CN115249134A - 一种用于无人机的资源分配方法、装置、设备及存储介质 - Google Patents
一种用于无人机的资源分配方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115249134A CN115249134A CN202211161156.9A CN202211161156A CN115249134A CN 115249134 A CN115249134 A CN 115249134A CN 202211161156 A CN202211161156 A CN 202211161156A CN 115249134 A CN115249134 A CN 115249134A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- edge server
- data
- vehicle equipment
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013468 resource allocation Methods 0.000 title claims abstract description 42
- 238000007689 inspection Methods 0.000 claims abstract description 91
- 238000004458 analytical method Methods 0.000 claims abstract description 76
- 238000005457 optimization Methods 0.000 claims abstract description 51
- 238000005265 energy consumption Methods 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 238000013439 planning Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 50
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能决策技术,揭露了一种用于无人机的资源分配方法,包括:获取待巡检的无人机设备和巡检任务,通过预设的边缘服务器规划待巡检区域的巡检路径;实时计算无人机设备与边缘服务器的当前距离,并获取边缘服务器的计算容量,将当前距离和计算容量进行数据合并,得到合并数据;获取无人机设备执行巡检任务的时延数据,计算无人机设备执行巡检任务的能耗;对合并数据进行深度分析,得到分析数据,构建目标最大函数,对分析数据、时延数据以及能耗进行优化处理,得到优化方案;计算优化方案与边缘服务器的支持度,在支持度大于预设阈值时,将优化方案作为无人机设备的最终方案。本发明能够对无人机资源分配的方法进行优化。
Description
技术领域
本发明涉及智能决策技术领域,尤其涉及一种用于无人机的资源分配方法、装置、设备及存储介质。
背景技术
近年来,无人机巡检在道路桥梁、输电线路以及地震灾害等领域中得到广泛应用,无人机是无驾驶舱但安装有自动驾驶仪、程序控制装的设备,随着科学技术的发展,无人机的性能得到了极大地提升,但是部分密集型的的任务需要大量的计算资源和能量,因此通常利用网络连接到云端。
边缘计算技术的兴起,有效解决了集中云式存在的问题,移动边缘计算作为一种新的网络架构,在网络边缘提供计算资源,可以近距离的处理物联网任务,减小任务时延提高巡检任务的可靠性,由于无人机的电池能量和边缘计算服务器的计算能力有限,因此无人机巡检时的资源需要进行合理的分配,但是现有的分配方法是通过计算无人机巡检的路径,通过选择最短的路径达到合理的资源分配,该方法只考虑的路径没有考虑到无人机巡检时的能耗问题,进而会导致无人机巡检的能耗增加,因此需要一种能够对无人机资源分配的方法进行优化。
发明内容
本发明提供一种用于无人机的资源分配方法、装置、设备及存储介质,其主要目的在于对无人机资源分配的方法进行优化。
为实现上述目的,本发明提供的一种用于无人机的资源分配方法,包括:
获取待巡检的无人机设备和待巡检区域,查询所述无人机设备对应的巡检任务,根据所述巡检任务,通过预设的边缘服务器规划所述待巡检区域的巡检路径;
接收所述无人机设备的请求指令,根据所述请求指令执行所述无人机设备对应的巡检任务,并根据所述巡检路径,实时计算所述无人机设备与所述边缘服务器的当前距离,并获取所述边缘服务器的计算容量,将所述当前距离和所述计算容量进行数据合并,得到合并数据;
获取所述无人机设备执行所述巡检任务的时延数据,通过所述边缘服务器计算所述无人机设备执行所述巡检任务的能耗;
利用训练好的系统奖励最大化目标模型中的深度分析神经网络对所述合并数据进行深度分析,得到分析数据,构建所述训练好的系统奖励最大化目标模型中的目标最大函数,通过所述目标最大函数对所述分析数据、所述时延数据以及所述能耗进行优化处理,得到优化方案;
计算所述优化方案与所述边缘服务器的支持度,在所述支持度大于预设阈值时,将所述优化方案作为所述无人机设备的最终方案。
可选地,所述根据所述巡检任务,通过预设的边缘服务器规划所述待巡检区域的巡检路径,包括:
获取所述巡检任务中的子任务,并对所述无人机设备执行所述子任务的路径进行模拟,得到模拟路径;
提取所述待巡检区域的核心参数;
