CN114884957A - 空天地网络中的计算任务卸载方法、装置和电子设备 - Google Patents

空天地网络中的计算任务卸载方法、装置和电子设备 Download PDF

Info

Publication number
CN114884957A
CN114884957A CN202210811924.4A CN202210811924A CN114884957A CN 114884957 A CN114884957 A CN 114884957A CN 202210811924 A CN202210811924 A CN 202210811924A CN 114884957 A CN114884957 A CN 114884957A
Authority
CN
China
Prior art keywords
target
ground
time slot
user
floating platform
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
CN202210811924.4A
Other languages
English (en)
Other versions
CN114884957B (zh
Inventor
姚海鹏
宫永康
忻向军
张琦
张尼
吴迪
袁莞迈
吴巍
董涛
韩宝磊
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202210811924.4A priority Critical patent/CN114884957B/zh
Publication of CN114884957A publication Critical patent/CN114884957A/zh
Application granted granted Critical
Publication of CN114884957B publication Critical patent/CN114884957B/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
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04B7/18504—Aircraft used as relay or high altitude atmospheric platform
    • 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
    • H04B7/1851—Systems using a satellite or space-based relay
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/101—Server selection for load balancing based on network conditions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/1021—Server selection for load balancing based on client or server locations
    • 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)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Astronomy & Astrophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radio Relay Systems (AREA)

Abstract

本发明提供了一种空天地网络中的计算任务卸载方法、装置和电子设备，涉及通信的技术领域，包括：获取空天地网络中计算任务的多时隙问题模型、所有地面用户在每个时隙的通信状态信息和每个时隙下浮空平台的位置信息；多时隙问题模型的目标为最大化计算任务的速率和；将多时隙问题模型转化为单时隙问题模型，利用目标神经网络模型求解每个地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息；求解目标地面用户在目标时隙的发射功率、CPU周期频率和收集的能量，从而确定出计算任务的卸载策略。该方法能够有效的对抗时变信道增益、随机任务到达和动态浮空平台变换，确保计算任务的速率和最大化，提升空天地网络中的资源利用率。

Description

空天地网络中的计算任务卸载方法、装置和电子设备
技术领域
本发明涉及通信的技术领域，尤其是涉及一种空天地网络中的计算任务卸载方法、装置和电子设备。
背景技术
随着全球信息技术迅猛发展，未来信息服务对多维综合信息资源需求日益提升，多种领域的信息服务将在空、天、地、海等多维空间展开。天地融合网络综合利用空天地信息技术的优势，通过多维信息的有效获取和协同，为各类用户提供实时和可靠的按需服务。依靠空天地融合的万物智能互联网络，大量的计算密集型、时延敏感型应用任务可以被卸载到地面用户、地面基站、浮空平台以及低轨卫星上执行。然而，空天地网络下计算和通信资源的联合优化成为一种巨大的挑战，尤其考虑到动态的网络环境、大规模覆盖以及电池容量存储的限制。
传统计算任务卸载方法一种是当任务被卸载到空域、天域及地面域的时候，卸载比率是随机的，另一种是每个用户被分配的CPU周期频率和发射功率是恒定的，但是，当面对时变的网络环境时，上述两种方法均不能为每个用户选择最优的任务执行方案，无法使得计算任务的速率和最大化，导致空天地网络中的资源利用率较低。
发明内容
本发明的目的在于提供一种空天地网络中的计算任务卸载方法、装置和电子设备，以缓解了现有技术中空天地网络中的计算任务卸载方法存在的无法使得计算任务的速率和最大化，导致空天地网络中的资源利用率较低的技术问题。
第一方面，本发明提供一种空天地网络中的计算任务卸载方法，包括：获取空天地网络中计算任务的多时隙问题模型、所有地面用户在每个时隙的通信状态信息和每个时隙下浮空平台的位置信息；其中，所述多时隙问题模型的目标为最大化计算任务的速率和；基于预设优化算法将所述多时隙问题模型转化为单时隙问题模型；针对目标时隙，基于目标神经网络模型对所有所述地面用户在所述目标时隙的通信状态信息和所述目标时隙下浮空平台的位置信息进行处理，得到每个所述地面用户在所述目标时隙的计算任务卸载比例和选定的浮空平台信息；所述目标时隙为多时隙中的任一时隙；基于目标地面用户在所述目标时隙的计算任务卸载比例和选定的浮空平台信息对所述单时隙问题模型进行处理，得到所述目标地面用户在所述目标时隙的发射功率、CPU周期频率和收集的能量；所述目标地面用户为所述所有地面用户中的任一地面用户；基于所有所述地面用户在每个时隙的计算任务卸载比例、选定的浮空平台信息、发射功率、CPU周期频率和收集的能量，确定所述计算任务的卸载策略；基于所述计算任务的卸载策略，对所述空天地网络的计算任务进行卸载。
在可选的实施方式中，获取空天地网络中计算任务的多时隙问题模型，包括：获取第一参数组；其中，所述第一参数组包括：所述计算任务的总时长、相邻时隙的间隔时长、所述地面用户的总数、每个所述地面用户到基站的第一链路传输速度和每个所述地面用户在每个时隙生成的计算任务类型；针对每个时隙，构建第二参数组中每个参数的求解模型；其中，所述第二参数组包括：每个所述地面用户的计算任务处理速率、每个所述地面用户到浮空平台的第二链路传输速度和每个所述地面用户到卫星的第三链路传输速度；获取约束参数组；其中，所述约束参数组包括：每个所述地面用户的最大CPU执行频率、每个所述地面用户的最大发射功率和每个所述地面用户收集的能量上限；基于所述第一参数、所述第二参数组中每个参数的求解模型和所述约束参数组，构建所述计算任务的多时隙问题模型。
在可选的实施方式中，构建每个所述地面用户的计算任务处理速率的求解模型，包括：获取目标地面用户处理设定比特的计算任务所需要的CPU周期数目；基于所述CPU周期数目和所述相邻时隙的间隔时长，构建所述目标地面用户的计算任务处理速率的求解模型。
在可选的实施方式中，构建每个所述地面用户到浮空平台的第二链路传输速度的求解模型，包括：获取目标时隙下目标地面用户到目标浮空平台的第一水平距离和第一垂直距离；基于所述第一水平距离和所述第一垂直距离计算所述目标时隙下目标地面用户和所述目标浮空平台视距传输的概率；获取第三参数组；其中，所述第三参数组包括：从所述目标地面用户到所述目标浮空平台所分配的信道带宽、从所述目标地面用户到所述目标浮空平台的信道噪声、所述目标地面用户到所述目标浮空平台的载波频率、目标时隙下所述目标地面用户和所述目标浮空平台视距传输施加在自由空间路径上的第一加性路径损耗、目标时隙下所述目标地面用户和所述目标浮空平台非视距传输施加在自由空间路径上的第二加性路径损耗；基于所述目标时隙下目标地面用户和所述目标浮空平台视距传输的概率和所述第三参数组，构建所述目标地面用户到所述浮空平台的第二链路传输速度的求解模型。
