CN116112981A - 一种基于边缘计算的无人机任务卸载方法 - Google Patents

Abstract

本发明涉及一种基于边缘计算的无人机任务卸载方法，包括以下步骤：步骤1：端层的终端设备发布计算任务，通过DDS发布计算任务的元数据信息，主题为topicA；步骤2：云层的调度分析模块通过DDS订阅topicA，构建OMUDTCOS，得到无人机部署决策和任务计算卸载决策；步骤3：云层的调度下发模块通过DDS发布求解出的两个决策，主题分别为topicB和topicC；步骤4：边层的指令下发模块通过DDS订阅topicB和topicC，获取到无人机部署决策和任务计算卸载决策，最终由端层完成实际的无人机集群部署和终端设备任务的计算卸载。

Description

一种基于边缘计算的无人机任务卸载方法

技术领域

本发明涉及一种卸载方法，具体涉及一种基于边缘计算的无人机任务卸载方法，属于无人机边缘计算技术领域。

背景技术

随着科技的快速发展，众多新型应用(如人脸识别、增强现实等)正在大规模普及，这些新型应用需要大规模的计算，并且对时延要求非常高，一般的移动终端设备无法提供与应用相匹配的计算能力。在这个背景下，移动边缘计算(Mobile Edge Computing, MEC)应运而生，将计算功能下沉至无线接入网，具备高带宽、低延迟等优点。

关于无人机边缘计算的部署与任务卸载决策问题，现有研究多是从单一角度考虑，即要么只优化无人机的部署，要么只优化任务卸载决策，而二者之间是紧密耦合的。因此现有研究所建立的模型现实性不足，需要引入新的模型对问题进行描述，还需考虑多任务卸载造成的信道干扰情况。其次，建立的模型较为复杂难以求解，需设计新的高效的算法将两者同时优化。最后，由于边缘计算的应用的强实时性要求，任务元数据搜集和决策下发过程的耗时需尽可能小，方法采用DDS可以很好地满足实时性这一要求。

发明专利：一种基于数字孪生的无人机集群轨迹优化和任务卸载方法，申请号为CN202210065422.1，提供了一种节能的无人机边缘任务计算卸载方法，包括：构建无人机集群辅助边缘计算模型；构建物理实体网络；构建物理实体网络的数字孪生网络，拟合用户设备和无人机的地理位置、资源状态信息;构建无人机轨迹、用户设备卸载决策和计算资源分配的优化模型；求解无人机轨迹和用户设备、无人机的计算资源分配策略；获取用户设备的卸载决策；获得无人机的轨迹，用户设备和无人机的计算资源最优分配策略，以及获得用户设备的任务计算最优卸载决策；该专利所使用的方法虽然制定出的任务卸载策略，能够满足用户体验质量的同时使边缘服务器节省能耗。但存在如下不足：1、多任务同时卸载至某台无人机上时，会产生信道干扰，该专利所建立的模型未考虑这一因素；2、该专利的根据第三方收集的数据建立模型，不适用于强实时性环境下的边缘计算场景；因此，迫切的需要一种新的方案解决上述技术问题。

发明内容

本发明正是针对现有技术中存在的问题，提供一种基于边缘计算的无人机任务卸载方法，本发明的目的是：提供一种基于边缘计算的无人机任务卸载系统及方法，研究了将无人机作为任务卸载设备进行任务的调度卸载问题，其在无人机边缘计算领域建立了一种新型的无人机计算卸载模型：即无人机部署及任务计算卸载系统优化模型(OptimizationModel of UAV Deployment and Task Computation Offloading System，OMUDTCOS)，该模型同时考虑优化无人机的部署和任务卸载决策，并考虑多任务卸载传输造成的信道干扰情况，模型具有现实性。此外，系统在实际的部署过程中，端层与云层，云层与边层数据的互通均采用数据分发服务（DataDistribution Service, DDS）进行发布订阅，具有实时性高的优点。

根据模型的特点，方法采用一种联合优化无人机部署和任务计算卸载决策的双层智能优化算法（A Two-Level Intelligent Optimization Algorithm for JointOptimization of UAV Deployment andTask Computation Offloading Decision，TLIOA）来制定无人机部署决策和任务计算卸载决策。该算法分为上下双层，下层求解无人机的任务计算卸载决策，上层求解无人机的部署决策，上下双层均采用自适应机制，能制定出更好的无人机部署决策和任务计算卸载决策。

为了实现上述目的，本发明的技术方案如下，一种基于边缘计算的无人机任务卸载方法， 采用无人机任务卸载系统，其中卸载系统包括云层、边层以及端层，其中，端层：包含边缘设备模块，边缘设备模块由终端设备和无人机集群组成，终端设备发布计算任务，通过DDS发布计算任务元数据信息，主题为topicA；无人机集群根据终端设备发布计算任务的特点进行编队完成任务的计算卸载；边层，包含边缘指令下发模块，边缘指令下发模块通过DDS订阅接收云层调度下发模块传送的无人机部署决策和任务计算卸载决策信息，主题分别为topicB和topicC，并将其发送给端层，由端层的无人机集群根据无人机部署决策完成编队部署，终端设备根据任务计算卸载决策将任务卸载至特定无人机上执行完成任务计算；

