间隙
Figure DEST_PATH_IMAGE170
表示为：
Figure DEST_PATH_IMAGE172
其中
Figure DEST_PATH_IMAGE174
是无人机
Figure 120180DEST_PATH_IMAGE082
与其数字孪生体之间分配给用户
Figure DEST_PATH_IMAGE102_15A
的计算资源的估计误差；
在
Figure DEST_PATH_IMAGE065AAA
时隙，无人机
Figure 526891DEST_PATH_IMAGE082
完成用户
Figure DEST_PATH_IMAGE102_16A
卸载的任务实际消耗时间
Figure DEST_PATH_IMAGE176
表示为：
Figure DEST_PATH_IMAGE178
S3-5、构建用户本地计算队列模型，其中用户
Figure DEST_PATH_IMAGE102_17A
数据队列
Figure DEST_PATH_IMAGE180
的动态方程为：
Figure DEST_PATH_IMAGE182
用户
Figure DEST_PATH_IMAGE102_18A
计算队列
Figure DEST_PATH_IMAGE184
的动态方程为：
Figure DEST_PATH_IMAGE186
其中
Figure DEST_PATH_IMAGE188
表示每个时隙的时间，
Figure DEST_PATH_IMAGE190
和
Figure DEST_PATH_IMAGE192
分别为用户
Figure DEST_PATH_IMAGE102_19A
在
Figure DEST_PATH_IMAGE076_10A
时隙的数据和任务队列，
Figure DEST_PATH_IMAGE194
表示计算用户
Figure DEST_PATH_IMAGE102_20A
产生的第
Figure DEST_PATH_IMAGE196
个任务所需的CPU周期数，
Figure DEST_PATH_IMAGE198
表示
Figure DEST_PATH_IMAGE199
时隙用户
Figure DEST_PATH_IMAGE102_21A
缓冲区任务编号的集合，
Figure DEST_PATH_IMAGE201
表示
Figure DEST_PATH_IMAGE203
时隙用户
Figure DEST_PATH_IMAGE205
卸载到无人机
Figure DEST_PATH_IMAGE207
的任务量，
Figure DEST_PATH_IMAGE209
表示
Figure 219342DEST_PATH_IMAGE203
时隙用户
Figure 584464DEST_PATH_IMAGE205
本地处理的任务量，当用户
Figure DEST_PATH_IMAGE102_22A
随机产生新任务
Figure DEST_PATH_IMAGE211
时，将
Figure 394157DEST_PATH_IMAGE123
加入
Figure DEST_PATH_IMAGE213
；队列执行任务采用先进先出的原则，
Figure DEST_PATH_IMAGE215
表示
Figure DEST_PATH_IMAGE076_11A
时隙集合
Figure 669805DEST_PATH_IMAGE198
中最小的编号，即最先进入用户
Figure DEST_PATH_IMAGE102_23A
队列的任务的编号；当用户
Figure DEST_PATH_IMAGE102_24A
通过计算和卸载使任务
Figure 350185DEST_PATH_IMAGE123
离开队列时，
Figure 886209DEST_PATH_IMAGE123
将会从
Figure DEST_PATH_IMAGE216
中移除；当
Figure DEST_PATH_IMAGE076_12A
=0时，
Figure DEST_PATH_IMAGE218
和
Figure DEST_PATH_IMAGE220
均为0；为了保证队列稳定性，需满足：
Figure DEST_PATH_IMAGE222
Figure DEST_PATH_IMAGE224
其中
Figure DEST_PATH_IMAGE226
表示用户的集合，
Figure DEST_PATH_IMAGE228
表示时隙数；
S3-6、构建边缘计算服务器计算队列模型，其中无人机
Figure 42252DEST_PATH_IMAGE082
的数据队列
Figure DEST_PATH_IMAGE230
的动态方程为：
Figure DEST_PATH_IMAGE232
无人机
Figure 121591DEST_PATH_IMAGE082
的计算队列
Figure DEST_PATH_IMAGE234
的动态方程为：
Figure DEST_PATH_IMAGE236
其中，
Figure DEST_PATH_IMAGE238
和
Figure DEST_PATH_IMAGE240
分别表示无人机
Figure DEST_PATH_IMAGE241
在
Figure DEST_PATH_IMAGE076_13A
时隙的数据和计算队列，
Figure DEST_PATH_IMAGE243
表示计算用户
Figure 843429DEST_PATH_IMAGE205
卸载到无人机
Figure 425720DEST_PATH_IMAGE082
的第
Figure DEST_PATH_IMAGE245
