CN115833907A - 多无人机辅助mec系统中联合轨迹、卸载和资源分配优化方法 - Google Patents

Abstract

本发明公开了一种多无人机辅助MEC系统中的联合轨迹、卸载和资源分配优化方法，包括以下步骤：1、无人机上的MEC服务器收集飞行区域内所有地面用户节点的计算资源、通信资源和任务负载等信息，以及其他无人机计算资源信息；2、引入相关的辅助变量，建立对应的优化问题；3、用户和无人机之间的匹配关系通过卸载匹配博弈算法初始化，其对应的矩阵为卸载匹配矩阵；4、引入辅助变量，将优化问题分解为若干子问题求解。该方法基于块坐标下降方法和连续凸逼近技术，称其为联合多无人机轨迹、卸载和资源优化方案；5、迭代直至前后两次目标函数值之差的绝对值小于阈值。本方法降低了用户的平均服务时延。

Description

多无人机辅助MEC系统中联合轨迹、卸载和资源分配优化方法

技术领域

本发明属于移动边缘计算领域，尤其涉及一种多无人机辅助MEC系统中联合轨迹、卸载和资源分配优化方法。

背景技术

目前，随着物联网设备和智能移动终端的日渐普及，许多新颖的应用出现在了我们生活中，例如增强现实(AR，Augmented Reality)、智能家居等等。然而，通常物联网设备计算能力受限，这些设备难以对任务进行处理并作出及时响应。移动边缘计算(MEC，MobileEdge Computing)则提供了某种可能性，使计算资源能够更加接近用户。在某些应用场景中，物联网设备距离边缘云太远，往往选择用无人机(UAV,Unmanned Aerial Vehicle)来辅助MEC。UAV具有很强的灵活性，成本较低且部署较方便，因此被广泛应用于民用领域。UAV将搭载MEC服务器，为地面上的物联网设备提供计算卸载服务。无人机辅助MEC一方面降低了基础设施的安装成本，另一方面可以根据需要为地面用户提供计算资源。此外，多架无人机之间相互协作能够提高资源的使用率，同时减少地面用户的计算压力。然而，近几年针对无人机辅助MEC的研究，相关的工作主要集中在分别对无人机路径规划和资源分配方面，很少有研究联合优化无人机轨迹、卸载和资源分配。目前，大部分研究均集中在单无人机辅助的MEC系统的资源分配问题上，联合轨道、卸载和资源优化多无人机辅助MEC系统方面的工作很少。

发明内容

本发明目的在于提供一种无人机辅助MEC系统中联合轨迹、卸载和资源分配优化方法,通过联合优化有限周期里的无人机轨迹、地面用户任务在无人机上的卸载比例、无人机计算和通信资源以及无人机-用户匹配变量，以解决用户平均服务时延高的技术问题。

为解决上述技术问题，本发明的具体技术方案如下：

一种多无人机辅助MEC系统中的联合轨迹、卸载和资源优化方法，包括如下步骤：

步骤1、构建一多无人机辅助的MEC系统，该系统包括搭载有MEC服务器的多个无人机以及处于该多个无人机飞行区域内的多个地面用户节点；无人机上的MEC服务器收集飞行区域内所有地面用户节点的计算资源、带宽资源和任务负载信息，以及无人机的计算资源信息；

步骤2、建立联合无人机轨迹、用户在无人机上的卸载比例、计算资源和带宽资源的优化问题以期使得目标函数用户平均服务时延最小化；

步骤3、用户和无人机之间的匹配关系通过卸载匹配博弈算法初始化，其对应的矩阵为卸载匹配矩阵；

步骤4、引入辅助变量，并将步骤2中的优化问题分解为若干子问题求解；该方法基于块坐标下降BCD方法和连续凸逼近SCA技术，称其为联合多无人机轨迹、卸载和资源优化JMORO方案；

步骤5、迭代步骤4，如果前后两次目标函数值之差的绝对值超过阈值，返回步骤4，如果前后两次目标函数值之差的绝对值不大于阈值，则流程结束，得到无人机与用户匹配变量、无人机航迹、通信资源、计算资源和卸载比例的优化结果。

