CN117119534B - 一种无人机动态联盟辅助的卸载策略及资源优化方法 - Google Patents
一种无人机动态联盟辅助的卸载策略及资源优化方法 Download PDFInfo
- Publication number
- CN117119534B CN117119534B CN202311363445.1A CN202311363445A CN117119534B CN 117119534 B CN117119534 B CN 117119534B CN 202311363445 A CN202311363445 A CN 202311363445A CN 117119534 B CN117119534 B CN 117119534B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- service
- aerial vehicle
- alliance
- time slot
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 230000008901 benefit Effects 0.000 claims abstract description 30
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 30
- 230000004044 response Effects 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 45
- 238000005265 energy consumption Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 24
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000001965 increasing effect Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 27
- 230000001186 cumulative effect Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013468 resource allocation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- 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
- H04W28/0917—Management thereof based on the energy state of entities
-
- 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
- H04W28/0958—Management thereof based on metrics or performance parameters
- H04W28/0967—Quality of Service [QoS] parameters
- H04W28/0975—Quality of Service [QoS] parameters for reducing delays
-
- 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
- H04W28/0958—Management thereof based on metrics or performance parameters
- H04W28/0967—Quality of Service [QoS] parameters
- H04W28/0983—Quality of Service [QoS] parameters for optimizing bandwidth or throughput
-
- 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
- H04W72/0446—Resources in time domain, e.g. slots or frames
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/12—Wireless traffic scheduling
- H04W72/1221—Wireless traffic scheduling based on age of data to be sent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/535—Allocation or scheduling criteria for wireless resources based on resource usage policies