在可选的实施方式中，构建每个所述地面用户到卫星的第三链路传输速度的求解模型，包括：获取目标时隙下目标地面用户到卫星的第二水平距离和第二垂直距离；基于所述第二水平距离和所述第二垂直距离计算所述目标时隙下目标地面用户和所述卫星视距传输的概率；获取第四参数组；其中，所述第四参数组包括：从所述目标地面用户到所述卫星所分配的信道带宽、从所述目标地面用户到所述卫星的信道噪声、所述目标地面用户到所述卫星的载波频率、目标时隙下所述目标地面用户和所述卫星视距传输施加在自由空间路径上的第三加性路径损耗、目标时隙下所述目标地面用户和所述卫星非视距传输施加在自由空间路径上的第四加性路径损耗；基于所述目标时隙下目标地面用户和所述卫星视距传输的概率和所述第四参数组，构建所述目标地面用户到所述卫星的第三链路传输速度的求解模型。
在可选的实施方式中，所述通信状态信息包括：无线信道增益和生成的计算任务类型；所述目标神经网络模型包括：多个演员网络和多个评论家网络，所述地面用户、所述演员网络和所述评论家网络一一对应；基于目标神经网络模型对所有所述地面用户在所述目标时隙的通信状态信息和所述目标时隙下浮空平台的位置信息进行处理，包括：将所述目标地面用户在所述目标时隙的通信状态信息和所述目标时隙下浮空平台的位置信息输入对应的演员网络，得到所述目标地面用户在所述目标时隙的待优化计算任务卸载比例和初选浮空平台信息；基于所有所述地面用户的在所述目标时隙的通信状态信息、待优化计算任务卸载比例、初选浮空平台信息和所述目标时隙下浮空平台的位置信息对每个评论家网络进行集中式训练，得到每个演员网络的优势函数；基于每个演员网络的优势函数对相应的演员网络进行训练，训练结束后得到多个目标演员网络；利用所述目标地面用户对应的目标演员网络对所述目标地面用户在所述目标时隙的通信状态信息和所述目标时隙下浮空平台的位置信息进行处理，得到所述目标地面用户在所述目标时隙的计算任务卸载比例和选定的浮空平台信息。
在可选的实施方式中，基于目标地面用户在所述目标时隙的计算任务卸载比例和选定的浮空平台信息对所述单时隙问题模型进行处理，包括：基于所述目标地面用户在所述目标时隙的计算任务卸载比例和选定的浮空平台信息，采用线性规划方法对所述单时隙问题模型进行求解，得到所述目标地面用户在所述目标时隙收集的能量；基于所述目标地面用户在所述目标时隙的计算任务卸载比例、选定的浮空平台信息和收集的能量，采用凸优化方法对所述单时隙问题模型进行求解，得到所述目标地面用户在所述目标时隙的发射功率和CPU周期频率。
第二方面，本发明提供一种空天地网络中的计算任务卸载装置，包括：获取模块，用于获取空天地网络中计算任务的多时隙问题模型、所有地面用户在每个时隙的通信状态信息和每个时隙下浮空平台的位置信息；其中，所述多时隙问题模型的目标为最大化计算任务的速率和；转化模块，用于基于预设优化算法将所述多时隙问题模型转化为单时隙问题模型；第一处理模块，用于针对目标时隙，基于目标神经网络模型对所有所述地面用户在所述目标时隙的通信状态信息和所述目标时隙下浮空平台的位置信息进行处理，得到每个所述地面用户在所述目标时隙的计算任务卸载比例和选定的浮空平台信息；所述目标时隙为多时隙中的任一时隙；第二处理模块，用于基于目标地面用户在所述目标时隙的计算任务卸载比例和选定的浮空平台信息对所述单时隙问题模型进行处理，得到所述目标地面用户在所述目标时隙的发射功率、CPU周期频率和收集的能量；所述目标地面用户为所述所有地面用户中的任一地面用户；确定模块，用于基于所有所述地面用户在每个时隙的计算任务卸载比例、选定的浮空平台信息、发射功率、CPU周期频率和收集的能量，确定所述计算任务的卸载策略；卸载模块，用于基于所述计算任务的卸载策略，对所述空天地网络的计算任务进行卸载。
第三方面，本发明提供一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述实施方式中任一项所述的空天地网络中的计算任务卸载方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现前述实施方式中任一项所述的空天地网络中的计算任务卸载方法。
本发明提供的空天地网络中的计算任务卸载方法，包括：获取空天地网络中计算任务的多时隙问题模型、所有地面用户在每个时隙的通信状态信息和每个时隙下浮空平台的位置信息；其中，多时隙问题模型的目标为最大化计算任务的速率和；基于预设优化算法将多时隙问题模型转化为单时隙问题模型；针对目标时隙，基于目标神经网络模型对所有地面用户在目标时隙的通信状态信息和目标时隙下浮空平台的位置信息进行处理，得到每个地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息；目标时隙为多时隙中的任一时隙；基于目标地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息对单时隙问题模型进行处理，得到目标地面用户在目标时隙的发射功率、CPU周期频率和收集的能量；目标地面用户为所有地面用户中的任一地面用户；基于所有地面用户在每个时隙的计算任务卸载比例、选定的浮空平台信息、发射功率、CPU周期频率和收集的能量，确定计算任务的卸载策略；基于计算任务的卸载策略，对空天地网络的计算任务进行卸载。
本发明首先将空天地网络中计算任务的多时隙问题模型转化为单时隙问题模型，然后利用目标神经网络模型求解每个地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息，再进一步求解目标地面用户在目标时隙的发射功率、CPU周期频率和收集的能量，从而确定出计算任务的卸载策略。利用本发明方法能够有效的对抗时变信道增益、随机任务到达和动态浮空平台变换，确保计算任务的速率和最大化，从而提升空天地网络中的资源利用率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种空天地融合的异构网络的网络框图；
图2为本发明实施例提供的一种空天地网络中的计算任务卸载方法的流程图；
图3为本发明实施例提供的一种目标神经网络模型的算法框架图；
图4为本发明实施例提供的多个计算任务卸载方法的性能对比图；
图5为本发明实施例提供的一种空天地网络中的计算任务卸载装置的功能模块图；
图6为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
随着全球信息技术迅猛发展，未来信息服务对多维综合信息资源需求日益提升，多种领域的信息服务将在空、天、地、海等多维空间展开。天地融合网络综合利用空天地信息技术的优势，通过多维信息的有效获取和协同，为各类用户提供实时和可靠的按需服务。由于现有网络难以支撑多样化、差异化、业务化业务的灵活、智能、高品质海量连接和自动化确定性承载，因此，我们亟需构造一种空天地网络下可充电用户的计算卸载机制，在随机任务到达、链路异构多样及位置灵活多变的情况下提高用户的服务质量。
图1为一种空天地融合的异构网络的网络框图，依靠空天地融合的万物智能互联网络，大量的计算密集型、时延敏感型应用任务可以被卸载到地面用户、地面基站、浮空平台以及低轨卫星上执行。然而，空天地网络下计算和通信资源的联合优化成为了一种巨大的挑战，尤其考虑到动态的网络环境、大规模覆盖以及电池容量存储的限制。
传统计算任务卸载方法包括：多智能体随机卸载策略，具有贪婪策略的卸载方案；其中，多智能体随机卸载策略是指当任务被卸载到空域、天域及地面域的时候，卸载比例是随机的；具有贪婪策略的卸载方案是指每个智能体（地面用户）被分配的CPU周期频率和发射功率是恒定的。
由于多智能体随机卸载策略使得被卸载的任务比例永远是随机的，因此，当面对时变的网络环境时，该方法难以为每个用户选择最优的任务卸载比例，导致不能获得更好的速率和；同理，在采用贪婪策略时，由于该策略具有恒定的CPU周期频率和发射功率，这使得也不能为每个用户在时变的网络环境下选择最优的方案，因此，不能使得最后的速率和最大化。有鉴于此，本发明实施例提供了一种空天地网络中的计算任务卸载方法，用以缓解上文中所提出的技术问题。
实施例一
图2为本发明实施例提供的一种空天地网络中的计算任务卸载方法的流程图，如图2所示，该方法具体包括如下步骤：
步骤S102，获取空天地网络中计算任务的多时隙问题模型、所有地面用户在每个时隙的通信状态信息和每个时隙下浮空平台的位置信息。
针对空天地融合的异构网络场景，本发明实施例使用了一种时隙模型，具体的，将总的时隙长度S划分为T个时隙，且相邻时隙的间隔时长为
Figure P_220623134419491_491873001
，因此，该时隙模型可表示为：
Figure P_220623134419538_538771002
。并且，本发明实施例中所描述的空天地网络采用的是一种接近静态的网络场景，也即，地面用户的无线信道增益、浮空平台的位置及地面用户生成的计算任务类型在一个时隙内保持不变，但在不同的时隙中是可变的。