进一步的，步骤1中，多无人机辅助的MEC系统具体场景描述如下：

N架无人机以相同高度H飞行，为地面的K个用户提供计算卸载服务；

表示无人机所组成的集合，

表示地面用户节点所组成的集合；n，

用来表示第n个无人机，k，

用来表示第k个用户节点；将总时间分为M个时隙，每个时隙长δ_t，

表示时隙的集合，m，

用来表示第m个时隙；当时隙足够小时，视无人机在该时隙的位置是固定的；设置W_k表示第k个用户节点的二维坐标，第n个无人机在时隙m的二维投影坐标为Q_n[m]＝(x_n[m]，y_n[m])，其中x_n[m]和y_n[m]分别是第n个无人机在时隙m的地面投影的横轴坐标和纵轴坐标；

对无人机有移动性约束：首先无人机需要在最后一个时隙飞回原位；其次无人机间距离需保持在最小安全距离d_min以上，以防发生碰撞；以及由于无人机速度有限，无人机在两个时隙间飞行距离是有限的，不能超过最大飞行距离d_max；

地面用户会匹配一架无人机来进行任务卸载，而一架无人机对多个地面用户的任务进行计算；定义无人机与用户匹配变量为A_k，n[m]，当无人机n在时隙m为用户k提供服务时，A_k，n[m]＝1，否则A_k，n[m]＝0；

在第m个时隙，设置地面用户k在该时隙上的计算任务量D_k[m]，该任务以θ_k，n[m]比例卸载到无人机n处进行计算，而D_k[m]中剩余1-θ_k，n[m]比例的任务则在本地计算；

设置无人机和地面用户之间的通信链路为视距传输，即信道增益表示为

其中，β表示参考距离为1m的信道功率增益，d_k，n表示无人机n和地面用户k之间的距离；

根据香农公式可以得到，用户k在时隙m对无人机n的传输速率：

其中，P为用户的上传功率，设置其恒定；

为时隙m时无人机n分配给用户k的带宽，σ²为加性高斯白噪声功率；

表示第m个时隙，用户k和无人机n匹配时，地面用户将

比例的任务量卸载到无人机n的传输时间；

考虑无人机上的带宽情况，一架无人机对多个地面用户进行卸载计算服务，因此要对无人机的带宽资源进行分配；地面用户占用的带宽资源和不能超过无人机的带宽资源上限；定义B_n为第n架无人机的带宽资源；

考虑本地的计算情况，

表示第m个时隙，用户k和无人机n匹配时，地面用户k本地执行时间：

其中，f_k表示用户k的计算能力，C_k表示用户k执行每比特任务所需的CPU圈数；

无人机上的计算情况同无人机上的带宽情况，不应超过资源上限；定义f_n为第n架无人机的计算资源，f_k，n[m]为第m个时隙里，第n架无人机分配给第k个用户的计算资源；

用

表示第m个时隙，用户k和无人机n匹配时，地面用户将

比例的任务量卸载到无人机n后，无人机n对这部分数据进行处理所需的计算时间：

进一步的，步骤S2中建立的联合无人机轨迹、用户在无人机上的卸载比例、计算资源和带宽资源的优化问题具体包括以下步骤：

定义用户平均服务时延

令A_k，n[m]，θ_k，n[m]，f_k，n[m]，B_k，n[m]，Q_n[m]对应的矩阵分别为A，Θ，F，B，Q，平均服务时延为T(A，Θ，F，B，Q)，有：

将最小化平均服务时延作为优化目标，同时考虑无人机与用户匹配、用户卸载比例、无人机飞行坐标、计算资源分配、带宽资源分配，满足卸载匹配约束、无人机移动性约束、以及有限资源等约束条件，得到如下的优化问题：

其中，A1和A2是卸载匹配约束，A3表示卸载比例约束，A4、A5和A6表示无人机移动性约束，A7和A8表示带宽资源约束，A9和A10表示计算资源约束。

进一步的，步骤3中，运用了卸载匹配博弈算法，其求解过程如下：

步骤3.1、将所有用户初始化为不匹配状态；

步骤3.2、无人机和用户按各自偏好得到偏好列表，基于匹配博弈中Gale-Shapley算法的匹配方案进行匹配；

步骤3.3、输出卸载匹配矩阵A^＊。

进一步的，步骤4中，运用了基于BCD法的求解方式，其过程如下：

步骤4.1、由步骤3获得A^*，并初始化获得θ⁰，F⁰，B⁰，Q⁰，T⁰；其中θ⁰为地面用户在无人机上的卸载比例的初始化矩阵，F⁰为无人机的分配给用户计算资源的初始化矩阵、B⁰为无人机分配给用户带宽资源的初始化矩阵，Q⁰为无人机的轨迹初始化矩阵，T⁰为引入的辅助变量初始化矩阵，为传输速率的倒数；