个任务所需的CPU周期数，
Figure DEST_PATH_IMAGE247
表示
Figure DEST_PATH_IMAGE248
时隙无人机
Figure 741163DEST_PATH_IMAGE082
缓冲区中来自用户
Figure DEST_PATH_IMAGE155A
的任务编号的集合，当无人机
Figure 358614DEST_PATH_IMAGE082
接收来自用户
Figure DEST_PATH_IMAGE155AA
的新任务
Figure DEST_PATH_IMAGE250
时，将
Figure 216849DEST_PATH_IMAGE123
加入
Figure DEST_PATH_IMAGE252
；当用户
Figure 297937DEST_PATH_IMAGE082
通过计算使任务
Figure 303939DEST_PATH_IMAGE123
离开队列时，
Figure 800780DEST_PATH_IMAGE123
将会从
Figure DEST_PATH_IMAGE254
中移除，
Figure DEST_PATH_IMAGE256
表示
Figure DEST_PATH_IMAGE055AA
时隙集合
Figure 106996DEST_PATH_IMAGE247
中最小的编号，即用户
Figure DEST_PATH_IMAGE102_25A
卸载的任务中最先进入无人机
Figure 967110DEST_PATH_IMAGE082
队列的编号；当用户
Figure DEST_PATH_IMAGE102_26A
没有将任务卸载到无人机
Figure 194829DEST_PATH_IMAGE082
时，
Figure DEST_PATH_IMAGE258
和
Figure DEST_PATH_IMAGE260
均为0，当
Figure DEST_PATH_IMAGE076_14A
=0时，
Figure DEST_PATH_IMAGE262
和
Figure DEST_PATH_IMAGE264
均为0；为了保证队列稳定性，需满足：
Figure DEST_PATH_IMAGE266
Figure DEST_PATH_IMAGE268
其中
Figure DEST_PATH_IMAGE269
表示无人机的集合。
5.根据权利要求1所述一种用于拥挤场馆中无人机辅助边缘计算方法，其特征在于，所述步骤S4中无人机轨迹
Figure DEST_PATH_IMAGE271
表示为：
Figure DEST_PATH_IMAGE273
其中
Figure DEST_PATH_IMAGE274
是无人机的飞行速度，
Figure DEST_PATH_IMAGE275
表示每个时隙的时间，
Figure DEST_PATH_IMAGE277
是第
Figure 262404DEST_PATH_IMAGE082
架无人机上一时隙的位置； 用户总时延
Figure DEST_PATH_IMAGE279
包括用户本地计算时延、上行传输时延和无人机计算时延三部分，表达式为：
Figure DEST_PATH_IMAGE281
其中，
Figure DEST_PATH_IMAGE282
表示用户的集合，
Figure DEST_PATH_IMAGE269A
表示无人机的集合，
Figure DEST_PATH_IMAGE284
是用户
Figure DEST_PATH_IMAGE102_27A
在
Figure DEST_PATH_IMAGE076_15A
时隙本地计算过程中实际产生的计算时延，
Figure DEST_PATH_IMAGE286
表示用户
Figure DEST_PATH_IMAGE102_28A
在
Figure DEST_PATH_IMAGE076_16A
时隙将任务卸载到无人机
Figure 472062DEST_PATH_IMAGE082
的传输时延，
Figure DEST_PATH_IMAGE288
表示在
Figure DEST_PATH_IMAGE076_17A
时隙，无人机
Figure 488428DEST_PATH_IMAGE082
完成用户
Figure DEST_PATH_IMAGE102_29A
卸载的任务实际产生的计算时延；
构建用户时延
Figure DEST_PATH_IMAGE290
最小化优化模型表示为：
Figure DEST_PATH_IMAGE292
其中，
Figure DEST_PATH_IMAGE294
是问题P1优化变量的集合，表示为：
Figure DEST_PATH_IMAGE296
式中
Figure DEST_PATH_IMAGE298
表示第1到第
Figure DEST_PATH_IMAGE299
架无人机在
Figure DEST_PATH_IMAGE107AAA
时隙分配给第1到第
Figure DEST_PATH_IMAGE300
个用户的带宽，
Figure DEST_PATH_IMAGE302
表示
Figure DEST_PATH_IMAGE076_18A
时隙第1到第
Figure DEST_PATH_IMAGE300A
个用户分别用于本地计算的计算资源，
Figure DEST_PATH_IMAGE304
表示第1到第
Figure DEST_PATH_IMAGE299A
架无人机在
Figure DEST_PATH_IMAGE158A
时隙分别分配给
Figure DEST_PATH_IMAGE300AA
个用户的计算资源，
