CN115226130A

CN115226130A - 基于公平性感知的多无人机数据卸载方法及相关设备

Info

Publication number: CN115226130A
Application number: CN202210826021.3A
Authority: CN
Inventors: 包卫东; 闫辉; 王吉; 钟正仪; 张亮
Original assignee: National University of Defense Technology
Current assignee: National University of Defense Technology
Priority date: 2022-07-14
Filing date: 2022-07-14
Publication date: 2022-10-21
Anticipated expiration: 2042-07-14
Also published as: CN115226130B

Abstract

本申请提供一种基于公平性感知的多无人机数据卸载方法及相关设备。应用于数据卸载系统，数据卸载系统包括多个基站、多个无人机和多个用户端，并从多个基站中选定任一基站作为起始基站；该方法由起始基站执行，包括：根据多个基站、多个无人机和多个用户端构建与数据卸载系统对应的数据卸载模型；响应于确定任一无人机到达，获取到达的无人机的数据信息；根据数据卸载模型和数据信息进行优化处理，得到最优调度策略，该到达的无人机根据接收到的最优调度策略执行数据卸载任务，得到卸载数据，并将卸载数据发送至根据最优调度策略选定的终止基站进行存储。在保证数据卸载效率的同时最大化服务公平性。

Description

基于公平性感知的多无人机数据卸载方法及相关设备

技术领域

本申请涉及无线通信技术领域，尤其涉及一种基于公平性感知的多无人机数据卸载方法及相关设备。

背景技术

随着物联网的快速发展，大量物联网设备被应用于各个领域，然而，某些类型的物联网设备，例如温度传感器，由于其硬件尺寸有限，通常具有非常有限的计算能力，甚至没有计算能力，这些物联网设备在本地处理数据具有挑战性，因此，对于这些物联网应用，如何将物联网设备的数据尽快发送到边缘系统至关重要。此外，在一些缺乏通信网络覆盖的新的物联网场景，如森林火灾探测、数字农场监控、灾害紧急救援等。对于这些场景，将数据卸载到边缘系统还面临着物联网设备和边缘系统之间的通信网络不可达的问题。

基于上述情况，现有技术中利用无人机实现跨区域数据卸载，由于无人机具有机动速度快、成本低、使用方便等优点，可以根据要服务的物联网设备规模、需要覆盖的区域大小等物联网应用的需求灵活部署，以弥补无线通信网络中断导致的通信间隙，然而，面向通信网络受限的物联网应用的无人机支持的数据卸载是一种典型的未来空地一体化网络服务方式，它给传统的数据卸载方法带来了许多挑战。首先，由于物联网应用固有的异构性，物联网数据生成模式明显不同。例如，不同物联网设备的数据大小和数据生成频率是异构的。即使对于相同的物联网设备，其数据生成频率也不可能总是稳定的。此外，物联网的能力也存在差异，如存储能力。在异构物联网设备能力、异构数据生成模式、异构数据卸载需求的情况下，如何维护数据卸载的服务公平性需要更加迫切的关注。其次，异质无人机的飞行速度、电池容量和存储容量表现出明显的差异。考虑到电池的容量限制，高能效的数据卸载对电池供电的无人机至关重要。如何在考虑服务公平性的同时，以相同的能耗传输更多的数据是一个具有挑战性的优化问题。最后但同样重要的是，由于缺乏无线通信网络，直到无人机向相应的物联网设备提供服务时，才能获得物联网设备的状态信息。然而，在到达目标边缘之前，无人机通常需要服务多个物联网设备。因此，在更新边缘处的物联网设备状态时，不可避免地存在大的时间延迟和不确定性。物联网设备状态信息的不确定性将更有可能恶化服务公平性。

发明内容

有鉴于此，本申请的目的在于提出一种基于公平性感知的多无人机数据卸载方法及相关设备，用以解决或部分解决上述技术问题。

基于上述目的，本申请的第一方面提供了一种基于公平性感知的多无人机数据卸载方法，应用于数据卸载系统，所述数据卸载系统包括多个基站、多个无人机和多个用户端，并从多个基站中选定任一基站作为起始基站；所述方法由所述起始基站执行，包括：

获取所述多个基站的模型构建信息、所述多个无人机的模型构建信息和所述多个用户端的模型构建信息，并根据所述多个基站的模型构建信息、所述多个无人机的模型构建信息和所述多个用户端的模型构建信息构建与所述数据卸载系统对应的数据卸载模型；

响应于确定任一无人机到达，获取该到达的无人机的数据信息；

根据所述数据卸载模型和所述数据信息进行优化处理，得到最优调度策略，将所述最优调度策略发送至该到达的无人机，该到达的无人机根据接收到的所述最优调度策略执行数据卸载任务，得到卸载数据，并将所述卸载数据发送至根据所述最优调度策略选定的终止基站进行存储。

基于同一发明构思，本申请的第二方面提供了一种数据卸载系统，所述数据卸载系统包括多个基站、多个无人机和多个用户端，并从多个基站中选定任一基站作为起始基站；所述方法由所述起始基站执行，包括：

数据卸载模型构建模块，被配置为获取所述多个基站的模型构建信息、所述多个无人机的模型构建信息和所述多个用户端的模型构建信息，并根据所述多个基站的模型构建信息、所述多个无人机的模型构建信息和所述多个用户端的模型构建信息构建与所述数据卸载系统对应的数据卸载模型；

数据信息获取模块，被配置为响应于确定任一无人机到达，获取该到达的无人机的数据信息；

调度模块，被配置为根据所述数据卸载模型和所述数据信息进行优化处理，得到最优调度策略，将所述最优调度策略发送至该到达的无人机，该到达的无人机根据接收到的所述最优调度策略执行数据卸载任务，得到卸载数据，并将所述卸载数据发送至根据所述最优调度策略选定的终止基站进行存储。

基于同一个发明构思，本申请的第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。

基于同一个发明构思，本申请的第四方面提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行第一方面所述方法。

从上面所述可以看出，本申请提供的基于公平性感知的多无人机数据卸载方法及相关设备，利用多个基站、多个无人机和多个用户端构建与数据卸载系统对应的数据卸载模型，使得用户端、基站和无人机之间的关系建立为约束组合优化的模型，然后根据数据卸载模型和数据信息进行优化得到最优调度策略，无人机根据接收到的最优调度策略执行数据卸载任务，得到卸载数据，使得在保证数据卸载效率的同时最大化服务公平性，最后将卸载数据发送至终止基站进行存储。

附图说明

为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例的基于公平性感知的多无人机数据卸载方法的流程图；

图2为本申请实施例的数据卸载系统和数据卸载模型的示意图；

图3为本申请实施例的基于动态激励的坐标下降优化框架优化框架示意图；

图4-a为本申请实施例的用户端与基站的位置信息示意图；

图4-b为本申请实施例的用户端和基站之间的距离关系的示意图；

图5为本申请实施例的数据到达率评估的有效性的示意图；

图6-a为本申请实施例的基于动态激励的坐标下降优化框架的适应度函数变化趋势示意图；

图6-b为本申请实施例的基于动态激励的坐标下降优化框架的资源利用率变化趋势示意图；

图7为本申请实施例的生成调度策略的运行时长示意图；

图8为本申请实施例的服务公平性随时间的变化趋势示意图；

图9为本申请实施例的能效随时间的变化趋势示意图；

图10为本申请实施例的数据卸载吞吐率随时间变化趋势示意图；

图11为本申请实施例的适应性随时间变化趋势示意图；

图12为本申请实施例的数据卸载系统的结构示意图；

图13为本申请实施例的电子设备的示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。

需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

相关技术中采用单个无人机进行数据卸载，对于单个无人机通常假设系统配备有一个可用的基站，然而由于电池容量和存储容量不足，单个无人机可以服务的用户端数量有限。因此，不适合大规模用户端。

