CN116133056A - 认知无人机边缘计算网络中能量效率最大化的优化方法 - Google Patents
认知无人机边缘计算网络中能量效率最大化的优化方法 Download PDFInfo
- Publication number
- CN116133056A CN116133056A CN202310130710.5A CN202310130710A CN116133056A CN 116133056 A CN116133056 A CN 116133056A CN 202310130710 A CN202310130710 A CN 202310130710A CN 116133056 A CN116133056 A CN 116133056A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- local
- data
- time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000004891 communication Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims description 60
- 239000002245 particle Substances 0.000 claims description 54
- 238000005265 energy consumption Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 35
- 230000005540 biological transmission Effects 0.000 claims description 23
- 238000001228 spectrum Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 20
- 230000008447 perception Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000001364 causal effect Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000005562 fading Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000013144 data compression Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 6
- 235000013305 food Nutrition 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
-
- 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]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/18502—Airborne stations
- H04B7/18506—Communications with or from aircraft, i.e. aeronautical mobile service
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0925—Management thereof using policies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Astronomy & Astrophysics (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于无线电通信技术领域,具体地说,是一种认知无人机边缘计算网络中能量效率最大化的优化方法,该方法将无人机既作为认知用户与源节点进行联合频谱感知,又作为中继节点进行辅助计算与传输数据,在信息因果约束、干扰功率约束、分享数据比特量约束下,以认知无人机边缘计算网络中的能量效率为优化目标,采用粒子群算法,进行速度和位置更新与迭代,对感知时间、计算资源、通信资源进行优化,得到最优的感知时间、数据比特量与中央处理单元频率,最大化认知无人机边缘计算网络中的能量效率。本发明能够提高边缘计算网络系统的能量效率。
Description
技术领域
本发明属于无线电通信技术领域,具体地说,是一种认知无人机边缘计算网络中能量效率最大化的优化方法,采用粒子群算法来搜索获得最佳的通信资源、计算资源和感知时间的分配,使认知无人机边缘计算网络的能量效率达到最大值。
背景技术
移动边缘计算(Mobile Edge Computing,MEC)技术是5G和B5G关键技术之一,其核心原理是用户可以通过无线链路将待计算任务卸载到具有强大计算能力的边缘服务器。频谱资源的稀缺性和移动设备的爆炸式增长,为所有用户分配独立的频谱资源是不现实的。因此,频谱资源在边缘计算网络中至关重要。