Figure DEST_PATH_IMAGE306
表示
Figure DEST_PATH_IMAGE055AAA
时隙第1到第
Figure DEST_PATH_IMAGE300AAA
个用户的上行传输功率，
Figure DEST_PATH_IMAGE308
表示
Figure DEST_PATH_IMAGE055AAAA
时隙第1到第
Figure DEST_PATH_IMAGE300AAAA
个用户卸载比例的集合，
Figure DEST_PATH_IMAGE310
表示
Figure DEST_PATH_IMAGE055_5A
时隙第1到第
Figure DEST_PATH_IMAGE299AA
架无人机位置的集合；
约束C1表示无人机
Figure 850447DEST_PATH_IMAGE082
在
Figure DEST_PATH_IMAGE076_19A
时隙提供给用户的信道带宽
Figure DEST_PATH_IMAGE312
之和不能大于无人机
Figure 347811DEST_PATH_IMAGE082
拥有的总信道带宽
Figure DEST_PATH_IMAGE314
，且
Figure 300724DEST_PATH_IMAGE312
不能为负；
约束C2表示用户
Figure DEST_PATH_IMAGE102_30A
在
Figure DEST_PATH_IMAGE076_20A
时隙的上行数据传输速率
Figure DEST_PATH_IMAGE316
不为负且不能大于最大传输速率
Figure DEST_PATH_IMAGE317
；
约束C3表示用户
Figure DEST_PATH_IMAGE102_31A
在
Figure DEST_PATH_IMAGE076_21A
时隙用于本地处理的计算资源
Figure DEST_PATH_IMAGE319
不为负且不能大于用户
Figure DEST_PATH_IMAGE102_32A
的总计算资源
Figure DEST_PATH_IMAGE320
；
约束C4表示无人机
Figure 333664DEST_PATH_IMAGE082
在
Figure DEST_PATH_IMAGE076_22A
时隙分配给用户的计算资源
Figure DEST_PATH_IMAGE322
非负，且
Figure 67134DEST_PATH_IMAGE322
之和不能大于无人机
Figure 568522DEST_PATH_IMAGE082
所拥有的总计算资源
Figure DEST_PATH_IMAGE324
；
约束C5表示卸载比例
Figure DEST_PATH_IMAGE326
不能大于1且不能小于0；
约束C6-C7是无人机的轨迹约束，C6表示无人机最后一个时隙
Figure DEST_PATH_IMAGE327
的位置
Figure DEST_PATH_IMAGE329
与初始位置
Figure DEST_PATH_IMAGE331
相同，C7是无人机
Figure 31734DEST_PATH_IMAGE082
位置
Figure DEST_PATH_IMAGE333
的表达式，即
Figure DEST_PATH_IMAGE076_23A
时隙无人机
Figure 861674DEST_PATH_IMAGE082
的位置等于上个时隙的位置
Figure DEST_PATH_IMAGE335
加上无人机
Figure 20123DEST_PATH_IMAGE082
速度
Figure DEST_PATH_IMAGE336
与时间
Figure DEST_PATH_IMAGE275A
的乘积；
约束C8-C11是队列稳定性约束，
Figure DEST_PATH_IMAGE338
和
Figure DEST_PATH_IMAGE340
分别为用户
Figure DEST_PATH_IMAGE102_33A
在
Figure DEST_PATH_IMAGE076_24A
时隙的数据和任务队列，
Figure DEST_PATH_IMAGE342
和
Figure DEST_PATH_IMAGE344
分别表示无人机
Figure 777732DEST_PATH_IMAGE082
在
Figure DEST_PATH_IMAGE076_25A
时隙的数据和计算队列。
6.根据权利要求5所述一种用于拥挤场馆中无人机辅助边缘计算方法，其特征在于，所述步骤S5中：根据用户缓存任务队列和无人机缓存任务队列建立李雅普诺夫函数
Figure DEST_PATH_IMAGE346
，表达式为：
Figure DEST_PATH_IMAGE348
其中，
Figure DEST_PATH_IMAGE350
、
Figure DEST_PATH_IMAGE352
、
Figure DEST_PATH_IMAGE354
、
Figure DEST_PATH_IMAGE356
和
Figure DEST_PATH_IMAGE358
分别表示
Figure DEST_PATH_IMAGE107AAAA
时隙第1到第
Figure DEST_PATH_IMAGE300_5A
个用户本地和第1到第
Figure DEST_PATH_IMAGE299AAA
架无人机的任务数据与任务计算队列长度的集合，则李雅普诺夫漂移
Figure DEST_PATH_IMAGE360
为：
Figure DEST_PATH_IMAGE362
即两个相邻时隙李雅普诺夫函数的差的期望，利用漂移加罚算法得到李雅普诺夫漂移加罚函数