云层：包含调度分析模块和调度下发模块，调度分析模块通过DDS订阅topicA，接收端层边缘设备模块的终端设备发布计算任务的元数据信息，建立OMUDTCOS，使用TLIOA求解出无人机部署决策和任务计算卸载决策，将求解结果发送至调度下发模块，调度下发模块通过DDS发布调度分析模块传送的无人机部署决策和任务计算卸载决策，主题分别为topicB和topicC，边层的指令下发模块订阅这两个主题。

一种基于边缘计算的无人机任务卸载方法，所述方法包括以下步骤：

步骤1：端层的终端设备发布计算任务，通过DDS发布计算任务的数据信息，主题为topicA；

步骤2：云层的调度分析模块通过DDS订阅topicA，实时获取到任务的元数据信息，构建OMUDTCOS，并使用TLIOA求解OMUDTCOS，得到无人机部署决策和任务计算卸载决策；

步骤3：云层的调度下发模块通过DDS发布求解出的两个决策，主题分别为topicB和topicC；

步骤4：边层的指令下发模块通过DDS订阅topicB和topicC，获取到无人机部署决策和任务计算卸载决策，并将两个决策传输到端层，最终由端层完成实际的无人机集群部署和终端设备任务的计算卸载。

其中，步骤1中， topicA为：

其中totalComputationResource表示设备所发布的计算任务所需的cpu周期数，sizeOfInputData表示计算任务的计算数据量，sizeOfResults表示计算任务计算完成所产生的结果数据大小，coordinateX和coordinateY分别表示发布计算任务的计算设备当前所处位置的横纵坐标，timeMax表示该计算任务必须在timeMax时间内得到计算结果，并将计算结果传回发布计算任务的设备。

步骤2具体如下：

步骤 2.1：构建场景模型，

步骤 2.2：构建计算模型，

步骤 2.3：构建传输模型，

步骤 2.4：构建优化模型，

步骤 2.5：使用TLIOA求解OMUDTCOS。

其中， 步骤 2.1：构建场景模型，具体如下：

根据订阅DDS topicA获取到的计算任务元数据信息，使用计算任务六元组完成对topicA中每个计算任务数据字段的映射和数学建模，即：，

表示端层终端设备发布的计算任务，其六元组中的每个元素分别对应于计算任务的totalComputationResource，sizeOfInputData，sizeOfResults，coordinateX，coordinateY，timeMax信息，最终得到关于的集合，设场景中有个终端设备，每个终端设备都发布一个计算任务，对其进行编号，得到计算任务集合

；

设最终部署个无人机，则无人机集群表示为。

其中，步骤2.2：构建计算模型，具体如下：

计算任务卸载到无人机表示计算任务由无人机进行计算并将计算结果返回至发布计算任务的终端设备；

计算任务卸载到无人机，无人机的计算时间如式（1）所示，

   （1）

其中表示计算任务卸载到无人机所分配的计算资源，

计算任务卸载到无人机的计算能耗如式（2）所示，

   （2）

其中为常数系数。

其中，步骤2.3：构建传输模型，具体如下：

a）终端设备侧：

设表示终端设备和无人机之间的距离，计算公式如式（3）所示，

   （3）

其中和分别表示无人机的横纵坐标，为无人机的高度，为一个常数，

定义计算任务计算卸载决策变量，当计算任务被卸载至无人机下计算时，否则，

终端设备所发布的计算任务与无人机之间的传输速率表示如式（4）所示，

（4）

其中，为带宽，为终端设备与无人机之间的信道增益，与有函数关系，为设备发送计算任务计算数据时的功率，为噪声功率，为用于遍历的索引变量；

计算任务被卸载至无人机下的传输时间如式（5）所示，

（5）

计算任务被卸载至无人机下的传输能耗如式（6）所示，

  （6）

其中，表示发布计算计算任务的终端设备接收计算任务返回结果时的接收功率；

b）无人机集群侧：

无人机在空中的悬停时间如式（7）所示，

  （7）

其中为求最大值函数，

无人机的悬停能耗如式（8）所示，

  （8）

其中为无人机的悬停功率，

因此，无人机集群的总悬停能耗如式（9）所示，

  （9）

计算卸载带来的能耗如式（10）所示，

   (10)。

步骤2.4构建优化模型，具体如下：

构建OMUDTCOS，即无人机部署和任务计算卸载决策优化模型，如式（11）至式（16）所示，

   （11）

    （12）

     （13）

       （14）

       （15）

（16）

OMUDTCOS在无人机计算资源等约束下，以最小化无人机悬停能耗和执行计算卸载决策后产生的计算能耗和传输能耗之和为目标，求解出最终的无人机部署决策和任务计算卸载决策，无人机部署决策包含确定部署无人机的数量和每台无人机的地理位置；任务计算卸载决策包含确定任务的计算卸载模式及无人机分配给计算任务多少计算资源，