步骤4.2、根据F⁰，B⁰，Q⁰，T⁰优化卸载比例优化子问题，获得本轮迭代中的优化后的卸载比例矩阵θ^＊；

步骤4.3、根据θ^＊，B⁰，θ^＊，T⁰优化计算资源优化子问题，获得本轮迭代中的优化后的计算资源矩阵F^＊；

步骤4.4、根据θ^＊，F^＊，Q⁰，T⁰优化带宽资源优化子问题，获得本轮迭代中的优化后的带宽资源矩阵B^＊；

步骤4.5、根据θ^＊，F^＊，B^＊优化无人机轨迹优化子问题，获得本轮迭代中的优化后的无人机轨迹矩阵Q^＊；

迭代至用户平均服务时延前后两次值的差小于阈值10^-4，获得卸载比例的次优解θ，计算资源的次优解F、带宽资源的次优解B和无人机轨迹的次优解Q。

进一步的，步骤5中，引入辅助变量χ_k，n[m]和辅助变量λ_k，n[m]，通过对约束进行松弛，将非凸问题转化为凸问题，并迭代求得次优解。

本发明的一种多无人机辅助MEC系统中的联合轨迹、卸载和资源分配优化方案，具有以下优点：

本发明针对多无人机协助下的部分卸载场景，基于凸优化理论，以最小化用户平均服务时延为目标，通过引入辅助变量，将原始优化问题进行变形；然后运用匹配博弈算法，求解无人机-用户匹配矩阵；接着将问题拆分为多个子问题，用BCD法交替优化求解；对于子问题中求解无人机轨迹的部分，本发明用SCA技术进行逼近求解。相较于传统算法，本算法不仅考虑到了多无人机的轨迹约束，还考虑到了部分卸载场景下的资源分配，兼顾了计算复杂度和系统时延。

本发明通过匹配博弈算法来求解无人机-用户匹配矩阵，从而可以明确获得无人机和用户的匹配关系。此外，BCD法和SCA技术有效地处理了原问题的非凸性。最终使得多无人机和本地计算资源能较好地处理任务负载，从而降低用户平均服务时延。

附图说明

图1是本发明提出的多无人机辅助MEC系统中的联合轨迹、卸载和资源分配优化场景示意图。

图2是本发明提出的多无人机辅助MEC系统中的联合轨迹、卸载和资源分配优化算法流程图。

具体实施方式

为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种多无人机辅助MEC系统中的联合轨迹、卸载和资源分配优化方案做进一步详细的描述。

参见图1，本实施例提供一种多无人机辅助MEC系统中的联合轨迹、卸载和资源分配优化方法，该方法针对当前无人机辅助的MEC系统中，常见的单无人机场景以及传统的块坐标下降法进行改进，提出多无人机辅助MEC系统中基于匹配博弈算法、BCD法和SCA技术的JMORO方法，以实现高可靠、低时延的无人机任务调度方案。该方法在保证不超过本地节点和无人机资源上限的情况下，实现多无人机对地面用户节点任务负载的处理。该问题可以建模为一个非凸优化问题，通过引入辅助变量，近似为凸优化问题。具体的说，该方法的具体流程如图2所示，该方法具体包括如下的步骤：

步骤S1、构建一多无人机辅助的MEC系统，该系统包括搭载有MEC服务器的多个无人机以及处于该多个无人机飞行区域内的多个用户节点；无人机上的MEC服务器收集飞行区域内所有地面用户节点的计算资源、带宽资源和任务负载信息，以及无人机的计算资源信息；