Figure DEST_PATH_IMAGE364
为：
Figure DEST_PATH_IMAGE366
其中
Figure DEST_PATH_IMAGE368
是非负权重参数；
得到李雅普诺夫漂移加罚函数的上界为：
Figure DEST_PATH_IMAGE370
其中
Figure DEST_PATH_IMAGE372
其中，
Figure DEST_PATH_IMAGE374
和
Figure DEST_PATH_IMAGE376
分别代表
Figure DEST_PATH_IMAGE378
、
Figure DEST_PATH_IMAGE380
、
Figure DEST_PATH_IMAGE382
、
Figure DEST_PATH_IMAGE384
、
Figure DEST_PATH_IMAGE386
、
Figure DEST_PATH_IMAGE388
、
Figure DEST_PATH_IMAGE390
和
Figure DEST_PATH_IMAGE392
的上界，
Figure DEST_PATH_IMAGE394
表示用户
Figure DEST_PATH_IMAGE102_34A
产生的第
Figure DEST_PATH_IMAGE396
个任务的数据量，
Figure DEST_PATH_IMAGE398
是用户
Figure DEST_PATH_IMAGE102_35A
的数据传输速率，
Figure DEST_PATH_IMAGE400
表示计算用户
Figure DEST_PATH_IMAGE102_36A
产生的第
Figure DEST_PATH_IMAGE396A
个任务所需的CPU周期数，
Figure DEST_PATH_IMAGE402
表示计算用户
Figure DEST_PATH_IMAGE102_37A
产生的第
Figure DEST_PATH_IMAGE404
个任务所需的CPU周期数，
Figure DEST_PATH_IMAGE406
表示
Figure DEST_PATH_IMAGE076_26A
时隙用户
Figure DEST_PATH_IMAGE102_38A
缓冲区任务的集合，
Figure DEST_PATH_IMAGE408
表示
Figure DEST_PATH_IMAGE076_27A
时隙集合
Figure DEST_PATH_IMAGE409
中最小的编号，即最先进入用户
Figure DEST_PATH_IMAGE102_39A
队列的任务的编号，
Figure DEST_PATH_IMAGE411
表示计算用户
Figure DEST_PATH_IMAGE102_40A
卸载到无人机
Figure 67023DEST_PATH_IMAGE082
的第
Figure DEST_PATH_IMAGE413
个任务所需的CPU周期数，
Figure DEST_PATH_IMAGE415
表示
Figure DEST_PATH_IMAGE076_28A
时隙无人机
Figure 330514DEST_PATH_IMAGE082
缓冲区中来自用户
Figure DEST_PATH_IMAGE102_41A
任务的集合，
Figure DEST_PATH_IMAGE417
表示
Figure DEST_PATH_IMAGE076_29A
时隙集合
Figure 826524DEST_PATH_IMAGE247
中最小的编号，即用户
Figure DEST_PATH_IMAGE102_42A
卸载的任务中最先进入无人机
Figure 607399DEST_PATH_IMAGE082
队列的编号；
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，表达式如下：
Figure DEST_PATH_IMAGE419
Figure DEST_PATH_IMAGE421
的表达式如下：
Figure DEST_PATH_IMAGE423
。
7.根据权利要求6所述一种用于拥挤场馆中无人机辅助边缘计算方法，其特征在于，所述步骤S6具体包括：
S6-1、对无人机
Figure 514044DEST_PATH_IMAGE096
的数据队列
Figure DEST_PATH_IMAGE425
和计算队列
Figure DEST_PATH_IMAGE427
均设置一个阈值，分别表示为
Figure DEST_PATH_IMAGE429
和
Figure DEST_PATH_IMAGE431
，若用户
Figure DEST_PATH_IMAGE102_43A
处于任一类簇内，则用户
Figure DEST_PATH_IMAGE102_44A
将任务卸载到该类簇上空的无人机
Figure 75999DEST_PATH_IMAGE082
，当无人机
Figure 615565DEST_PATH_IMAGE082
的数据队列
Figure 262447DEST_PATH_IMAGE425
超过
Figure DEST_PATH_IMAGE432
或者计算队列
Figure DEST_PATH_IMAGE433
超过
Figure 367806DEST_PATH_IMAGE431
时，用户
Figure DEST_PATH_IMAGE102_45A
不会将任务卸载到无人机
Figure 504259DEST_PATH_IMAGE082
，而是根据其他无人机队列的动态方程来判断其空闲程度，动态方程的值越小，代表无人机越空闲，用户