结合所述模拟路径和所述核心参数,通过所述预设的边缘服务器对所述无人机设备进行路径规划,得到巡检路径。
可选地,所述实时计算所述无人机设备与所述边缘服务器的当前距离,包括:
将所述边缘服务器作为坐标原点构建空间坐标系;
并实时定位所述无人机设备的坐标点信息;
结合所述坐标点信息,通过预设的距离函数计算所述无人机设备与所述边缘服务器的距离,得到当前距离。
可选地,所述预设的距离函数包括:
可选地,通过所述边缘服务器计算所述无人机设备执行所述巡检任务的能耗,包括:
利用下述公式计算所述无人机设备执行所述巡检任务的能耗:
其中,T表示时隙t的最大取值,c1表示无人机的机翼面积常数,c2表示无人机的载荷系数常数,v[t]表示时隙t对应的无人机的速度,a(t)表示时隙t对应的加速度,g表示重力加速度,∆k表示无人机动能的变化,表示无人机飞行到时隙t的时隙间隔。
可选地,所述利用训练好的系统奖励最大化目标模型中的深度分析神经网络对所述合并数据进行深度分析,得到分析数据,包括:
利用所述训练好的系统奖励最大化目标模型中的加权函数对所述合并数据进行加权处理,得到加权数据;
对所述加权数据进行存储,得到存储数据;
利用所述训练好的系统奖励最大化目标模型中的深度分析神经网络对所述存储数据进行深度分析,得到分析数据。
可选地,所述构建所述目标最大函数之前还包括:
其中,表示最大目标函数,、和分别是、和的权重参数,是奖励任务分区和卸载协调器一个正的值,表示执行第i个子任务无人机设备的能耗,表示第i个子任务的数据传输时间,对数运算是将项归一化为量值;在奖励函数中,为在允许时延内完成任务的奖励;表示能量消耗;表示任务全部时延;降低任务全部时延可以提高用户体验质量,C是鼓励代理保持边缘服务器稳定性的一个激励系数。
为了解决上述问题,本发明还提供一种用于无人机的资源分配装置,所述装置包括:
路径规划模块,用于获取待巡检的无人机设备和待巡检区域,查询所述无人机设备对应的巡检任务,根据所述巡检任务,通过预设的边缘服务器规划所述待巡检区域的巡检路径;
数据合并模块,用于接收所述无人机设备的请求指令,根据所述请求指令执行所述无人机设备对应的巡检任务,并根据所述巡检路径,实时计算所述无人机设备与所述边缘服务器的当前距离,并获取所述边缘服务器的计算容量,将所述当前距离和所述计算容量进行数据合并,得到合并数据;
能耗计算模块,用于获取所述无人机设备执行所述巡检任务的时延数据,通过所述边缘服务器计算所述无人机设备执行所述巡检任务的能耗;
方案获取模块,用于利用训练好的系统奖励最大化目标模型中的深度分析神经网络对所述合并数据进行深度分析,得到分析数据,构建所述训练好的系统奖励最大化目标模型中的目标最大函数,通过所述目标最大函数对所述分析数据、所述时延数据以及所述能耗进行优化处理,得到优化方案;
方案确定模块,用于计算所述优化方案与所述边缘服务器的支持度,在所述支持度大于预设阈值时,将所述优化方案作为所述无人机设备的最终方案。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的用于无人机的资源分配方法。
为了解决上述问题,本发明还提供一种存储介质,所述存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的用于无人机的资源分配方法。
本发明通过获取待巡检的无人机设备和待巡检区域,可以了解带巡检区域的详细信息以及所述无人机设备的参数等,为后续的操作提供了前提保障,本发明通过接收所述无人机设备的请求指令,根据所述请求指令执行所述无人机设备对应的巡检任务,通过请求指令可以控制所述无人机设备的运转,并执行巡检任务,其中,本发明通过获取所述无人机设备执行所述巡检任务的时延数据,通过所述边缘服务器计算所述无人机设备执行所述巡检任务的能耗,进而可以了解到所述无人机设备执行所述巡检任务的时间,通过计算所述无人机设备的能耗,可以知道所述无人机设备执行任务过程中具体的能耗,进而为后续的优化方案的获取提供了保障;此外,本发明通过利用训练好的系统奖励最大化目标模型中的深度分析神经网络对所述合并数据进行深度分析,得到分析数据,通过所述分析数据可以了解到所述合并数据对应的特征数据,进而便于后续对所述分析数据进行优化处理提供了前提,本发明通过计算所述优化方案与所述边缘服务器的支持度,在所述支持度大于预设阈值时,将所述优化方案作为所述无人机设备的最终方案,通过所述支持度可以对所述优化方案进行筛选,将大于所述预设阈值的支持度对应的优化方案筛选出来,进而可以得到所述无人机设备的最终方案。因此,本发明实施例提供的一种用于无人机的资源分配方法、装置、设备及存储介质,能够在于对无人机资源分配的方法进行优化。
附图说明
图1为本发明一实施例提供的用于无人机的资源分配方法的流程示意图;
图2为本发明一实施例提供的用于无人机的资源分配装置的功能模块图;
图3为本发明一实施例提供的实现所述用于无人机的资源分配方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种用于无人机的资源分配方法。本申请实施例中,所述用于无人机的资源分配方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述用于无人机的资源分配方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的用于无人机的资源分配方法的流程示意图。在本实施例中,所述用于无人机的资源分配方法包括步骤S1—S5:
S1、获取待巡检的无人机设备和待巡检区域,查询所述无人机设备对应的巡检任务,根据所述巡检任务,通过预设的边缘服务器规划所述待巡检区域的巡检路径。
本发明通过获取待巡检的无人机设备和待巡检区域,可以了解带巡检区域的详细信息以及所述无人机设备的参数等,为后续的操作提供了前提保障。其中,所述无人机设备是无驾驶舱但安装有自动驾驶仪、程序控制装的设备,遥控站人员通过雷达对其进行跟踪、定位、遥控、遥测和数字传输,与载人飞机相比,它具有体积小、造价低、使用方便、对作战环境要求低、战场生存能力较强等优点,所述待巡检区域是所述无人机设备需要进行巡检的区域,进一步的,所述待巡检的无人机设备和所述待巡检区域可以通过所述无人机对应的云平台进行获取。
本发明通过查询所述无人机设备对应的巡检任务,根据所述巡检任务,通过预设的边缘服务器规划所述待巡检区域的巡检路径,通过所述巡检任务可以了解到所述无人机设备对应的工作内容,进而便于通过所述边缘服务器对所述无人机设备规划巡检路径。
其中,所述巡检任务是所述无人机设备对应的巡检内容,所述预设的边缘服务器是基站旁布置的一种计算服务器,便于对所述无人机设备进行任务规划和资源的计算,可以近距离的处理相关的任务,所述巡检路径是通过所述边缘服务器结合所述巡检任务规划的路径。
作为本发明的一个实施例,所述根据所述巡检任务,通过预设的边缘服务器规划所述待巡检区域的巡检路径,包括:获取所述巡检任务中的子任务,并对所述无人机设备执行所述子任务的路径进行模拟,得到模拟路径,提取所述待巡检区域的核心参数,结合所述模拟路径和所述核心参数,通过所述预设的边缘服务器对所述无人机设备进行路径规划,得到巡检路径。
其中,所述子任务是所述巡检任务所属的分支任务,所述模拟路径是模拟所述无人机设备执行所述子任务对应的路径,所述核心参数是所述待巡检区域与巡检任务相关的参数数据。
进一步的,作为本发明的一个可选实施例,所述巡检任务中的子任务可以通过对应的任务表进行查询获取,所述模拟路径可以通过 Dijkstra算法模拟得到,所述待巡检区域的核心参数可以通过参数提取器实现,所述参数提取器是由脚本语言编译,可以通过所述预设的边缘服务器中的LPA算法对所述无人机设备进行路径规划。
S2、接收所述无人机设备的请求指令,根据所述请求指令执行所述无人机设备对应的巡检任务,并根据所述巡检路径,实时计算所述无人机设备与所述边缘服务器的当前距离,并获取所述边缘服务器的计算容量,结合所述当前距离和所述计算容量,计算所述无人机设备的巡检能耗与巡检时间。
本发明通过接收所述无人机设备的请求指令,根据所述请求指令执行所述无人机设备对应的巡检任务,通过请求指令可以控制所述无人机设备的运转,并执行巡检任务,其中,所述请求指令是所述无人机设备请求执行所述巡检任务的指令,进一步的,可以通过所述无人机设备的指令接收器接收所述请求指令。
本发明通过根据所述巡检路径,实时计算所述无人机设备与所述边缘服务器的当前距离,可以了解所述无人机设备是否超出所述边缘服务器的连接范围,同时为后续计算所述无人机设备的能耗与时间提供了前提保障,其中,所述当前距离是所述无人机设备在执行所述巡检任务过程中与所述边缘服务器中的实时距离。
作为本发明的一个实施例,所述实时计算所述无人机设备与所述边缘服务器的当前距离,包括:将所述边缘服务器作为坐标原点构建空间坐标系,并实时定位所述无人机设备的坐标点信息,结合所述坐标点信息,通过预设的距离函数计算所述无人机设备与所述边缘服务器的距离,得到当前距离。
其中,所述空间坐标系是以所述边缘服务器为原点的坐标系,所述坐标点信息是所述无人机设备在移动过程中的实时坐标信息,进一步的,所述空间坐标系可以通过坐标系构建工具进行构建,所述坐标系构建工具是由Java语言编译,所述无人机设备的坐标点信息可以通过坐标定位仪定位得到。
进一步的,作为本发明的一个可选实施例,所述预设的距离函数包括:
本发明通过获取所述边缘服务器的计算容量,将所述当前距离和所述计算容量进行数据合并,得到合并数据,通过将所述计算容量和所述当前距离合并到一起,形成合并数据,可以去除一些无用的数据,同时便于后续对所述合并数据进行处理,提高了处理的效率。
其中,所述计算容量是所述边缘服务器对所述无人机设备巡检过程的数据计算能力,所述合并数据是将所述当前距离和所述计算容量中的核心数据提取并合并得到的数据,进一步的,所述边缘服务器的计算容量可以查阅所述边缘服务器的设备参数得到,可以通过加权融合方法将所述当前距离和所述计算容量进行合并处理。
S3、获取所述无人机设备执行所述巡检任务的时延数据,通过所述边缘服务器计算所述无人机设备执行所述巡检任务的能耗。
本发明通过获取所述无人机设备执行所述巡检任务的时延数据,通过所述边缘服务器计算所述无人机设备执行所述巡检任务的能耗,进而可以了解到所述无人机设备执行所述巡检任务的时间,通过计算所述无人机设备的能耗,可以知道所述无人机设备执行任务过程中具体的能耗,进而为后续的优化方案的获取提供了保障,其中,所述时延数据是所述无人机设备执行所述巡检任务的子任务的时间,所述能耗是指所述无人机设备执行所述巡检任务时的能量消耗情况,进一步的,所述时延数据可以通过所述无人机设备中的计时器计时得到。
作为本发明的一个实施例,所述无人机设备执行所述巡检任务的能耗,可以通过下述公式计算:
其中,T表示时隙t的最大取值,c1表示无人机的机翼面积常数,c2表示无人机的载荷系数常数,v[t]表示时隙t对应的无人机的速度,a(t)表示时隙t对应的加速度,g表示重力加速度,∆k表示无人机动能的变化,表示无人机飞行到时隙t的时隙间隔。
