CN115766478A - 一种空地协同边缘计算服务器的卸载方法 - Google Patents

Abstract

本发明涉及电数字数据处理技术领域，具体涉及一种空地协同边缘计算服务器的卸载方法；该方法包括：构建边缘计算场景，边缘计算场景中包括一组移动设备以及一组无人机，每个移动设备不断产生计算任务；获取移动设备在选择本地计算任务时的完成时间以及能耗成本，以得到第一成本；获取移动设备在接收卸载请求时的卸载完成时间和能量消耗；基于卸载完成时间以及能量消耗得到第二成本；获取当前移动设备的剩余电量、计算任务的截止时间以及本地计算能力，以得到当前移动设备的优先级；以第一成本、第二成本以及每个移动设备的优先级构建总成本模型，基于总成本模型确定卸载策略，最终卸载策略的效果较好且总成本低。

Description

一种空地协同边缘计算服务器的卸载方法

技术领域

本发明涉及电数字数据处理技术领域，具体涉及一种空地协同边缘计算服务器的卸载方法。

背景技术

近年来，随着物联网设备的海量接入，一些智能终端设备中的应用程序例如人脸识别、无人驾驶、虚拟现实和语音处理等被广泛使用。计算力较差的终端设备往往难以在短时间内完成计算密集型和时延敏感型任务，多接入边缘计算的发展是解决这类问题的关键，但是边缘计算服务器一般安装在地理位置固定的蜂窝地面基站上，很难满足高移动性的终端设备的计算需求。

为了提供可靠、灵活的卸载服务，无人机辅助边缘计算缓解了固定地面服务器的计算卸载压力；然而，现有的研究大多集中在减少卸载成本的部署优化上，忽略了设备分布的多变性，无人机信道资源的有限性和设备关联的智能性。

发明内容

为了解决目前卸载成本获取不准确，卸载策略效果差的技术问题，本发明的目的在于提供一种空地协同边缘计算服务器的卸载方法，所采用的技术方案具体如下：

本发明一个实施例提供了一种空地协同边缘计算服务器的卸载方法，该方法包括以下步骤：

构建边缘计算场景，所述边缘计算场景中包括一组移动设备以及一组无人机，每个移动设备不断产生计算任务；

获取移动设备在选择本地计算任务时的完成时间以及能耗成本，基于所述完成时间以及所述能耗成本得到本地计算任务的第一成本；获取移动设备在接收卸载请求时的卸载数量，根据所述卸载数量、数据传输时间以及无人机执行任务时间获取卸载完成时间；基于移动设备的传输功率以及无人机分配给移动设备的任务的计算频率得到能量消耗；基于所述卸载完成时间以及所述能量消耗得到第二成本；