式（11）中待优化的变量有五个，即，分别表示任务的计算卸载模式，计算资源的分配量，无人机的数目，无人机的横坐标和纵坐标，为优化目标之间的权重，

式（12）和式（13）分别约束了无人机的地理横坐标边界和纵坐标边界；式（14）保证了无人机在不超过自身计算能力的情况下执行计算任务,为无人机拥有的计算资源；式（15）保证了每个计算任务必会被执行；式（16）保证了每个计算任务在被执行完时不会超过最大时延。

步骤 2.5：使用TLIOA求解OMUDTCOS，具体如下：

TLIOA具体步骤如步骤2.5.1至2.5.7所示；

步骤2.5.1：使用Kmeans算法生成初始上层种群，上层进化次数+1，接着进入下层优化，求解出任务计算卸载决策，

步骤2.5.2：判断初始上层种群是否有效，无效则返回步骤2.5.1，否则进入步骤2.5.3，

步骤2.5.3：判断上层进化次数是否达到阈值，达到阈值则算法停止运行，否则进入步骤2.5.4，

步骤2.5.4：使用jDE算法完成上层个体的变异，如式（17）所示，

  （17）

其中为变异后的个体，为个体的索引编号，是从中随机选择的整数，为种群中个体的数量，这些整数的值是互斥的，并且与当前变异个体不同，为选中的当前种群中的个体，为缩放因子，范围为，是动态自适应变化的，

步骤2.5.5：使用二进制交叉法完成上层个体的交叉，如式（18）所示，

(18)

其中，是个体维度的分量，是从中随机选择的整数，确保和中至少有一个维度不同，为交叉控制参数，范围为，是动态自适应变化的，表示个体的维度，

步骤2.5.6：经过步骤2.5.4和步骤2.5.5后，生成变异后的中间态上层种群，遍历中的个体，分别采用如下三种策略进行种群的进化操作，

删除策略：随机删除中的上层个体，

替换策略：遍历到中的上层个体，将随机替换掉中的一个上层个体，

添加策略：将添加到中，

对三种策略分别进行下层优化，求解出任务计算卸载决策并评估采用三种策略后的上层适应度值，保留适应度有所提升且效果最好的操作，上层进化次数＋3，

步骤2.5.7：更新全局最优解，进入步骤2.5.3，

步骤2.5.1至步骤2.5.7多次提到了进入下层优化，求解出任务卸载决策，具体见步骤2.6.1至步骤2.6.7，

步骤2.6.1：获取计算任务的元数据信息，初始化下层种群大小，下层种群迭代次数300；

步骤2.6.2：生成下层种群，具体见步骤2.6.3至2.6.4，在下层种群中记录下层最优个体，下层个体优劣的评判为下层个体所制定的任务卸载决策方案能耗大小，适应度函数为式（10），能耗越大，则个体求解质量越差，适应度值越高，

步骤2.6.3： 根据解生成策略生成下层个体，解生成策略是指根据约束条件式（14）至式（16）得到计算任务各自的可行候选模式集，用表示计算任务的可行候选模式集，即计算任务可以卸载的无人机集合，根据可行候选模式集的大小决定计算任务优先级，集合小的计算任务优先选定执行模式，这样保证所有的设备均能找到最终的卸载模式，当出现计算任务之间的可行模式集合相同时，随机选择其中一个计算任务优先选定执行模式，直至所有计算任务分配模式结束，在分配给具体的卸载模式之前，先统计已在此无人机上卸载的所有计算任务的集合，并计算如果将卸载至此无人机所造成的信道干扰值，根据式（14）至（16）再次判断是否能卸载至此无人机，如果不能则在的可行候选模式集中删掉此无人机，

分配给的每一个可行的概率候选模式计算公式为式（19），

(19)

其中是计算任务在无人机上的信息素,是计算任务在无人机上的启发式信息,是一个参数，为用于遍历的索引变量，计算公式如式（20），

    (20)

其中计算公式如式（21），

  (21)

其中为用于遍历的索引变量；

下层个体按照式（22）选择计算任务的卸载的无人机，其中是随机数，是一个参数，为使用轮盘赌策略得到计算任务选择卸载的无人机，轮盘赌策略如式（19）所示，

    (22)

步骤2.6.4：下层个体每选择一个具体的卸载模式，则根据式（23）更新信息素，

  (23)