认知无线电是一种动态频谱共享技术,可以有效缓解边缘计算网络中频谱资源稀缺问题。在认知无线电网络中,次用户(未授权用户)可在满足主用户(授权用户)干扰温度约束(即对主用户的干扰功率不能超过一个预设的门限)的条件下接入主用户频段。显然,可以将认知无线电技术应用到移动边缘计算中,为次用户提供频谱接入机会用以任务卸载。能量检测易于实现且不需要任何主用户先验信息,现已成为广泛应用的频谱感知方法,但其感知性能会受到阴影效应、多径衰落等隐终端问题的影响。为克服隐终端问题,协作频谱感知通过融合不同感知环境下的多个次用户本地感知信息,并作出综合判决,有效提升了系统频谱感知性能。
一般来说,MEC服务器的部署位置固定,服务器与用户之间通信链路通常以非视距为主,其覆盖范围较小,无人机具有机动性高和部署灵活的特点,搭载在无人机上的MEC服务器与用户之间通常具备视距链路,因此,将MEC服务器部署在无人机上能够为地面用户提供灵活的广覆盖服务,而且其具有一定运算处理能力,可实现对终端设备计算任务的高能效、低时延辅助处理。
粒子群优化算法以群智能为基础模拟鸟群搜寻食物的过程,经过种群内部信息共享的特性互相协作最终移动至食物的位置。所谓粒子即搜索空间内鸟群的各个个体,它们都为寻找食物而提出一条可行的道路。在算法运行过程中,粒子不断使用自身的当前位置与自身的历史最优位置(个体最优值)和种群历史最优位置(群体最优值)进行比较,然后将结果作为调整其速度和位置的依据。将种群中每个粒子的状态带入适应度函数,进行多次迭代最终可以使粒子达到最佳位置,即得到优化问题的最优解。
粒子群算法的操作程序主要有以下几步:1)初始化,设置粒子的大小,初始位置,初始速度;2)计算各个粒子的目标函数,找到各个粒子的当前极值,找到整个粒子群的当前全局最优解;3)更新各个粒子的速度和位置;4)在达到最大迭代次数ger之前,需要循环上述步骤2)和3),最终得到最优解。
智能化的应用往往计算任务密集且对时延敏感,然而,大多数移动终端设备计算能力和电能储备有限,无法独立胜任当下需求,MEC很好地解决了这个问题,通过将云计算和信息技术服务部署到网络边缘,提供辅助计算,可有效降低任务处理时延、避免网络拥塞、提高终端电池使用寿命。同时,边缘计算网络中存在频谱资源稀缺问题,通过认知无线电技术也可有效缓解。通过允许次用户接入主用户未使用的法定授权频段以提高现有的频谱资源利用率。显然,可以将认知无线电技术应用到移动边缘计算中,为次用户提供频谱接入机会用以任务卸载。通过在高机动性的无人机上部署边缘计算服务器,可以在认知无线电网络中的次用户进行任务卸载或数据传输时为其提供灵活的MEC服务。最优化认知无人机边缘计算网络的能量效率,即找到认知无人机边缘计算网络最佳的通信资源、计算资源和感知时间的分配,粒子群算法可直接搜索到最优的数据比特量、中央处理单元频率和感知时间值,解决属于非凸优化的能量效率优化问题。
发明内容
本发明披露了一种认知无人机边缘计算网络中能量效率最大化的优化方法,首先把认知无人机边缘计算网络通信资源、计算资源以及感知时间的分配看作是一个种群,然后根据边界条件,得到一个初始化种群,接着进行粒子群的迭代更新,直到达到最大迭代次数为止,就可以找到最优的通信资源、计算资源和感知时间分配,从而使系统的能量效率最大。
本发明采用的具体技术方案如下:
一种认知无人机边缘计算网络中能量效率最大化的优化方法,包括如下步骤:
步骤S1、确定频谱空洞概率
协作频谱感知过程是:在T1时隙内,源节点S和无人机中继分别对接收到的来自主发射机PT的信号进行本地能量检测,然后无人机中继将本地感知结果(PT存在或不存在,即1或0)通过专用控制信道传给源节点S,源节点S采用“OR”融合规则对无人机中继的感知结果和本地感知结果进行融合并做出最后的判决。其中感知时隙可分为两个子时隙ts和tr,第一个子时隙,源节点S和无人机中继分别进行频谱感知,第二个子时隙无人机中继将感知结果传给源节点S,由S进行融合并做出最后的判决,由于感知结果报告时间tr很短,故可忽略。
假设y(n)是源节点S或无人机中继在T1内接收到的PT发送信号。根据二元假设,PT存在(用H1表示)或者不存在(用H0表示)时的接收信号如下所示:
其中,xp(t)是功率为Pp的主用户发射信号,n(t)为服从N(0,σ2)分布的高斯白噪声,hST是PT-S链路的信道增益(若是PT-无人机链路,则信道增益为hrT)。M=tsfs,为采样点数,fs为采样频率。本地感知采用能量检测,S(或无人机中继)本地感知信号的能量统计值可表示为
源节点S(或无人机中继)在能量检测下的本地虚警概率Pf和本地检测概率Pd可表示为:
源节点S采用“OR”融合规则对S和无人机中继的本地判决结果进行融合,因此,最终整个系统的协作虚警概率Pfa和协作检测概率Pde如下:
Pfa=1-(1-Pf)2 (1.5)
Pde=1-(1-Pd)2 (1.6)
由此可得:
源节点S(或无人机中继)传输数据共分为两种情况:
(1)当授权用户PT处于H0状态,认知系统正确检测到PT空闲,该情况概率为P(H0)(1-Pfa)。