获取当前移动设备的剩余电量、计算任务的截止时间以及本地计算能力，根据所述剩余电量、所述截止时间以及所述本地计算能力进行加权求和得到当前移动设备的优先级；

获取无人机航迹、设备关联情况以及资源分配，结合所述第一成本、所述第二成本以及每个移动设备的所述优先级构建总成本模型，基于所述总成本模型确定卸载策略。

优选的，所述基于所述总成本模型确定卸载策略的步骤，还包括：

构建分层强化学习模型，所述分层强化学习模型的上层为多无人机部署的位置优化，下层为卸载优化策略；

分层强化学习模型的上层接收环境状态并通过确定性策略网络产生动作输出和下一个状态；下一个状态作为分层强化学习模型的下层输入，由下层输出卸载策略。

优选的，所述获取无人机航迹、设备关联情况以及资源分配，结合所述第一成本、所述第二成本以及每个移动设备的所述优先级构建总成本模型的步骤，包括：

所述总成本模型为：

其中，U表示无人机的航迹；C表示设备关联情况，用α_ij表示，取值0或1；F表示资源分配；w^t和w^e分别表示权值；

表示第一成本；

表示第二成本；P_i表示移动设备i的优先级；

表示完成时间；

表示能耗成本；

表示卸载完成时间；

表示能量消耗。

优选的，所述获取移动设备在选择本地计算任务时的完成时间以及能耗成本的步骤，包括：

以移动设备处理任务所需的计算能力与移动设备的计算功率的比值作为所述完成时间；

获取中央处理器的能量系数以及移动设备的计算功率的平方值，由所述能量系数与所述平方值的乘积作为所述能耗成本。

优选的，所述根据所述卸载数量、数据传输时间以及无人机执行任务时间获取卸载完成时间的步骤，包括：

所述卸载完成时间的计算方法为：

其中，

表示数据传输时间，

r_ij(t)表示数据传输速率，D_i(t)表示任务数据量的大小；

表示无人机执行任务时间，

f_ij(t)由无人机接入的移动设备数量决定，

K表示需要卸载的移动设备数量。

优选的，所述基于移动设备的传输功率以及无人机分配给移动设备的任务的计算频率得到能量消耗的步骤，包括：

计算所有卸载任务的传输能耗与执行能耗的求和结果为所述能量消耗；

所述传输能耗为移动设备的传输功率与数据传输时间的乘积；所述执行能耗由无人机分配给移动设备上的任务的计算频率得到。

优选的，所述分层强化学习模型的上层对多无人机部署的位置优化具体包括：

状态：s_t＝(D(t),x_j(t),y_j(t),h_j,x_i(t),y_i(t),Φ_i(t))；其中，D(t)表示无人机群通信范围内的数据量，由无人机覆盖范围内的设备数据量相加而得；(x_j(t),y_j(t),h_j)表示无人机的三维位置；(x_i(t),y_i(t))表示移动设备的水平位置；Φ_i(t)表示移动设备的剩余电量；

动作：a_t＝{θ_j(t),l_j(t)}，其中，0≤θ_j(t)≤2π表示无人机在时刻t的转向角，l_j(t)表示无人机在时刻t的飞行距离；

奖励：

目标：通过优化无人机的部署最大化无人机群通信范围内的任务量。

优选的，所述分层强化学习模型下层的卸载优化策略具体包括：

状态：s_t+η＝{x_j(t+1),y_j(t+1),h_j,x_i(t+1),y_i(t+1),P_i}；

动作：a_t+η＝{α_ij,f_ij}；

奖励：

目标：

以确定输出的设备关联和资源分配最小化系统成本，得到最优卸载策略。

优选的，所述数据传输速率的获取方法，包括：

获取当前无人机接入的移动设备数量以及带宽，计算所述带宽与当前无人机接入的移动设备数量的比值记为第一比值；

获取当前移动设备与当前无人机之间的水平距离以及当前无人机的高度，计算所述水平距离的平方值与无人机的高度的平方值的求和结果；获取第一指标与当前移动设备的传输功率的乘积结果，将所述乘积结果与所述求和结果的比值记为第二比值；

将所述第二比值加1，并对相加结果进行对数运算，以对数运算结果与所述第一比值的乘积得到所述数据传输速率。

优选的，所述第一指标为：

其中，g₀表示单位空间距离的信道增益；G₀为常数；σ²表示噪声功率。

本发明具有如下有益效果：

本发明实施例中通过对移动设备工作时的各种参数获取不同关联情况下的完成时间和成本，以得到对应的第一成本和第二成本，并且在第一成本和第二成本的获取中，考虑了任务的数量以及无人机执行的时间等限制性进行分析，提高了总成本模型获取的准确性；并且，在总成本模型中增加优先级这一指标，在卸载请求发生冲突时，综合考虑任务截止时间以及移动设备的剩余电量和计算能力等指标进行衡量，以最大化的保证任务完成的数量，在保证了较低的总成本的同时，提高了任务执行过程中的效率，最终确定的卸载策略效果更好，也更加具有说服力。

此外，本发明实施例还利用分层强化学习模型进行无人机的部署优化和卸载策略的优化，使得整体方案更加灵活，适应性更强。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。

图1为本发明一个实施例所提供的一种空地协同边缘计算服务器的卸载方法流程图；

图2为本发明一个实施例所提供的一种多无人机辅助的边缘计算系统部署和卸载一体化架构图；

图3为本发明一个实施例所提供的一种分层强化学习的更新过程。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种空地协同边缘计算服务器的卸载方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种空地协同边缘计算服务器的卸载方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种空地协同边缘计算服务器的卸载方法流程图，该方法包括以下步骤：

步骤S100，构建边缘计算场景，边缘计算场景中包括一组移动设备以及一组无人机，每个移动设备不断产生计算任务。

具体的，首先构建边缘计算场景作为后续分析的基础，本发明实施例中边缘计算场景包括移动设备以及搭载边缘服务器的无人机，请参阅图2，其示出一种多无人机辅助的边缘计算系统部署和卸载一体化架构图；为便于区分，对每个移动设备以及无人机均进行标号，移动设备的标号i∈I＝{1,2,…,N}，N表示所有移动设备的数量；无人机的标号为j∈J＝{1,2,…,M}，M表示所有无人机的数量；相应的，基于移动设备以及无人机的相关配置信息可知每个移动设备的计算功率以及每个无人机的计算能力，将移动设备i的计算功率记为f_i ^loc(t)，无人机的计算能力记为f_u。