在本发明实施例中，地面用户生成的计算任务类型包括：计算密集型任务和时延敏感型任务；其中，若地面用户生成计算密集型任务的概率（也即，计算密集型任务的到达概率）是ρ，则地面用户生成时延敏感型任务的概率（也即，时延敏感型任务的到达概率）为1-ρ。
为了能够确定出计算任务的卸载策略，首先应获取空天地网络中计算任务的多时隙问题模型，同时，还需要获取所有地面用户在每个时隙的通信状态信息和每个时隙下浮空平台的位置信息，其中，多时隙问题模型的目标为最大化计算任务的速率和；通信状态信息包括：无线信道增益和生成的计算任务类型。本发明实施例不对多时隙问题模型的具体形式进行限定，只要其是目标函数为多时隙场景下计算任务的速率和，且目标为函数值最大化即可。
为了便于速率和的解算，可以将代表计算任务类型的变量定义为
Figure P_220623134419571_571453001
，也即，若地面用户i在时隙t生成的计算任务类型为时延敏感型任务，则变量
Figure P_220623134419603_603170002
取值为0；反之，若地面用户i在时隙t生成的计算任务类型为计算密集型任务，则变量
Figure P_220623134419618_618792003
取值为1。
步骤S104，基于预设优化算法将多时隙问题模型转化为单时隙问题模型。
由于多时隙问题模型表示的是多时隙场景下计算任务的速率和，因此，其实质上是随机联合多阶段优化问题，上述问题属于非凸优化问题，在多时隙场景下无法求解。因此，在获取到多时隙问题模型之后，首先应利用预设优化算法将其转化为可解的单时隙问题模型。本发明实施例不对预设优化算法进行具体的限定，只要能够实现问题模型类型转化即可，可选的，利用Lyapunov优化算法将多时隙问题模型转化为单时隙问题模型。以上问题模型的转化为基于设定算法的数学公式推导流程，在已知多时隙问题模型的前提下，确定优化算法之后，本领域技术人员均可自行推导，因此，本发明实施例不对问题模型转化的具体推导流程进行赘述。
步骤S106，针对目标时隙，基于目标神经网络模型对所有地面用户在目标时隙的通信状态信息和目标时隙下浮空平台的位置信息进行处理，得到每个地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息。
在本发明实施例中，计算任务的卸载策略包括：所有地面用户在每个时隙的计算任务卸载比例、选定的浮空平台信息、发射功率、CPU周期频率和收集的能量。在求解计算任务的卸载策略时，本发明实施例采用分步求解的方式。首先，利用目标神经网络模型来确定每个地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息，其中，目标时隙为多时隙中的任一时隙。也即，上述目标神经网络模型的输出为每个地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息，目标神经网络模型的输入为：所有地面用户在目标时隙的通信状态信息和目标时隙下浮空平台的位置信息。
通过上文中的描述可知，计算任务包括时延敏感型任务和计算密集型任务，且以上两种任务可以被卸载到地面用户、地面基站、浮空平台以及低轨卫星上执行，但是考虑到时延敏感型任务的特殊性，因此，本发明实施例中计算任务卸载比例表示为
Figure P_220623134419634_634428001
和
Figure P_220623134419665_665666002
；其中，
Figure P_220623134419696_696934003
表示地面用户i在t时隙的时延敏感型任务卸载比例，
Figure P_220623134419712_712557004
表示地面用户i在t时隙的计算密集型任务卸载比例，
Figure P_220623134419745_745253005
表示t时隙时延敏感型任务从地面用户i到浮空平台传输链路上所需要的数据卸载比例，
Figure P_220623134419761_761360006
表示t时隙时延敏感型任务从地面用户i到地面基站传输链路上所需要的数据卸载比例；
Figure P_220623134419792_792607007
表示t时隙计算密集型任务从地面用户i到浮空平台传输链路上所需要的数据卸载比例，
Figure P_220623134419823_823890008
表示t时隙计算密集型任务从地面用户i到地面基站传输链路上所需要的数据卸载比例，
Figure P_220623134419839_839521009
表示t时隙计算密集型任务从地面用户i到低轨卫星传输链路上所需要的数据卸载比例，且
Figure P_220623134419870_870781010
，
Figure P_220623134419886_886367011
。
计算任务的卸载策略中地面用户在每个时隙选定的浮空平台信息即表示地面用户在各个时隙所选择的浮空平台具体是哪一个，例如，假设空天地网络中包括10个浮空平台，编号为1-10，那么地面用户i在第t个时隙选定的浮空平台信息就可以是选定的浮空平台编号。
为了便于速率和的解算，本发明实施例将代表浮空平台选择的变量定义为
Figure P_220623134419917_917614001
，也即，若地面用户i在t时隙选定的浮空平台为j，则变量
Figure P_220623134419950_950314002
的取值为1；反之，若地面用户i在t时隙选定的浮空平台不是j，则变量
Figure P_220623134419966_966441003
的取值为0。例如，若确定t时隙地面用户i所选定的浮空平台为浮空平台10，则只有
Figure P_220623134419997_997707004
取值为1，其余
Figure P_220623134420028_028992005
的取值则均为0也即，
Figure P_220623134420060_060237006
，
Figure P_220623134420091_091495007
，K表示空天地网络中浮空平台的总数。
步骤S108，基于目标地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息对单时隙问题模型进行处理，得到目标地面用户在目标时隙的发射功率、CPU周期频率和收集的能量。
在确定出每个地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息之后，上述参数即可作为已知参量，针对目标地面用户，通过对步骤S104所得到的单时隙问题模型进行求解，即可得到目标地面用户在目标时隙的发射功率、CPU周期频率和收集的能量，其中，目标地面用户为所有地面用户中的任一地面用户。
根据能耗的定义，地面（可充电）用户i在t时隙的本地能耗
Figure P_220623134420122_122705001
可通过算式
Figure P_220623134420154_154610002
进行计算，其中，
Figure P_220623134420171_171544003
表示有效电容系数，
Figure P_220623134420202_202812004
表示地面用户i在t时隙的CPU周期频率，
Figure P_220623134420234_234079005
表示预设正指数，
Figure P_220623134420249_249669006
表示相邻时隙的间隔时长；地面用户i在t时隙的发射能耗
Figure P_220623134420280_280941007
可通过算式
Figure P_220623134420312_312191008
进行计算，其中，
Figure P_220623134420344_344364009
表示地面用户i在t时隙的发射功率。
如果定义地面用户i在t时隙的电池能量为
Figure P_220623134420376_376155001
，地面用户i在时隙t所收集的能量为
Figure P_220623134420407_407401002
，
Figure P_220623134420438_438639003
，
Figure P_220623134420469_469903004
表示地面用户收集的能量上限，则在不考虑计算任务卸载比例的情况下，可以得到以下能量不等式：
Figure P_220623134420501_501152005
，若考虑计算任务卸载比例，则有：
Figure P_220623134420532_532392006
，且
Figure P_220623134420565_565572007
，
Figure P_220623134420596_596854008
表示数学期望。进一步的，地面用户i在t+1时隙的电池能量表示为：
Figure P_220623134420612_612467009
。
步骤S110，基于所有地面用户在每个时隙的计算任务卸载比例、选定的浮空平台信息、发射功率、CPU周期频率和收集的能量，确定计算任务的卸载策略。