(2)当授权用户PT处于H1状态,认知系统检测出现误检,该情况概率为P(H1)(1-Pde)。
其中P(H0)与P(H1)分别表示主用户处于H0状态与H1状态的概率。
步骤S2、信息收发和任务计算
假设采用部分卸载的边缘计算模式且S可同时进行数据的传输和本地计算。与此同时,假设无人机中继内配置一定大小的缓存来存储等待计算的卸载任务。因信息收发和任务计算分别在不同功能单元进行,故可同步进行。
采用三维笛卡尔坐标系,其中源节点S、目的节点D、无人机中继r、主发射机PT、主接收机PR的三维坐标分别为(0,0,0)、(xd,0,0)、(xr,yr,H)、(xT,yT,0)、(xR,yR,0)。为便于探究,将传输时长T2划分成N个等长的时隙,每个时隙的长度为
无人机中继与地面通信节点之间的无线信道主要为视距信道,因此,S和无人机、无人机和D、S和PR、无人机和PR、S和PT、无人机和PT之间的信道增益可分别表示为
其中,β0表示在基准距离d0=1情况下的信道功率增益,dsr、drd、dsR、drR、dsT、drT分别表示S与无人机、无人机与D、S与PR、无人机与PR、S与PT、无人机与PT之间的距离。在快衰落信道模型下,系统涉及的无线信道在时长T内保持稳定状态。
假设S所获取的原始数据逐位独立且可按任意比例进行拆分以便并行处理。据此,S可采用如下2种方法协作的方式完成数据处理结果的共享:1)S在本地完成部分原始数据的计算处理,然后在无人机中继的辅助下将计算结果发送给D;2)S将余下的原始数据卸载到无人机,无人机进行辅助计算处理并将结果发送给D。进一步地,假设方法1)中S的计算时延和无人机的译码时延分别为一个时隙,方法2)中无人机的计算准备时延和计算处理时延也分别为一个时隙。
步骤S2.1、确定本地计算中的数据比特量和能耗
捕获到原始数据之后,S同步执行任务的本地计算和卸载。针对本地计算,令C表示执行单位比特计算任务所需的CPU循环次数,ρ∈(0,1)表示数据压缩率。为高效利用有限的能量资源,S采用动态电压和频率缩放技术以自适应地控制计算能量消耗。将S在第n时刻的CPU频率表示为fs[n]循环每秒。因此,在第n时刻S计算的任务比特量和相应的能耗分别为
其中,γs表示S依赖于芯片结构的有效电容系数。
当主用户实际忙碌,但协作感知出现漏检时,第n时刻S发送出去的数据比特数表示为
通过分析易知,在第n时刻,S只能发送或共享那些已被本地计算处理的数据,因此,有信息因果性约束为
考虑处理时延的存在,S在第一个和最后一个时隙不再传输计算结果,并且在最后2个时隙不再进行数据的本地计算。因此,
当主用户实际忙碌,但协作感知出现漏检时,第n时刻无人机中继转发出去的数据比特量表示为
通过分析易知,无人机只能解码转发那些已从S发送过来的信息数据。因此,有信息因果性约束为
基于上述分析,可将S成功分享的数据比特量和相应的能量消耗分别表示为
步骤S2.2、确定任务卸载中的数据比特量和能耗
当主用户实际忙碌,但协作感知出现漏检时,第n时刻S卸载的任务数据比特量为
接收到S发来的任务数据,无人机首先对其进行计算处理,然后再将计算结果转发给D。假设无人机也采用动态电压和频率缩放技术以自适应地控制自身计算频率,且令fr[n]表示第n时刻的CPU频率。于是,第n时刻无人机计算的任务数据比特量和相应的能耗可分别表示为
当主用户实际忙碌,但协作感知出现漏检时,第n时刻无人机转发到D的数据比特量为
由分析可知,在每个时隙,无人机只能计算已接收到的来自S的任务数据,且转发出去的数据量不得多于无人机经自身计算处理产生的数据量。因此,有信息因果性约束为
考虑到处理时延的存在,S在最后2个时隙不应该卸载任务给无人机,无人机在第一个和最后一个时隙不执行任务计算,且无人机在最开始的2个时隙无计算结果转发到D。因此,
类似地,基于以上分析,可将该方法下S成功分享的数据比特量和相应的能量消耗分别表示为
在有限时长T内,S分享的数据比特量不少于最低阈值Imin,因此,有约束
在S和无人机中继传输数据的过程中,S和无人机会对主通信系统的正常通信产生干扰,在本地计算阶段产生的干扰为
在任务卸载阶段产生的干扰为
S和无人机对主接收机PR产生的平均干扰不大于干扰上限Γ,因此,有约束
P(H1)(1-Pde)(Ilocal+Ioffload)≤Γ (2.30)
步骤S3、确定系统平均能量效率目标函数
从整个系统的角度出发,通过对感知时间、计算资源和通信资源进行优化,以实现系统平均能量效率最大化。系统能效定义为总分享数据比特与系统总能耗的比值,即
步骤S4、粒子群算法
步骤S4.1、设置种群参数
初始化种群的个数sizepop,设定最大迭代次数ger。为最大化认知无人机边缘计算网络的能量效率,需要合理优化计算资源、通信资源和感知时间,即fs[n]、fr[n]、(n∈N)和ts。总维度dim为6N+1,将需要优化的变量分为中央处理单元频率、数据比特量和感知时间这三组,分别设置他们的位置和速度上下限。
步骤S4.2、生成初始种群