每个移动设备对应不同的应用形式，计算任务在时隙t产生，每个计算任务包括三个配置文件，分别为输入任务数据量的大小D，以bit为单位、处理任务所需的计算能力F，也即是CPU周期数，以及最大时延T^max；则每个移动设备的配置文件可被表示为φ_i(t)＝{D_i(t),F_i(t),T_i(t)}。

步骤S200，获取移动设备在选择本地计算任务时的完成时间以及能耗成本，基于完成时间以及能耗成本得到本地计算任务的第一成本；获取移动设备在接收卸载请求时的卸载数量，根据卸载数量、数据传输时间以及无人机执行任务时间获取卸载完成时间；基于移动设备的传输功率以及无人机分配给移动设备的任务的计算频率得到能量消耗；基于卸载完成时间以及能量消耗得到第二成本。

由于无人机部署的高度远超移动设备，且无人机通信链路的视距信道与其他信道消耗更显著，其他信道消耗例如小尺度衰落和阴影损耗等，因此移动设备与无人机之间的无线信道可利用自由空间路径损耗模型进行评功，则移动设备与无人机之间无线信道链路的功率增益为：

其中，g₀表示单位空间距离的信道增益；R_ij(t)表示移动设备与无人机之间的水平距离；h_j(t)表示无人机的高度。

为了减少传输时延，移动设备i始终以最大传输功率进行数据传输，以改善通信链路的信噪比，因此移动设备i与无人机之间的数据传输速率为：

其中，B表示带宽；k表示无人机接入的移动设备数量；

表示移动设备i的传输功率；R_ij(t)表示移动设备与无人机之间的水平距离；h_j(t)表示无人机的高度；log₂表示以2为底的对数函数计算；

g₀表示单位空间距离的信道增益，G₀为常数，本发明实施例中G₀＝2.2846，σ²表示噪声功率。

基于此获取每个移动设备与无人机之间的数据传输速率。然后对移动设备的卸载选择进行分析，以α_ij表示卸载选择，α_ij＝0表示没有卸载任务；α_ij＝1表示存在卸载任务；对α_ij＝0以及α_ij＝1的情况分别进行分析。

具体的，当α_ij＝0时，移动设备选择本地计算任务，此时移动设备计算的成本由本地计算任务的完成时间和能耗成本得到，完成时间的具体计算为：

其中，F_i(t)移动设备i处理任务所需的计算能力；f_i ^loc(t)表示移动设备i的计算功率。

相应的，移动设备执行本地计算任务的能耗成本的具体计算为：

其中，k_i表示中央处理器的能量系数。

由此可根据移动设备选择本地计算任务时的完成时间和能耗成本得到对应的第一成本，具体第一成本的计算为：

其中，w^t表示完成时间的权值；w^e表示能耗成本的权值，具体取值由实施者自行设定。

进一步的，当α_ij＝1时，表明移动设备接收到卸载请求，此时需要考虑卸载的情况，在避免信道浪费的同时也要考虑当冲突发生时的卸载策略，此时的卸载成本是与卸载计算的卸载完成时间和能量消耗有关。

在本发明实施例中应用了OFDM技术，这意味着由于子载波的数量有限以及根据任务传输时间阈值的限制，每个无人机在每个时隙t中能接收的任务数量最大为V_max，因此存在以下关系：