步骤S112，基于计算任务的卸载策略，对空天地网络的计算任务进行卸载。
本发明实施例所提供的空天地网络中的计算任务卸载方法，在获取空天地网络中计算任务的多时隙问题模型、所有地面用户在每个时隙的通信状态信息和每个时隙下浮空平台的位置信息之后，首先将空天地网络中计算任务的多时隙问题模型转化为单时隙问题模型，然后利用目标神经网络模型求解每个地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息，再进一步求解目标地面用户在目标时隙的发射功率、CPU周期频率和收集的能量，从而确定出计算任务的卸载策略。利用本发明方法能够有效的对抗时变信道增益、随机任务到达和动态浮空平台变换，确保计算任务的速率和最大化，从而提升空天地网络中的资源利用率。
在一个可选的实施方式中，上述步骤S102中，获取空天地网络中计算任务的多时隙问题模型，具体包括如下步骤：
步骤S1021，获取第一参数组。
其中，第一参数组包括：计算任务的总时长、相邻时隙的间隔时长、地面用户的总数、每个地面用户到基站的第一链路传输速度和每个地面用户在每个时隙生成的计算任务类型。
计算任务的总时长即上文中的总的时隙长度S，相邻时隙的间隔时长为
Figure P_220623134420643_643700001
，因此，根据S和
Figure P_220623134420674_674949002
可确定出多时隙模型中时隙的数量T，
Figure P_220623134420706_706202003
；地面用户的总数用N表示；地面用户到基站的第一链路传输速度用
Figure P_220623134420736_736955004
表示（所有地面用户到基站的第一链路传输速度相同）；地面用户i在时隙t生成的计算任务类型用计算任务类型的变量
Figure P_220623134420756_756990005
表示，且
Figure P_220623134420788_788726006
。
步骤S1022，针对每个时隙，构建第二参数组中每个参数的求解模型。
其中，第二参数组包括：每个地面用户的计算任务处理速率、每个地面用户到浮空平台的第二链路传输速度和每个地面用户到卫星的第三链路传输速度。
具体的，为了得到计算密集型任务和时延敏感型任务的和速率，且已知计算任务的卸载策略中包含计算任务的卸载比例
Figure P_220623134420819_819976001
和
Figure P_220623134420851_851228002
，因此，要构建多时隙问题模型，首先需要分别构建出多种速度（第二参数组中的参数）的求解模型，然后将速度与相应的卸载比例进行加权，即可得到多时隙问题模型。
步骤S1023，获取约束参数组。
在对多时隙问题进行求解时，本发明实施例设置了一定数量的约束条件，包括：地面用户发射功率的限制，地面用户能量的限制和地面用户CPU执行频率的限制等，因此，多时隙问题模型的约束参数组包括：每个地面用户的最大CPU执行频率、每个地面用户的最大发射功率和每个地面用户收集的能量上限。
步骤S1024，基于第一参数、第二参数组中每个参数的求解模型和约束参数组，构建计算任务的多时隙问题模型。
在本发明实施例中，基于第一参数、第二参数组中每个参数的求解模型和约束参数组所构建的多时隙问题模型表示为：
Figure P_220623134420929_929333001
，约束条件包括：
Figure P_220623134420963_963993002
，
Figure P_220623134420995_995267003
，
Figure P_220623134421026_026502004
，
Figure P_220623134421057_057793005
，
Figure P_220623134421089_089018006
，
Figure P_220623134421104_104646007
，
Figure P_220623134421135_135900008
，
Figure P_220623134421169_169083009
，
Figure P_220623134421200_200335010
。
本发明实施例将计算任务建模为独立同分布的伯努利过程，
Figure P_220623134421231_231617001
，
Figure P_220623134421262_262856002
，
Figure P_220623134421278_278479003
表示地面用户i在t时隙的计算密集型任务的和速率，
Figure P_220623134421309_309738004
表示地面用户i在t时隙的时延敏感型任务的和速率，计算任务类型的变量
Figure P_220623134421343_343855005
，
Figure P_220623134421375_375630006
表示计算任务的卸载比例，
Figure P_220623134421406_406873007
表示地面用户i在t时隙的计算任务处理速率，
Figure P_220623134421438_438133008
表示t时隙下地面用户i到浮空平台j的第二链路传输速度，
Figure P_220623134421485_485057009
表示地面用户到基站的第一链路传输速度，
Figure P_220623134421510_510361010
表示t时隙下地面用户i到卫星s的第三链路传输速度；T表示时隙的总数，N表示地面用户的总数。
Figure P_220623134421545_545521001
表示地面用户i在t时隙的CPU周期频率，
Figure P_220623134421577_577288002
表示地面用户i的最大CPU执行频率，
Figure P_220623134421608_608539003
表示地面用户i在t时隙的发射功率，
Figure P_220623134421639_639778004
表示地面用户i的最大发射功率，浮空平台选择的变量
Figure P_220623134421670_670604005
，K表示空天地网络中浮空平台的总数，
Figure P_220623134421702_702308006
表示地面用户i在时隙t所收集的能量，
Figure P_220623134421733_733542007
表示地面用户收集的能量上限，
Figure P_220623134421772_772600008
表示地面用户i在t时隙的本地能耗，
Figure P_220623134421803_803873009
表示地面用户i在t时隙的发射能耗，
Figure P_220623134421835_835104010
表示地面用户i在t时隙的电池能量，
Figure P_220623134421866_866381011
表示数学期望。
本发明实施例中计算任务的多时隙问题模型用于最大化计算密集型和时延敏感型任务的速率和，和边缘智能结合在一起，可以驱动整个网络适应时变的网络环境，处理大规模状态空间以及解决电池能量存储的长期限制和计算卸载短期决策的变量耦合问题，进一步促进了通信和计算资源的深度融合。
基于以上多时隙问题模型的表达式可知，多时隙问题模型中，除了待确定的计算任务卸载策略中所包含的参量是未知量，另外，
Figure P_220623134421897_897603001
，
Figure P_220623134422174_174932002
和
Figure P_220623134422206_206691003
也是未知的，下文中将分别介绍以上三种速度的求解模型。
可选地，步骤S1022中，构建每个地面用户的计算任务处理速率的求解模型，具体包括如下步骤：
步骤S201，获取目标地面用户处理设定比特的计算任务所需要的CPU周期数目。
步骤S202，基于CPU周期数目和相邻时隙的间隔时长，构建目标地面用户的计算任务处理速率的求解模型。
具体的，已知相邻时隙的间隔时长为
Figure P_220623134422222_222303001
，若上述设定比特为1，且地面用户处理1比特的计算任务所需要的CPU周期数目为
Figure P_220623134422253_253552002
，地面用户i在t时隙的CPU周期频率为
Figure P_220623134422269_269178003
（未知量），则根据计算任务处理速率的定义可知，地面用户i在t时隙的计算任务处理速率的求解模型可表示为：
Figure P_220623134422300_300452004
，
Figure P_220623134422316_316051005
表示地面用户i在t时隙的计算任务处理速率。基于以上求解思路，若设定比特不是1，则将其归一化之后再带入上式即可。
可选地，步骤S1022中，构建每个地面用户到浮空平台的第二链路传输速度的求解模型，具体包括如下步骤：
步骤S301，获取目标时隙下目标地面用户到目标浮空平台的第一水平距离和第一垂直距离。