每一代的种群由sizepop个维度为6N+1的个体组成,每个个体设为pop_xj,g(j=1,2,……,sizepop)。其中,j表示个体在种群中的序列,g表示迭代次数。初始种群速度和位置是根据给定的边界约束随机选择初始值,随机生成的初始种群位置和速度分别表示为
其中:i=1,2,……;6N+1,j=1,2,……,sizepop,和分别表示pop_xi的最大值和最小值,和分别表示pop_vi的最大值和最小值,rand[0,1]表示在[0,1]之间产生均匀随机数。
通过不断的搜索,找到满足式(2.11)、(2.14)、(2.23)、(2.24)的pop_xij,0。在约束(2.27)、(2.30)下,根据目标函数(3.1)计算每个微粒的适应度,得到个体初始的历史最佳位置和历史最佳适应度以及群体初始的历史最佳位置和历史最佳适应度。
步骤S4.3、粒子群迭代
标准粒子群算法的速度位置进化方程为:
pop_xj,g+1=pop_xj,g+pop_vj,g+1 (4.4)
pop_vj,g表示第j个粒子在第g代的速度,表示第j个微粒在第g代的最优位置,表示群体第g代的最优位置,c1表示粒子对之前速度的继承系数,c2为粒子自身的行为对之后行为的影响系数,c3表示群体行为对每个粒子的影响系数,r1和r2为0-1之间分布的随机数。
根据公式(4.3)、(4.4)更新粒子的速度和位置并进行边界处理,然后再次找到满足式(2.11)、(2.14)、(2.23)、(2.24)的粒子位置,进行约束条件(2.27)和(2.30)的判断并计算新种群各个个体位置的适应度。
新适应度与个体历史最佳适应度作比较,更新个体历史最佳位置,更新个体历史最佳适应度;个体历史最佳适应度与种群历史最佳适应度作比较,更新种群历史最佳位置,更新种群历史最佳适应度。
当算法运行到提前设定好的最大迭代次数时停止计算并导出当前时刻粒子种群的全局最优值和适应度值,如果没有达到最大迭代次数,则返回继续进行迭代循环。
本发明的有益效果:本发明提出的方法用粒子群算法来优化认知无人机边缘计算网络中的数据比特量、中央处理单元频率和感知时间,该方法通过不停迭代更新,获得一个最优种群,从而获得一个最优个体,提高了认知无人机边缘计算网络的能量效率:
(1)解决了认知用户在协作频谱感知、任务卸载以及任务数据处理计算阶段如何分配感知时间、通信资源和计算资源的问题。本发明通过粒子群算法,把总分享数据比特与系统总能耗的比值作为系统能效的定义,通过算法不停地进行循环达到种群的一个最优值。
(2)提高了频谱空洞被发现的概率和系统的能量效率,在总分享数据比特和系统的总能耗之间获得了一个折中,使认知用户实现了一个最优策略.
附图说明
图1为本发明优化算法流程图。
图2为本发明中认知无人机辅助的边缘计算与结果共享系统。
图3为本发明帧结构示意图。
具体实施方式
为了加深对本发明的理解,下面将结合附图和实施例对本发明做进一步详细描述,该实施例仅用于解释本发明,并不对本发明的保护范围构成限定。
实施例:如图1、图2和图3所示,一种认知无人机边缘计算网络中能量效率最大化的优化方法,包括如下步骤:
步骤S1、确定频谱空洞概率
协作频谱感知过程是:在T1时隙内,源节点S和无人机中继分别对接收到的来自主发射机PT的信号进行本地能量检测,然后无人机中继将本地感知结果(PT存在或不存在,即1或0)通过专用控制信道传给源节点S,源节点S采用“OR”融合规则对无人机中继的感知结果和本地感知结果进行融合并做出最后的判决。其中感知时隙可分为两个子时隙ts和tr,第一个子时隙,源节点S和无人机中继分别进行频谱感知,第二个子时隙无人机中继将感知结果传给源节点S,由S进行融合并做出最后的判决,由于感知结果报告时间tr很短,故可忽略。
假设y(n)是源节点S或无人机中继在T1内接收到的PT发送信号。根据二元假设,PT存在(用H1表示)或者不存在(用H0表示)时的接收信号如下所示:
其中,xp(t)是功率为Pp的主用户发射信号,n(t)为服从N(0,σ2)分布的高斯白噪声,hST是PT-S链路的信道增益(若是PT-无人机链路,则信道增益为hrT)。M=tsfs,为采样点数,fs为采样频率。本地感知采用能量检测,S(或无人机中继)本地感知信号的能量统计值可表示为
源节点S(或无人机中继)在能量检测下的本地虚警概率Pf和本地检测概率Pd可表示为:
源节点S采用“OR”融合规则对S和无人机中继的本地判决结果进行融合,因此,最终整个系统的协作虚警概率Pfa和协作检测概率Pde如下:
Pfa=1-(1-Pf)2 (1.5)
Pde=1-(1-Pd)2 (1.6)
由此可得,
源节点S(或无人机中继)传输数据共分为两种情况:
(1)当授权用户PT处于H0状态,认知系统正确检测到PT空闲,该情况概率为P(H0)(1-Pfa)。
(2)当授权用户PT处于H1状态,认知系统检测出现误检,该情况概率为P(H1)(1-Pde)。
其中P(H0)与P(H1)分别表示主用户处于H0状态与H1状态的概率。
步骤S2、信息收发和任务计算
假设采用部分卸载的边缘计算模式且S可同时进行数据的传输和本地计算。与此同时,假设无人机中继内配置一定大小的缓存来存储等待计算的卸载任务。因信息收发和任务计算分别在不同功能单元进行,故可同步进行。