其中为信息素衰减参数，为信息素的初始值，

步骤2.6.5：当生成个体数目达到种群大小后，进入步骤2.6.6，

步骤2.6.6：根据式（24）更新全局信息素，

当所有任务卸载完成时，再对信息素进行更新，更新公式如式（24），

 (24)

其中为信息素衰减参数，计算公式如式（25），计算公式如式（26）所示，

   (25)

(26)

步骤2.6.7：更新最优卸载决策，种群迭代次数加1，判断是否达到阈值，如果达到阈值则算法终止，返回最优卸载决策，否则进入步骤2.6.2继续种群的迭代。

相对于现有技术，本发明具有如下优点，本发明构建了一种新型的无人机部署及任务计算卸载系统优化模型，并考虑多任务卸载传输造成的信道干扰情况，模型具有现实性。本发明提出了一种基于边缘计算的无人机任务卸载方法。该方法采用TLIOA，以能耗为目标联合优化无人机部署和任务计算卸载决策，算法的上层和下层优化均采用自适应机制，使得个体在进化过程中自适应地计算其相关参数，对其进化产生有益效果。该算法能有效跳出局部最优，制定出较好的无人机部署决策和任务卸载决策。此外方法使用DDS来完成端层与云层，端层与边层之间的数据传输，具有实时性高的优点。

附图说明

图1为系统框架示意图；

图2为本发明方法流程图；

图3为本发明方法上层优化算法流程图；

图4 为系统架构图。

具体实施方式

为了加深对本发明的理解，下面结合附图对本实施例做详细的说明。

实施例1：参见图1，一种基于边缘计算的无人机任务卸载方法，采用无人机任务卸载系统，其中卸载系统包括云层、边层以及端层，其中，端层：包含边缘设备模块，边缘设备模块由终端设备和无人机集群组成，终端设备发布计算任务，通过DDS发布计算任务元数据信息，主题为topicA；无人机集群根据终端设备发布终端任务的特点进行编队完成任务的计算卸载；边层，包含边缘指令下发模块，

边缘指令下发模块通过DDS订阅接收云层调度下发模块传送的无人机部署决策和任务计算卸载决策信息，主题分别为topicB和topicC，并将其发送给端层，由端层的无人机集群根据无人机部署决策完成编队部署，终端设备根据任务计算卸载决策将任务卸载至特定无人机上执行完成任务计算；

云层：包含调度分析模块和调度下发模块，调度分析模块通过DDS订阅topicA，接收端层边缘设备模块的终端设备发布计算任务的元数据信息，建立OMUDTCOS，使用TLIOA求解出无人机部署决策和任务计算卸载决策，将求解结果发送至调度下发模块，调度下发模块将调度分析模块传送的无人机部署决策和任务计算卸载决策通过DDS发布，主题分别为topicB和topicC，边层的指令下发模块订阅这两个主题。

实施例2：参见图2-图4，一种基于边缘计算的无人机任务卸载方法，所述方法包括以下步骤：

步骤1：端层的终端设备发布计算任务，通过DDS发布计算任务的数据信息，主题为topicA；

步骤2：云层的调度分析模块通过DDS订阅topicA，实时获取到任务的元数据信息，构建OMUDTCOS，并使用TLIOA求解OMUDTCOS，得到无人机部署决策和任务计算卸载决策；

步骤3：云层的调度下发模块通过DDS发布求解出的两个决策，主题分别为topicB和topicC；

步骤4：边层的指令下发模块通过DDS订阅topicB和topicC，获取到无人机部署决策和任务计算卸载决策，并将两个决策传输到端层，最终由端层完成实际的无人机集群部署和终端设备任务的计算卸载。

其中，步骤1中， topicA为：

其中totalComputationResource表示设备所发布的计算任务所需的cpu周期数，sizeOfInputData表示计算任务的计算数据量，sizeOfResults表示计算任务计算完成所产生的结果数据大小，coordinateX和coordinateY分别表示发布计算任务的计算设备当前所处位置的横纵坐标，timeMax表示该计算任务必须在timeMax时间内得到计算结果，并将计算结果传回发布计算任务的设备。

步骤2具体如下：

步骤 2.1：构建场景模型，

步骤 2.2：构建计算模型，

步骤 2.3：构建传输模型，

步骤 2.4：构建优化模型，

步骤 2.5：使用TLIOA求解OMUDTCOS。

其中，步骤 2.1：构建场景模型，具体如下：

根据订阅DDS topicA获取到的任务元数据信息，使用任务六元组完成对topicA中每个任务数据字段的映射和数学建模，即：，

表示端层终端设备发布的任务，其六元组中的每个元素分别对应于计算任务的totalComputationResource，sizeOfInputData，sizeOfResults，coordinateX，coordinateY，timeMax信息，最终得到关于的集合，设场景中有个终端设备，每个终端设备都发布一个任务，对其进行编号，得到任务集合