S4、利用训练好的系统奖励最大化目标模型中的深度分析神经网络对所述合并数据进行深度分析,得到分析数据,构建所述训练好的系统奖励最大化目标模型中的目标最大函数,通过所述目标最大函数对所述分析数据、所述时延数据以及所述能耗进行优化处理,得到优化方案。
本发明通过利用训练好的系统奖励最大化目标模型中的深度分析神经网络对所述合并数据进行深度分析,得到分析数据,通过所述分析数据可以了解到所述合并数据对应的特征数据,进而便于后续对所述分析数据进行优化处理提供了前提,其中,所述深度分析神经网络是由多个长短期记忆网络组成,所述长短期记忆网络是对数据进行深度分析,所述分析数据是对所述合并数据深度分析得到的结果。
作为本发明的一个实施例,所述利用训练好的系统奖励最大化目标模型中的深度分析神经网络对所述合并数据进行深度分析,得到分析数据,包括:利用所述训练好的系统奖励最大化目标模型中的加权函数对所述合并数据进行加权处理,得到加权数据,对所述加权数据进行存储,得到存储数据,利用所述训练好的系统奖励最大化目标模型中的深度分析神经网络对所述存储数据进行深度分析,得到分析数据。
其中,所述加权数据是所述合并数据经过加权处理后得到数据,所述存储数据是所述加权数据经过排序压缩存储后得到的数据,进一步的,所述加权数据的存储可以通过存储器实现,对所述存储数据的深度分析可以通过所述深度分析神经网络中的数据分析算法实现,如关联分析法。
本发明通过构建所述训练好的系统奖励最大化目标模型中的目标最大函数,通过所述目标最大函数对所述分析数据、所述时延数据以及所述能耗进行优化处理,得到优化方案,可以得到所述无人机设备能耗低且用时最短的方案,进而能够对所述无人机设备进行最优的资源分配,其中,所述优化方案是所述无人机设备在执行所述巡检任务时所消耗的能源最低用时最短的方案。
作为本发明的一个实施例,所述构建所述目标最大函数之前还包括:
其中,表示最大目标函数,、和分别是、和的权重参数,是奖励任务分区和卸载协调器一个正的值,表示执行第i个子任务无人机设备的能耗,表示第i个子任务的数据传输时间,对数运算是将项归一化为量值;在奖励函数中,为在允许时延内完成任务的奖励;表示能量消耗;表示任务全部时延,包括:计算时间、任务等待时间和传输时间;降低任务全部时延可以提高用户体验质量,C是鼓励代理保持边缘服务器稳定性的一个激励系数。可以根据实际的业务场景进行设置。
进一步的,作为本发明的一个实施例,所述目标最大函数根据上述公式进行构建:
进一步的,通过所述目标最大函数对所述分析数据、所述时延数据以及所述能耗进行优化处理,得到优化方案。
S5、计算所述优化方案与所述边缘服务器的支持度,在所述支持度大于预设阈值时,将所述优化方案作为所述无人机设备的最终方案。
本发明通过计算所述优化方案与所述边缘服务器的支持度,在所述支持度大于预设阈值时,将所述优化方案作为所述无人机设备的最终方案,通过所述支持度可以对所述优化方案进行筛选,将大于所述预设阈值的支持度对应的优化方案筛选出来,进而可以得到所述无人机设备的最终方案,其中,所述支持度是所述优化方案与所述边缘服务器支持程度,所述预设阈值可以是0.8,也可以根据实际的业务场景进行设置。
作为本发明的一个可选实施例,所述优化方案与所述边缘服务器的支持度可以通过下述公式进行计算:
其中,表示优化方案与边缘服务器的支持度,表示优化方案与边缘服务器的支持度转换系数,表示优化方案的表特征,表示边缘服务器的的表特征,表示优化方案的映射值,表示边缘服务器的映射值,表示边缘服务器与优化方案的映射系数。
本发明通过获取待巡检的无人机设备和待巡检区域,可以了解带巡检区域的详细信息以及所述无人机设备的参数等,为后续的操作提供了前提保障,本发明通过接收所述无人机设备的请求指令,根据所述请求指令执行所述无人机设备对应的巡检任务,通过请求指令可以控制所述无人机设备的运转,并执行巡检任务,其中,本发明通过获取所述无人机设备执行所述巡检任务的时延数据,通过所述边缘服务器计算所述无人机设备执行所述巡检任务的能耗,进而可以了解到所述无人机设备执行所述巡检任务的时间,通过计算所述无人机设备的能耗,可以知道所述无人机设备执行任务过程中具体的能耗,进而为后续的优化方案的获取提供了保障;此外,本发明通过利用训练好的系统奖励最大化目标模型中的深度分析神经网络对所述合并数据进行深度分析,得到分析数据,通过所述分析数据可以了解到所述合并数据对应的特征数据,进而便于后续对所述分析数据进行优化处理提供了前提,本发明通过计算所述优化方案与所述边缘服务器的支持度,在所述支持度大于预设阈值时,将所述优化方案作为所述无人机设备的最终方案,通过所述支持度可以对所述优化方案进行筛选,将大于所述预设阈值的支持度对应的优化方案筛选出来,进而可以得到所述无人机设备的最终方案。因此,本发明实施例提供的一种用于无人机的资源分配方法,能够在于对无人机资源分配的方法进行优化。
如图2所示,是本发明一实施例提供的用于无人机的资源分配装置的功能模块图。
本发明所述用于无人机的资源分配装置100可以安装于电子设备中。根据实现的功能,所述用于无人机的资源分配装置100可以包括路径规划模块101、数据合并模块102、能耗计算模块103、方案获取模块104及方案确定模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述路径规划模块101,用于路径规划模块,用于获取待巡检的无人机设备和待巡检区域,查询所述无人机设备对应的巡检任务,根据所述巡检任务,通过预设的边缘服务器规划所述待巡检区域的巡检路径;