具体的说，在本实施例中，针对该多无人机辅助的MEC系统进行如下的定义，具体包括：

N架UAV以相同高度H飞行，为地面的K个用户提供计算卸载服务。

表示UAV所组成的集合，

表示地面用户节点所组成的集合。n，

用来表示第n个UAV，k，

用来表示第k个用户节点。为了便于分析，将总时间分为M个时隙，每个时隙长δ_t，

表示时隙的集合，m，

用来表示第m个时隙。当时隙足够小时，视UAV在该时隙的位置是固定的。假设W_k表示第k个用户节点的二维坐标，UAVn在时隙m的二维投影坐标为Q_n[m]＝(x_n[m]，y_n[m])。

对无人机有一些移动性约束。首先无人机需要在最后一个时隙飞回原位；其次无人机间距离需保持在d_min以上，以防发生碰撞；以及由于无人机速度有限，无人机在两个时隙间飞行距离是有限的，不能超过d_max。

地面用户会匹配一架UAV来进行任务卸载，而一架UAV则可以对多个地面用户的任务进行计算。定义无人机-用户匹配变量为A_k，n[m]，当UAVn在时隙m为用户k提供服务时，A_k，n[m]＝1，否则A_k，n[m]＝0。

地面用户会匹配一架UAV来进行任务卸载，而一架UAV则可以对多个地面用户的任务进行计算。定义无人机-用户匹配变量为A_k，n[m]，当UAVn在时隙m为用户k提供服务时，A_k，n[m]＝1，否则A_k，n[m]＝0。

地面用户会匹配一架UAV来进行任务卸载，而一架UAV则可以对多个地面用户的任务进行计算。定义无人机一用户匹配变量为A_k，n[m]，当UAVn在时隙m为用户k提供服务时，A_k，n[m]＝1，否则A_k，n[m]＝0。

用户并非把所有任务均卸载到UAV上进行计算，而是仅仅卸载其中一部分。在第m个时隙，假设用户k在该时隙上的计算任务量D_k[m]，该任务以θ_k，n[m]比例卸载到UAVn处进行计算，而D_k[m]中剩余1-θ_k，n[m]比例的任务则在本地计算。

假设UAV和地面用户之间的通信链路为视距传输，即信道增益可表示为

其中，β表示参考距离为1m的信道功率增益，d_k，n表示无人机n和地面用户k之间的距离

根据香农公式可以得到，用户k在时隙m对UAVn的传输速率：

其中，P为用户的上传功率，假设其恒定。

为时隙m时UAVn分配给用户k的带宽，σ²为加性高斯白噪声功率。

表示第m个时隙，用户k和UAVn匹配时，地面用户将

比例的任务量卸载到UAVn的传输时间。

考虑UAV上的带宽情况。一架UAV对多个地面用户进行卸载计算服务，因此要对UAV的带宽资源进行分配。地面用户占用的带宽资源和不能超过UAV的带宽资源上限。定义B_n为第n架UAV的带宽资源。

考虑本地的计算情况。

表示第m个时隙，用户k和UAVn匹配时，地面用户k本地执行时间。

其中，f_k表示用户k的计算能力，C_k表示用户k执行每比特任务所需的CPU圈数。

UAV上的计算情况同UAV上的带宽情况，不应超过资源上限。定义f_n为第n架UAV的计算资源，f_k，n[m]为第m个时隙里，第n架UAV分配给第k个用户的计算资源。

用

表示第m个时隙，用户k和UAVn匹配时，地面用户将

比例的任务量卸载到UAVn后，UAVn对这部分数据进行处理所需的计算时间。

步骤S2、建立对应的优化问题；

定义用户平均服务时延

令A_k，n[m]，θ_k，n[m]，f_k，n[m]，B_k，n[m]，Q_n[m]对应的矩阵分别为A，Θ，F，B，Q，平均服务时延为T(A，Θ，F，B，Q)。有：

将最小化平均服务时延作为优化目标，同时考虑无人机-用户匹配、用户卸载比例、无人机飞行坐标、计算资源分配、带宽资源分配，满足卸载匹配约束、无人机移动性约束、以及有限资源等约束条件，可以得到如下的优化问题：