；

设最终部署个无人机，则无人机集群表示为。

步骤2.2：构建计算模型，具体如下：

任务卸载到无人机表示计算任务由无人机进行计算并将计算结果返回至发布计算任务的终端设备；

任务卸载到无人机，无人机的计算时间如式（1）所示，

   （1）

其中表示任务卸载到无人机所分配的计算资源，

任务卸载到无人机的计算能耗如式（2）所示，

   （2）

其中为常数系数。

步骤2.3：构建传输模型，具体如下：

a）终端设备侧：

设表示终端设备和无人机之间的距离，计算公式如式（3）所示，

   （3）

其中和分别表示无人机的横纵坐标，为无人机的高度，为一个常数，

定义任务计算卸载决策变量，当任务被卸载至无人机下计算时，否则，

终端设备所发布的任务与无人机之间的传输速率表示如式（4）所示，

（4）

其中，为带宽，为终端设备与无人机之间的信道增益，与有函数关系，为设备发送任务计算数据时的功率，为噪声功率，为用于遍历的索引变量；

任务被卸载至无人机下的传输时间如式（5）所示，

（5）

任务被卸载至无人机下的传输能耗如式（6）所示，

  （6）

其中，表示发布计算任务的终端设备接收任务返回结果时的接收功率；

b）无人机集群侧：

无人机在空中的悬停时间如式（7）所示，

  （7）

其中为求最大值函数，

无人机的悬停能耗如式（8）所示，

  （8）

其中为无人机的悬停功率，

因此，无人机集群的总悬停能耗如式（9）所示，

  （9）

计算卸载带来的能耗如式（10）所示，

   (10)。

步骤2.4构建优化模型，具体如下：

构建OMUDTCOS，即无人机部署和任务计算卸载决策优化模型，如式（11）至式（16）所示，

   （11）

    （12）

     （13）

       （14）

       （15）

（16）

OMUDTCOS在无人机计算资源等约束下，以最小化无人机悬停能耗和执行计算卸载决策后产生的计算能耗和传输能耗之和为目标，求解出最终的无人机部署决策和任务计算卸载决策，无人机部署决策包含确定部署无人机的数量和每台无人机的地理位置；任务计算卸载决策包含确定任务的计算卸载模式及无人机分配给计算任务多少计算资源，

式（11）中待优化的变量有五个，即，分别表示任务的计算卸载模式，计算资源的分配量，无人机的数目，无人机的横坐标和纵坐标，为优化目标之间的权重，式（12）和式（13）分别约束了无人机的地理横坐标边界和纵坐标边界；式（14）保证了无人机在不超过自身计算能力的情况下执行任务,为无人机拥有的计算资源；式（15）保证了每个任务必会被执行；式（16）保证了每个任务在被执行完时不会超过最大时延。

步骤 2.5：使用TLIOA求解OMUDTCOS，具体如下：

整个模型需要求解出无人机部署决策和任务计算卸载决策，值得注意的是这两种决策具有很强的耦合关系，即无人机的部署决策会影响任务的计算卸载决策。因此二者不能分开求解，基于此提出了TLIOA。TLIOA充分考虑了两种决策之间的耦合性，其将整个优化过程分为两层，分别为上层优化和下层优化。上层优化预先解出无人机部署决策，下层优化根据上层优化的结果来制定任务的计算卸载决策。

TLIOA编码表如表1所示。

TLIOA的上层优化算法流程图见图3。

TLIOA具体步骤如步骤2.5.1至2.5.7所示；

步骤2.5.1：使用Kmeans算法生成初始上层种群，上层进化次数+1，接着进入下层优化，求解出任务计算卸载决策，

步骤2.5.2：判断初始上层种群是否有效，无效则返回步骤2.5.1，否则进入步骤2.5.3，

步骤2.5.3：判断上层进化次数是否达到阈值，达到阈值则算法停止运行，否则进入步骤2.5.4，

步骤2.5.4：使用jDE算法完成上层个体的变异，如式（17）所示，

  （17）

其中为变异后的个体，为个体的索引编号，是从中随机选择的整数，为种群中个体的数量，这些整数的值是互斥的，并且与当前变异个体不同，为选中的当前种群中的个体，为缩放因子，范围为，是动态自适应变化的，

步骤2.5.5：使用二进制交叉法完成上层个体的交叉，如式（18）所示，

(18)