所述数据合并模块102,用于接收所述无人机设备的请求指令,根据所述请求指令执行所述无人机设备对应的巡检任务,并根据所述巡检路径,实时计算所述无人机设备与所述边缘服务器的当前距离,并获取所述边缘服务器的计算容量,将所述当前距离和所述计算容量进行数据合并,得到合并数据;
所述能耗计算模块103,用于获取所述无人机设备执行所述巡检任务的时延数据,通过所述边缘服务器计算所述无人机设备执行所述巡检任务的能耗;
所述方案获取模块104,用于利用训练好的系统奖励最大化目标模型中的深度分析神经网络对所述合并数据进行深度分析,得到分析数据,构建所述训练好的系统奖励最大化目标模型中的目标最大函数,通过所述目标最大函数对所述分析数据、所述时延数据以及所述能耗进行优化处理,得到优化方案;
所述方案确定模块105,用于计算所述优化方案与所述边缘服务器的支持度,在所述支持度大于预设阈值时,将所述优化方案作为所述无人机设备的最终方案。
详细地,本申请实施例中所述用于无人机的资源分配装置100中所述的各模块在使用时采用与上述图1中所述的用于无人机的资源分配方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图3所示,是本发明一实施例提供的实现用于无人机的资源分配方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如用于无人机的资源分配方法程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行用于无人机的资源分配方法程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如用于无人机的资源分配方法程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的用于无人机的资源分配方法程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取待巡检的无人机设备和待巡检区域,查询所述无人机设备对应的巡检任务,根据所述巡检任务,通过预设的边缘服务器规划所述待巡检区域的巡检路径;
接收所述无人机设备的请求指令,根据所述请求指令执行所述无人机设备对应的巡检任务,并根据所述巡检路径,实时计算所述无人机设备与所述边缘服务器的当前距离,并获取所述边缘服务器的计算容量,将所述当前距离和所述计算容量进行数据合并,得到合并数据;
获取所述无人机设备执行所述巡检任务的时延数据,通过所述边缘服务器计算所述无人机设备执行所述巡检任务的能耗;
利用训练好的系统奖励最大化目标模型中的深度分析神经网络对所述合并数据进行深度分析,得到分析数据,构建所述训练好的系统奖励最大化目标模型中的目标最大函数,通过所述目标最大函数对所述分析数据、所述时延数据以及所述能耗进行优化处理,得到优化方案;
计算所述优化方案与所述边缘服务器的支持度,在所述支持度大于预设阈值时,将所述优化方案作为所述无人机设备的最终方案。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元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,可以存储在一个存储介质中。所述存储介质可以是易失性的,也可以是非易失性的。例如,所述介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)。
本发明还提供一种存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取待巡检的无人机设备和待巡检区域,查询所述无人机设备对应的巡检任务,根据所述巡检任务,通过预设的边缘服务器规划所述待巡检区域的巡检路径;
接收所述无人机设备的请求指令,根据所述请求指令执行所述无人机设备对应的巡检任务,并根据所述巡检路径,实时计算所述无人机设备与所述边缘服务器的当前距离,并获取所述边缘服务器的计算容量,将所述当前距离和所述计算容量进行数据合并,得到合并数据;
获取所述无人机设备执行所述巡检任务的时延数据,通过所述边缘服务器计算所述无人机设备执行所述巡检任务的能耗;
利用训练好的系统奖励最大化目标模型中的深度分析神经网络对所述合并数据进行深度分析,得到分析数据,构建所述训练好的系统奖励最大化目标模型中的目标最大函数,通过所述目标最大函数对所述分析数据、所述时延数据以及所述能耗进行优化处理,得到优化方案;
计算所述优化方案与所述边缘服务器的支持度,在所述支持度大于预设阈值时,将所述优化方案作为所述无人机设备的最终方案。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种用于无人机的资源分配方法,其特征在于,所述方法包括:
获取待巡检的无人机设备和待巡检区域,查询所述无人机设备对应的巡检任务,根据所述巡检任务,通过预设的边缘服务器规划所述待巡检区域的巡检路径;
接收所述无人机设备的请求指令,根据所述请求指令执行所述无人机设备对应的巡检任务,并根据所述巡检路径,实时计算所述无人机设备与所述边缘服务器的当前距离,并获取所述边缘服务器的计算容量,将所述当前距离和所述计算容量进行数据合并,得到合并数据;
获取所述无人机设备执行所述巡检任务的时延数据,通过所述边缘服务器计算所述无人机设备执行所述巡检任务的能耗;
