CN116126428B - 一种面向能量采集的无人机计算任务卸载方法 - Google Patents

一种面向能量采集的无人机计算任务卸载方法 Download PDF

Info

Publication number
CN116126428B
CN116126428B CN202310400616.7A CN202310400616A CN116126428B CN 116126428 B CN116126428 B CN 116126428B CN 202310400616 A CN202310400616 A CN 202310400616A CN 116126428 B CN116126428 B CN 116126428B
Authority
CN
China
Prior art keywords
task
unmanned aerial
aerial vehicle
energy
unloading
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.)
Active
Application number
CN202310400616.7A
Other languages
English (en)
Other versions
CN116126428A (zh
Inventor
曾凯
李欣
沈韬
王青旺
陶智敏
汪志锋
刘全君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202310400616.7A priority Critical patent/CN116126428B/zh
Publication of CN116126428A publication Critical patent/CN116126428A/zh
Application granted granted Critical
Publication of CN116126428B publication Critical patent/CN116126428B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种面向能量采集的无人机计算任务卸载方法，该方法搭建物联网设备‑无人机集群边缘计算模型，物联网设备以及无人机根据能量采集策略，分别将采集到的电能存储在设备和无人机的储能电池中；根据计算任务比特数，计算得出任务本地执行的时延、能耗、以及算法的本地执行成本；获得距离、噪声、带宽等基础通讯参数后，进一步计算得出设备或无人机的最佳数据传输发射功率，得到卸载任务的时延、能耗、以及算法的卸载执行成本；根据计算得出的本地执行与卸载执行成本，取执行成本低的方式执行。本发明提高了边缘计算系统部署的灵活性，并抓住了当前无人机计算高能耗影响续航的痛点，可广泛应用于应急救援、线路巡检等边缘计算应用场景。