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种无人机动态联盟辅助的卸载策略及资源优化方法,属于通信技术领域,方法包括:获取单个时隙的系统收益函数和系统成本函数,以及服务无人机最短飞行路径;若当前时隙服务无人机在最短飞行路径下继续向地面用户提供服务,则参与服务的服务无人机数量加一,否则,参与服务的服务无人机数量不变;若当前时隙服务无人机在最短飞行路径下满足联盟形成条件,则执行预构建的联合联盟形成和带宽分配算法,否则,执行预构建的去除同辈效用的更加响应算法;直至当前迭代次数达到最大迭代次数为止,获取最优无人机联盟划分、最优联盟带宽分配策略和最优地面用户卸载策略。该方法能够优化无人机联盟划分、联盟带宽分配策略和地面用户卸载策略。
Description
技术领域
本发明涉及一种无人机动态联盟辅助的卸载策略及资源优化方法,属于通信技术领域。
背景技术
移动边缘计算(MEC)作为第六代移动通信网络(6G)技术之一,通过将资源不足的用户设备的任务卸载到距离较近的、具有较强计算资源的MEC服务器上进行处理,能够有效降低用户任务的处理能耗和时延。传统的MEC服务部署在固定基站或接入点中无法移动,导致在现实应用中受到较大的约束,例如,容易被自然灾害损坏,密集建筑物导致严重信道衰落,临时性的热点区域容易造成信道堵塞。无人机凭借其灵活性强、易部署以及较大概率建立视距链路的优势,在军用和民用领域都受到广泛的关注。将MEC服务器部署在无人机上,能够进一步提高网络性能的同时使得服务提供更佳灵活。面对日益增长的服务需求,在单个无人机或简单的多个无人机辅助的MEC场景中,由于无人机有限的能量、计算资源以及无人机之间不协作使得部分资源被浪费,进而导致无人机无法在规定的时延内满足用户需求。这种情况下,无人机集群辅助MEC技术受到广泛关注。
作为无人机任务执行的有效网络架构,无人机联盟的应用前景十分广阔。在无人机联盟辅助MEC系统中,面对较多的无人机和用户,优化用户计算卸载可以减少用户之间的竞争。同时,带宽和计算资源的优化也会影响到用户的计算卸载决策,联合优化计算卸载和资源分配对于提高系统性能是十分必要的。然而,现有的无人机联盟辅助MEC技术忽略了动态联盟划分,它们要么基于预先给定的无人机联盟,不关注无人机联盟的形成过程,要么只考虑单个时隙上的联盟形成,不适合多时隙无人机联盟辅助MEC场景。传统的无人机联盟辅助MEC的技术无法适用于实际动态环境中,这是因为面对无人机的飞行动态性以及用户任务的随机到达性,始终不变的无人机联盟划分在一定程度上造成资源的浪费。因此,在无人机飞行过程中研究无人机动态联盟是更佳符合实际情况的。另一方面,传统的无人机联盟辅助MEC网络的计算卸载技术过于侧重用户传输速率性能或系统能量消耗性能的优化,而忽略了用户任务之间的重要性差异。在实际应用中,尤其是战场任务执行,区分用户卸载任务的重要性,优先处理更加重要的卸载任务尤为重要。在区分用户任务重要性的优化框架下,利用用户任务奖励的大小来表征用户的重要程度,仅考虑最大化传输速率或最小化能耗的资源分配方案将不再适用,取而代之的是整个无人机联盟辅助MEC网络将在综合考虑用户任务奖励和所消耗的能量基础上,对网络的联盟划分、带宽资源分配、用户计算卸载进行联合优化,从而利用尽可能少的无人机能耗处理更多更重要的卸载任务。
论文“Joint computation offloading, channel access and schedulingoptimization in UAV swarms: A game-theoretic learning approach[J].”(IEEE OpenJournal of the Computer Society, 2021, 2: 308-320.)中,研究基于联盟的无人机集群中的计算卸载问题,通过联合优化计算卸载和信道接入问题使得相对时延最小化,但是无人机联盟是预先给定的,这种无人机静态联盟无法很好的应用到实际场景中,此外,没有考虑区分卸载任务重要性,在实际应用中,考虑区分任务重要性是十分重要的。论文“Jointtask assignment and spectrum allocation in heterogeneous UAV communicationnetworks: A coalition formation game-theoretic approach.”(IEEE Transactionson Wireless Communications, vol. 20, no. 1, pp. 440–452, 2020.)中,通过联合优化任务层和资源层提出一种任务驱动的异构联盟无人机网络的协同侦察和频谱接入方案,其中,联盟形成博弈联合优化联盟划分和带宽分配,尽管通过形成一个新的联盟划分更好的匹配任务层和资源层,但是只研究单个时隙上的联盟形成过程,不适合解决多时隙场景中的无人机联盟辅助MEC问题,尤其不适用于无人机动态飞行的场景。在无人机飞行过程中,无人机之间如何组成联盟具有一定挑战性,尤其是当无人机联盟发生变化后,联盟之间的带宽分配以及用户的任务卸载策略也需要改变。同时,无人机受到有限电量的约束,如何保证无人机在电量耗尽前到达终点具有挑战性,所以无人机动态飞行过程中联合优化无人机联盟形成、联盟带宽分配以及用户卸载策略成为无人机群资源分配中亟待解决的问题。