采用三维笛卡尔坐标系,其中源节点S、目的节点D、无人机中继r、主发射机PT、主接收机PR的三维坐标分别为(0,0,0)、(xd,0,0)、(xr,yr,H)、(xT,yT,0)、(xR,yR,0)。为便于探究,将传输时长T2划分成N个等长的时隙,每个时隙的长度为
无人机中继与地面通信节点之间的无线信道主要为视距信道,因此,S和无人机、无人机和D、S和PR、无人机和PR、S和PT、无人机和PT之间的信道增益可分别表示为
其中,β0表示在基准距离d0=1情况下的信道功率增益,dsr、drd、dsR、drR、dsT、drT分别表示S与无人机、无人机与D、S与PR、无人机与PR、S与PT、无人机与PT之间的距离。在快衰落信道模型下,系统涉及的无线信道在时长T内保持稳定状态。
假设S所获取的原始数据逐位独立且可按任意比例进行拆分以便并行处理。据此,S可采用如下2种方法协作的方式完成数据处理结果的共享:1)S在本地完成部分原始数据的计算处理,然后在无人机中继的辅助下将计算结果发送给D;2)S将余下的原始数据卸载到无人机,无人机进行辅助计算处理并将结果发送给D。进一步地,假设方法1)中S的计算时延和无人机的译码时延分别为一个时隙,方法2)中无人机的计算准备时延和计算处理时延也分别为一个时隙。
步骤S2.1、确定本地计算中的数据比特量和能耗
捕获到原始数据之后,S同步执行任务的本地计算和卸载。针对本地计算,令C表示执行单位比特计算任务所需的CPU循环次数,ρ∈(0,1)表示数据压缩率。为高效利用有限的能量资源,S采用动态电压和频率缩放技术以自适应地控制计算能量消耗。将S在第n时刻的CPU频率表示为fs[n]循环每秒。因此,在第n时刻S计算的任务比特量和相应的能耗分别为
其中,γs表示S依赖于芯片结构的有效电容系数。
当主用户实际忙碌,但协作感知出现漏检时,第n时刻S发送出去的数据比特数表示为
通过分析易知,在第n时刻,S只能发送或共享那些已被本地计算处理的数据,因此,有信息因果性约束为
考虑处理时延的存在,S在第一个和最后一个时隙不再传输计算结果,并且在最后2个时隙不再进行数据的本地计算。因此,
当主用户实际忙碌,但协作感知出现漏检时,第n时刻无人机中继转发出去的数据比特量表示为
通过分析易知,无人机只能解码转发那些已从S发送过来的信息数据。因此,有信息因果性约束为:
基于上述分析,可将S成功分享的数据比特量和相应的能量消耗分别表示为
步骤S2.2、确定任务卸载中的数据比特量和能耗
当主用户实际忙碌,但协作感知出现漏检时,第n时刻S卸载的任务数据比特量为
接收到S发来的任务数据,无人机首先对其进行计算处理,然后再将计算结果转发给D。假设无人机也采用动态电压和频率缩放技术以自适应地控制自身计算频率,且令fr[n]表示第n时刻的CPU频率。于是,第n时刻无人机计算的任务数据比特量和相应的能耗可分别表示为
当主用户实际忙碌,但协作感知出现漏检时,第n时刻无人机转发到D的数据比特量为
由分析可知,在每个时隙,无人机只能计算已接收到的来自S的任务数据,且转发出去的数据量不得多于无人机经自身计算处理产生的数据量。因此,有信息因果性约束为
类似地,基于以上分析,可将该方法下S成功分享的数据比特量和相应的能量消耗分别表示为
在有限时长T内,S分享的数据比特量不少于最低阈值Imin,因此,有约束
在S和无人机中继传输数据的过程中,S和无人机会对主通信系统的正常通信产生干扰,在本地计算阶段产生的干扰为
在任务卸载阶段产生的干扰为
S和无人机对主接收机PR产生的平均干扰不大于干扰上限Γ,因此,有约束
P(H1)(1-Pde)(Ilocal+Ioffload)≤Γ (2.30)
步骤S3、确定系统平均能量效率目标函数
从整个系统的角度出发,通过对感知时间、计算资源和通信资源进行优化,以实现系统平均能量效率最大化。系统能效定义为总分享数据比特与系统总能耗的比值,即
步骤S4、粒子群算法
步骤S4.1、设置种群参数
初始化种群的个数sizepop,设定最大迭代次数ger。为最大化认知无人机边缘计算网络的能量效率,需要合理优化计算资源、通信资源和感知时间,即fs[n]、fr[n]、(n∈N)和ts。总维度dim为6N+1,将需要优化的变量分为中央处理单元频率、数据比特量和感知时间这三组,分别设置他们的位置和速度上下限。
步骤S4.2、生成初始种群
每一代的种群由sizepop个维度为6N+1的个体组成,每个个体设为pop_xj,g(j=1,2,……,sizepop)。其中,j表示个体在种群中的序列,g表示迭代次数。初始种群速度和位置是根据给定的边界约束随机选择初始值,随机生成的初始种群位置和速度分别表示为
其中:i=1,2,……;6N+1,j=1,2,……,sizepop,和分别表示pop_xi的最大值和最小值,和分别表示pop_vi的最大值和最小值,rand[0,1]表示在[0,1]之间产生均匀随机数。
通过不断的搜索,找到满足式(2.11)、(2.14)、(2.23)、(2.24)的pop_xij,0。在约束(2.27)、(2.30)下,根据目标函数(3.1)计算每个微粒的适应度,得到个体初始的历史最佳位置和历史最佳适应度以及群体初始的历史最佳位置和历史最佳适应度。