此外，为了弥补单个无人机支持数据卸载的缺点，使用多无人机卸载进行数据卸载，然而多无人机赋能的数据卸载的服务公平性经常被忽略，但它对于提高服务质量至关重要，并且一般假设系统状态信息可以实时获取，任务状态是确定的，这在现实中很难满足。考虑到系统状态信息包括用户端状态、无人机状态等信息的不确定性，这些不确定性将更有可能恶化服务公平性。

本申请的实施例提供一种基于公平性感知的多无人机数据卸载方法及相关设备，通过构建数据卸载模型，根据数据卸载模型和数据信息进行优化处理，得到最优调度策略，使得无人机根据最优调度策略执行数据卸载任务，最后将卸载数据发送至终止基站进行存储，在保证数据卸载效率的同时最大化服务公平性。

如图1所示，应用于数据卸载系统，所述数据卸载系统包括多个基站、多个无人机和多个用户端，并从多个基站中选定任一基站作为起始基站；所述方法由所述起始基站执行，包括：

步骤101，获取所述多个基站的模型构建信息、所述多个无人机的模型构建信息和所述多个用户端的模型构建信息，并根据所述多个基站的模型构建信息、所述多个无人机的模型构建信息和所述多个用户端的模型构建信息构建与所述数据卸载系统对应的数据卸载模型。

具体实施时，如图2所示，数据卸载系统表示具有多个基站的异构无人机赋能的数据卸载的设想场景。根据场景中的多个基站、多个无人机和多个用户端构建与数据卸载系统对应的数据卸载模型，将缺乏通信网络的物联网场景，如森林火灾探测、智能农场监控、灾害紧急救援等抽象为一个无向加权图。在该场景中，有许多物联网设备，如相机、机器人、传感器等随机分布。为了描述方便，这些物联网设备被认为是设想场景中的用户端。此外，用户端和基站被表示为节点，其中基站由具有虚线的圆圈表示。不同节点之间的边表示用户端与基站的地理关系，其中虚线表示基站与用户端之间的边，实线表示用户端之间的边。边的权重表示一对节点之间的最短距离。用户端生成或收集的数据存储在自己的数据队列中。一般来说，用户端数据队列有一个上限，即存储容量。对于每个用户端，如果要卸载的数据总量超过其存储容量，则必须丢弃新生成的数据。考虑场景中有多个基站，但是这些基站距离用户端较远，即这些基站不能直接向用户端提供无线通信网络。这些基站配备了多个异构无人机。无人机收集的用户端数据可以被有效地处理并存储在任何基站的数据处理单元中。

在一些实施例中，在步骤101之后，包括：

基于所述数据卸载模型构建系统模型、用户端数据模型和无人机轨迹模型。

基于所述系统模型、所述用户端数据模型和所述无人机轨迹模型构建任务调度模型。

具体实施时，系统模型的构建如下：

当数据卸载系统中有κ个基站，基站集合可以表示为

对于

它的位置记为

用户端集合表示为

每个用户端被建模为v_i＝(a_i，q_i，l_i)，其中a_i，q_i和l_i分别表示数据到达速率、数据队列长度和用户端的位置。数据到达率a_i反映了生成数据的频率，该频率可以随着环境的变化而变化。生成的数据将存储在用户端数据队列中，卸载的数据将从数据队列中释放。数据队列长度q_i表示当前存储在数据队列中的数据量。对于任何用户端来说，它能够存储的数据量都不可能是无限的。用户端的存储容量表示为

所以

成立。类似于基站，每个用户端v_i有一个固定的位置

由于天空中通常没有障碍物，无人机可以直接从一个用户端飞到另一个用户端。因此，用户端之间的最短距离可以表示如下：

其中，||·||₂代表范数。此外，用户端v_i和基站b_k之间的最短距离表示如下：

当数据卸载系统中有n个无人机，那么无人机集合可以表示为

由于无人机具有异构性，因此将每架无人机定义为u_j＝(s_j，r_j，c_j，e_j，p_j)，其中s_j，r_j，c_j，e_j，p_j分别代表无人机u_j的飞行速度、通信速率、存储容量、当前电量、能耗功率，一般可以将飞行速度s_j视为一个常量值。由于不同用户端的硬件条件和工作环境不同，无人机在为不同用户端提供数据卸载服务时表现出不同的通信速率。假设无人机u_j的通信带宽为B_j，无人机u_j与用户端v_j的信噪比为SNR_i，j，则通信速率r_j可以表示为：

存储容量c_j衡量为可以收集的最大数据量。当前电量e_j表示当前时刻u_j的剩余电量。若所有无人机在使用前都是充满电的，

表示最大电量。无人机通常具有临界电量阈值e_j 。一旦无人机的当前电量低于其临界阈值，无人机必须返回到基站。因此，应该满足

能耗功率可以进一步表示为一个元组

其中

和

分别为飞行状态和服务状态下的能耗功率。在服务状态下，由于无人机不仅要保持悬停姿态，还要与用户端进行无线通信。所以服务能耗功率大于飞行能耗功率，即

用户端数据模型的构建如下：

调度策略与基站获取的用户端状态信息密切相关，尤其是用户端的数据到达率和数据队列长度。由于用户端状态信息无法从用户端实时传输到基站，必然会给基站带来估算用户端数据到达率和数据队列长度的误差。此外，数据到达率直接影响用户端数据队列长度的预测。如果数据到达率的估计误差过大，会增加调度策略与用户端需求的不匹配，削弱数据卸载效率。因此，引入用户端数据模型来实现异步更新条件下用户端数据到达率和用户端数据队列长度的近似估计。对于

将其数据到达率的估计值表示为

然后，通过以下过程来近似估计用户端数据到达速率和用户端数据队列长度。

首先是对无人机的短期估计：在为用户端提供数据卸载服务的过程中，虽然无人机无法准确捕捉到用户端的数据生成规律，但用户端的数据到达率可以用其服务周期内的数据生成率来近似表示。若无人机u_j从时间

到时间

为用户端v_i提供数据卸载服务，对应时刻的数据队列长度分别为

和

卸载的数据总量为θ_i，j，在此基础上，无人机u_j对用户端v_i的服务时长可以表示为

δ_i，j≥0始终成立。此外，无人机上的估计数据到达速率可以近似表示如下：

其次确定服务时间的可参考性：无人机为用户端提供服务的时间越长，对用户端数据到达率的估计精度应该越高。即随着无人机的服务时间增加，无人机上估计的用户端数据到达率的可参考性增加；否则，可参考性会降低。为了定量衡量可参考性，将无人机的平均服务时间作为一个动态参考点。将平均服务时间表示为