由于回传任务较小，所需用的时间可以忽略不计，因此卸载计算的卸载完成时间由两部分构成，分别为数据传输时间和无人机执行任务所需的时间，则卸载完成时间的计算为：

其中，

表示数据传输时间，

表示无人机执行任务时间，

f_ij(t)由无人机接入的移动设备数量决定，

K表示需要卸载的移动设备数量。

完成卸载任务的能量消耗也由两部分组成，分别为传输能耗和执行能耗，因此能量消耗的具体计算为：

其中，

表示传输能耗，

表示移动设备i的传输功率；

表示执行能耗，

f_ij(t)表示无人机分配给移动设备i上的任务的计算频率。

由此可根据完成卸载的卸载完成时间以及能量消耗得到第二成本，第二成本的计算为：

其中，w^t表示权值；w^e表示权值，具体取值由实施者自行设定。

步骤S300，获取当前移动设备的剩余电量、计算任务的截止时间以及本地计算能力，根据剩余电量、截止时间以及本地计算能力进行加权求和得到当前移动设备的优先级。

由于无人机的通信资源有限，当全部信道都有移动设备卸载时，无人机资源得到有效利用，当由信道空闲时就会产生资源浪费；但是当需要卸载的卸载任务数量过多是，就会产生一定的冲突，此时需要考虑有限卸载哪些任务，因此本发明实施例为每个随机产生的任务设置对应的优先级，当要卸载的移动设备数量大于无人机的最大卸载数量时，将优先级加入成本函数中，首先考虑卸载优先级较大的任务；当卸载发生冲突时，按照优先级的顺序卸载主要分三种情况：

(1)无人机的通信范围内的移动设备小于或者等于无人机的最大卸载数量，此时比较第一成本与第二成本，选择成本小的方式计算任务。

(2)无人机的通信范围内的移动设备大于无人机的最大卸载数量，但是选择卸载至无人机的移动设备数量小于或等于最大卸载数量，由于系统会选择成本较小的方式计算任务，因此此时也不会产生卸载冲突。

(3)无人机的通信范围内的移动设备大于无人机的最大卸载数量，选择卸载至无人机的设备数量大于最大卸载数量，此时会发生卸载冲突；在考虑移动设备的计算能力和任务时间敏感度的前提下，为每个移动设备设置优先级。

由于在任务计算卸载过程中，移动设备的本地计算能力和任务的延迟要求对于移动设备关联有着决定作用，并且剩余电量决定任务能否在本地电量耗尽之前成功卸载，因此本发明实施例中根据移动设备的剩余电量、任务最大截止时间以及本地计算能力这三项数据作为衡量移动设备优先级的依据，优先级的具体计算为：

其中，P_i表示移动设备i的优先级；f_i ^loc表示本地计算能力；

表示任务最大的截止时间；Φ_i表示移动设备i的剩余电量；ω₁和ω₂分别表示本地计算能力和截止时间对应的权重因子，由实施者自行设定。

优先级P_i越小，本地计算任务不能完成的概率越高，越应该优先卸载。

步骤S400，获取无人机航迹、设备关联情况以及资源分配，结合第一成本、第二成本以及每个移动设备的优先级构建总成本模型，基于总成本模型确定卸载策略。

由步骤S200得到第一成本和第二成本，并由步骤S300得到优先级，则根据第一成本、第二成本以及优先级进行总成本模型的构建，具体的，总成本模型为：

其中，U表示无人机的航迹；C表示设备关联，表示无人机是否选择用户接入，具体关联情况用α_ij表示；F表示资源分配，任务的计算完成时间和能量消耗与U、C和F相关，通过优化这三个变量来最小化总成本函数；α_ij(t)＝{0,1},

j∈J,t∈T表示移动设备关联的选择；

表示每个移动设备只能卸载至一架无人机；

表示任务的卸载数量要小于服务器的最大卸载数量；

表示无人机分配给移动设备任务的计算能力要小于无人机总的计算能力；

表示任务的计算时间要小于最大截止时间，否则任务计算失败。

进一步的，为保证策略制定的合理与准确，本发明实施例中还包括利用分层强化学习进行不断更新，请参阅图3，其示出一种分层强化学习的更新过程；也即是将原来对边缘计算服务器的部署和卸载分解为两个子问题，一是边缘计算服务器的部署，也即是位置优化问题，二是卸载优化问题，具体如下：

P1：

P2：

对两个问题分别进行分析：

首先，分析上层的多无人机部署的位置优化问题；由于通信模型中传输速率和计算模型中传输时间均与无人机和设备之间的位置有关，因此当上层无人机的部署收敛到最优或者是次优时，下层的卸载优化策略才可以稳定训练。

状态：s_t＝(D(t),x_j(t),y_j(t),h_j,x_i(t),y_i(t),Φ_i(t))

其中，D(t)表示无人机群通信范围内的数据量，由无人机覆盖范围内的设备数据量相加而得；(x_j(t),y_j(t),h_j)表示无人机的三维位置；(x_i(t),y_i(t))表示移动设备的水平位置；Φ_i(t)表示移动设备的剩余电量。