Description

一种面向能量采集的无人机计算任务卸载方法
技术领域
本发明属于移动边缘计算技术领域，特别涉及一种面向能量采集的无人机计算任务卸载方法。
背景技术
随着人工智能物联网（AIIoT）的不断发展，众多物联网设备需要计算支持，但是当前大部分边缘计算技术都需要有强大的基础网络的支持，将物联网设备和边缘服务器连接起来。这不适用于地理偏远地区、自然灾害受损地区，以及军事领域等有线网络不便部署或损害区域。因此采用无人机构建的边缘计算系统有利于在这些地区提供计算支持。但是当前无线物联网设备和无人机主要采用能源有限的电池供能，这不利于系统长时间稳定提供计算支持。近年来有大量关于能源采集技术和射频无线充电的研究。通过将能源采集与射频充电技术模块化，并与无人机和无线物联网设备相结合可以有效解决能源受限问题。
当前无人机边缘计算系统考虑到，有限的电池能量，与为系统提供计算服务所需的巨大能量之间的矛盾，主要作为信号中继平台，以此完成计算。但是，此种模式依靠地面边缘服务器，部署受限且不够灵活。计算能力由边缘服务器提供，忽视了无人机集群的巨大算力，对资源造成了浪费。且对应的是边缘服务器所主导的中心化的卸载算法，不符合分布式的系统部署。
发明内容
本发明提供了一种面向能量采集的无人机计算任务卸载方法，通过将能量采集技术与无人机边缘计算相结合，弥补了无人机边缘计算的计算耗能约束，通过无人机的边边协同卸载算法，解决了当前边缘计算卸载算法依赖边缘服务器的问题。
本发明的技术方案是：一种面向能量采集的无人机计算任务卸载方法，所述方法的具体步骤如下：
Step1搭建物联网设备-无人机集群边缘计算模型，模型包含多台IoT设备，多架具备机载计算核心的无人机，IoT设备和无人机均可以从环境中进行能量采集。
无人机之间在相互的信号范围内可任意建立通讯，形成计算集群，每一台无人机可为其通讯范围内的所有IoT设备提供服务，IoT设备可以和任意一台信号范围内的无人机进行数据传输，若存在地面边缘服务器，则该服务器可为信号范围内的无人机提供计算服务。
Step 2模型中所有设备根据当前电池能量水平与目标稳态值计算得出能量采集策略，将各自采集到的电能分别存储在IoT设备和无人机的储能电池中，获取设备与无人机之间的距离、噪声、通讯带宽，无人机之间的距离、噪声、通讯带宽。
IoT设备与无人机的能量采集模块将环境中的热能、光能、射频能量转换为电能，将采集的连续的电能建模为时间上离散的电量包，其中各个IoT设备和无人机在每个时隙所能获得的电量包是独立的，根据能源收获的约束
Figure SMS_3
，其中
Figure SMS_5
为虚拟电池队列，其值为目标稳定电量与实际电池电量的差值，
Figure SMS_7
为当前时隙，T为总的时隙数，
Figure SMS_1
为模型中的任意设备，N为IoT设备集合，M为无人机集合，
Figure SMS_4
为该时刻环境中可收集的能量总量，确定为
Figure SMS_6
，
Figure SMS_8
为设备实际可收集环境能量的最大值，
Figure SMS_2
为各个IoT设备和无人机存储到功率型储能电池中的能量。
Step3任务由现场IoT设备产生且可卸载到无人机集群中，首先根据任务大小，计算最优CPU频率，得出设备或无人机在本地执行的预期执行时延与预估能耗，以及本地执行的李亚普诺夫代价函数值，该值作为本地执行成本。
首先根据动态电压频率调整技术，调整芯片电压来为第
Figure SMS_9
个时隙中的
Figure SMS_10
个CPU周期匹配相应的频率
Figure SMS_11
，
Figure SMS_12
为CPU周期数；
然后得出第
Figure SMS_13
个时隙所请求的计算任务的延迟
Figure SMS_14
，在第
Figure SMS_15
个时隙所请求的计算任务的能耗
Figure SMS_16
，
Figure SMS_17
为有效的开关电容；
最后根据决策问题
Figure SMS_18
，求得其解获得本地执行成本。
Figure SMS_19
为选择的执行模式，
Figure SMS_20
为当前最优cpu执行频率，
Figure SMS_21
为当前最优传输功率，
Figure SMS_22
为设备该时刻预期消耗能量，
Figure SMS_23
为李亚普诺夫控制常数，