服务时间的可参考性表示如下：

显然，当且仅当服务时间δ_i，j等于平均服务时间

时，可参考性μ_i，j将等于1。如果

则0≤μ_i，j＜1；否则，μ_i，j＞1。

然后进行基站综合估计：基于指数平滑，在基站综合估计用户端数据到达率。假设基本平滑常数为β，一旦确定了可参考性，与时间相关的平滑系数可以表示如下：

λ_i，j＝min{βμ_i，j，1}

设

表示基站上一次更新的估计数据到达率，则数据到达率的综合估计值可以表示为：

最后预测用户端数据队列长度：根据估计的数据到达率，可以进一步推导出当前时刻用户端数据队列长度的预测值。对于

将它的数据队列长度的预测值定义为

可以用公式表示如下：

其中

为数据卸载结束时

用户端v_i的数据队列长度，T^c为当前时刻，

表示除当前无人机u_j外，用户端v_i预计卸载到无人机的数据总量，

为用户端的存储容量。

无人机轨迹模型的构建如下：

无人机飞行轨迹的长度对无人机赋能的数据卸载系统的性能有很大的影响。一方面，无人机轨迹的长度决定了无人机的飞行时长，间接影响了用户端数据卸载到基站的及时性。另一方面，无人机轨迹的长度决定了无人机在飞行中消耗的电量，这直接影响到无人机的任务调度能效。因此，通过无人机轨迹模型，使得无人机的轨迹长度对于相同的用户端尽可能短。将需要数据卸载到无人机u_j的用户端集合表示为

可以表示如下：

对于相同的

无人机轨迹长度越短，意味着总飞行时间越短，以及飞行的电量消耗越少。在多个基站的情况下，由于要服务的用户端的不同位置，无人机离开的基站可能不同于它最终到达的基站。使用

和

来分别表示无人机轨迹的起始基站和终止基站。那么无人机轨迹模型就是寻找从

开始，遍历

中所有用户端，最后到达

的最佳轨迹。因此根据

是否等于

将无人机轨迹模型分为两种情况。

第一种情况

若

成立，利用最近插入法来逼近最佳任务轨道，该方式概括为以下步骤：

第一步：以

为原点，随机选取两个用户端

作为无人机轨迹τ_j的中间点，得到子轨迹

其形状为

v_i，v_k构成的三角形。然后，从

中去掉v_i和v_k。

第二步：选择一个新用户端

作为下一个元素。依次遍历

发现最佳插入点I，使新子轨迹的轨迹长度

最小。假设最佳插入点为I＝2，新的子轨迹可以表示为

然后，从

中删除v_m。

第三步：通过重复第二步，逐个分配剩余的用户端来扩展这个子轨迹。如果

为真，则将起始基站

附加到子轨迹的末端，从而获得最优无人机轨迹，即

此外，最短轨迹长度可以表示为：

其中|τ_j|表示无人机轨迹经过的总点数，π(m)，m∈{2，3，…，|τ_j|-1}表示τ_j中第m个元素对应的

中用户端的下标，例如，假设τ_j中第2个元素是v_i，则π(2)＝i。π(1)和π(|τ_j|)分别表示起始基站和终止基站的下标。

第二种情况

如果

为真，则无人机需要从

开始，遍历

中的所有用户端，最终到达

这样，无人机的轨迹就会呈现出一条连续曲线的形状。则

情况下的无人机轨迹模型的建立概括如下：

第一步：设

和

分别为起点和终点，随机选取一个用户端

作为τ_j的中间点，这样，子轨迹可以表示为

然后，把v_i从

中去掉。

第二步：选择一个新用户端

作为下一个元素。依次遍历

找出最优插入点

然后，从

中删除v_m。

成立，则切断

与

的直接联系，得到最优任务轨迹，即

而且根据

可以计算出最短的轨迹长度。

在最近插入法的第k步中，为了确定最佳插入点，需要进行|τ_j|-k-1次比较。总的来说，比较的总次数应该是(|τ_j|-2)+(|τ_j|-3)+…+1＝(|τ_j|-1)(|τ_j|-2)/2，所以最近插入的时间复杂度是O(|τ_j|²)。通过应用最近插入法，无人机轨迹规划的复杂度可以从O((|τ_j|-1)！)显著降低到O(|τ_j|²)，从而减少了确定调度策略的时间。

步骤102，响应于确定任一无人机到达，获取所述无人机的数据信息。

具体实施时，当数据卸载系统的场景中的任一无人机到达起始基站，起始基站获取无人机的数据信息，以根据无人机的数据信息进行计算处理。

步骤103，根据所述数据卸载模型和所述数据信息进行优化处理，得到最优调度策略，将所述最优调度策略发送至该到达的无人机，该到达的无人机根据接收到的所述最优调度策略执行数据卸载任务，得到卸载数据，并将所述卸载数据发送至根据所述最优调度策略选定的终止基站进行存储。

具体实施时，当无人机向基站卸载数据时，用户端的状态信息也会同时更新。基站收到无人机的用户端状态信息后，综合评估用户端和无人机的状态，为无人机生成新的调度策略，该策略由任务轨迹和用户端需要卸载的数据量组成。根据调度策略，无人机从起始基站开始，依次为任务轨迹中的用户端提供数据卸载服务，最后返回终止基站。其中，根据用户端业务需求，终止基站可以是起始基站本身，也可以是其他基站。

在一些实施例中，步骤103中，所述根据所述数据卸载模型和所述数据信息进行优化处理，得到最优调度策略，包括：

步骤A1，根据所述数据信息对所述任务调度模型进行优化，得到最优调度策略。

具体实施时，通过数据信息对任务调度模型的优化得到最优调度策略，最优调度策略能够在保证数据卸载效率的同时最大化服务公平性。

在一些实施例中，所述任务调度模型包括目标函数和多个约束，其中，所述目标函数具体为：

其中，

表示为用户端i的存储容量，

表示为用户端i数据队列长度预测值，θ_i，j表示为无人机j对用户端i卸载数据总量，max：f(Θ)表示为目标函数，Θ＝{θ_1，j，θ_2，j，…，θ_m，j}，Θ表示为无人机j对服务的全部用户端卸载数据总量集合，m表示无人机的数量；

所述多个约束包括第一约束、第二约束、第三约束和第四约束，所述第一约束具体为：

其中，

表示为无人机j最短轨迹长度，θ_i，j表示为卸载数据总量，e_j 表示为无人机j的临界电量阈值，s_j表示为无人机j的飞行速度，

表示为无人机j飞行状态下的能耗功率，

表示无人机j服务状态下的能耗功率，m表示无人机的数量；

所述第二约束具体为：

其中，θ_i，j表示为无人机j对用户端i卸载数据总量，c_j表示无人机j的存储容量；m表示无人机的数量；

所述第三约束具体为：

其中，θ_i，j表示为无人机j对用户端i卸载数据总量，

表示为用户端i数据队列长度预测值，v_i表示第i个用户端，

表示用户端集合；

所述第四约束具体为：

Θ＝{θ_1，j，θ_2，j，…，θ_m，j}

其中，θ_1，j表示第一个用户端向无人机j卸载的数据总量，θ_2，j表示第二个用户端向无人机j卸载的数据总量，θ_m，j表示第m个用户端向无人机j卸载的数据总量；Θ表示全部用户端向无人机j卸载的数据总量的集合。