利用训练好的系统奖励最大化目标模型中的深度分析神经网络对所述合并数据进行深度分析,得到分析数据,构建所述训练好的系统奖励最大化目标模型中的目标最大函数,通过所述目标最大函数对所述分析数据、所述时延数据以及所述能耗进行优化处理,得到优化方案;
计算所述优化方案与所述边缘服务器的支持度,在所述支持度大于预设阈值时,将所述优化方案作为所述无人机设备的最终方案。
2.如权利要求1所述的用于无人机的资源分配方法,其特征在于,根据所述巡检任务,通过预设的边缘服务器规划所述待巡检区域的巡检路径,包括:
获取所述巡检任务中的子任务,并对所述无人机设备执行所述子任务的路径进行模拟,得到模拟路径;
提取所述待巡检区域的核心参数;
结合所述模拟路径和所述核心参数,通过所述预设的边缘服务器对所述无人机设备进行路径规划,得到巡检路径。
3.如权利要求1所述的用于无人机的资源分配方法,其特征在于,实时计算所述无人机设备与所述边缘服务器的当前距离,包括:
将所述边缘服务器作为坐标原点构建空间坐标系;
并实时定位所述无人机设备的坐标点信息;
结合所述坐标点信息,通过预设的距离函数计算所述无人机设备与所述边缘服务器的距离,得到当前距离。
6.如权利要求1所述的用于无人机的资源分配方法,其特征在于,利用训练好的系统奖励最大化目标模型中的深度分析神经网络对所述合并数据进行深度分析,得到分析数据,包括:
利用所述训练好的系统奖励最大化目标模型中的加权函数对所述合并数据进行加权处理,得到加权数据;
对所述加权数据进行存储,得到存储数据;
利用所述训练好的系统奖励最大化目标模型中的深度分析神经网络对所述存储数据进行深度分析,得到分析数据。
8.一种用于无人机的资源分配装置,其特征在于,所述装置包括:
路径规划模块,用于获取待巡检的无人机设备和待巡检区域,查询所述无人机设备对应的巡检任务,根据所述巡检任务,通过预设的边缘服务器规划所述待巡检区域的巡检路径;
数据合并模块,用于接收所述无人机设备的请求指令,根据所述请求指令执行所述无人机设备对应的巡检任务,并根据所述巡检路径,实时计算所述无人机设备与所述边缘服务器的当前距离,并获取所述边缘服务器的计算容量,将所述当前距离和所述计算容量进行数据合并,得到合并数据;
能耗计算模块,用于获取所述无人机设备执行所述巡检任务的时延数据,通过所述边缘服务器计算所述无人机设备执行所述巡检任务的能耗;
方案获取模块,用于利用训练好的系统奖励最大化目标模型中的深度分析神经网络对所述合并数据进行深度分析,得到分析数据,构建所述训练好的系统奖励最大化目标模型中的目标最大函数,通过所述目标最大函数对所述分析数据、所述时延数据以及所述能耗进行优化处理,得到优化方案;
方案确定模块,用于计算所述优化方案与所述边缘服务器的支持度,在所述支持度大于预设阈值时,将所述优化方案作为所述无人机设备的最终方案。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的用于无人机的资源分配方法。
10.一种存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的用于无人机的资源分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211161156.9A CN115249134B (zh) | 2022-09-23 | 2022-09-23 | 一种用于无人机的资源分配方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211161156.9A CN115249134B (zh) | 2022-09-23 | 2022-09-23 | 一种用于无人机的资源分配方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115249134A true CN115249134A (zh) | 2022-10-28 |
CN115249134B CN115249134B (zh) | 2022-12-23 |
Family
ID=83699666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211161156.9A Active CN115249134B (zh) | 2022-09-23 | 2022-09-23 | 一种用于无人机的资源分配方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115249134B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017219780A1 (zh) * | 2016-06-21 | 2017-12-28 | 中兴通讯股份有限公司 | 一种无人机巡检方法、装置及无人机、计算机存储介质 |
CN112731967A (zh) * | 2020-12-24 | 2021-04-30 | 中科院计算技术研究所大数据研究院 | 一种基于聚类和遗传算法的多无人机协同任务规划方法 |
CN113395654A (zh) * | 2021-06-11 | 2021-09-14 | 广东工业大学 | 一种边缘计算系统的多无人机任务卸载和资源分配的方法 |
CN113395679A (zh) * | 2021-05-25 | 2021-09-14 | 安徽大学 | 一种无人机边缘服务器的资源和任务分配优化系统 |