Figure SMS_24
为该时刻设备计算耗时。
Step 4在获得距离、噪声、带宽基础通讯参数后，得出设备或无人机的最佳数据传输发射功率，计算得出卸载任务的预期卸载时延与预估能耗，以及卸载执行的李亚普诺夫代价函数值，该值作为卸载执行成本。
根据获得的基础通信参数，通过通信理论计算得出信道功率增益，
Figure SMS_36
，
Figure SMS_26
为小尺度衰落信道功率增益，满足均值为1的指数分布，
Figure SMS_32
为路径损耗常数，
Figure SMS_40
为参考距离，
Figure SMS_42
为路径损耗指数，
Figure SMS_41
为设备
Figure SMS_43
与
Figure SMS_34
之间的距离，根据香农-哈特利公式获得时隙内的数据可达率
Figure SMS_38
，
Figure SMS_25
为任意无人机，
Figure SMS_30
为系统分配宽带，
Figure SMS_28
为接收端噪声功率，
Figure SMS_31
为当前最优传输功率，并根据所获得的数据可达率，计算得出卸载执行模式下的任务传输时间
Figure SMS_35
，
Figure SMS_39
为任务可分离率，
Figure SMS_27
为计算任务大小，单位为比特，计算得出卸载计算任务的传输所需的功耗
Figure SMS_29
，根据所得任务传输时间与传输所需的功耗，通过决策问题
Figure SMS_33
获得卸载执行成本
Figure SMS_37
。
Step 5根据计算得出的本地执行与卸载执行成本，取执行成本低的方式执行，卸载任务会首先由IoT设备递交给无人机，若根据算法判断需进一步卸载，无人机会将任务进一步递交给无人机集群中的另一台无人机，依此链式传递，直到任务完成处理，在此过程中若任务卸载到地面边缘服务器，那么将不会继续卸载，边缘服务器会直接完成计算任务。
若Step3得出的李亚普诺夫代价函数值，低于Step4得出的李亚普诺夫代价函数值，则计算任务在IoT设备完成处理，任务处理流程结束；
若Step4得出的李亚普诺夫代价函数值，低于Step3得出的李亚普诺夫代价函数值，则计算任务卸载执行，在卸载执行过程中算法会先判断任务可分离率
Figure SMS_44
，若
Figure SMS_45
则计算任务不可分，该级设备会将计算任务选择最优的下一级设备进行完全卸载，若
Figure SMS_46
,则会根据可分离率
Figure SMS_47
分离出部分留在该级设备，利用设备自身该时刻的算力进行任务处理，并将结果传递给目标卸载设备，剩余
Figure SMS_48
部分计算任务会直接卸载给目标卸载设备，以此呈链式传递计算任务，直至任务完全处理完毕。
任务抛弃成本以任务截止时间时长计算，若得出抛弃成本，低于Step3的本地执行成本与Step4的卸载执行成本，且无该计算任务必须完成的约束条件，则会将该时刻的计算任务进行抛弃处理。
本发明的有益效果是：
本方法弥补了无人机承担计算任务导致的续航缩减问题且保证了系统整体能量稳定性。由无人机集群搭载实时的分布式计算卸载算法，完成对系统的计算支持。本发明提高了边缘计算系统部署的灵活性，并抓住了当前无人机计算高能耗影响续航的痛点，可广泛应用于应急救援、线路巡检等边缘计算应用场景。
附图说明
图1是基于能量采集技术的无人机边缘计算系统计算卸载算法的流程图。
图2是无人机功率型电池的能量水平图。
图3是物联网设备终端功率型电池的能量水平图。
图4是无人机上任务抛弃比率图。
图5是所提算法的计算任务处理时延对比图。
具体实施方式
下面结合具体实施例本发明作进一步的详细说明，但本发明的保护范围并不限于所述内容。
如图1所述，一种面向能量采集的无人机计算任务卸载方法，具体步骤如下：
Step1搭建物联网设备-无人机集群边缘计算模型，模型包含多台IoT设备，多架具备机载计算核心的无人机，IoT设备和无人机均可以从环境中进行能量采集。
Step 2模型中所有设备根据当前电池能量水平与目标稳态值计算得出能量采集策略，将各自采集到的电能分别存储在IoT设备和无人机的储能电池中，获取设备与无人机之间的距离、噪声、通讯带宽，无人机之间的距离、噪声、通讯带宽。