其中，是个体维度的分量，是从中随机选择的整数，确保和中至少有一个维度不同，为交叉控制参数，范围为，是动态自适应变化的，表示个体的维度，

步骤2.5.6：经过步骤2.5.4和步骤2.5.5后，生成变异后的中间态上层种群，遍历中的个体，分别采用如下三种策略进行种群的进化操作，

删除策略：随机删除中的上层个体，

替换策略：遍历到中的上层个体，将随机替换掉中的一个上层个体，

添加策略：将添加到中，

对三种策略分别进行下层优化，求解出任务计算卸载决策并评估采用三种策略后的上层适应度值，保留适应度有所提升且效果最好的操作，上层进化次数＋3，

步骤2.5.7：更新全局最优解，进入步骤2.5.3，

步骤2.5.1至步骤2.5.7多次提到了进入下层优化，求解出任务卸载决策，具体见步骤2.6.1至步骤2.6.7，

步骤2.6.1：获取任务的元数据信息，初始化下层种群大小，下层种群迭代次数300；

步骤2.6.2：生成下层种群，具体见步骤2.6.3至2.6.4，在下层种群中记录下层最优个体，下层个体优劣的评判为下层个体所制定的任务卸载决策方案能耗大小，适应度函数为式（10），能耗越大，则个体求解质量越差，适应度值越高，

步骤2.6.3： 根据解生成策略生成下层个体，解生成策略是指根据约束条件式（14）至式（16）得到任务各自的可行候选模式集，用表示任务的可行候选模式集，即任务可以卸载的无人机集合，根据可行候选模式集的大小决定任务优先级，集合小的任务优先选定执行模式，这样保证所有的设备均能找到最终的卸载模式，当出现任务之间的可行模式集合相同时，随机选择其中一个任务优先选定执行模式，直至所有任务分配模式结束，

在分配给具体的卸载模式之前，先统计已在此无人机上卸载的所有任务的集合，并计算如果将卸载至此无人机所造成的信道干扰值，根据式（14）至（16）再次判断是否能卸载至此无人机，如果不能则在的可行候选模式集中删掉此无人机，

分配给的每一个可行的概率候选模式计算公式为式（19），

(19)

其中是任务在无人机上的信息素,是任务在无人机上的启发式信息,是一个参数，为用于遍历的索引变量，计算公式如式（20），

    (20)

其中计算公式如式（21），

  (21)

其中为用于遍历的索引变量；

下层个体按照式（22）选择任务的卸载的无人机，其中是随机数，是一个参数，为使用轮盘赌策略得到任务选择卸载的无人机，轮盘赌策略如式（19）所示，

    (22)

步骤2.6.4：下层个体每选择一个具体的卸载模式，则根据式（23）更新信息素，

  (23)

其中为信息素衰减参数，为信息素的初始值，

步骤2.6.5：当生成个体数目达到种群大小后，进入步骤2.6.6，

步骤2.6.6：根据式（24）更新全局信息素，

当所有任务卸载完成时，再对信息素进行更新，更新公式如式（24），

 (24)

其中为信息素衰减参数，计算公式如式（25），计算公式如式（26）所示，

   (25)

(26)

步骤2.6.7：更新最优卸载决策，种群迭代次数加1，判断是否达到阈值，如果达到阈值则算法终止，返回最优卸载决策，否则进入步骤2.6.2继续种群的迭代。

图4 为系统架构图，端层的终端设备发布了计算任务，为，，至，，，其中，，指终端设备编号。

需要说明的是上述实施例，并非用来限定本发明的保护范围，在上述技术方案的基础上所作出的等同变换或替代均落入本发明权利要求所保护的范围。

Claims (9)

1.一种基于边缘计算的无人机任务卸载方法，其特征在于，采用无人机任务卸载系统，其中卸载系统包括云层、边层以及端层，

其中，

端层：包含边缘设备模块，边缘设备模块由终端设备和无人机集群组成，终端设备发布计算任务，通过DDS发布计算任务元数据信息，主题为topicA；无人机集群根据终端设备发布计算任务的特点进行编队完成任务的计算卸载；

边层，包含边缘指令下发模块，

边缘指令下发模块通过DDS订阅接收云层调度下发模块传送的无人机部署决策和任务计算卸载决策信息，主题分别为topicB和topicC，并将其发送给端层，由端层的无人机集群根据无人机部署决策完成编队部署，终端设备根据任务计算卸载决策将任务卸载至特定无人机上执行完成任务计算；

云层：包含调度分析模块和调度下发模块，调度分析模块通过DDS订阅topicA，接收端层边缘设备模块的终端设备发布计算任务的元数据信息，建立OMUDTCOS，使用TLIOA求解出无人机部署决策和任务计算卸载决策，将求解结果发送至调度下发模块，调度下发模块通过DDS发布调度分析模块传送的无人机部署决策和任务计算卸载决策，主题分别为topicB和topicC，边层的指令下发模块订阅这两个主题。

2.根据权利要求1所述的一种基于边缘计算的无人机任务卸载方法，其特征在于，所述方法包括以下步骤：

步骤1：端层的终端设备发布计算任务，通过DDS发布计算任务的元数据，主题为topicA；

步骤2：云层的调度分析模块通过DDS订阅topicA，实时获取到计算任务的元数据信息，构建OMUDTCOS，并使用TLIOA求解OMUDTCOS，得到无人机部署决策和任务计算卸载决策；