步骤S302，基于第一水平距离和第一垂直距离计算目标时隙下目标地面用户和目标浮空平台视距传输的概率。
步骤S303，获取第三参数组。
其中，第三参数组包括：从目标地面用户到目标浮空平台所分配的信道带宽、从目标地面用户到目标浮空平台的信道噪声、目标地面用户到目标浮空平台的载波频率、目标时隙下目标地面用户和目标浮空平台视距传输施加在自由空间路径上的第一加性路径损耗、目标时隙下目标地面用户和目标浮空平台非视距传输施加在自由空间路径上的第二加性路径损耗。
步骤S304，基于目标时隙下目标地面用户和目标浮空平台视距传输的概率和第三参数组，构建目标地面用户到浮空平台的第二链路传输速度的求解模型。
具体的，若时隙t下地面用户i到浮空平台j的第一水平距离为
Figure P_220623134422348_348748001
，第一垂直距离为
Figure P_220623134422364_364894002
，则时隙t下地面用户i到浮空平台j的视距传输概率为：
Figure P_220623134422396_396144003
，其中，
Figure P_220623134422443_443019004
表示第一预设变量参数，
Figure P_220623134422458_458674005
表示第二预设变量参数。
在确定出视距传输的概率并获取到第三参数组之后，基于香农理论可确定，t时隙地面用户i和浮空平台j之间的路径损耗
Figure P_220623134422489_489888001
可通过下式求解：
Figure P_220623134422505_505538002
，其中，
Figure P_220623134422552_552391003
表示地面用户i到浮空平台j的载波频率，
Figure P_220623134422569_569998004
表示光速，
Figure P_220623134422601_601722005
表示时隙t下地面用户i和浮空平台j视距传输施加在自由空间路径上的第一加性路径损耗，
Figure P_220623134422617_617334006
表示时隙t下地面用户i和浮空平台j非视距传输施加在自由空间路径上的第二加性路径损耗。
因此，t时隙下地面用户i到浮空平台j的第二链路传输速度的求解模型为：
Figure P_220623134422648_648662001
，其中，
Figure P_220623134422679_679818002
表示t时隙下地面用户i到浮空平台j的第二链路传输速度，
Figure P_220623134422711_711091003
表示从地面用户i到浮空平台j所分配的信道带宽，
Figure P_220623134422726_726699004
表示浮空平台选择的变量（未知量），且
Figure P_220623134422759_759898005
，
Figure P_220623134422791_791170006
表示地面用户i在t时隙的发射功率（未知量），
Figure P_220623134422822_822406007
表示地面用户i到浮空平台j的信道噪声。
可选地，步骤S1022中，构建每个地面用户到卫星的第三链路传输速度的求解模型，具体包括如下步骤：
步骤S401，获取目标时隙下目标地面用户到卫星的第二水平距离和第二垂直距离。
步骤S402，基于第二水平距离和第二垂直距离计算目标时隙下目标地面用户和卫星视距传输的概率。
步骤S403，获取第四参数组。
其中，第四参数组包括：从目标地面用户到卫星所分配的信道带宽、从目标地面用户到卫星的信道噪声、目标地面用户到卫星的载波频率、目标时隙下目标地面用户和卫星视距传输施加在自由空间路径上的第三加性路径损耗、目标时隙下目标地面用户和卫星非视距传输施加在自由空间路径上的第四加性路径损耗。
步骤S404，基于目标时隙下目标地面用户和卫星视距传输的概率和第四参数组，构建目标地面用户到卫星的第三链路传输速度的求解模型。
具体的，t时隙下地面用户i到卫星s的第三链路传输速度的求解模型的构建方法，与上文中t时隙下地面用户i到浮空平台j的第二链路传输速度的求解模型的构建流程相似。
具体的，若时隙t下地面用户i到卫星s的第二水平距离为
Figure P_220623134422838_838035001
，第二垂直距离为
Figure P_220623134422869_869281002
，则时隙t下地面用户i到卫星s的视距传输概率为：
Figure P_220623134422900_900531003
，其中，
Figure P_220623134422950_950795004
表示第三预设变量参数，
Figure P_220623134422982_982558005
表示第四预设变量参数。
在确定出视距传输的概率并获取到第四参数组之后，基于香农理论可确定，t时隙地面用户i和卫星s之间的路径损耗
Figure P_220623134423029_029447001
可通过下式求解：
Figure P_220623134423060_060699002
，其中，
Figure P_220623134423091_091972003
表示地面用户i到卫星s的载波频率，
Figure P_220623134423123_123186004
表示光速，
Figure P_220623134423158_158307005
表示时隙t下地面用户i和卫星s视距传输施加在自由空间路径上的第三加性路径损耗，
Figure P_220623134423190_190079006
表示时隙t下地面用户i和卫星s非视距传输施加在自由空间路径上的第四加性路径损耗。
因此，t时隙下地面用户i到卫星s的第三链路传输速度的求解模型为：
Figure P_220623134423205_205720001
，其中，
Figure P_220623134423236_236967002
表示t时隙下地面用户i到卫星s的第三链路传输速度，
Figure P_220623134423268_268199003
表示从地面用户i到卫星s所分配的信道带宽，
Figure P_220623134423283_283869004
表示地面用户i在t时隙的发射功率（未知量），
Figure P_220623134423315_315071005
表示地面用户i到卫星s的信道噪声。
在一个可选的实施方式中，通信状态信息包括：无线信道增益和生成的计算任务类型；目标神经网络模型包括：多个演员网络和多个评论家网络，地面用户、演员网络和评论家网络一一对应。
上述步骤S106中，基于目标神经网络模型对所有地面用户在目标时隙的通信状态信息和目标时隙下浮空平台的位置信息进行处理，具体包括如下步骤：
步骤S1061，将目标地面用户在目标时隙的通信状态信息和目标时隙下浮空平台的位置信息输入对应的演员网络，得到目标地面用户在目标时隙的待优化计算任务卸载比例和初选浮空平台信息。
步骤S1062，基于所有地面用户的在目标时隙的通信状态信息、待优化计算任务卸载比例、初选浮空平台信息和目标时隙下浮空平台的位置信息对每个评论家网络进行集中式训练，得到每个演员网络的优势函数。
步骤S1063，基于每个演员网络的优势函数对相应的演员网络进行训练，训练结束后得到多个目标演员网络。
步骤S1064，利用目标地面用户对应的目标演员网络对目标地面用户在目标时隙的通信状态信息和目标时隙下浮空平台的位置信息进行处理，得到目标地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息。
图3为本发明实施例提供的一种目标神经网络模型的算法框架图，该算法属于多用户近端策略优化算法，利用评论家网络（Critic）的集中式训练和演员网络（Actor）的分布式执行方法，实现最优的任务卸载比例和浮空平台选择。
具体的，首先在每个地面用户对应的演员网络中输入该地面用户在目标时隙的本地状态，也即，地面用户在目标时隙的通信状态信息和目标时隙下浮空平台的位置信息，通过每个演员网络每个地面用户会分布式得到执行动作，也即，地面用户在目标时隙的待优化计算任务卸载比例和初选浮空平台信息，同时还能获取到用户奖励，也即，单时隙目标优化的速率和。
接下来，每个地面用户将相互交互执行动作和本地状态，将所有地面用户的本地状态和执行动作输入到每个地面用户对应的评论家网络中，以对每个评论家网络进行集中式训练，得到每个演员网络的优势函数。优势函数会通过对演员网络进行再训练而优化演员网络的网络参数，从而得到多个目标演员网络。
最后利用网络参数优化后的目标演员网络，对相应的地面用户在目标时隙的通信状态信息和目标时隙下浮空平台的位置信息进行处理，目标演员网络输出的结果即为目标地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息，也即
Figure P_220623134423348_348255001
，
Figure P_220623134423365_365379002
和
Figure P_220623134423396_396629003