Step 3任务由现场IoT设备产生且可卸载到无人机集群中，首先根据任务大小，计算最优CPU频率，得出设备或无人机在本地执行的预期执行时延与预估能耗，以及本地执行的李亚普诺夫代价函数值，该值作为本地执行成本（
Figure SMS_49
）。
Step 4在获得距离、噪声、带宽基础通讯参数后，得出设备或无人机的最佳数据传输发射功率，计算得出卸载任务的预期卸载时延与预估能耗，以及卸载执行的李亚普诺夫代价函数值，该值作为卸载执行成本（
Figure SMS_50
）。
Step 5根据计算得出的本地执行与卸载执行成本，取执行成本低的方式执行，卸载任务会首先由IoT设备递交给无人机，若根据算法判断需进一步卸载，无人机会将任务进一步递交给无人机集群中的另一台无人机，依此链式传递，直到任务完成处理，在此过程中若任务卸载到地面边缘服务器，那么将不会继续卸载，边缘服务器会直接完成计算任务。
进一步地，所构建的边缘计算系统，其中IoT设备具备一定数据处理能力以及具备无线数据传输所需的必要硬件，无人机具备相比IoT设备性能更强大的数据处理能力以及信号传输能力。无人机之间在相互的信号范围内可任意建立通讯，形成计算集群，每一台无人机可为其通讯范围内的所有IoT设备提供服务，IoT设备可以和任意一台信号范围内的无人机进行数据传输，若存在地面边缘服务器，则该服务器可为信号范围内的无人机提供计算服务。
进一步地，IoT设备与无人机的能量采集模块将环境中的热能、光能、射频能量转换为电能，将采集的连续的电能建模为时间上离散的电量包，其中各个IoT设备和无人机在每个时隙所能获得的电量包是独立的，根据能源收获的约束
Figure SMS_52
，其中
Figure SMS_55
为虚拟电池队列，其值为目标稳定电量与实际电池电量的差值，
Figure SMS_57
为当前时隙，T为总的时隙数，
Figure SMS_51
为模型中的任意设备，N为IoT设备集合，M为无人机集合，
Figure SMS_54
为该时刻环境中可收集的能量总量，确定为
Figure SMS_56
，
Figure SMS_58
为设备实际可收集环境能量的最大值，
Figure SMS_53
为各个IoT设备和无人机存储到功率型储能电池中的能量。
进一步的，本地执行模型，处理一位
Figure SMS_61
输入数据所需的CPU周期数表示为
Figure SMS_62
。那么，为了成功本地执行计算任务，需要
Figure SMS_64
个CPU周期数。
Figure SMS_60
为任务大小。首先根据动态电压频率调整技术，调整芯片电压来为第
Figure SMS_63
个时隙中的
Figure SMS_65
个CPU周期匹配相应的频率
Figure SMS_66
，
Figure SMS_59
为CPU周期数；
然后得出第
Figure SMS_67
个时隙所请求的计算任务的延迟
Figure SMS_68
，在第
Figure SMS_69
个时隙所请求的计算任务的能耗
Figure SMS_70
，
Figure SMS_71
为有效的开关电容；
最后根据决策问题
Figure SMS_72
，求得其解获得本地执行成本。
Figure SMS_73
为选择的执行模式，
Figure SMS_74
为当前最优cpu执行频率，
Figure SMS_75
为当前最优传输功率，
Figure SMS_76
为设备该时刻预期消耗能量，
Figure SMS_77
为李亚普诺夫控制常数，
Figure SMS_78
为该时刻设备计算耗时。
进一步的，假设边缘云服务器有足够的计算资源，忽略计算延迟。IoT设备以及无人机上的数据传输，即执行延迟按照IoT设备与无人机的通讯性能决定。获得距离、噪声、带宽等基础通讯参数后，如若IoT设备的卸载目标是无人机集群中的一台无人机的话使用
Figure SMS_80
来表示，
Figure SMS_82
属于IoT设备
Figure SMS_84
与无人机
Figure SMS_81
的并集。且满足
Figure SMS_83
，其中
Figure SMS_85
为机载CPU最大频率，
Figure SMS_86
为任务执行最大允许时间，
Figure SMS_79
代表选择卸载执行。
根据获得的基础通信参数，通过通信理论计算得出信道功率增益，
Figure SMS_96
，
Figure SMS_89
为小尺度衰落信道功率增益，满足均值为1的指数分布，