具体实施时，公平感知的异构无人机支持的数据卸载的关键问题是生成一个由无人机任务轨迹和用户端数据卸载量组成的调度策略，以便在保持服务公平性的同时收集尽可能多的用户端数据，为了测量服务公平性，将Jain公平指数(Jain Fairness Index)引入任务调度模型，并且将任务调度模型建模目标函数和多个约束，其中，多个约束包括第一约束、第二约束、第三约束和第四约束。

目标函数的目的是使所有用户端能够获得系统资源的公平共享。一旦无人机的电量低于其临界阈值，它就不能再执行任务。因此，第一个约束限制了无人机的预期剩余电量。第二个约束表示无人机可以收集的数据总量不能超过其存储容量。在实际场景中，每个用户端的数据卸载量不能超过数据队列的期望值，并且不应该是负的，因此必须满足第三个约束。

其中，Jain公平指数通常用于网络工程中，以确定用户端或应用程序是否获得了系统资源的公平共享。其计算式如下：

FI为公平指数，T_i为网络中第i条链路的传输容量；O_i为所有n条链路全都工作时，第i条链路的实际吞吐量。FI的取值范围为[1/n，1]。当FI＝1时，整个系统达到绝对公平，各条链路的实际吞吐量与其传输容量对应成比例，各链路按照其传输容量所占比例使用无线资源；当FI＝1/n时，系统将完全不公平，此情况为某一链路完全分享无线资源，其他链路的流量为0。

在一些实施例中，步骤A1，包括：

步骤A11，根据所述数据信息对所述多个用户端进行筛选，得到目标用户端。

步骤A12，基于所述目标用户端对所述多个基站进行筛选，得到所述终止基站。

步骤A13，根据所述目标用户端和所述终止基站得到初始化卸载数据总量。

步骤A14，根据预设的基本卸载数据增量和所述初始化卸载数据总量进行求和处理，得到更新卸载数据总量，并基于所述更新卸载数据总量分别关于所述目标函数和所述多个约束预设的条件进行计算，得到计算结果。

步骤A15，响应于确定所述计算结果均满足所述目标函数和所述多个约束预设的条件，得到更新卸载数据总量。

步骤A16，响应于确定所述计算结果未满足所述目标函数和/或所述多个约束约束预设的条件，根据预设的调整规则对所述基本卸载数据增量进行调整，得到调整基本卸载数据增量，并根据所述调整基本卸载数据增量和所述初始化卸载数据总量进行求和处理，得到调整卸载数据总量，并基于所述更新卸载数据总量分别关于所述目标函数和所述多个约束预设的条件进行迭代计算，得到调整计算结果，直至所述调整计算结果均满足所述目标函数和所述多个约束预设的条件，得到调整卸载数据总量，将所述调整卸载数据总量作为更新卸载数据总量；

步骤A17，获取历史存储的上一轮迭代计算的更新卸载数据总量，并将所述上一轮迭代计算的更新卸载数据总量与本轮迭代计算得到的所述更新卸载数据总量进行对比，得到对比结果；

步骤A18，响应于确定所述对比结果为不相等，重复执行更新卸载数据总量计算获取过程，直至获取的更新卸载数据总量与历史存储的上一轮迭代计算的更新卸载数据总量相等，将所述更新卸载数据总量与预设的资源利用阈值进行对比，得到资源利用率对比结果；

步骤A19，响应于确定所述资源利用率对比结果为所述更新卸载数据总量小于等于所述预设的资源利用阈值，从全部所述目标用户端中确定需要卸载数据总量最大的目标用户端，并通过激励增量函数对所述需要卸载数据总量最大的目标用户端的卸载数据总量Θ^g进行动态激励，得到动态激励基本卸载总量Θ^g+1，并根据所述动态激励基本卸载总量Θ^g+1重复执行更新卸载数据总量计算获取过程，直至所述更新卸载数据总量大于所述预设的资源利用阈值，得到最终更新卸载数据总量，并根据所述目标用户端和所述终止基站进行轨迹规划，得到最优无人机轨迹，将所述最终更新卸载数据总量和所述最优无人机轨迹作为所述最优调度策略，其中，所述激励增量函数具体为：

Θ^g+1＝Θ^g+Δθ_X*e_X

其中，e_X表示为第X维的基向量，vθ_X表示为激励增量。

具体实施时，任务调度模型为约束组合优化问题。考虑到每个用户端的数据卸载策略的低相关性，利用坐标下降来获得优化解决方案。此外，针对公平性最大化导致的资源利用率低的问题，利用基于动态激励的坐标下降优化框架(DISCO)，在最大化用户端服务公平性的同时，提高无人机的资源利用率。如图3所示，基于动态激励的坐标下降优化框架对于任务调度模型进行优化得到最优调度策略的具体过程如下：

基于动态激励的坐标下降优化框架的输入信息主要包括无人机状态信息、用户端状态信息和起始基站信息。在此基础上，优化过程可以分为以下五个步骤。

第一步(筛选目标用户端)：为了降低优化维度，首先筛选目标用户端。

第二步(选择终止基站)：在第一步的基础上，进一步计算每个基站的用户端数据队列占用率的距离加权和。具有最大距离加权和的基站被选为终止基站。

第三步(初始化卸载数据总量)：根据筛选的目标用户端，目标用户端集

的基数为

所以初始卸载数据总量设为

的零向量，即Θ⁰＝{0，0，…，0}。

第四步(按

的顺序优化卸载数据总量)：在每次迭代中，依次优化卸载数据总量的每个维度。对于第k个目标用户端，由于无法直接获得对应的最优卸载数据总量(即更新卸载数据总量)，使用迭代逼近来确定第k维的最优卸载数据增量。具体来说，设置基本卸载数据增量Δθ_k。然后，通过增加到当前卸载数据总量

的第k维来构造测试卸载数据总量，表示如下：

g表示当前迭代次数为第g代，

表示第g代迭代过程中，第k维的当前卸载数据总量。

其中e_k是第k维的基向量。如果

成立，且所有约束条件都满足，则表示测试解优于当前最优卸载数据总量，更新当前最优卸载数据总量。反之，表示基本卸载数据增量超过，则基本卸载数据增量减半(即根据预设的调整规则对所述基本卸载数据增量进行调整，得到调整基本卸载数据增量)。当基增量小于1时，近似得到第k维的最佳增量。之后设