。
在一个可选的实施方式中，上述步骤S108，基于目标地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息对单时隙问题模型进行处理，具体包括如下步骤：
步骤S1081，基于目标地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息，采用线性规划方法对单时隙问题模型进行求解，得到目标地面用户在目标时隙收集的能量。
步骤S1082，基于目标地面用户在目标时隙的计算任务卸载比例、选定的浮空平台信息和收集的能量，采用凸优化方法对单时隙问题模型进行求解，得到目标地面用户在目标时隙的发射功率和CPU周期频率。
具体的，已知单时隙问题模型是带有能量收集变量的问题模型，因此，在确定出目标地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息之后，采用线性规划方法即可对单时隙问题模型进行求解，得到目标地面用户在目标时隙收集的能量。本发明实施例不对线性规划方法的求解过程进行过多赘述。
在确定出
Figure P_220623134423412_412256001
，
Figure P_220623134423443_443509002
，
Figure P_220623134423459_459136003
和
Figure P_220623134423490_490405004
之后，单时隙问题模型就转成为了一个凸问题，因此，采用凸优化方法对单时隙问题模型进行求解，即可得到目标地面用户在目标时隙的发射功率
Figure P_220623134423506_506001005
和CPU周期频率
Figure P_220623134423537_537267006
。本发明实施例不对凸优化方法的求解过程进行过多赘述。
最后，基于所有地面用户在每个时隙的计算任务卸载比例、选定的浮空平台信息、发射功率、CPU周期频率和收集的能量，即可确定计算任务的卸载策略，并基于计算任务的卸载策略，对空天地网络的计算任务进行卸载。
发明人对本发明实施例所提供方法与传统方法进行了性能上的对比验证，图4为本发明实施例提供的多个计算任务卸载方法的性能对比图，图4中，LMAPPO代表本发明实施例所提供的方法，MAROP代表多智能体随机卸载策略，MEGP代表具有贪婪策略的卸载方案，通过图4可以看出，在不同的控制参数V下，本发明方法和其他的基线算法对比，可以更好的对抗时变信道增益、随机任务到达和动态浮空平台变换，这可以提高用户的服务质量，使得用户消耗更少的能量。
综上，本发明实施例提出了一种空天地网络中的计算任务卸载方法，该方法通过将多时隙问题模型转化为单时隙问题模型，并综合利用多用户近端策略优化算法、线性规划方法和凸优化方法对计算任务的卸载策略进行求解，从而使得空天地网络能够有效的对抗时变信道增益、随机任务到达和动态浮空平台变换，确保计算任务的速率和最大化，提升空天地网络中的资源利用率，以及提高地面用户的服务质量。
实施例二
本发明实施例还提供了一种空天地网络中的计算任务卸载装置，该空天地网络中的计算任务卸载装置主要用于执行上述实施例一所提供的空天地网络中的计算任务卸载方法，以下对本发明实施例提供的空天地网络中的计算任务卸载装置做具体介绍。
图5是本发明实施例提供的一种空天地网络中的计算任务卸载装置的功能模块图，如图5所示，该装置主要包括：获取模块100，转化模块200，第一处理模块300，第二处理模块400，确定模块500，卸载模块600，其中：
获取模块100，用于获取空天地网络中计算任务的多时隙问题模型、所有地面用户在每个时隙的通信状态信息和每个时隙下浮空平台的位置信息；其中，多时隙问题模型的目标为最大化计算任务的速率和。
转化模块200，用于基于预设优化算法将多时隙问题模型转化为单时隙问题模型。
第一处理模块300，用于针对目标时隙，基于目标神经网络模型对所有地面用户在目标时隙的通信状态信息和目标时隙下浮空平台的位置信息进行处理，得到每个地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息；目标时隙为多时隙中的任一时隙。
第二处理模块400，用于基于目标地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息对单时隙问题模型进行处理，得到目标地面用户在目标时隙的发射功率、CPU周期频率和收集的能量；目标地面用户为所有地面用户中的任一地面用户。
确定模块500，用于基于所有地面用户在每个时隙的计算任务卸载比例、选定的浮空平台信息、发射功率、CPU周期频率和收集的能量，确定计算任务的卸载策略。
卸载模块600，用于基于计算任务的卸载策略，对空天地网络的计算任务进行卸载。
本发明实施例所提供的空天地网络中的计算任务卸载装置所执行的空天地网络中的计算任务卸载方法，在获取到空天地网络中计算任务的多时隙问题模型、所有地面用户在每个时隙的通信状态信息和每个时隙下浮空平台的位置信息之后，首先将空天地网络中计算任务的多时隙问题模型转化为单时隙问题模型，然后利用目标神经网络模型求解每个地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息，再进一步求解目标地面用户在目标时隙的发射功率、CPU周期频率和收集的能量，从而确定出计算任务的卸载策略。利用本发明方法能够有效的对抗时变信道增益、随机任务到达和动态浮空平台变换，确保计算任务的速率和最大化，从而提升空天地网络中的资源利用率。
可选地，获取模块100，包括：
第一获取单元，用于获取第一参数组；其中，第一参数组包括：计算任务的总时长、相邻时隙的间隔时长、地面用户的总数、每个地面用户到基站的第一链路传输速度和每个地面用户在每个时隙生成的计算任务类型。
第一构建单元，用于针对每个时隙，构建第二参数组中每个参数的求解模型；其中，第二参数组包括：每个地面用户的计算任务处理速率、每个地面用户到浮空平台的第二链路传输速度和每个地面用户到卫星的第三链路传输速度。
第二获取单元，用于获取约束参数组；其中，约束参数组包括：每个地面用户的最大CPU执行频率、每个地面用户的最大发射功率和每个地面用户收集的能量上限。
第二构建单元，用于基于第一参数、第二参数组中每个参数的求解模型和约束参数组，构建计算任务的多时隙问题模型。
可选地，第一构建单元具体用于：
获取目标地面用户处理设定比特的计算任务所需要的CPU周期数目。
基于CPU周期数目和相邻时隙的间隔时长，构建目标地面用户的计算任务处理速率的求解模型。
可选地，第一构建单元还用于：
获取目标时隙下目标地面用户到目标浮空平台的第一水平距离和第一垂直距离。
基于第一水平距离和第一垂直距离计算目标时隙下目标地面用户和目标浮空平台视距传输的概率。
获取第三参数组；其中，第三参数组包括：从目标地面用户到目标浮空平台所分配的信道带宽、从目标地面用户到目标浮空平台的信道噪声、目标地面用户到目标浮空平台的载波频率、目标时隙下目标地面用户和目标浮空平台视距传输施加在自由空间路径上的第一加性路径损耗、目标时隙下目标地面用户和目标浮空平台非视距传输施加在自由空间路径上的第二加性路径损耗。
基于目标时隙下目标地面用户和目标浮空平台视距传输的概率和第三参数组，构建目标地面用户到浮空平台的第二链路传输速度的求解模型。
可选地，第一构建单元还用于：
获取目标时隙下目标地面用户到卫星的第二水平距离和第二垂直距离。
基于第二水平距离和第二垂直距离计算目标时隙下目标地面用户和卫星视距传输的概率。
获取第四参数组；其中，第四参数组包括：从目标地面用户到卫星所分配的信道带宽、从目标地面用户到卫星的信道噪声、目标地面用户到卫星的载波频率、目标时隙下目标地面用户和卫星视距传输施加在自由空间路径上的第三加性路径损耗、目标时隙下目标地面用户和卫星非视距传输施加在自由空间路径上的第四加性路径损耗。
基于目标时隙下目标地面用户和卫星视距传输的概率和第四参数组，构建目标地面用户到卫星的第三链路传输速度的求解模型。
可选地，通信状态信息包括：无线信道增益和生成的计算任务类型；目标神经网络模型包括：多个演员网络和多个评论家网络，地面用户、演员网络和评论家网络一一对应；第一处理模块300具体用于：
将目标地面用户在目标时隙的通信状态信息和目标时隙下浮空平台的位置信息输入对应的演员网络，得到目标地面用户在目标时隙的待优化计算任务卸载比例和初选浮空平台信息。
基于所有地面用户的在目标时隙的通信状态信息、待优化计算任务卸载比例、初选浮空平台信息和目标时隙下浮空平台的位置信息对每个评论家网络进行集中式训练，得到每个演员网络的优势函数。
基于每个演员网络的优势函数对相应的演员网络进行训练，训练结束后得到多个目标演员网络。
利用目标地面用户对应的目标演员网络对目标地面用户在目标时隙的通信状态信息和目标时隙下浮空平台的位置信息进行处理，得到目标地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息。
可选地，第二处理模块400具体用于：