CN113452956A (zh) * | 2021-02-26 | 2021-09-28 | 深圳供电局有限公司 | 一种输电线路巡检任务智能分配方法及系统 |
CN113534829A (zh) * | 2021-06-11 | 2021-10-22 | 南京邮电大学 | 一种基于边缘计算的无人机日常巡逻检测系统 |
US20220004191A1 (en) * | 2020-07-01 | 2022-01-06 | Wuhan University Of Technology | Usv formation path-following method based on deep reinforcement learning |
CN113905049A (zh) * | 2021-10-11 | 2022-01-07 | 成都信息工程大学 | 一种基于多分类和分布式强化学习的卸载决策优化方法 |
US20220032933A1 (en) * | 2020-07-31 | 2022-02-03 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for generating a task offloading strategy for a vehicular edge-computing environment |
CN114065963A (zh) * | 2021-11-04 | 2022-02-18 | 湖北工业大学 | 一种电力物联网中基于深度强化学习的计算任务卸载方法 |
US20220196414A1 (en) * | 2019-12-31 | 2022-06-23 | Goertek Inc. | Global path planning method and device for an unmanned vehicle |
US20220255790A1 (en) * | 2021-01-29 | 2022-08-11 | Beijing University Of Posts And Telecommunications | Deep reinforcement learning-based information processing method and apparatus for edge computing server |
CN115047913A (zh) * | 2022-07-19 | 2022-09-13 | 北京微纳星空科技有限公司 | 一种无人机飞行路径的规划方法、装置、设备及存储介质 |
-
2022
- 2022-09-23 CN CN202211161156.9A patent/CN115249134B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017219780A1 (zh) * | 2016-06-21 | 2017-12-28 | 中兴通讯股份有限公司 | 一种无人机巡检方法、装置及无人机、计算机存储介质 |
US20220196414A1 (en) * | 2019-12-31 | 2022-06-23 | Goertek Inc. | Global path planning method and device for an unmanned vehicle |
US20220004191A1 (en) * | 2020-07-01 | 2022-01-06 | Wuhan University Of Technology | Usv formation path-following method based on deep reinforcement learning |
US20220032933A1 (en) * | 2020-07-31 | 2022-02-03 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for generating a task offloading strategy for a vehicular edge-computing environment |
CN112731967A (zh) * | 2020-12-24 | 2021-04-30 | 中科院计算技术研究所大数据研究院 | 一种基于聚类和遗传算法的多无人机协同任务规划方法 |
US20220255790A1 (en) * | 2021-01-29 | 2022-08-11 | Beijing University Of Posts And Telecommunications | Deep reinforcement learning-based information processing method and apparatus for edge computing server |
CN113452956A (zh) * | 2021-02-26 | 2021-09-28 | 深圳供电局有限公司 | 一种输电线路巡检任务智能分配方法及系统 |
CN113395679A (zh) * | 2021-05-25 | 2021-09-14 | 安徽大学 | 一种无人机边缘服务器的资源和任务分配优化系统 |
CN113534829A (zh) * | 2021-06-11 | 2021-10-22 | 南京邮电大学 | 一种基于边缘计算的无人机日常巡逻检测系统 |