Figure SMS_92
为路径损耗常数，
Figure SMS_95
为参考距离，
Figure SMS_99
为路径损耗指数，
Figure SMS_103
为设备
Figure SMS_105
与
Figure SMS_97
之间的距离，根据香农-哈特利公式获得时隙内的数据可达率
Figure SMS_101
，
Figure SMS_87
为任意无人机，
Figure SMS_93
为系统分配宽带，
Figure SMS_98
为接收端噪声功率，
Figure SMS_102
为当前最优传输功率，并根据所获得的数据可达率，计算得出卸载执行模式下的任务传输时间
Figure SMS_100
，
Figure SMS_104
为任务可分离率，
Figure SMS_88
为计算任务大小，单位为比特，计算得出卸载计算任务的传输所需的功耗
Figure SMS_91
，根据所得任务传输时间与传输所需的功耗，通过决策问题
Figure SMS_90
获得卸载执行成本
Figure SMS_94
。
进一步的，将执行成本定义为执行延迟和任务放弃成本的加权和，定义为以下公式：
Figure SMS_106
其中，
Figure SMS_107
是任务放弃成本的权重，且
Figure SMS_108
，
Figure SMS_109
代表所有
Figure SMS_110
的集合，
Figure SMS_111
代表所有
Figure SMS_112
的集合，
Figure SMS_113
是执行延迟，且其需要在截止时间内完成，可由以下公式得出；
Figure SMS_114
Figure SMS_115
Figure SMS_116
表示实际电池能量水平，采用扰动参数
Figure SMS_117
来定义设备的虚拟电池队列
Figure SMS_118
；
Figure SMS_119
Figure SMS_120
定义李亚普诺夫函数
Figure SMS_121
。
进一步，可以得出李亚普诺夫漂移加惩罚函数
Figure SMS_122
。
可以获得漂移加惩罚函数的上界；
Figure SMS_123
最终的求解目标转为求解漂移加惩罚函数的上界；
Figure SMS_124
计算任务由现场IoT设备产生，其任务大小根据不同情况可从500
Figure SMS_125
到10000
Figure SMS_126
。且根据任务性质其具有可分与不可分任务，即任务可分离率
Figure SMS_127
，表示任务在当前处理阶段的最高可分离率为30%。
若Step3得出的李亚普诺夫代价函数值，低于Step4得出的李亚普诺夫代价函数值，则计算任务在IoT设备完成处理，任务处理流程结束；
若Step4得出的李亚普诺夫代价函数值，低于Step3得出的李亚普诺夫代价函数值，则计算任务卸载执行，在卸载执行过程中算法会先判断任务可分离率
Figure SMS_128
，若
Figure SMS_129
则计算任务不可分，该级设备会将计算任务选择最优的下一级设备进行完全卸载，若
Figure SMS_130
,则会根据可分离率
Figure SMS_131
分离出部分留在该级设备，利用设备自身该时刻的算力进行任务处理，并将结果传递给目标卸载设备，剩余
Figure SMS_132
部分计算任务会直接卸载给目标卸载设备，以此呈链式传递计算任务，直至任务完全处理完毕。
任务抛弃成本以任务截止时间时长计算，若得出抛弃成本，低于Step3的本地执行成本与Step4的卸载执行成本，且无该计算任务必须完成的约束条件，则会将该时刻的计算任务进行抛弃处理。
根据的模拟实验，验证算法性能如图2-5所示；
图2验证了无人机功率型电池能量的变化过程，可以验证算法对无人机功率型电池能量的自稳能力。
图3验证了IoT设备功率型电池能量的变化过程，可以验证算法对IoT设备功率型电池能量的自稳能力。
图4可视化了所提算法在无人机上表现出的计算任务抛弃表现，验证了算法极低的任务抛弃率。
图5曲线从上到下依次是本地时延最优执行算法（LocalGD）的计算任务执行延迟、卸载时延最优执行算法（MECGD）的计算任务执行延迟、动态时延最优卸载算法（LvEGD）的计算任务执行延迟。验证了所提算法在执行延迟方面的最优表现，满足计算任务处理的快速性需求。