动作：a_t＝{θ_j(t),l_j(t)}，其中，0≤θ_j(t)≤2π表示无人机在时刻t的转向角，l_j(t)表示无人机在时刻t的飞行距离。

奖励：

目标：通过优化无人机的部署最大化无人机群通信范围内的任务量。

无人机部署优化属于连续型变量，可以采用多智能体确定性策略梯度方法进行求解。上层的目标是最大化无人机覆盖范围内的任务量，即最大化上层的累计奖励，用函数表示为：

最优策略对应的动作值函数由贝尔曼方程进行表示，具体为：

多智能体确定性策略梯度Critic通过神经网络(θ^c)拟合Q值函数，并通过损失值训练Q函数，损失函数为：

其中，

是经验回放池里面存储状态转移元组。

多智能体确定性策略梯度Actor的策略函数采用u_j表示，以接受环境的状态信息作为输入，产生一个确定性的动作，同样它通过神经网络(θ^j)逼近；策略函数的梯度表示为：

其中，Q的取值通过损失函数更新。

为了使神经网络的训练更加稳定，建立了两套Actor网络和Critic网络，分别是：Critic网络、Target Critic(Q′)和Actor网络、Target Actor(u_j′)；两个Target网络同样由神经网络(θ^c′,θ^j′)构建，并且由(θ^c,θ^j)定期更新。

从经验回放池中采样ε次之后，损失函数和梯度函数分别为：

其次，分析下层的卸载优化问题；在给定无人机位置的情况下，移动设备关联的选择根据成本函数来确定，移动设备关联是一个二元变量，由于是多设备卸载，计算资源算为无人机最大的计算资源平均分配，下层的输出是离散型变量。

状态：s_t+η＝{x_j(t+1),y_j(t+1),h_j,x_i(t+1),y_i(t+1),P_i}；

动作：a_t+η＝{α_ij,f_ij}；

奖励：

目标：

以确定输出的设备关联和资源分配最小化系统成本。

同样的，目标网络Q′利用神经网络(θ^α)和经验回放池ξ中的数据更新，经验池中的学习经验ξ＝{s_t+η,a_t+η,r_lower,s_t+η+1}，通过从经验回放池中采样数据来更新Q值函数，更新的Q值函数为：

其中，β表示神经网络的学习率，神经网络参数θ^α由损失函数更新，具体为：

最终Q值函数(θ^α)的学习目标是得到问题P2的最优策略，也即是最优的卸载策略。

综上所述，本发明实施例中通过构建边缘计算场景，边缘计算场景中包括一组移动设备以及一组无人机，每个移动设备不断产生计算任务；获取移动设备在选择本地计算任务时的完成时间以及能耗成本，基于完成时间以及能耗成本得到本地计算任务的第一成本；获取移动设备在接收卸载请求时的卸载数量，根据卸载数量、数据传输时间以及无人机执行任务时间获取卸载完成时间；基于移动设备的传输功率以及无人机分配给移动设备的任务的计算频率得到能量消耗；基于卸载完成时间以及能量消耗得到第二成本；获取当前移动设备的剩余电量、计算任务的截止时间以及本地计算能力，根据剩余电量、截止时间以及本地计算能力进行加权求和得到当前移动设备的优先级；以第一成本、第二成本以及每个移动设备的优先级构建总成本模型，基于总成本模型确定卸载策略，卸载策略的效果较佳且总成本低、效率高。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。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。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种空地协同边缘计算服务器的卸载方法，其特征在于，该方法包括以下步骤：

构建边缘计算场景，所述边缘计算场景中包括一组移动设备以及一组无人机，每个移动设备不断产生计算任务；

获取移动设备在选择本地计算任务时的完成时间以及能耗成本，基于所述完成时间以及所述能耗成本得到本地计算任务的第一成本；获取移动设备在接收卸载请求时的卸载数量，根据所述卸载数量、数据传输时间以及无人机执行任务时间获取卸载完成时间；基于移动设备的传输功率以及无人机分配给移动设备的任务的计算频率得到能量消耗；基于所述卸载完成时间以及所述能量消耗得到第二成本；

获取当前移动设备的剩余电量、计算任务的截止时间以及本地计算能力，根据所述剩余电量、所述截止时间以及所述本地计算能力进行加权求和得到当前移动设备的优先级；

获取无人机航迹、设备关联情况以及资源分配，结合所述第一成本、所述第二成本以及每个移动设备的所述优先级构建总成本模型，基于所述总成本模型确定卸载策略。

2.根据权利要求1所述的一种空地协同边缘计算服务器的卸载方法，其特征在于，基于所述总成本模型确定卸载策略的步骤，还包括：

构建分层强化学习模型，所述分层强化学习模型的上层为多无人机部署的位置优化，下层为卸载优化策略；

分层强化学习模型的上层接收环境状态并通过确定性策略网络产生动作输出和下一个状态；下一个状态作为分层强化学习模型的下层输入，由下层输出卸载策略。

3.根据权利要求1所述的一种空地协同边缘计算服务器的卸载方法，其特征在于，所述获取无人机航迹、设备关联情况以及资源分配，结合所述第一成本、所述第二成本以及每个移动设备的所述优先级构建总成本模型的步骤，包括：