然后探索当前最卸载数据总量的第k+1维的最优基本卸载数据增量。直到所有维度都被优化，一轮迭代结束。

第五步(提高卸载数据总量的资源利用率)：提高资源利用率的前提是最优卸载数据总量收敛。这样，每一轮迭代后，首先判断当前最优卸载数据总量是否已经收敛。如果Θ^g不等于Θ^g-1，说明当前最优卸载数据总量没有收敛，将重新运行第四步。如果当前卸载数据总量已经收敛时，进一步评估资源利用率是否已经超过阈值。如果资源利用率低于阈值，则触发动态激励。具体来说，首先找到需要卸载数据量最大的目标用户端，即X＝arg maxΘ^g，然后，为这个目标用户端增加一个激励增量Θ^g+1＝Θ^g+Δθ_X*e_X，其中Δθ_X为激励增量。反之，如果资源利用率大于阈值，则当前最优卸载数据总量为最优卸载数据总量Θ^*＝Θ^g，当前无人机任务轨迹为最佳任务轨迹τ^*＝τ^g。通过基于动态激励的坐标下降优化框架及时添加动态激励，使得卸载数据总量的资源利用率可以逐步增加，同时最大化服务公平性。

在一些实施例中，所述数据信息包括无人机对任一用户端执行数据卸载任务时的初始时间对应的数据队列长度、终止时间对应的数据队列长度、卸载数据总量、上一估计数据到达率、平均服务时间和所述用户端的存储容量；

步骤A11，包括：

步骤A111，基于所述用户端数据模型获取所述无人机对任一用户端执行数据卸载任务时的初始时间

对应的数据队列长度

终止时间

对应的数据队列长度

卸载数据总量θ_i，j、上一估计数据到达率

平均服务时间

和所述用户端的存储容量

步骤A112，根据所述初始时间

对应的数据队列长度

所述服务终止时间

对应的数据队列长度

和所述卸载数据总量θ_i，j通过估计数据到达速率函数得到无人机的估计数据到达速率a_i，j，其中，所述估计数据到达速率函数具体为：

其中，

表示为无人机j对用户端i的服务时长。

步骤A113，基于所述无人机j对用户端i的服务时长δ_i，j和所述平均服务时间

通过服务时间可参考性函数得到可参考性μ_i，j，其中，所述服务时间可参考性函数具体为：

步骤A114，基于所述可参考性μ_i，j通过平滑函数得到与时间相关的平滑系数λ_i，j，其中，所述平滑函数具体为：

λ_i，j＝min{βμ_i，j，1}

其中，β表示为基本平滑常数。

步骤A115，根据所述无人机的估计数据到达速率a_i，j、所述上一估计数据到达率

和所述与时间相关的平滑系数λ_i，j通过数据到达率估计函数得到用户端数据到达率估计值

其中，所述数据到达率估计函数具体为：

步骤A116，基于所述用户端数据到达率估计值

所述用户端的存储容量

所述卸载数据总量θ_i，j、所述初始时间

所述终止时间

和所述终止时间

对应的数据队列长度

通过用户端数据队列长度估计函数得到用户端数据队列长度预测值

其中，所述用户端数据队列长度估计函数具体为：

其中，T^c表示当前时刻，

表示除当前无人机j外，用户端i预计卸载到无人机的数据总量。

步骤A117，根据所述用户端的存储容量

所述用户端数据队列长度预测值

和所述卸载数据总量θ_i，j得到目标用户端筛选函数，并根据所述目标用户端筛选函数对所述多个用户端进行筛选得到所述目标用户端，其中，所述目标筛选函数具体为：

其中，

表示为目标用户端集合，v_i表示用户端i，

Z＝{z_1，j，z_2，j，…，z_m，j}，E(Z)表示平均值。

具体实施时，由于决策变量同时出现在目标函数的分子和分母中，因此获得任务调度模型的解析解相当困难。因此，利用启发式优化算法来获得该问题的调度策略。然而，将卸载数据的用户端和无人机最终到达的基站之间的关系是紧密耦合的，这将显著增加智能优化算法的复杂性。为了提高优化效率，利用一种问题简化方式，该方式主要由两部分组成：目标用户端筛选和终止基站选择。

目标用户端筛选的方式如下所述：

不失一般性，设Z＝{z_1，j，z_2，j，…，z_m，j}，其中

然后，目标函数可以重新表示为

此外，

和

可以分别表示为m²E²(Z)和mE(Z²)，其中E(·)表示平均值。因此，目标函数可以表示为f(Z)＝E²(Z)/E(Z²)。因为σ²(Z)＝E(Z²)-E²(Z)，所以目标函数可以进一步表示为

其中σ(·)为标准差。根据第三个约束，对于

总是成立的，所以σ(Z)/E(Z)成立。所以max f(Z)等价于min g(Z)＝σ(Z)/E(Z)。

因此选择z_i，j小于平均值E(Z)的用户端作为目标用户端，通过局部优化这些目标用户端的数据分配，可以近似目标用户端筛选函数。

将目标用户端集表示为

根据目标用户端筛选函数得到目标用户端可以表示如下：

假设

的基数为

那么

除非

为真。根据目标用户端筛选函数，用户端的决策空间从m减少到

在一些实施例中，步骤A12，包括：

步骤A121，基于所述系统模型获取所述多个基站的位置信息、所述目标用户端的位置信息，并对所述多个基站的位置信息进行计算，得到与所有基站的距离总和最小的点的位置信息，将所述与所有基站的距离总和最小的点位置信息作为费马点的位置信息。

步骤A122，根据所述费马点的位置信息和所述目标用户端的位置信息进行欧氏距离计算，得到欧氏距离

并根据所述目标用户端的位置信息和所述多个基站的位置信息进行计算，得到最短距离

步骤A123，基于所述最短距离

和所述欧氏距离

通过距离权重函数得到距离权重ω_i，k，其中，所述权重函数具体为：

步骤A124，根据所述距离权重ω_i，k、所述用户端的存储容量

和所述用户端数据队列长度预测值

通过距离加权和函数得到距离加权和

其中，所述距离加权和函数具体为：

其中，

表示为目标用户端i的数据队列占用率，k表示基站k，

表示目标用户端的数量。

步骤A125，基于所述距离加权和

得到终止基站筛选函数，通过所述终止基站筛选函数对所述多个基站进行筛选，得到所述终止基站

其中，所述终止基站筛选函数具体为：

其中，b_k表示为基站k，

表示为基站集合，

表示为全部距离加权和的最大值。

具体实施时，由于决策变量同时出现在目标函数的分子和分母中，因此获得任务调度模型的解析解相当困难。因此，利用启发式优化算法来获得调度策略。然而，将卸载数据的用户端和无人机最终到达的基站之间的关系是紧密耦合的，这将显著增加智能优化算法的复杂性。为了提高优化效率，利用一种问题简化方式，该方式主要由两部分组成：目标用户端筛选和终止基站选择。

终止基站选择的方式如下所述：

在相同目标用户端的情况下，不同的终止基站将导致无人机任务轨迹改变。而且无人机任务轨迹决定了无人机的飞行能耗，这对于第一个约束是很关键的。因此，为了进一步降低优化复杂度，利用基于距离加权的终止基站选择模型。

考虑远离用户端的多个基站的情况。将这些基站之间的几何关系抽象为凸多边形。然后，表示为l^f＝[x^f，y^f]的凸多边形的费马点被视为距离加权参考点。费马点是与所有基站的距离总和最小的点。对于