其中，A1和A2是卸载匹配约束，A3表示卸载比例约束，A4、A5和A6表示UAV移动性约束，A7和A8表示带宽资源约束，A9和A10表示计算资源约束。

步骤S3、通过卸载匹配博弈算法初始化卸载匹配矩阵；

问题P0作为一个非凸问题，且优化参数之间存在较强的耦合性，因此难以解决。

因此可以先通过卸载匹配博弈算法，得到UAV和地面用户之间的一个稳定的匹配关系，并由此得到卸载匹配、卸载比例、计算资源、带宽资源和UAV位置的初始分配结果，可表示为<A^*，Θ⁰，F⁰，B⁰，Q⁰>。UAV轨迹的初始化为圆形轨迹。用户卸载到UAV的卸载比例初始值为1。对于计算资源的初始分配，UAV只对匹配该UAV的用户分配资源，如果有多个用户的任务被卸载到同一UAV，那么该UAV按照等分的原则对这些用户进行计算资源分配。带宽资源同理。

在求得卸载匹配结果A^＊后，用BCD法分别优化卸载比例、计算资源、带宽资源和UAV轨迹，最终可以获得原问题P0的次优解。

卸载匹配博弈算法是基于Gale-Shapley算法改进的，具体流程表述如下：

步骤S4、引入辅助变量，并将优化问题分解为若干子问题求解；

在求得匹配结果A^＊的条件下，可以将问题P0转化为如下子问题：

利用BCD法，可以继续将问题P1分解为多个子问题。由于

中的

相对UAV轨迹Q_n[m]是非凸的，因此需要对约束进行松弛。令

同时有τ_k，n[m]≥0。用τ_k，n[m]来替换

中的

就可以得到T₂(Θ，Q，F，B)，其中A_k，n[m]为经过卸载匹配算法优化后的固定值：

令τ_k，n[m]对应矩阵为T。因此P1可转化为：

令τ_k，n[m]的初始值为

因此可以由Q⁰和B⁰得T⁰。将Q⁰，F⁰，B⁰和T⁰代入P2，得到子问题P3，该子问题仅与Θ相关：

可以看出，当UAV轨迹、计算资源、通信资源和辅助变量τ_k，n[m]固定时，P3是凸的，通过用CVX求解该凸问题，可以得到子问题P3的最优解。

经过上述处理，固定卸载比例、UAV轨迹、带宽资源和辅助变量τ_k，n[m]，将问题P2转化为问题P4：

可以看出，当上述变量固定时，P4是凸的，通过用CVX求解该凸问题，可以得到子问题P4的最优解。

接下来，固定卸载比例、UAV轨迹、计算资源和辅助变量τ_k，n[m]，将问题P2转化为问题P5：

可以看出，当上述变量固定时，P5是凸的，通过用CVX求解该凸问题，可以得到子问题P5的最优解。

将原始问题P1多次分解后，问题大大简化。固定卸载比例、计算资源和带宽资源，将问题P2转化为问题P6：

又根据公式(6)和(7)，得：

引入两个新的辅助变量x_k，n[m]和λ_k′，n[m]，利用连续凸优化技术来解决问题。这两个辅助变量满足：

x_k，n[m]≥0 (18)

由于

相对于x_k，n[m]是凸的，||Q_n[m]-W_k||相对Q_n[m]也是凸的，对于任意给定的局部点

和

有：

其中，局部点

和

为第l-1次迭代中获得的解。

两个不等式右侧分别是关于x_k，n[m]和Q_n[m]的仿射函数，因此可以得到以下不等式：

另外定义变量

该约束是凸的。

此外，约束A5也是非凸的，需要进行处理。通过在给定点

和

处应用一阶泰勒展开式，可以得到凸约束：

因此问题P6可以转化为一个凸问题P7，其中A，Λ为x_k，n[w]和λ_k，n[m]对应的矩阵：

P7是一个凸优化问题，可以用CVX求解。

步骤4中的JMORO方法总结如下：

步骤S5、迭代步骤S4，如果前后两次目标函数值之差的绝对值超过阈值，返回步骤S4，如果小于阈值，则流程结束，得到无人机-用户匹配变量、无人机航迹、通信资源、计算资源和卸载比例的优化结果。