基于目标地面用户在目标时隙的计算任务卸载比例和选定的浮空平台信息，采用线性规划方法对单时隙问题模型进行求解，得到目标地面用户在目标时隙收集的能量。
基于目标地面用户在目标时隙的计算任务卸载比例、选定的浮空平台信息和收集的能量，采用凸优化方法对单时隙问题模型进行求解，得到目标地面用户在目标时隙的发射功率和CPU周期频率。
实施例三
参见图6，本发明实施例提供了一种电子设备，该电子设备包括：处理器60，存储器61，总线62和通信接口63，所述处理器60、通信接口63和存储器61通过总线62连接；处理器60用于执行存储器61中存储的可执行模块，例如计算机程序。
其中，存储器61可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口63（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器61用于存储程序，所述处理器60在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的过程定义的装置所执行的方法可以应用于处理器60中，或者由处理器60实现。
处理器60可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61，处理器60读取存储器61中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的一种空天地网络中的计算任务卸载方法、装置和电子设备的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种空天地网络中的计算任务卸载方法，其特征在于，包括：
获取空天地网络中计算任务的多时隙问题模型、所有地面用户在每个时隙的通信状态信息和每个时隙下浮空平台的位置信息；其中，所述多时隙问题模型的目标为最大化计算任务的速率和；
基于预设优化算法将所述多时隙问题模型转化为单时隙问题模型；
针对目标时隙，基于目标神经网络模型对所有所述地面用户在所述目标时隙的通信状态信息和所述目标时隙下浮空平台的位置信息进行处理，得到每个所述地面用户在所述目标时隙的计算任务卸载比例和选定的浮空平台信息；所述目标时隙为多时隙中的任一时隙；
基于目标地面用户在所述目标时隙的计算任务卸载比例和选定的浮空平台信息对所述单时隙问题模型进行处理，得到所述目标地面用户在所述目标时隙的发射功率、CPU周期频率和收集的能量；所述目标地面用户为所述所有地面用户中的任一地面用户；
基于所有所述地面用户在每个时隙的计算任务卸载比例、选定的浮空平台信息、发射功率、CPU周期频率和收集的能量，确定所述计算任务的卸载策略；
基于所述计算任务的卸载策略，对所述空天地网络的计算任务进行卸载。
2.根据权利要求1所述的计算任务卸载方法，其特征在于，获取空天地网络中计算任务的多时隙问题模型，包括：
获取第一参数组；其中，所述第一参数组包括：所述计算任务的总时长、相邻时隙的间隔时长、所述地面用户的总数、每个所述地面用户到基站的第一链路传输速度和每个所述地面用户在每个时隙生成的计算任务类型；
针对每个时隙，构建第二参数组中每个参数的求解模型；其中，所述第二参数组包括：每个所述地面用户的计算任务处理速率、每个所述地面用户到浮空平台的第二链路传输速度和每个所述地面用户到卫星的第三链路传输速度；
获取约束参数组；其中，所述约束参数组包括：每个所述地面用户的最大CPU执行频率、每个所述地面用户的最大发射功率和每个所述地面用户收集的能量上限；
基于所述第一参数、所述第二参数组中每个参数的求解模型和所述约束参数组，构建所述计算任务的多时隙问题模型。
3.根据权利要求2所述的计算任务卸载方法，其特征在于，构建每个所述地面用户的计算任务处理速率的求解模型，包括：
获取目标地面用户处理设定比特的计算任务所需要的CPU周期数目；
基于所述CPU周期数目和所述相邻时隙的间隔时长，构建所述目标地面用户的计算任务处理速率的求解模型。
4.根据权利要求2所述的计算任务卸载方法，其特征在于，构建每个所述地面用户到浮空平台的第二链路传输速度的求解模型，包括：
获取目标时隙下目标地面用户到目标浮空平台的第一水平距离和第一垂直距离；
基于所述第一水平距离和所述第一垂直距离计算所述目标时隙下目标地面用户和所述目标浮空平台视距传输的概率；
获取第三参数组；其中，所述第三参数组包括：从所述目标地面用户到所述目标浮空平台所分配的信道带宽、从所述目标地面用户到所述目标浮空平台的信道噪声、所述目标地面用户到所述目标浮空平台的载波频率、目标时隙下所述目标地面用户和所述目标浮空平台视距传输施加在自由空间路径上的第一加性路径损耗、目标时隙下所述目标地面用户和所述目标浮空平台非视距传输施加在自由空间路径上的第二加性路径损耗；
基于所述目标时隙下目标地面用户和所述目标浮空平台视距传输的概率和所述第三参数组，构建所述目标地面用户到所述浮空平台的第二链路传输速度的求解模型。
5.根据权利要求2所述的计算任务卸载方法，其特征在于，构建每个所述地面用户到卫星的第三链路传输速度的求解模型，包括：
获取目标时隙下目标地面用户到卫星的第二水平距离和第二垂直距离；
基于所述第二水平距离和所述第二垂直距离计算所述目标时隙下目标地面用户和所述卫星视距传输的概率；
获取第四参数组；其中，所述第四参数组包括：从所述目标地面用户到所述卫星所分配的信道带宽、从所述目标地面用户到所述卫星的信道噪声、所述目标地面用户到所述卫星的载波频率、目标时隙下所述目标地面用户和所述卫星视距传输施加在自由空间路径上的第三加性路径损耗、目标时隙下所述目标地面用户和所述卫星非视距传输施加在自由空间路径上的第四加性路径损耗；
基于所述目标时隙下目标地面用户和所述卫星视距传输的概率和所述第四参数组，构建所述目标地面用户到所述卫星的第三链路传输速度的求解模型。
6.根据权利要求1所述的计算任务卸载方法，其特征在于，所述通信状态信息包括：无线信道增益和生成的计算任务类型；所述目标神经网络模型包括：多个演员网络和多个评论家网络，所述地面用户、所述演员网络和所述评论家网络一一对应；
基于目标神经网络模型对所有所述地面用户在所述目标时隙的通信状态信息和所述目标时隙下浮空平台的位置信息进行处理，包括：
将所述目标地面用户在所述目标时隙的通信状态信息和所述目标时隙下浮空平台的位置信息输入对应的演员网络，得到所述目标地面用户在所述目标时隙的待优化计算任务卸载比例和初选浮空平台信息；
基于所有所述地面用户的在所述目标时隙的通信状态信息、待优化计算任务卸载比例、初选浮空平台信息和所述目标时隙下浮空平台的位置信息对每个评论家网络进行集中式训练，得到每个演员网络的优势函数；
基于每个演员网络的优势函数对相应的演员网络进行训练，训练结束后得到多个目标演员网络；
利用所述目标地面用户对应的目标演员网络对所述目标地面用户在所述目标时隙的通信状态信息和所述目标时隙下浮空平台的位置信息进行处理，得到所述目标地面用户在所述目标时隙的计算任务卸载比例和选定的浮空平台信息。
7.根据权利要求1所述的计算任务卸载方法，其特征在于，基于目标地面用户在所述目标时隙的计算任务卸载比例和选定的浮空平台信息对所述单时隙问题模型进行处理，包括：
基于所述目标地面用户在所述目标时隙的计算任务卸载比例和选定的浮空平台信息，采用线性规划方法对所述单时隙问题模型进行求解，得到所述目标地面用户在所述目标时隙收集的能量；
基于所述目标地面用户在所述目标时隙的计算任务卸载比例、选定的浮空平台信息和收集的能量，采用凸优化方法对所述单时隙问题模型进行求解，得到所述目标地面用户在所述目标时隙的发射功率和CPU周期频率。
8.一种空天地网络中的计算任务卸载装置，其特征在于，包括：
获取模块，用于获取空天地网络中计算任务的多时隙问题模型、所有地面用户在每个时隙的通信状态信息和每个时隙下浮空平台的位置信息；其中，所述多时隙问题模型的目标为最大化计算任务的速率和；
转化模块，用于基于预设优化算法将所述多时隙问题模型转化为单时隙问题模型；
第一处理模块，用于针对目标时隙，基于目标神经网络模型对所有所述地面用户在所述目标时隙的通信状态信息和所述目标时隙下浮空平台的位置信息进行处理，得到每个所述地面用户在所述目标时隙的计算任务卸载比例和选定的浮空平台信息；所述目标时隙为多时隙中的任一时隙；
第二处理模块，用于基于目标地面用户在所述目标时隙的计算任务卸载比例和选定的浮空平台信息对所述单时隙问题模型进行处理，得到所述目标地面用户在所述目标时隙的发射功率、CPU周期频率和收集的能量；所述目标地面用户为所述所有地面用户中的任一地面用户；
确定模块，用于基于所有所述地面用户在每个时隙的计算任务卸载比例、选定的浮空平台信息、发射功率、CPU周期频率和收集的能量，确定所述计算任务的卸载策略；
卸载模块，用于基于所述计算任务的卸载策略，对所述空天地网络的计算任务进行卸载。
9.一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7中任一项所述的空天地网络中的计算任务卸载方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现上述权利要求1至7中任一项所述的空天地网络中的计算任务卸载方法。