费马点和用户端v_i之间的距离可以表示为

用户端v_i和基站b_k之间的最短距离可以表示为

直观地，

越小，

越大，用户端v_i与基站b_k的相关性越低。因此，将v_i到b_k的距离权重定义如下：

此外，对于

目标用户端的数据队列占用率的距离加权和(即距离加权和函数)可以计算如下：

其中

是用户端v_i的数据队列占用率。然后，可以如下获得最合适的终止基站：

总的来说，通过目标用户端筛选和终止基站选择，优化空间从m×κ降低到

可以大大提高优化效率。

通过上述实施例的方案，利用多个基站、多个无人机和多个用户端构建与数据卸载系统对应的数据卸载模型，使得用户端、基站和无人机之间的关系建立为约束组合优化的模型，通过目标用户端筛选和终止基站选择使得约束组合优化的模型的进行简化，以提高问题求解的效率。然后结合基于动态激励的坐标下降优化对约束组合优化的任务调度模型进行优化得到最优调度策略，通过及时添加动态激励，使得调度策略的资源利用率可以逐步增加，同时最大化服务公平性。无人机根据接收到的最优调度策略执行数据卸载任务，得到卸载数据，最后将卸载数据发送至终止基站进行存储。

在一些实施例中，为了评价基于动态激励的坐标下降优化框架(DISCO)的性能，利用四种比较算法对基于动态激励的坐标下降优化框架进行定量比较，简述如下：

DISCO-A(基于替代学习策略的坐标下降优化框架)：DISCO-A是基于动态激励的坐标下降优化框架(DISCO)的变种。不同的是，DISCO-A利用替代策略来更新用户端的数据到达率。另外，DISCO-A在其他设定上与DISCO一致。

DEVIPS(基于差分进化算法的优化框架)：DEVI PS使用差分进化作为优化方法，DEVI PS的种群规模根据目标用户端数动态变化。此外，DEVIPS在其他设置上与DISCO保持一致。

EFDC(基于遗传算法的优化框架)：EFDC将数据收集问题建模为加权旅行商问题，并应用改进的遗传算法来解决该问题。此外，EFDC在其他设置上与DISCO一致。

Random(随机调度策略生成框架)：Random采用随机方法确定调度策略。具体来说，要服务的用户端是随机指定的，并且每个所选用户端需要卸载的数据量是随机生成的。

实验设置如下：

构建了一个异构无人机支持的数据卸载实验场景，包括3个基站、5个无人机和20个用户端。将无人机分为三种类型，比例为2：2：1。同类型的无人机初始状态相同，各种类型的无人机配置异构。为了使实验设置尽可能真实，参考无人机产品的技术参数设置了无人机-I的飞行速度、电量、飞行功率和服务功率。根据高速无线局域网标准(IEEE 802.11n标准)，在理想条件下，Wi-Fi(wireless fidelity technology，无线联网)的最大通信速率可以达到75MB/s。考虑到实际环境，将无人机-I的通信带宽设置为40MB/s，至于存储容量的设置，为了突出算法在多批次调度中的灵活性和鲁棒性，将存储容量设置为4GB。为了反映无人机的异质性，无人机-II和无人机-III的实验设置根据无人机-I的参数进行了适当的修改，无人机的配置如下表所示。

索引	无人机-I	无人机-II	无人机-III
				飞行速度(m/s)	20	18	16
电量(wh)	75	90	135
				飞行功率(w)	90	90	125
服务功率(w)	100	108	135
				带宽(MB/s)	40	60	50
存储容量(GB)	4	6	5

用户端和基站的位置信息如图4-a所示，基站被表示为圆圈，并且这些基站的位置分别被指定为(0，0)、(2，0)、(1，1.7)。虚线表示这些基站的相对位置关系。在此基础上，将所有用户端随机分布在这些基站构成的三角形中。用户端位置用三角形表示。费马点的位置用五角星表示。用户端和基站之间的距离关系如图4-b所示，三种不同的颜色表示用户端到三个不同基站的距离信息。直方图和曲线分别计算每个基站和用户端之间距离的分布和核密度。用户端与基站的距离从0.3km到1.8km不等，大部分距离分布在1.4km左右。此外，用户端和不同基站之间的距离的核心密度显示出相似的形状，这意味着用户端位置相对于不同的基站是随机分布的，这些现象与设想场景是一致的。

假设用户端的数据到达模式服从泊松分布，用户端的数据到达速率设置为5MB/s～15MB/s的随机值范围，用户端的数据队列长度上限设置为20GB～30GB之间的随机值。每个用户端的初始数据队列长度不大于其存储容量的50％。因为用户端的数据到达模式相对稳定，所以平滑常数β被设置为0.4。对于DEVIPS和EFDC，群体大小被设置为目标用户端的数量，迭代次数被设置为40。此外，交叉和变异的概率分别设置为0.4和0.1。

基于实验设置，从三个方面评估了所提出方法的性能。首先，验证了时间相关指数平滑法在提高数据到达率估计精度方面的有效性。然后，通过实验证明了DISCO算法的收敛性和低时间复杂度。在此基础上，通过与其他比较算法的定量比较，评估了该方法的服务公平性、能效、时间效率和适应性。

数据到达率评估的验证：

为了验证数据到达率估计方法的有效性，比较了DISCO或DISCO-A估计的数据到达率与实际数据到达率之间的误差。具体地，采用估计的数据到达率和实际的数据到达率之间的平均绝对误差(MAE)来测量估计误差。

如图5所示，显示了平均绝对误差(MAE)随时间(Time)的变化趋势。计算每个用户端在一分钟内的估计数据到达率和实际数据到达率之间的平均平均平均误差。该曲线表示所有用户端数据到达速率的平均绝对误差，其测量估计的用户端数据到达速率的总体准确度。每条曲线的阴影区域表示平均绝对误差的上限和下限，它衡量用户端数据到达率估计误差的离差。随着时间的增加，DISCO的平均绝对误差呈显著下降趋势并最终趋于稳定，DISCO的平均绝对误差的离散度也逐渐减小。DISCO-A虽然也呈现一定的下降趋势，但是下降的程度明显不如DISCO。此外，DISCO-A的离差处于动态波动中，这表明替代策略不能稳定地提高数据到达率的估计精度。总体而言，图5中的实验结果证明了所提出的时间相关指数平滑方法对于提高数据到达率的估计精度具有重要意义。

收敛性和时间复杂度的验证：

通过两组实验验证了DISCO的收敛性和时间复杂度。首先，为了验证DISCO在不同阶段的收敛性，画出了变化分别在第一时刻和第2462时刻生成调度策略的适应度函数和资源利用率曲线。然后，通过统计分析每次生成调度策略所花费的时间来说明DISCO在时间复杂度方面的优越性。