Claims (4)

1.一种面向能量采集的无人机计算任务卸载方法，其特征在于，所述方法的具体步骤如下：
Step1搭建物联网设备-无人机集群边缘计算模型，模型包含多台IoT设备，多架具备机载计算核心的无人机，IoT设备和无人机均可以从环境中进行能量采集；
Step2模型中所有设备根据当前电池能量水平与目标稳态值计算得出能量采集策略，将各自采集到的电能分别存储在IoT设备和无人机的储能电池中，获取设备与无人机之间的距离、噪声、通讯带宽，无人机之间的距离、噪声、通讯带宽；
Step3任务由现场IoT设备产生且可卸载到无人机集群中，首先根据任务大小，计算最优CPU频率，得出设备或无人机在本地执行的预期执行时延与预估能耗，以及本地执行的李亚普诺夫代价函数值，该值作为本地执行成本；
Step4在获得距离、噪声、带宽基础通讯参数后，得出设备或无人机的最佳数据传输发射功率，计算得出卸载任务的预期卸载时延与预估能耗，以及卸载执行的李亚普诺夫代价函数值，该值作为卸载执行成本；
Step5根据计算得出的本地执行与卸载执行成本，取执行成本低的方式执行，卸载任务会首先由IoT设备递交给无人机，若根据算法判断需进一步卸载，无人机会将任务进一步递交给无人机集群中的另一台无人机，依此链式传递，直到任务完成处理，在此过程中若任务卸载到地面边缘服务器，那么将不会继续卸载，边缘服务器会直接完成计算任务；
所述Step3，具体包括：
首先根据动态电压频率调整技术，调整芯片电压来为第
Figure QLYQS_1
个时隙中的
Figure QLYQS_2
个CPU周期匹配相应的频率
Figure QLYQS_3
，
Figure QLYQS_4
为CPU周期数；
然后得出第
Figure QLYQS_5
个时隙所请求的计算任务的延迟
Figure QLYQS_6
，在第
Figure QLYQS_7
个时隙所请求的计算任务的能耗
Figure QLYQS_8
，
Figure QLYQS_9
为有效的开关电容；
最后根据决策问题
Figure QLYQS_10
，求得其解获得本地执行成本，
Figure QLYQS_11
为选择的执行模式，
Figure QLYQS_12
为当前最优cpu执行频率，
Figure QLYQS_13
为当前最优传输功率，
Figure QLYQS_14
为设备当前时刻预期消耗能量，
Figure QLYQS_15
为李亚普诺夫控制常数，
Figure QLYQS_16
为当前时刻设备计算耗时；
所述Step4，具体包括：
根据获得的基础通信参数，通过通信理论计算得出信道功率增益，
Figure QLYQS_33
，
Figure QLYQS_18
为小尺度衰落信道功率增益，满足均值为1的指数分布，
Figure QLYQS_26
为路径损耗常数，
Figure QLYQS_20
为参考距离，
Figure QLYQS_25
为路径损耗指数，
Figure QLYQS_22
为设备
Figure QLYQS_29
与
Figure QLYQS_19
之间的距离，根据香农-哈特利公式获得时隙内的数据可达率
Figure QLYQS_31
，
Figure QLYQS_17
为任意无人机，
Figure QLYQS_30
为系统分配宽带，
Figure QLYQS_23
为接收端噪声功率，
Figure QLYQS_28
为当前最优传输功率，并根据所获得的数据可达率，计算得出卸载执行模式下的任务传输时间
Figure QLYQS_24
，
Figure QLYQS_32
为任务可分离率，
Figure QLYQS_21