步骤3：云层的调度下发模块通过DDS发布求解出的两个决策，主题分别为topicB和topicC；

步骤4：边层的指令下发模块通过DDS订阅topicB和topicC，获取到无人机部署决策和任务计算卸载决策，并将两个决策传输到端层，最终由端层完成实际的无人机部署和终端设备任务的计算卸载。

3.根据权利要求2所述的一种基于边缘计算的无人机任务卸载方法，其特征在于，步骤1中， topicA为：

其中totalComputationResource表示设备所发布的计算任务所需的cpu周期数，sizeOfInputData表示计算任务的计算数据量，sizeOfResults表示计算任务计算完成所产生的结果数据大小，coordinateX和coordinateY分别表示发布计算任务的计算设备当前所处位置的横纵坐标，timeMax表示计算任务必须在timeMax时间内得到计算结果，并将计算结果传回发布计算任务的设备。

4.根据权利要求3所述的一种基于边缘计算的无人机任务卸载方法，其特征在于，步骤2具体如下：

步骤 2.1：构建场景模型，

步骤 2.2：构建计算模型，

步骤 2.3：构建传输模型，

步骤 2.4：构建优化模型，

步骤 2.5：使用TLIOA求解OMUDCTOS。

5.根据权利要求4所述的一种基于边缘计算的无人机任务卸载方法，其特征在于，步骤2.1：构建场景模型，具体如下：

根据订阅DDS topicA获取到的计算任务元数据信息，使用计算任务六元组完成对topicA中每个计算任务数据字段的映射和数学建模，即：，

表示端层终端设备发布的计算任务，其六元组中的每个元素分别对应于计算任务的totalComputationResource，sizeOfInputData，sizeOfResults，coordinateX，coordinateY，timeMax信息，最终得到关于的集合，设场景中有个终端设备，每个终端设备都发布一个计算任务，对其进行编号，得到计算任务集合

；

设最终部署个无人机，则无人机集群表示为。

6.根据权利要求5所述的一种基于边缘计算的无人机任务卸载方法，其特征在于，步骤2.2：构建计算模型，具体如下：

计算任务卸载到无人机表示计算任务由无人机进行计算并将计算结果返回至发布计算任务的终端设备；

计算任务卸载到无人机，无人机的计算时间如式（1）所示，

   （1）

其中表示计算任务卸载到无人机所分配的计算资源，

计算任务卸载到无人机的计算能耗如式（2）所示，

   （2）

其中为常数系数。

7.根据权利要求6所述的一种基于边缘计算的无人机任务卸载方法，其特征在于，步骤2.3：构建传输模型，具体如下：

a）终端设备侧：

设表示终端设备和无人机之间的距离，计算公式如式（3）所示，

   （3）

其中和分别表示无人机的横纵坐标，为无人机的高度，为一个常数，

定义计算任务计算卸载决策变量，当计算任务被卸载至无人机下计算时，否则,

终端设备所发布的计算任务与无人机之间的传输速率表示如式（4）所示，

（4）

其中，为带宽，为终端设备与无人机之间的信道增益，与有函数关系，为设备发送计算任务计算数据时的功率，为噪声功率，为用于遍历的索引变量；

计算任务被卸载至无人机下的传输时间如式（5）所示，

（5）

计算任务被卸载至无人机下的传输能耗如式（6）所示，

  （6）

其中，表示发布计算计算任务的终端设备接收计算任务返回结果时的接收功率；

b）无人机集群侧：

无人机在空中的悬停时间如式（7）所示，

  （7）

其中为求最大值函数，

无人机的悬停能耗如式（8）所示，

  （8）

其中为无人机的悬停功率，

因此，无人机集群的总悬停能耗如式（9）所示，

  （9）

计算卸载带来的能耗如式（10）所示，

   (10)。

8.根据权利要求7所述的一种基于边缘计算的无人机任务卸载方法，其特征在于，步骤2.4构建优化模型，具体如下：

构建OMUDTCOS，即无人机部署和任务计算卸载决策优化模型，如式（11）至式（16）所示，

   （11）

    （12）

     （13）

       （14）

       （15）

（16）

OMUDTCOS在无人机计算资源等约束下，以最小化无人机悬停能耗和执行计算卸载决策后产生的计算能耗和传输能耗之和为目标，求解出最终的无人机部署决策和任务计算卸载决策，无人机部署决策包含确定部署无人机的数量和每台无人机的地理位置；任务计算卸载决策包含确定任务的计算卸载模式及无人机分配给计算任务多少计算资源，