根据JMORO方法获得每次迭代的结果，迭代直至前后两次用户平均服务时延之差小于10^-4。

上述技术方案涉及一种多无人机辅助MEC系统中的联合轨迹、卸载和资源分配优化方法。系统中的地面用户的计算任务分成两部分进行，一部分卸载到相关无人机上进行计算，其余部分则在本地进行计算。各无人机在地面用户上等高度地飞行，为地面用户提供计算服务。本方法对卸载任务比例、无人机轨迹、带宽资源、计算资源和无人机-用户匹配变量进行联合优化，最小化用户平均服务时延。

可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。

Claims (6)

1.一种多无人机辅助MEC系统中的联合轨迹、卸载和资源优化方法，其特征在于，包括如下步骤：

步骤1、构建一多无人机辅助的MEC系统，该系统包括搭载有MEC服务器的多个无人机以及处于该多个无人机飞行区域内的多个地面用户节点；无人机上的MEC服务器收集飞行区域内所有地面用户节点的计算资源、带宽资源和任务负载信息，以及无人机的计算资源信息；

步骤2、建立联合无人机轨迹、用户在无人机上的卸载比例、计算资源和带宽资源的优化问题以期使得目标函数用户平均服务时延最小化；

步骤3、用户和无人机之间的匹配关系通过卸载匹配博弈算法初始化，其对应的矩阵为卸载匹配矩阵；

步骤4、引入辅助变量，并将步骤2中的优化问题分解为若干子问题求解；该方法基于块坐标下降BCD方法和连续凸逼近SCA技术，称其为联合多无人机轨迹、卸载和资源优化JMORO方案；

步骤5、迭代步骤4，如果前后两次目标函数值之差的绝对值超过阈值，返回步骤4，如果前后两次目标函数值之差的绝对值不大于阈值，则流程结束，得到无人机与用户匹配变量、无人机航迹、通信资源、计算资源和卸载比例的优化结果。

2.根据权利要求1所述的多无人机辅助MEC系统中的联合轨迹、卸载和资源优化方法，其特征在于，所述步骤1中，多无人机辅助的MEC系统具体场景描述如下：

N架无人机以相同高度H飞行，为地面的K个用户提供计算卸载服务；

表示无人机所组成的集合，

表示地面用户节点所组成的集合；

用来表示第n个无人机，

用来表示第k个用户节点；将总时间分为M个时隙，每个时隙长δ_t，

表示时隙的集合，

用来表示第m个时隙；当时隙小时，视无人机在该时隙的位置是固定的；设置W_k表示第k个用户节点的二维坐标，第n个无人机在时隙m的二维投影坐标为Q_n[m]＝(x_n[m],y_n[m])，其中x_n[m]是第n个无人机在时隙m的地面投影的横轴坐标，y_n[m]是第n个无人机在时隙m的地面投影的纵轴坐标；

对无人机有移动性约束：首先无人机需要在最后一个时隙飞回原位；其次无人机间距离需保持在最小安全距离d_min以上，以防发生碰撞；以及由于无人机速度有限，无人机在两个时隙间飞行距离是有限的，不能超过最大飞行距离d_max；

地面用户会匹配一架无人机来进行任务卸载，而一架无人机对多个地面用户的任务进行计算；定义无人机与用户匹配变量为A_k，n[m]，当无人机n在时隙m为用户k提供服务时，A_k，n[m]＝1,否则A_k,n[m]＝0；

在第m个时隙，设置地面用户k在该时隙上的计算任务量D_k[m]，该任务以θ_k,n[m]比例卸载到无人机n处进行计算，而D_k[m]中剩余1-θ_k,n[m]比例的任务则在本地计算；

设置无人机和地面用户之间的通信链路为视距传输，即信道增益表示为

其中，β表示参考距离为1m的信道功率增益，d_k,n表示无人机n和地面用户k之间的距离；

根据香农公式可以得到，用户k在时隙m对无人机n的传输速率：

其中，P为用户的上传功率，设置其恒定；B_k，n[m]为时隙m时无人机n分配给用户k的带宽，σ²为加性高斯白噪声功率；

表示第m个时隙，用户k和无人机n匹配时，地面用户将θ_k，n[m]比例的任务量卸载到无人机n的传输时间；

考虑无人机上的带宽情况，一架无人机对多个地面用户进行卸载计算服务，因此要对无人机的带宽资源进行分配；地面用户占用的带宽资源和不能超过无人机的带宽资源上限；定义B_n为第n架无人机的带宽资源；