CN113395654A (zh) * | 2021-06-11 | 2021-09-14 | 广东工业大学 | 一种边缘计算系统的多无人机任务卸载和资源分配的方法 |
CN113905049A (zh) * | 2021-10-11 | 2022-01-07 | 成都信息工程大学 | 一种基于多分类和分布式强化学习的卸载决策优化方法 |
CN114065963A (zh) * | 2021-11-04 | 2022-02-18 | 湖北工业大学 | 一种电力物联网中基于深度强化学习的计算任务卸载方法 |
CN115047913A (zh) * | 2022-07-19 | 2022-09-13 | 北京微纳星空科技有限公司 | 一种无人机飞行路径的规划方法、装置、设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
JIELIN,LINHUANG,HANLINZHANG,XINYUYANG,PENGZHAO: ""A Novel Lyapunov based Dynamic Resource Allocation for UAVs-assisted Edge Computing"", <COMPUTER NETWORKS> * |
XIN CHEN,XU LIU,GEYONG MIN: ""Deep Q-Network based resource allocation for UAV-assisted Ultra-Dense Networks"", <COMPUTER NETWORKS> * |
周振宇等: "面向智能电力巡检的高可靠低时延移动边缘计算技术", 《高电压技术》 * |
杨思远,梁微,李立欣: ""6G无人机边缘计算场景下智能分组机制"", 《移动通信》 * |
王浩淼; 段海滨; 魏晨: "" 基于合作竞争公共物品博弈的无人机集群动态资源分配"", 《中国科学:信息科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115249134B (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112866059B (zh) | 一种基于人工智能应用的无损网络性能测试方法和装置 | |
CN110956202B (zh) | 基于分布式学习的图像训练方法、系统、介质及智能设备 | |
Mechalikh et al. | PureEdgeSim: A simulation framework for performance evaluation of cloud, edge and mist computing environments | |
CN112764893B (zh) | 数据处理方法和数据处理系统 | |
CN110322931A (zh) | 一种碱基识别方法、装置、设备及存储介质 | |
CN114721835A (zh) | 边缘数据中心服务器能耗预测方法、系统、设备及介质 | |
CN110069997B (zh) | 场景分类方法、装置及电子设备 | |
CN114862140A (zh) | 基于行为分析的潜力评估方法、装置、设备及存储介质 | |
CN113010296B (zh) | 基于形式化模型的任务解析与资源分配方法及系统 | |
CN113742069A (zh) | 基于人工智能的容量预测方法、装置及存储介质 | |
CN115249134B (zh) | 一种用于无人机的资源分配方法、装置、设备及存储介质 | |
CN108770014B (zh) | 网络服务器的计算评估方法、系统、装置及可读存储介质 | |
CN112988383A (zh) | 一种资源分配方法、装置、设备以及存储介质 | |
CN111125272B (zh) | 一种区域特征获取方法、装置、计算机设备及介质 | |
CN116522105B (zh) | 基于云计算的数据一体化搭建的方法、装置、设备及介质 | |
CN117519948B (zh) | 基于云平台实现建筑施工下的计算资源调整方法及系统 | |
CN113191455B (zh) | 边缘计算盒子选举方法、装置、电子设备及介质 | |
CN117574983B (zh) | 一种算子处理模型的训练方法和相关装置 | |
CN114637564B (zh) | 数据可视化方法、装置、电子设备及存储介质 | |
CN117827619B (zh) | 异构算力的耗时预测仿真方法、装置、设备、介质及系统 | |
CN117726884B (zh) | 对象类别识别模型的训练方法、对象类别识别方法及装置 | |
CN114640618B (zh) | 集群路由调度方法、装置、电子设备及可读存储介质 | |
Li et al. | Accelerated LiDAR data processing algorithm for self‐driving cars on the heterogeneous computing platform | |
Chakati | Reliable Distributed Management in Uncertain Environments | |
CN115131615A (zh) | 模型样本的权重生成方法、装置、设备及存储介质 |
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 |