Figure DEST_PATH_IMAGE102_46A
将任务卸载到最空闲的无人机上；若用户
Figure DEST_PATH_IMAGE102_47A
作为噪声点被排除，则用户
Figure DEST_PATH_IMAGE102_48A
将任务卸载到最空闲的无人机上；
S6-2、求解无人机在每个时隙的位置变化
Figure DEST_PATH_IMAGE435
，具体表达式如下：
Figure DEST_PATH_IMAGE437
其中，目标函数
Figure DEST_PATH_IMAGE438
中用户
Figure DEST_PATH_IMAGE102_49A
的数据传输速率
Figure DEST_PATH_IMAGE440
关于无人机轨迹
Figure DEST_PATH_IMAGE442
是非凸的，引入松弛变量
Figure DEST_PATH_IMAGE444
，则
Figure DEST_PATH_IMAGE445
转换为：
Figure DEST_PATH_IMAGE447
其中
Figure DEST_PATH_IMAGE449
，
Figure DEST_PATH_IMAGE451
表示信道增益，
Figure DEST_PATH_IMAGE453
表示噪声功率，其中，
Figure DEST_PATH_IMAGE455
表示用户
Figure DEST_PATH_IMAGE102_50A
的横纵坐标，
Figure DEST_PATH_IMAGE457
分别表示
Figure DEST_PATH_IMAGE076_30A
时隙无人机
Figure 815941DEST_PATH_IMAGE082
的横纵坐标以及高度，
Figure DEST_PATH_IMAGE459
表示用户与无人机之间的距离的平方，引入局部点
Figure DEST_PATH_IMAGE461
，将转换后的
Figure DEST_PATH_IMAGE463
利用连续凸逼近技术进行一阶泰勒展开，则目标函数转换为：
Figure DEST_PATH_IMAGE465
优化问题P2重构为：
Figure DEST_PATH_IMAGE467
通过凸优化工具CVX对最优的无人机轨迹
Figure DEST_PATH_IMAGE469
进行求解；
S6-3、给定无人机轨迹
Figure 859989DEST_PATH_IMAGE469
，求解
Figure DEST_PATH_IMAGE471
，构建的优化问题表示为：
Figure DEST_PATH_IMAGE473
构建一个Critic网络和两个Actor网络，两个Actor网络结构相同，分别为Actor-old和Actor-new；
边缘计算实体网络状态表示为：
Figure DEST_PATH_IMAGE475
其中，
Figure DEST_PATH_IMAGE477
表示第1到第个
Figure DEST_PATH_IMAGE300_6A
用户将任务卸载至第1到第
Figure DEST_PATH_IMAGE299AAAA
架无人机的无线传输速率；
Figure DEST_PATH_IMAGE479
表示第1到第
Figure DEST_PATH_IMAGE300_7A
个用户和第1到第
Figure DEST_PATH_IMAGE299_5A
架无人机分别拥有的计算资源；
Figure DEST_PATH_IMAGE481
表示
Figure DEST_PATH_IMAGE076_31A
时隙第1到第
Figure DEST_PATH_IMAGE300_8A
个用户的最大传输功率，
Figure DEST_PATH_IMAGE483
表示第1到第
Figure DEST_PATH_IMAGE299_6A
架无人机的总带宽；
Figure DEST_PATH_IMAGE485
表示
Figure DEST_PATH_IMAGE076_32A
时隙第1到第
Figure DEST_PATH_IMAGE300_9A
个用户随机生成的任务；将
Figure DEST_PATH_IMAGE487
作为
Figure DEST_PATH_IMAGE076_33A
时隙的动作空间；
奖励函数
Figure DEST_PATH_IMAGE489
表示为：
Figure DEST_PATH_IMAGE491
式中，
Figure DEST_PATH_IMAGE493
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；
初始化Actor-new网络、Actor-old网络和Critic网络，设置抽取样本大小为
Figure DEST_PATH_IMAGE495
，
Figure DEST_PATH_IMAGE496
为正整数，奖励折扣因子为
Figure DEST_PATH_IMAGE498
；
S6-3-1、将环境信息
Figure DEST_PATH_IMAGE500
输入到Actor-new网络，得到一个动作A，再将动作A输入到环境中，得到奖励R和下一步的状态
Figure DEST_PATH_IMAGE502
，再将
Figure DEST_PATH_IMAGE502A
输入到Actor-new网络，循环该步骤，直到存储了
Figure 8072DEST_PATH_IMAGE496
组
Figure DEST_PATH_IMAGE504
；
S6-3-2、将S6-3-1中最后一次循环得到的
Figure DEST_PATH_IMAGE502AA