所述总成本模型为：

其中，U表示无人机的航迹；C表示设备关联情况，用α_ij表示，取值0或1；F表示资源分配；w^t和w^e分别表示权值；

表示第一成本；

表示第二成本；P_i表示移动设备i的优先级；

表示完成时间；

表示能耗成本；

表示卸载完成时间；

表示能量消耗。

4.根据权利要求1所述的一种空地协同边缘计算服务器的卸载方法，其特征在于，所述获取移动设备在选择本地计算任务时的完成时间以及能耗成本的步骤，包括：

以移动设备处理任务所需的计算能力与移动设备的计算功率的比值作为所述完成时间；

获取中央处理器的能量系数以及移动设备的计算功率的平方值，由所述能量系数与所述平方值的乘积作为所述能耗成本。

5.根据权利要求3所述的一种空地协同边缘计算服务器的卸载方法，其特征在于，所述根据所述卸载数量、数据传输时间以及无人机执行任务时间获取卸载完成时间的步骤，包括：

所述卸载完成时间的计算方法为：

其中，

表示数据传输时间，

r_ij(t)表示数据传输速率，D_i(t)表示任务数据量的大小；

表示无人机执行任务时间，

f_ij(t)由无人机接入的移动设备数量决定，

K表示需要卸载的移动设备数量。

6.根据权利要求1所述的一种空地协同边缘计算服务器的卸载方法，其特征在于，所述基于移动设备的传输功率以及无人机分配给移动设备的任务的计算频率得到能量消耗的步骤，包括：

计算所有卸载任务的传输能耗与执行能耗的求和结果为所述能量消耗；

所述传输能耗为移动设备的传输功率与数据传输时间的乘积；所述执行能耗由无人机分配给移动设备上的任务的计算频率得到。

7.根据权利要求2所述的一种空地协同边缘计算服务器的卸载方法，其特征在于，所述分层强化学习模型的上层对多无人机部署的位置优化具体包括：

状态：s_t＝(D(t),x_j(t),y_j(t),h_j,x_i(t),y_i(t),Φ_i(t))；其中，D(t)表示无人机群通信范围内的数据量，由无人机覆盖范围内的设备数据量相加而得；(x_j(t),y_j(t),h_j)表示无人机的三维位置；(x_i(t),y_i(t))表示移动设备的水平位置；Φ_i(t)表示移动设备的剩余电量；

动作：a_t＝{θ_j(t),l_j(t)}，其中，0≤θ_j(t)≤2π表示无人机在时刻t的转向角，l_j(t)表示无人机在时刻t的飞行距离；

奖励：

目标：通过优化无人机的部署最大化无人机群通信范围内的任务量。

8.根据权利要求3所述的一种空地协同边缘计算服务器的卸载方法，其特征在于，所述分层强化学习模型下层的卸载优化策略具体包括：

状态：s_t+η＝{x_j(t+1),y_j(t+1),h_j,x_i(t+1),y_i(t+1),P_i}；

动作：a_t+η＝{α_ij,f_ij}；

奖励：

目标：

以确定输出的设备关联和资源分配最小化系统成本，得到最优卸载策略。

9.根据权利要求5所述的一种空地协同边缘计算服务器的卸载方法，其特征在于，所述数据传输速率的获取方法，包括：

获取当前无人机接入的移动设备数量以及带宽，计算所述带宽与当前无人机接入的移动设备数量的比值记为第一比值；

获取当前移动设备与当前无人机之间的水平距离以及当前无人机的高度，计算所述水平距离的平方值与无人机的高度的平方值的求和结果；获取第一指标与当前移动设备的传输功率的乘积结果，将所述乘积结果与所述求和结果的比值记为第二比值；

将所述第二比值加1，并对相加结果进行对数运算，以对数运算结果与所述第一比值的乘积得到所述数据传输速率。

10.根据权利要求9所述的一种空地协同边缘计算服务器的卸载方法，其特征在于，所述第一指标为：

其中，g₀表示单位空间距离的信道增益；G₀为常数；σ²表示噪声功率。

Images