步骤S4.3、粒子群迭代
标准粒子群算法的速度位置进化方程为
pop_xj,g+1=pop_xj,g+pop_vj,g+1(4.4)
pop_vj,g表示第j个粒子在第g代的速度,表示第j个微粒在第g代的最优位置,表示群体第g代的最优位置,c1表示粒子对之前速度的继承系数,c2为粒子自身的行为对之后行为的影响系数,c3表示群体行为对每个粒子的影响系数,r1和r2为0-1之间分布的随机数。
根据公式(4.3)、(4.4)更新粒子的速度和位置并进行边界处理,然后再次找到满足式(2.11)、(2.14)、(2.23)、(2.24)的粒子位置,进行约束条件(2.27)和(2.30)的判断并计算新种群各个个体位置的适应度。
新适应度与个体历史最佳适应度作比较,更新个体历史最佳位置,更新个体历史最佳适应度;个体历史最佳适应度与种群历史最佳适应度作比较,更新种群历史最佳位置,更新种群历史最佳适应度。
当算法运行到提前设定好的最大迭代次数时停止计算并导出当前时刻粒子种群的全局最优值和适应度值,如果没有达到最大迭代次数,则返回继续进行迭代循环。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种认知无人机边缘计算网络中能量效率最大化的优化方法,其特征在于,包括如下步骤:
步骤S1、确定频谱空洞概率;
步骤S2、信息收发和任务计算;
步骤S3、确定系统平均能量效率目标函数;
步骤S4、利用粒子群算法进行优化。
2.根据权利要求1所述的认知无人机边缘计算网络中能量效率最大化的优化方法,其特征在于,在所述步骤S1中,协作频谱感知过程是:在T1时隙内,源节点S和无人机中继分别对接收到的来自主发射机PT的信号进行本地能量检测,然后无人机中继将本地感知结果通过专用控制信道传给源节点S,源节点S采用“OR”融合规则对无人机中继的感知结果和本地感知结果进行融合并做出最后的判决;其中感知时隙可分为两个子时隙ts和tr,第一个子时隙,源节点S和无人机中继分别进行频谱感知,第二个子时隙无人机中继将感知结果传给源节点S,由S进行融合并做出最后的判决,当感知结果报告时间tr很短,做忽略处理。
3.根据权利要求2所述的认知无人机边缘计算网络中能量效率最大化的优化方法,其特征在于,设定y(n)是源节点S或无人机中继在T1内接收到的PT发送信号,根据二元假设,PT存在或者不存在时的接收信号如下所示:
其中,H1表示PT存在,H0表示PT不存在,xp(t)是功率为Pp的主用户发射信号,n(t)为服从N(0,σ2)分布的高斯白噪声,hST是PT-S链路的信道增益;M=tsfs为采样点数,fs为采样频率;本地感知采用能量检测,S本地感知信号的能量统计值表示为
源节点S在能量检测下的本地虚警概率Pf和本地检测概率Pd表示为:
源节点S采用“OR”融合规则对S和无人机中继的本地判决结果进行融合,因此,最终整个系统的协作虚警概率Pfa和协作检测概率Pde如下:
Pfa=1-(1-Pf)2(1.5)
Pde=1-(1-Pd)2(1.6)
由此可得:
4.根据权利要求3所述的认知无人机边缘计算网络中能量效率最大化的优化方法,其特征在于,步骤S2中,采用三维笛卡尔坐标系,其中源节点S、目的节点D、无人机中继r、主发射机PT、主接收机PR的三维坐标分别为(0,0,0)、(xd,0,0)、(xr,yr,H)、(xT,yT,0)、(xR,yR,0);将传输时长T2划分成N个等长的时隙,每个时隙的长度为无人机中继与地面通信节点之间的无线信道主要为视距信道,因此,S和无人机、无人机和D、S和PR、无人机和PR、S和PT、无人机和PT之间的信道增益分别表示为
其中,β0表示在基准距离d0=1情况下的信道功率增益,dsr、drd、dsR、drR、dsT、drT分别表示S与无人机、无人机与D、S与PR、无人机与PR、S与PT、无人机与PT之间的距离;在快衰落信道模型下,系统涉及的无线信道在时长T内保持稳定状态。
5.根据权利要求4所述的认知无人机边缘计算网络中能量效率最大化的优化方法,其特征在于,所述步骤S2中包括以下流程:
流程S2.1、确定本地计算中的数据比特量和能耗
捕获到原始数据之后,S同步执行任务的本地计算和卸载;针对本地计算,令C表示执行单位比特计算任务所需的CPU循环次数,ρ∈(0,1)表示数据压缩率;为高效利用有限的能量资源,S采用动态电压和频率缩放技术以自适应地控制计算能量消耗;将S在第n时刻的CPU频率表示为fs[n]循环每秒;在第n时刻S计算的任务比特量和相应的能耗分别为
其中,γs表示S依赖于芯片结构的有效电容系数;
其中,Ps tran[n]表示信息发送功率,B表示信道带宽,σ2表示无人机的天线噪声功率;
当主用户实际忙碌,但协作感知出现漏检时,第n时刻S发送出去的数据比特数表示为
通过分析易知,在第n时刻,S只能发送或共享那些已被本地计算处理的数据,有信息因果性约束为
(2.11)
其中,Pr (1)for[n]表示无人机的信息转发功率;
当主用户实际忙碌,但协作感知出现漏检时,第n时刻无人机中继转发出去的数据比特量表示为