考虑本地的计算情况，

表示第m个时隙，用户k和无人机n匹配时，地面用户k本地执行时间：

其中，f_k表示用户k的计算能力，C_k表示用户k执行每比特任务所需的CPU圈数；

无人机上的计算情况同无人机上的带宽情况，不应超过资源上限；定义f_n为第n架无人机的计算资源，f_k，n[m]为第m个时隙里，第n架无人机分配给第k个用户的计算资源；

用

表示第m个时隙，用户k和无人机n匹配时，地面用户将θ_k，n[m]比例的任务量卸载到无人机n后，无人机n对这部分数据进行处理所需的计算时间：

3.根据权利要求2所述的多无人机辅助MEC系统中的联合轨迹、卸载和资源优化方法，其特征在于，步骤S2中建立的联合无人机轨迹、用户在无人机上的卸载比例、计算资源和带宽资源的优化问题具体包括以下步骤：

定义用户平均服务时延

令A_k，n[m]，θ_k，n[m]，f_k，n[m]，B_k，n[m]，Q_n[m]对应的矩阵分别为A，Θ，F，B，Q，平均服务时延为T(A，Θ，F，B，Q)，有：

将最小化平均服务时延作为优化目标，同时考虑无人机与用户匹配、用户卸载比例、无人机飞行坐标、计算资源分配、带宽资源分配，满足卸载匹配约束、无人机移动性约束、以及有限资源等约束条件，得到如下的优化问题：

P0：

其中，A1和A2是卸载匹配约束，A3表示卸载比例约束，A4、A5和A6表示无人机移动性约束，A7和A8表示带宽资源约束，A9和A10表示计算资源约束。

4.根据权利要求3所述的多无人机辅助MEC系统中的联合轨迹、卸载和资源优化方法，其特征在于，所述步骤3中，运用了卸载匹配博弈算法，其求解过程如下：

步骤3.1、将所有用户初始化为不匹配状态；

步骤3.2、无人机和用户按各自偏好得到偏好列表，基于匹配博弈中Gale-Shapley算法的匹配方案进行匹配；

步骤3.3、输出卸载匹配矩阵A^＊。

5.根据权利要求4所述的多无人机辅助MEC系统中的联合轨迹、卸载和资源优化方法，其特征在于，所述步骤4中，运用了基于BCD法的求解方式，其过程如下：

步骤4.1、由步骤3获得A^*，并初始化获得θ⁰，F⁰，B⁰，Q⁰，T⁰；其中θ⁰为地面用户在无人机上的卸载比例的初始化矩阵，F⁰为无人机的分配给用户计算资源的初始化矩阵、B⁰为无人机分配给用户带宽资源的初始化矩阵，Q⁰为无人机的轨迹初始化矩阵，T⁰为引入的辅助变量初始化矩阵，为传输速率的倒数；

步骤4.2、根据F⁰，B⁰，Q⁰，T⁰优化卸载比例优化子问题，获得本轮迭代中的优化后的卸载比例矩阵θ^＊；

步骤4.3、根据θ^＊，B⁰，θ^＊，T⁰优化计算资源优化子问题，获得本轮迭代中的优化后的计算资源矩阵F^＊；

步骤4.4、根据θ^＊，F^＊，Q⁰，T⁰优化带宽资源优化子问题，获得本轮迭代中的优化后的带宽资源矩阵B^＊；

步骤4.5、根据θ^＊，F^＊，B^＊优化无人机轨迹优化子问题，获得本轮迭代中的优化后的无人机轨迹矩阵Q^＊；

迭代至用户平均服务时延前后两次值的差小于阈值10^-4，获得卸载比例的次优解θ，计算资源的次优解F、带宽资源的次优解B和无人机轨迹的次优解Q。

6.根据权利要求5所述的多无人机辅助MEC系统中的联合轨迹、卸载和资源优化方法，其特征在于，所述步骤5中，引入辅助变量χ_k，n[m]和辅助变量λ_k′，n[m]，通过对约束进行松弛，将非凸问题转化为凸问题，并迭代求得次优解。

Images