为计算任务大小，单位为比特，计算得出卸载计算任务的传输所需的功耗
Figure QLYQS_27
，根据所得任务传输时间与传输所需的功耗，通过决策问题
Figure QLYQS_34
获得卸载执行成本。
2.根据权利要求1所述的面向能量采集的无人机计算任务卸载方法，其特征在于，所述Step1构建的边缘计算系统模型中，无人机之间在相互的信号范围内可任意建立通讯，形成计算集群，每一台无人机可为其通讯范围内的所有IoT设备提供服务，IoT设备可以和任意一台信号范围内的无人机进行数据传输，若存在地面边缘服务器，则该服务器可为信号范围内的无人机提供计算服务。
3.根据权利要求1所述的面向能量采集的无人机计算任务卸载方法，其特征在于，所述Step2中IoT设备与无人机的能量采集模块将环境中的热能、光能、射频能量转换为电能，将采集的连续的电能建模为时间上离散的电量包，其中各个IoT设备和无人机在每个时隙所能获得的电量包是独立的，根据能源收获的约束
Figure QLYQS_36
，其中
Figure QLYQS_40
为虚拟电池队列，其值为目标稳定电量与实际电池电量的差值，
Figure QLYQS_42
为当前时隙，T为总的时隙数，
Figure QLYQS_37
为模型中的任意设备，N为IoT设备集合，M为无人机集合，
Figure QLYQS_38
为当前时刻环境中可收集的能量总量，确定为
Figure QLYQS_39
，
Figure QLYQS_41
为设备实际可收集环境能量的最大值，
Figure QLYQS_35
为各个IoT设备和无人机存储到功率型储能电池中的能量。
4.根据权利要求1所述的面向能量采集的无人机计算任务卸载方法，其特征在于，所述Step5，具体包括：
若Step3得出的李亚普诺夫代价函数值，低于Step4得出的李亚普诺夫代价函数值，则计算任务在IoT设备完成处理，任务处理流程结束；
若Step4得出的李亚普诺夫代价函数值，低于Step3得出的李亚普诺夫代价函数值，则计算任务卸载执行，在卸载执行过程中算法会先判断任务可分离率
Figure QLYQS_43
，若
Figure QLYQS_44
则计算任务不可分，当前设备会将计算任务选择最优的下一级设备进行完全卸载，若
Figure QLYQS_45
,则会根据可分离率
Figure QLYQS_46
分离出部分留在当前设备，利用设备自身当前时刻的算力进行任务处理，并将结果传递给目标卸载设备，剩余
Figure QLYQS_47
部分计算任务会直接卸载给目标卸载设备，以此呈链式传递计算任务，直至任务完全处理完毕；
任务抛弃成本以任务截止时间时长计算，若得出抛弃成本，低于Step3的本地执行成本与Step4的卸载执行成本，且无该计算任务必须完成的约束条件，则会将该时刻的计算任务进行抛弃处理。
CN202310400616.7A 2023-04-14 2023-04-14 一种面向能量采集的无人机计算任务卸载方法 Active CN116126428B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310400616.7A CN116126428B (zh) 2023-04-14 2023-04-14 一种面向能量采集的无人机计算任务卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310400616.7A CN116126428B (zh) 2023-04-14 2023-04-14 一种面向能量采集的无人机计算任务卸载方法