通过分析易知,无人机只能解码转发那些已从S发送过来的信息数据;
有信息因果性约束为
当处理时延,无人机在最开始的2个时隙内不会转发任何信息给D,
基于上述分析,将S成功分享的数据比特量和相应的能量消耗分别表示为
流程S2.2、确定任务卸载中的数据比特量和能耗
其中,Ps off[n]表示发送功率;
当主用户实际忙碌,但协作感知出现漏检时,第n时刻S卸载的任务数据比特量为:
接收到S发来的任务数据,无人机首先对其进行计算处理,然后再将计算结果转发给D;设定无人机也采用动态电压和频率缩放技术以自适应地控制自身计算频率,且令fr[n]表示第n时刻的CPU频率,第n时刻无人机计算的任务数据比特量和相应的能耗可分别表示为:
其中,Pr (2)for[n]表示传输功率;
当主用户实际忙碌,但协作感知出现漏检时,第n时刻无人机转发到D的数据比特量为
在每个时隙,无人机只能计算已接收到的来自S的任务数据,且转发出去的数据量不得多于无人机经自身计算处理产生的数据量;有信息因果性约束为
(2.24)
基于以上分析,将该方法下S成功分享的数据比特量和相应的能量消耗分别表示为:
在有限时长T内,S分享的数据比特量不少于最低阈值Imin,有约束
在S和无人机中继传输数据的过程中,S和无人机会对主通信系统的正常通信产生干扰,在本地计算阶段产生的干扰为:
在任务卸载阶段产生的干扰为
S和无人机对主接收机PR产生的平均干扰不大于干扰上限Γ,因此,有约束
P(H1)(1-Pde)(Ilocal+Ioffload)≤Γ(2.30)。
7.根据权利要求6所述的认知无人机边缘计算网络中能量效率最大化的优化方法,其特征在于,所述步骤S4的具体流程如下:
流程S4.1、设置种群参数
初始化种群的个数sizepop,设定最大迭代次数ger,为最大化认知无人机边缘计算网络的能量效率,需要合理优化计算资源、通信资源和感知时间,即fs[n]、fr[n]、和ts,总维度dim为6N+1,将需要优化的变量分为中央处理单元频率、数据比特量和感知时间这三组,分别设置他们的位置和速度上下限;
步骤S4.2、生成初始种群
每一代的种群由sizepop个维度为6N+1的个体组成,每个个体设为pop_xj,g(j=1,2,……,sizepop),其中,j表示个体在种群中的序列,g表示迭代次数,初始种群速度和位置是根据给定的边界约束随机选择初始值,随机生成的初始种群位置和速度分别表示为:
其中,i=1,2,……;6N+1,j=1,2,……,sizepop,和分别表示pop_xi的最大值和最小值,和分别表示pop_vi的最大值和最小值,rand[0,1]表示在[0,1]之间产生均匀随机数;
通过不断的搜索,找到满足式(2.11)、(2.14)、(2.23)、(2.24)的pop_xij,0;在约束(2.27)、(2.30)下,根据目标函数(3.1)计算每个微粒的适应度,得到个体初始的历史最佳位置和历史最佳适应度以及群体初始的历史最佳位置和历史最佳适应度;
流程S4.3、粒子群迭代
标准粒子群算法的速度位置进化方程为:
pop_xj,g+1=pop_xj,g+pop_vj,g+1 (4.4)
pop_vj,g表示第j个粒子在第g代的速度,表示第j个微粒在第g代的最优位置,表示群体第g代的最优位置,c1表示粒子对之前速度的继承系数,c2为粒子自身的行为对之后行为的影响系数,c3表示群体行为对每个粒子的影响系数,r1和r2为0-1之间分布的随机数,
根据公式(4.3)、(4.4)更新粒子的速度和位置并进行边界处理,然后再次找到满足式(2.11)、(2.14)、(2.23)、(2.24)的粒子位置,进行约束条件(2.27)和(2.30)的判断并计算新种群各个个体位置的适应度;
新适应度与个体历史最佳适应度作比较,更新个体历史最佳位置,更新个体历史最佳适应度;个体历史最佳适应度与种群历史最佳适应度作比较,更新种群历史最佳位置,更新种群历史最佳适应度;
当算法运行到提前设定好的最大迭代次数时停止计算并导出当前时刻粒子种群的全局最优值和适应度值,当没有达到最大迭代次数,则返回继续进行迭代循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310130710.5A CN116133056A (zh) | 2023-02-17 | 2023-02-17 | 认知无人机边缘计算网络中能量效率最大化的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310130710.5A CN116133056A (zh) | 2023-02-17 | 2023-02-17 | 认知无人机边缘计算网络中能量效率最大化的优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116133056A true CN116133056A (zh) | 2023-05-16 |
Family