如图6-a表示了适应度和资源利用在DISCO的迭代中的变化趋势。具体来说，实线表示适应度函数g(Z)的趋势，虚线表示资源利用率∑Θ^g/c_j。总体而言，适应度函数呈下降趋势，资源利用率逐渐增加。由于DISCO的初始解被设置为零向量，所以资源利用率的初始值总是0。随着迭代次数的增加，资源利用率最终接近1。在图6-a中，DISCO仅需要3次迭代来收敛，而在如图图6-b中，DISCO在17次迭代后收敛。这种现象受到数据卸载公平性的影响。当公平性较低时，各维度的最优增量可以相对较大，资源利用率会快速增加而适应度函数下降。一旦资源利用率达到1，根据第二个约束，就不能再优化调度策略。因此，在调度的开始阶段，DISCO在3次迭代后收敛。另一方面，在第2462时刻，由于公平性较高，最优增量相对较小。结果，适应度函数已经收敛，但是资源利用率低于阈值α。在这种情况下，优化框架的动态激励机制被触发，因此适应度函数在第13次迭代后短暂上升，然后迅速下降。同时，资源利用率显著提高，最终接近1。虽然适应度函数和资源利用率在不同阶段的变化趋势略有不同，但它们共同说明了DISCO优化算法的收敛性和提高资源利用率的动态激励机制的有效性。

如图7所示描绘了用于生成调度策略的运行时的箱线图。运行时测量每个算法生成优化解决方案所需的时间。运行时间越长，算法的时间复杂度越高。一般来说，RANDOM的时间复杂度最低，约等于0。这是因为RANDOM中没有优化过程。而DISCO和DISCO-A的平均运行时大致相同，DISCO的运行时波动略大于DISCO-A，本质上DISCO和DISCO-A的优化框架完全相同，所以两者的时间复杂度水平应该差不多。同时，由于DISCO需要记录更多的中间数据，并执行更多的运算来估计数据到达率，因此DISCO的时间复杂度会比DISCO-A稍高一些。由于DEVIPS和EFDC分别基于差分进化和遗传算法，最优解的获取需要大量的交叉和变异等随机过程，以及多轮迭代。因此，DEVIPS和EFDC的运行时间明显长于DISCO和DISCO-A。此外，EFDC的时间复杂度高于DEVIPS，这是由于它们的选择算子不同。总体而言，DISCO的运行时间明显短于传统的基于差分进化或遗传算法的优化框架，表明了DISCO在时间复杂度方面的优越性。

实验和性能分析：

从服务公平性、能效、适应性、吞吐量等方面证明DISCO的优势。

服务公平性是考虑的数据分流的主要目标，因此首先评估这些算法在服务公平性方面的性能。如图8所示表示了数据卸载的服务公平性随时间的趋势。在所有算法初始服务公平性相同的前提下，所有算法的服务公平性都呈上升趋势。除了Random，这些算法的服务公平性最终趋近于1。这是因为公平指数被利用以最大值1来衡量服务公平性。具体来说，DISCO在服务公平性方面表现最好，尤其在Time(时间)＝35分钟之前，其服务公平性明显优于其他算法。由于DISCO采用了与时间相关的数据到达率估计模型，有利于增强数据卸载的针对性，因此DISCO的服务公平性优于DISCO-A，DISCO-A的服务公平性在增长速度和增长稳定性方面优于DEVIPS和EFDC。这一现象表明，DISCO优化算法能够有效提高数据分流的服务公平性。此外，在Time(时间)＝25分钟之前，DEVIPS的服务公平性比EFDC差。这说明差分进化虽然能以较少的迭代次数找到最优解，但由于探索不足，容易削弱服务公平性。由于随机生成调度策略的盲目性减损了服务公平性的增长率和稳定性，因此RANDOM的服务公平性明显差于其他算法。总体而言，DISCO可以快速稳定地提高数据卸载的服务公平性。

为了衡量节能的能力，将能效定义为所有无人机每消耗单位电量可以收集的平均数据量。如图9所示描绘了能效随时间的趋势。初始能效设置为0。总体而言，所有算法的能效在开始时快速上升，在Time(时间)＝5分钟后波动至稳定。原因是无人机在每次任务中需要服务多个用户端。在实验初期，由于无人机需要消耗一些电量才能到达用户端，所以初始能效较低。随着越来越多的无人机开始向用户端提供数据卸载服务，能效显著提高。无人机完成对一个用户端的数据收集后，需要消耗电量飞向下一个用户端，期间没有数据收集，导致能效下降。随着无人机继续飞行-收集数据-飞行的过程，能效呈现动态波动的趋势。随着被服务用户端数量的增加，波动幅度逐渐减小。DISCO和DISCO-A的能效明显高于其他算法，表明DISCO优化算法对于提高能效是有意义的。DEVIPS的能效普遍优于EFDC，但其波动性相对较大，这是由差分进化的探索能力决定的。虽然能快速收敛，但容易陷入局部最优。RANDOM前期能效略好于DEVIPS和EFDC，但整体能效最差。总的来说，DISCO可以在消耗相同电量的情况下为用户端提供更多的数据卸载服务。

数据卸载吞吐率衡量无人机支持的数据卸载系统的整体服务效率。将吞吐率定义为用户端每分钟可以卸载的数据量的平均值。更高的数据卸载吞吐量意味着系统可以同时卸载更多数据。如图10所示表示了数据卸载吞吐量随时间的趋势，并且初始数据卸载吞吐量被设置为0。所有算法的数据卸载吞吐量在开始时快速上升，并在Time(时间)＝5分钟后波动以稳定下来。直观上，数据卸载吞吐量的趋势与能效的趋势相似，都是由相同的原因造成的。DISCO的数据卸载吞吐量明显高于其他算法，证明了DISCO可以在有限的服务时间内收集更多的用户端数据。此外，DISCO的吞吐率在Time(时间)＝5分钟后呈下降趋势。这是因为在实验初期服务公平性较低，DISCO可以通过筛选目标用户端，有效减少需要服务的用户端数量。然后，每个用户端的服务时间要长得多，所以开始时的数据卸载吞吐量更高。但随着服务公平性的提高，目标用户端的筛选效果变差，因此DISCO的数据卸载吞吐量呈现下降趋势。尽管如此，DISCO仍然具有最好的吞吐量，其次是DISCO-A，DEVIPS和EFDC的吞吐率略好于RANDOM，这意味着在目标用户端数量相近的情况下，随机生成调度策略也可以获得更高的数据卸载吞吐率。总的来说，DISCO可以在有限的服务时间内收集更多的用户端数据，尤其是在服务公平性较低的情况下。

在设想场景中，假设一旦用户端的数据队列长度超过其存储容量，新到达的数据将被丢弃。因此，算法性能不仅取决于其收集数据的能力，还取决于避免数据被丢弃的能力。将算法收集数据和避免数据被丢弃的能力视为数据卸载的适应性。此外，使用丢弃数据量与收集数据量的比率来衡量适应性。直觉上，丢弃的数据量相对于收集的数据量越小，比值越小，即算法的适应性越高。如图11所示显示了适应性相对于时间的趋势。整体来看，丢弃数据出现在所有算法中，反映出随着实验时间的增加，所有算法的适应性都有一定程度的退化。但算法不同，开始时间和适应性下降程度也不同。除了DISCO，其他算法大约在Time(时间)＝20分钟时开始丢弃数据。RANDOM的适应性明显比其他算法差。一方面比其他算法更早的开始丢弃数据，另一方面丢弃的数据也比其他算法多得多。这是因为Random性的盲目性比较大。对于其他算法，丢弃数据与卸载数据之比的增长趋势明显低于Random，表明优化后的调度策略具有更好的适应性。总的来说，DISCO的适应性是最好的。但Time(时间)＝35分钟后，丢弃的数据太多，导致DISCO的适应性迅速下降。DEVIPS和DISCO-A的适应性不相上下，在最后达到和DISCO一样的水平。