CN202210811924.4A 2022-07-12 2022-07-12 空天地网络中的计算任务卸载方法、装置和电子设备 Active CN114884957B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210811924.4A CN114884957B (zh) 2022-07-12 2022-07-12 空天地网络中的计算任务卸载方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210811924.4A CN114884957B (zh) 2022-07-12 2022-07-12 空天地网络中的计算任务卸载方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN114884957A true CN114884957A (zh) 2022-08-09
CN114884957B CN114884957B (zh) 2022-09-23

Family

ID=82683421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210811924.4A Active CN114884957B (zh) 2022-07-12 2022-07-12 空天地网络中的计算任务卸载方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN114884957B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115686669A (zh) * 2022-10-17 2023-02-03 中国矿业大学 一种能量收集辅助的矿山物联网智能计算卸载方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110868455A (zh) * 2019-10-29 2020-03-06 北京邮电大学 一种基于空天地远程物联网的计算卸载方法及系统
CN112910964A (zh) * 2021-01-18 2021-06-04 北京理工大学 一种混合云和边缘计算的leo卫星网络计算卸载方法
CN112929074A (zh) * 2021-01-27 2021-06-08 东南大学 一种卫星和高空平台协助的星地边缘计算任务卸载方法
WO2021139537A1 (zh) * 2020-01-08 2021-07-15 上海交通大学 一种工业物联网中基于功率控制和资源分配的任务卸载方法
CN113939034A (zh) * 2021-10-15 2022-01-14 华北电力大学 一种立体异构电力物联网云边端协同资源分配方法
CN114051254A (zh) * 2021-11-08 2022-02-15 南京大学 一种基于星地融合网络的绿色云边协同计算卸载方法
CN114153572A (zh) * 2021-10-27 2022-03-08 中国电子科技集团公司第五十四研究所 一种星地协作网络中分布式深度学习的计算卸载方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110868455A (zh) * 2019-10-29 2020-03-06 北京邮电大学 一种基于空天地远程物联网的计算卸载方法及系统
WO2021139537A1 (zh) * 2020-01-08 2021-07-15 上海交通大学 一种工业物联网中基于功率控制和资源分配的任务卸载方法
CN112910964A (zh) * 2021-01-18 2021-06-04 北京理工大学 一种混合云和边缘计算的leo卫星网络计算卸载方法
CN112929074A (zh) * 2021-01-27 2021-06-08 东南大学 一种卫星和高空平台协助的星地边缘计算任务卸载方法
CN113939034A (zh) * 2021-10-15 2022-01-14 华北电力大学 一种立体异构电力物联网云边端协同资源分配方法
CN114153572A (zh) * 2021-10-27 2022-03-08 中国电子科技集团公司第五十四研究所 一种星地协作网络中分布式深度学习的计算卸载方法
CN114051254A (zh) * 2021-11-08 2022-02-15 南京大学 一种基于星地融合网络的绿色云边协同计算卸载方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115686669A (zh) * 2022-10-17 2023-02-03 中国矿业大学 一种能量收集辅助的矿山物联网智能计算卸载方法
CN115686669B (zh) * 2022-10-17 2023-05-23 中国矿业大学 一种能量收集辅助的矿山物联网智能计算卸载方法

Also Published As

Publication number Publication date
CN114884957B (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
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
CN111586720B (zh) 一种多小区场景下的任务卸载和资源分配的联合优化方法
CN111372314A (zh) 基于移动边缘计算场景下的任务卸载方法及任务卸载装置
CN110620611B (zh) 一种基于geo与leo双层卫星网络的协同频谱感知方法
CN113242568A (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN110505644B (zh) 用户任务卸载与资源分配联合优化方法
CN109413724A (zh) 一种基于mec的任务卸载和资源分配方案
CN108901075B (zh) 一种基于gs算法的资源分配方法
CN114650228B (zh) 一种异构网络中基于计算卸载的联邦学习调度方法
CN112600921A (zh) 一种面向异构移动边缘网络的动态任务卸载方法
CN109151864A (zh) 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法
Callegaro et al. Optimal computation offloading in edge-assisted UAV systems
CN110233755B (zh) 一种物联网中雾计算的计算资源和频谱资源分配方法
CN114884957B (zh) 空天地网络中的计算任务卸载方法、装置和电子设备
Park et al. Kolkata paise restaurant game for resource allocation in the internet of things
CN113988160A (zh) 一种基于时效性的半异步分层联邦学习更新方法
CN105554771B (zh) 基于密集分布的毫微微用户资源分配方法
CN114219354A (zh) 一种基于联邦学习资源分配优化方法及系统
CN115866787A (zh) 融合终端直传通信和多接入边缘计算的网络资源分配方法
Mahmoud et al. Federated learning resource optimization and client selection for total energy minimization under outage, latency, and bandwidth constraints with partial or no CSI
CN117835418B (zh) 基于蜂窝网联无人机的空地协同监控资源分配方法及装置
CN108616996B (zh) 一种Femtocell网络的频谱和功率分配方法、装置及系统
Al-Abiad et al. Task offloading optimization in NOMA-enabled dual-hop mobile edge computing system using conflict graph
Yu et al. Task delay minimization in wireless powered mobile edge computing networks: A deep reinforcement learning approach
CN116828534B (zh) 基于强化学习的密集网络大规模终端接入与资源分配方法

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