ID=86300902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310130710.5A Pending CN116133056A (zh) | 2023-02-17 | 2023-02-17 | 认知无人机边缘计算网络中能量效率最大化的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116133056A (zh) |
-
2023
- 2023-02-17 CN CN202310130710.5A patent/CN116133056A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108449763B (zh) | 一种基于信道状态识别的LoRaWAN网络速率自适应调整方法 | |
Kasgari et al. | Model-free ultra reliable low latency communication (URLLC): A deep reinforcement learning framework | |
CN105680920B (zh) | 一种多用户多天线数能一体化通信网络吞吐量优化方法 | |
CN112084025A (zh) | 一种基于改进粒子群算法的雾计算任务卸载时延优化方法 | |
CN112564779B (zh) | 反向散射通信网络基于传输公平的吞吐量优化方法 | |
Thinh et al. | Adaptive computation scaling and task offloading in mobile edge computing | |
CN113038541A (zh) | 一种基于冲突感知的LoRaWAN网络速率自适应调整方法 | |
CN116458103A (zh) | 一种神经网络的训练方法以及相关装置 | |
US20240211770A1 (en) | Communication method and apparatus | |
CN113709728B (zh) | 一种基于noma及无人机辅助的两阶段移动边缘计算通信方法及系统 | |
Fredj et al. | Distributed uplink beamforming in cell-free networks using deep reinforcement learning | |
Gao et al. | A continuous policy learning approach for hybrid offloading in backscatter communication | |
Yu et al. | Task delay minimization in wireless powered mobile edge computing networks: A deep reinforcement learning approach | |
Zhang et al. | Matching-based resource allocation and distributed power control using mean field game in the NOMA-based UAV networks | |
Song et al. | Maximizing packets collection in wireless powered IoT networks with charge-or-data time slots | |
US11411600B2 (en) | Processing of uplink data streams | |
Xu et al. | Contention-based transmission for decentralized detection | |
CN114430590B (zh) | 一种实现上行大规模urllc的无线传输方法 | |
CN116133056A (zh) | 认知无人机边缘计算网络中能量效率最大化的优化方法 | |
CN113747452B (zh) | 一种云无线接入网通信协作波束赋形设计方法及系统 | |
Zhang et al. | Federated deep actor-critic-based task offloading in air-ground electricity iot | |
Yang et al. | Energy efficiency optimization in UAV-assisted communications and edge computing | |
TM | A study of cognitive radio sensing techniques for optimum spectrum utilization | |
CN111343722B (zh) | 边缘计算中基于认知无线电的能效优化方法 | |
CN111669814A (zh) | 月面无线携能传感器网络的功率传输优化方法及装置 |
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 |