输入到Critic网络中，得到状态的折扣回报
Figure DEST_PATH_IMAGE506
，计算折扣奖励：
Figure DEST_PATH_IMAGE508
，
得到
Figure DEST_PATH_IMAGE510
，其中T为时隙数量，
Figure DEST_PATH_IMAGE512
分别为
Figure DEST_PATH_IMAGE076_34A
到T-1时隙的奖励值；
S6-3-3、将存储的状态
Figure DEST_PATH_IMAGE500A
组合输入到Critic网络中，得到所有状态的
Figure DEST_PATH_IMAGE514
值，集合为
Figure DEST_PATH_IMAGE516
，
Figure DEST_PATH_IMAGE518
与
Figure DEST_PATH_IMAGE519
的差值，即优势值表示为
Figure DEST_PATH_IMAGE521
；
S6-3-4、求优势值平方的均值，表示为
Figure DEST_PATH_IMAGE523
；
S6-3-5、将存储的状态
Figure DEST_PATH_IMAGE500AA
组合输入到Actor-old和Actor-new网络中，分别得到正态分布Normal1和Normal2，将存储的动作A组合输入到正态分布Normal1和Normal2，得到每个动作对应的prob1和prob2；
S6-3-6、计算
Figure DEST_PATH_IMAGE525
，
其中
Figure DEST_PATH_IMAGE527
是prob2除以prob1得到的比例,
Figure DEST_PATH_IMAGE529
的用途是剪裁
Figure DEST_PATH_IMAGE530
，将其保持在
Figure DEST_PATH_IMAGE532
内，
Figure DEST_PATH_IMAGE534
用来确定范围大小；
S6-3-7、循环步骤S6-3-5、S6-3-6，用Actor-new网络权重来更新Actor-old网络；
S6-3-8、循环步骤S6-3-1到S6-3-7，得到最优的计算资源分配方案；
S6-4、循环执行步骤S6-2和步骤S6-3，直到相邻两次迭代下用户总时延差的绝对值小于预设阈值，或者达到最大预设迭代次数时，迭代结束，即获得无人机的轨迹以及最优的卸载比例、计算资源分配方案。
CN202210644872.6A 2022-06-09 2022-06-09 一种用于拥挤场馆中无人机辅助边缘计算方法 Active CN114745666B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210644872.6A CN114745666B (zh) 2022-06-09 2022-06-09 一种用于拥挤场馆中无人机辅助边缘计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210644872.6A CN114745666B (zh) 2022-06-09 2022-06-09 一种用于拥挤场馆中无人机辅助边缘计算方法

Publications (2)

Publication Number Publication Date
CN114745666A true CN114745666A (zh) 2022-07-12
CN114745666B CN114745666B (zh) 2022-08-30

Family

ID=82287999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210644872.6A Active CN114745666B (zh) 2022-06-09 2022-06-09 一种用于拥挤场馆中无人机辅助边缘计算方法

Country Status (1)

Country Link
CN (1) CN114745666B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115022937A (zh) * 2022-07-14 2022-09-06 合肥工业大学 拓扑特征提取方法和考虑拓扑特征的多边缘协作调度方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109495952A (zh) * 2018-11-14 2019-03-19 北京航空航天大学 一种蜂窝和无人机一体化网络的选择方法及装置
CN109922137A (zh) * 2019-01-28 2019-06-21 中国人民解放军国防科技大学 无人机协助的计算迁移方法
CN113296963A (zh) * 2021-07-27 2021-08-24 南京信息工程大学 一种考虑用户移动性的无人机辅助的边缘计算方法
CN114048689A (zh) * 2022-01-13 2022-02-15 南京信息工程大学 基于深度强化学习的多无人机空中充电和任务调度方法
CN114125708A (zh) * 2022-01-20 2022-03-01 南京信息工程大学 一种基于数字孪生的无人机集群轨迹优化和任务卸载方法
CN114520768A (zh) * 2022-03-11 2022-05-20 南京信息工程大学 一种用于工业物联网中随机任务的ai卸载优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109495952A (zh) * 2018-11-14 2019-03-19 北京航空航天大学 一种蜂窝和无人机一体化网络的选择方法及装置