总之，与比较算法相比，DISCO在服务公平性、能效、数据卸载吞吐量和适应性方面表现出优异的性能。

需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种数据卸载系统。

参考图12，所述数据卸载系统，包括多个基站、多个无人机和多个用户端，并从多个基站中选定任一基站作为起始基站；所述方法由所述起始基站执行，包括：

数据卸载模型构建模块1201，被配置为获取所述多个基站的模型构建信息、所述多个无人机的模型构建信息和所述多个用户端的模型构建信息，并根据所述多个基站的模型构建信息、所述多个无人机的模型构建信息和所述多个用户端的模型构建信息构建与所述数据卸载系统对应的数据卸载模型；

数据信息获取模块1202，被配置为响应于确定任一无人机到达，获取该到达的无人机的数据信息；

调度模块1203，被配置为根据所述数据卸载模型和所述数据信息进行优化处理，得到最优调度策略，将所述最优调度策略发送至该到达的无人机，该到达的无人机根据接收到的所述最优调度策略执行数据卸载任务，得到卸载数据，并将所述卸载数据发送至根据所述最优调度策略选定的终止基站进行存储。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

上述实施例的装置用于实现前述任一实施例中相应的基于公平性感知的多无人机数据卸载方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的基于公平性感知的多无人机数据卸载方法。

图13示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1301、存储器1302、输入/输出接口1303、通信接口1304和总线1305。其中处理器1301、存储器1302、输入/输出接口1303和通信接口1304通过总线1305实现彼此之间在设备内部的通信连接。

处理器1301可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1302可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1302可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1302中，并由处理器1301来调用执行。

输入/输出接口1303用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1304用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1305包括一通路，在设备的各个组件(例如处理器1301、存储器1302、输入/输出接口1303和通信接口1304)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1301、存储器1302、输入/输出接口1303、通信接口1304以及总线1305，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

上述实施例的电子设备用于实现前述任一实施例中相应的基于公平性感知的多无人机数据卸载方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的基于公平性感知的多无人机数据卸载方法。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的基于公平性感知的多无人机数据卸载方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims

1.一种基于公平性感知的多无人机数据卸载方法，其特征在于，应用于数据卸载系统，所述数据卸载系统包括多个基站、多个无人机和多个用户端，并从多个基站中选定任一基站作为起始基站；所述方法由所述起始基站执行，包括：

2.根据权利要求1所述的方法，其特征在于，在所述根据所述多个基站、所述多个无人机和所述多个用户端构建与所述数据卸载系统对应的数据卸载模型之后，包括：

基于所述数据卸载模型构建系统模型、用户端数据模型和无人机轨迹模型；

3.根据权利要求2所述的方法，其特征在于，所述根据所述数据卸载模型和所述数据信息进行优化处理，得到最优调度策略，包括：

根据所述数据信息对所述任务调度模型进行优化，得到最优调度策略。

4.根据权利要求3所述的方法，其特征在于，所述任务调度模型包括目标函数和多个约束，其中，所述目标函数具体为：

其中，

表示为用户端i的存储容量，

其中，

表示为无人机j飞行状态下的能耗功率，

表示无人机j服务状态下的能耗功率，m表示无人机的数量；

所述第二约束具体为：

所述第三约束具体为：

其中，θ_i，j表示为无人机j对用户端i卸载数据总量，

表示为用户端i数据队列长度预测值，v_i表示第i个用户端，

表示用户端集合；

所述第四约束具体为：

Θ＝{θ_1，j，θ_2，j，…，θ_m，j}

其中，θ_1，j表示为无人机j对第一个用户端卸载数据总量，θ_2，j表示无人机j对第二个用户端卸载数据总量，θ_m，j表示为无人机j对第m个用户端卸载数据总量；Θ表示为无人机j对服务的全部用户端卸载数据总量集合。

5.根据权利要求4所述的方法，其特征在于，所述根据所述数据信息对所述任务调度模型进行优化，得到最优调度策略，包括：

根据所述数据信息对所述多个用户端进行筛选，得到目标用户端；

基于所述目标用户端对所述多个基站进行筛选，得到所述终止基站；

根据所述目标用户端和所述终止基站得到初始化卸载数据总量；

根据预设的基本卸载数据增量和所述初始化卸载数据总量进行求和处理，得到更新卸载数据总量，并基于所述更新卸载数据总量分别关于所述目标函数和所述多个约束预设的条件进行计算，得到计算结果；

响应于确定所述计算结果均满足所述目标函数和所述多个约束预设的条件，得到更新卸载数据总量；

响应于确定所述计算结果未满足所述目标函数和/或所述多个约束约束预设的条件，根据预设的调整规则对所述基本卸载数据增量进行调整，得到调整基本卸载数据增量，并根据所述调整基本卸载数据增量和所述初始化卸载数据总量进行求和处理，得到调整卸载数据总量，并基于所述更新卸载数据总量分别关于所述目标函数和所述多个约束预设的条件进行迭代计算，得到调整计算结果，直至所述调整计算结果均满足所述目标函数和所述多个约束预设的条件，得到调整卸载数据总量，将所述调整卸载数据总量作为更新卸载数据总量；

获取历史存储的上一轮迭代计算的更新卸载数据总量，并将所述上一轮迭代计算的更新卸载数据总量与本轮迭代计算得到的所述更新卸载数据总量进行对比，得到对比结果；

响应于确定所述对比结果为不相等，重复执行更新卸载数据总量计算获取过程，直至获取的更新卸载数据总量与历史存储的上一轮迭代计算的更新卸载数据总量相等，将所述更新卸载数据总量与预设的资源利用阈值进行对比，得到资源利用率对比结果；

响应于确定所述资源利用率对比结果为所述更新卸载数据总量小于等于所述预设的资源利用阈值，从全部所述目标用户端中确定需要卸载数据总量最大的目标用户端，并通过激励增量函数对所述需要卸载数据总量最大的目标用户端的卸载数据总量Θ^g进行动态激励，得到动态激励基本卸载总量Θ^g+1，并根据所述动态激励基本卸载总量Θ^g+1重复执行更新卸载数据总量计算获取过程，直至所述更新卸载数据总量大于所述预设的资源利用阈值，得到最终更新卸载数据总量，并根据所述目标用户端和所述终止基站进行轨迹规划，得到最优无人机轨迹，将所述最终更新卸载数据总量和所述最优无人机轨迹作为所述最优调度策略，其中，所述激励增量函数具体为：

Θ^g+1＝Θ^g+Δθ_x*e_x

其中，e_X表示为第X维的基向量，Δθ_X表示为激励增量。

6.根据权利要求5所述的方法，其特征在于，所述数据信息包括无人机对任一用户端执行数据卸载任务时的初始时间对应的数据队列长度、终止时间对应的数据队列长度、卸载数据总量、上一估计数据到达率、平均服务时间和所述用户端的存储容量；

所述根据所述数据信息所述对所述多个用户端进行筛选，得到目标用户端，包括：

基于所述用户端数据模型获取所述无人机对任一用户端执行数据卸载任务时的初始时间