式（11）中待优化的变量有五个，即，分别表示任务的计算卸载模式，计算资源的分配量，无人机的数目，无人机的横坐标和纵坐标，为优化目标之间的权重，

式（12）和式（13）分别约束了无人机的地理横坐标边界和纵坐标边界；式（14）保证了无人机在不超过自身计算能力的情况下执行计算任务, 为无人机拥有的计算资源；式（15）保证了每个计算任务必会被执行；式（16）保证了每个计算任务在被执行完时不会超过最大时延。

9.根据权利要求8所述的一种基于边缘计算的无人机任务卸载方法，其特征在于，步骤2.5：使用TLIOA求解OMUDTCOS，具体如下：

TLIOA具体步骤如步骤2.5.1至2.5.7所示；

步骤2.5.1：使用Kmeans算法生成初始上层种群，上层进化次数+1，接着进入下层优化，求解出任务计算卸载决策，

步骤2.5.2：判断初始上层种群是否有效，无效则返回步骤2.5.1，否则进入步骤2.5.3，

步骤2.5.3：判断上层进化次数是否达到阈值，达到阈值则算法停止运行，否则进入步骤2.5.4，

步骤2.5.4：使用jDE算法完成上层个体的变异，如式（17）所示，

  （17）

其中为变异后的个体，为个体的索引编号，是从中随机选择的整数，为种群中个体的数量，这些整数的值是互斥的，并且与当前变异个体不同，为选中的当前种群中的个体， 为缩放因子，范围为，是动态自适应变化的，

步骤2.5.5：使用二进制交叉法完成上层个体的交叉，如式（18）所示，

(18)

其中，是个体维度的分量，是从中随机选择的整数，确保和中至少有一个维度不同，为交叉控制参数，范围为，是动态自适应变化的，表示个体的维度，

步骤2.5.6：经过步骤2.5.4和步骤2.5.5后，生成变异后的中间态上层种群，遍历中的个体，分别采用如下三种策略进行种群的进化操作，

删除策略：随机删除中的上层个体，

替换策略：遍历到中的上层个体，将随机替换掉中的一个上层个体，

添加策略：将添加到中，

对三种策略分别进行下层优化，求解出任务计算卸载决策并评估采用三种策略后的上层适应度值，保留适应度有所提升且效果最好的操作，上层进化次数＋3，

步骤2.5.7：更新全局最优解，进入步骤2.5.3，

步骤2.5.1至步骤2.5.7多次提到了进入下层优化，求解出任务卸载决策，具体见步骤2.6.1至步骤2.6.7，

步骤2.6.1：获取计算任务的元数据信息，初始化下层种群大小，下层种群迭代次数300；

步骤2.6.2：生成下层种群，具体见步骤2.6.3至2.6.4，在下层种群中记录下层最优个体，下层个体优劣的评判为下层个体所制定的计算任务卸载决策方案能耗大小，适应度函数为式（10），能耗越大，则个体求解质量越差，适应度值越高，

步骤2.6.3： 根据解生成策略生成下层个体，解生成策略是指根据约束条件式（14）至式（16）得到计算任务各自的可行候选模式集，用表示计算任务的可行候选模式集，即计算任务卸载的无人机集合，根据可行候选模式集的大小决定计算任务优先级，集合小的计算任务优先选定执行模式，这样保证所有的设备均能找到最终的卸载模式，当出现计算任务之间的可行模式集合相同时，随机选择其中一个计算任务优先选定执行模式，直至所有任务计算分配模式结束，

在分配给具体的卸载模式之前，先统计已在此无人机上卸载的所有计算任务的集合，并计算如果将卸载至此无人机所造成的信道干扰值，根据式（14）至（16）再次判断是否能卸载至此无人机，如果不能则在的可行候选模式集中删掉此无人机，

分配给的每一个可行的概率候选模式计算公式为式（19），

(19)

其中是计算任务在无人机上的信息素, 是计算任务在无人机上的启发式信息, 是一个参数，为用于遍历的索引变量，计算公式如式（20），

    (20)

其中计算公式如式（21），

  (21)

其中为用于遍历的索引变量；

下层个体按照式（22）选择计算任务的卸载的无人机，其中是随机数，是一个参数，为使用轮盘赌策略得到计算任务选择卸载的无人机，轮盘赌策略如式（19）所示，

    (22)

步骤2.6.4：下层个体每选择一个具体的卸载模式，则根据式（23）更新信息素，

  (23)

其中为信息素衰减参数，为信息素的初始值，

步骤2.6.5：当生成个体数目达到种群大小后，进入步骤2.6.6，

步骤2.6.6：根据式（24）更新全局信息素，

当所有任务卸载完成时，再对信息素进行更新，更新公式如式（24），

 (24)

其中为信息素衰减参数，计算公式如式（25），计算公式如式（26）所示，

   (25)

(26)

步骤2.6.7：更新最优卸载决策，种群迭代次数加1，判断是否达到阈值，如果达到阈值则算法终止，返回最优卸载决策，否则进入步骤2.6.2继续种群的迭代。

Images