CN109922137A (zh) * 2019-01-28 2019-06-21 中国人民解放军国防科技大学 无人机协助的计算迁移方法
CN113296963A (zh) * 2021-07-27 2021-08-24 南京信息工程大学 一种考虑用户移动性的无人机辅助的边缘计算方法
CN114048689A (zh) * 2022-01-13 2022-02-15 南京信息工程大学 基于深度强化学习的多无人机空中充电和任务调度方法
CN114125708A (zh) * 2022-01-20 2022-03-01 南京信息工程大学 一种基于数字孪生的无人机集群轨迹优化和任务卸载方法
CN114520768A (zh) * 2022-03-11 2022-05-20 南京信息工程大学 一种用于工业物联网中随机任务的ai卸载优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张心翮: "《中国优秀硕士学位论文全文数据库》", 15 January 2022 *
张鹏 等: "多智能体协作场景下基于强化学习值分解的计算卸载策略", 《通信学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115022937A (zh) * 2022-07-14 2022-09-06 合肥工业大学 拓扑特征提取方法和考虑拓扑特征的多边缘协作调度方法

Also Published As

Publication number Publication date
CN114745666B (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
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
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
CN110971706B (zh) Mec中近似最优化与基于强化学习的任务卸载方法
Tang et al. Decentralized computation offloading in IoT fog computing system with energy harvesting: A dec-POMDP approach
CN109271015B (zh) 一种降低大规模分布式机器学习系统能耗的方法
CN110941667A (zh) 一种移动边缘计算网络中的计算卸载方法及系统
Zhu et al. BLOT: Bandit learning-based offloading of tasks in fog-enabled networks
CN113377447B (zh) 一种基于李雅普诺夫优化的多用户计算卸载方法
CN114662661B (zh) 边缘计算下异构处理器加速多出口dnn推理的方法
CN114520768B (zh) 一种用于工业物联网中随机任务的ai卸载优化方法
CN113238847B (zh) 基于分散式网络环境下可分任务的分发和调度方法
CN112835715B (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
CN114567895A (zh) 一种mec服务器集群的智能协同策略的实现方法
CN114650228B (zh) 一种异构网络中基于计算卸载的联邦学习调度方法
CN104618406A (zh) 一种基于朴素贝叶斯分类的负载均衡算法
CN110287034A (zh) 一种可充电移动边缘计算中能量-延迟平衡的动态任务分配方法
CN114745666A (zh) 一种用于拥挤场馆中无人机辅助边缘计算方法
Chen et al. Joint data collection and resource allocation for distributed machine learning at the edge
Zhu et al. Dynamic task offloading in power grid internet of things: A fast-convergent federated learning approach
Qu et al. Stochastic cumulative DNN inference with RL-aided adaptive IoT device-edge collaboration
CN112486685A (zh) 一种电力物联网的计算任务分配方法、装置及计算机设备
CN113157344B (zh) 移动边缘计算环境下基于drl的能耗感知任务卸载方法
Tang et al. Nonconvex resource control and lifetime optimization in wireless video sensor networks based on chaotic particle swarm optimization
Li et al. ESMO: Joint frame scheduling and model caching for edge video analytics

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