Publications (2)

Publication Number Publication Date
CN116126428A CN116126428A (zh) 2023-05-16
CN116126428B true CN116126428B (zh) 2023-06-13

Family

ID=86304898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310400616.7A Active CN116126428B (zh) 2023-04-14 2023-04-14 一种面向能量采集的无人机计算任务卸载方法

Country Status (1)

Country Link
CN (1) CN116126428B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9815633B1 (en) * 2016-09-19 2017-11-14 Amazon Technologies, Inc. Automated fulfillment of unmanned aerial vehicles
CN107765553A (zh) * 2017-11-02 2018-03-06 天津大学 针对旋翼无人机吊挂运输系统的非线性控制方法
CN111580889A (zh) * 2020-05-13 2020-08-25 长沙理工大学 边缘服务器任务卸载方法、装置、设备及存储介质
CN113377447A (zh) * 2021-05-28 2021-09-10 四川大学 一种基于李雅普诺夫优化的多用户计算卸载方法
CN113703970A (zh) * 2021-08-13 2021-11-26 北京信息科技大学 基于拍卖机制的服务器资源分配方法、装置、设备及介质
CN114048689A (zh) * 2022-01-13 2022-02-15 南京信息工程大学 基于深度强化学习的多无人机空中充电和任务调度方法
CN114143355A (zh) * 2021-12-08 2022-03-04 华北电力大学 一种电力物联网低时延安全云边端协同方法
CN114372612A (zh) * 2021-12-16 2022-04-19 电子科技大学 面向无人机移动边缘计算场景的路径规划和任务卸载方法
CN114520768A (zh) * 2022-03-11 2022-05-20 南京信息工程大学 一种用于工业物联网中随机任务的ai卸载优化方法
CN115696451A (zh) * 2022-10-10 2023-02-03 广州大学 一种边缘计算系统能量与任务调度的优化方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9815633B1 (en) * 2016-09-19 2017-11-14 Amazon Technologies, Inc. Automated fulfillment of unmanned aerial vehicles
CN107765553A (zh) * 2017-11-02 2018-03-06 天津大学 针对旋翼无人机吊挂运输系统的非线性控制方法
CN111580889A (zh) * 2020-05-13 2020-08-25 长沙理工大学 边缘服务器任务卸载方法、装置、设备及存储介质
CN113377447A (zh) * 2021-05-28 2021-09-10 四川大学 一种基于李雅普诺夫优化的多用户计算卸载方法
CN113703970A (zh) * 2021-08-13 2021-11-26 北京信息科技大学 基于拍卖机制的服务器资源分配方法、装置、设备及介质
CN114143355A (zh) * 2021-12-08 2022-03-04 华北电力大学 一种电力物联网低时延安全云边端协同方法
CN114372612A (zh) * 2021-12-16 2022-04-19 电子科技大学 面向无人机移动边缘计算场景的路径规划和任务卸载方法
CN114048689A (zh) * 2022-01-13 2022-02-15 南京信息工程大学 基于深度强化学习的多无人机空中充电和任务调度方法
CN114520768A (zh) * 2022-03-11 2022-05-20 南京信息工程大学 一种用于工业物联网中随机任务的ai卸载优化方法
CN115696451A (zh) * 2022-10-10 2023-02-03 广州大学 一种边缘计算系统能量与任务调度的优化方法

Also Published As

Publication number Publication date
CN116126428A (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN108880893B (zh) 一种移动边缘计算服务器联合能量收集及任务卸载方法
CN113395654A (zh) 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
CN111915142B (zh) 一种基于深度强化学习的无人机辅助资源分配方法
CN113156992B (zh) 面向边缘环境下无人机的三层架构协同优化方法
Liu et al. Energy-efficiency computation offloading strategy in UAV aided V2X network with integrated sensing and communication
CN110730031A (zh) 一种用于多载波通信的无人机轨迹与资源分配联合优化方法
CN113507492B (zh) 物联网三维空间智能定位与分布式边缘计算支援方法
CN113406974B (zh) 一种面向无人机集群联邦学习的学习与资源联合优化方法
CN112579290B (zh) 一种基于无人机的地面终端设备的计算任务迁移方法
CN115202849B (zh) 一种支持边缘计算的多无人机任务分配与路径规划方法
CN109639833A (zh) 一种基于无线城域网微云负载均衡的任务调度方法
CN113286317A (zh) 一种基于无线供能边缘网络的任务调度方法
CN110809291A (zh) 基于能量采集设备的移动边缘计算系统双层负载平衡方法
CN113987692A (zh) 用于无人机和边缘计算服务器的深度神经网络分区方法
CN116916386A (zh) 一种考虑用户竞争和负载的大模型辅助边缘任务卸载方法
CN114363803A (zh) 一种移动边缘计算网络节能的多任务分配方法及系统
CN116126428B (zh) 一种面向能量采集的无人机计算任务卸载方法
CN113825177A (zh) 一种对多无人机辅助边缘计算系统的控制方法及控制系统
CN116781144A (zh) 无人机搭载边缘服务器的方法、装置及存储介质
CN112969157B (zh) 一种无人机网络负载均衡方法
CN113468819B (zh) 基于遗传算法的无人机辅助边缘计算的能耗优化方法
CN113840329A (zh) 无人机网络中协同计算和缓存调度策略方法及系统
Seid et al. HDFRL-empowered Energy Efficient Resource Allocation for Aerial MEC-enabled Smart City Cyber Physical System in 6G
CN112637900B (zh) 一种基于社会感知的移动自组云终端簇构建及服务方法
CN118524446B (zh) 空天地一体化移动边缘计算卸载与资源分配优化方法

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
OL01 Intention to license declared
OL01 Intention to license declared