发明内容
本发明的目的在于提供一种无人机动态联盟辅助的卸载策略及资源优化方法,能够优化无人机联盟划分、联盟带宽分配策略和地面用户卸载策略。
为达到上述目的,本发明提供如下技术方案:
一种无人机动态联盟辅助的卸载策略及资源优化方法,包括:
基于预构建的边缘计算系统,获取单个时隙的系统收益函数和系统成本函数;
利用预构建的多无人机路径生成算法,获取服务无人机最短飞行路径;
若当前时隙服务无人机在最短飞行路径下继续向地面用户提供服务,则参与服务的服务无人机数量加一,否则,参与服务的服务无人机数量不变;
基于所述参与服务的服务无人机数量,若当前时隙服务无人机在最短飞行路径下满足联盟形成条件,则执行预构建的联合联盟形成和带宽分配算法,否则,执行预构建的去除同辈效用的更加响应算法;
直至当前迭代次数达到最大迭代次数为止,获取最优无人机联盟划分、最优联盟带宽分配策略和最优地面用户卸载策略;
其中,所述联合联盟形成和带宽分配算法以及去除同辈效用的更加响应算法是根据所述单个时隙的系统收益函数和系统成本函数构建的。
进一步的,所述边缘计算系统包括通信连接的中央无人机、空中充电平台、若干个服务无人机和若干个地面用户;各所述服务无人机在飞往所述空中充电平台的过程中形成无人机联盟并向各所述地面用户提供服务;当各所述服务无人机到达所述空中充电平台或能量低于预设阈值时,停止向各所述地面用户提供服务;
其中,所述服务无人机包括向各所述地面用户提供转发服务的中继型无人机,以及向各所述地面用户提供计算服务和转发服务的计算型无人机;若所述地面用户的任务满足本地处理条件,则该任务全部在本地处理,否则,将该任务的一部分卸载至所述中继型无人机,并通过所述中继型无人机将卸载任务转发至所述中央无人机进行处理,或将该任务的一部分卸载至所述计算型无人机,并通过所述计算型无人机对卸载任务进行处理或将卸载任务的一部分转发至所述中央无人机进行处理;
其中,所述计算型无人机根据各所述地面用户的任务的重要等级由高向低对其卸载任务进行处理;
其中,所述任务的重要等级是根据任务所对应的任务奖励对任务进行降序排列获取的,任务所对应的任务奖励越高,任务的重要等级越高;
所述本地处理条件的判断公式为:
,
其中,为地面用户/>在时隙/>的任务的比特量,/>为地面用户/>处理1比特任务所需的CPU周期数,/>为地面用户/>的计算能力,/>为单个时隙的长度,若本地处理条件的判断公式成立,则该任务全部在本地处理,否则将该任务的一部分卸载至服务无人机。
进一步的,基于预构建的边缘计算系统,获取单个时隙的系统收益函数包括:
计算获取地面用户的任务的本地计算时延以及卸载至服务无人机的卸载时延;
计算获取卸载至服务无人机的卸载任务的排队时延以及服务无人机将卸载任务转发至中央无人机的转发时延;
根据所述本地计算时延、卸载时延、排队时延和转发时延,获取单个时隙的系统收益函数;
其中,所述本地计算时延的计算公式为:
,
其中,为地面用户/>在时隙/>的本地计算时延,/>为地面用户/>在时隙/>的卸载比例,/>;
所述卸载时延的计算公式为:
,
其中,为地面用户/>在时隙/>将任务的一部分卸载至服务无人机/>的卸载时延,/>为地面用户/>在时隙/>将任务的一部分卸载至服务无人机/>的传输速率,,/>为服务无人机/>在时隙/>所在的无人机联盟/>所占据的系统带宽,/>为服务无人机/>在时隙/>所在的无人机联盟/>中的服务无人机数量,/>为时隙/>将任务的一部分卸载至服务无人机/>的地面用户集合,/>为时隙/>将任务的一部分卸载至服务无人机/>的地面用户数量,为地面用户/>的发射功率,/>为背景噪声,/>为地面用户/>在时隙/>到服务无人机的信道增益,/>为服务无人机集合;
所述排队时延的计算公式为:
,
其中,为地面用户/>在时隙/>卸载至服务无人机/>的第/>个卸载任务的排队时延,/>为地面用户/>在时隙/>卸载至服务无人机/>的第/>个卸载任务的排队时延,/>为服务无人机/>将地面用户/>的第/>个卸载任务转发至中央无人机的转发时延;
所述转发时延的计算公式为:
,
其中,为服务无人机/>将地面用户/>的第/>个卸载任务转发至中央无人机的转发时延,/>为服务无人机/>处理地面用户/>的卸载任务所需的计算资源,/>为服务无人机/>向地面用户/>的卸载任务分配计算资源前的剩余计算资源,/>为服务无人机/>将卸载任务的一部分转发至中央无人机的传输速率,/>为服务无人机/>处理1比特任务所需的CPU周期数,/>为计算型无人机集合,/>为中继型无人机集合,;
所述单个时隙的系统收益函数的表达式为:
,
其中,为时隙/>的系统收益,/>为地面用户/>在时隙/>的任务处理结果,,当/>且/>时,/>,否则,/>,/>为地面用户/>在时隙/>的任务奖励,/>为地面用户集合。
进一步的,基于预构建的边缘计算系统,获取单个时隙的系统成本函数包括:
计算获取服务无人机单个时隙的盘旋能耗、飞行能耗和处理卸载任务的总能耗;
根据所述盘旋能耗、飞行能耗和处理卸载任务的总能耗,获取单个时隙的系统成本函数;
其中,所述盘旋能耗的计算公式为:
,
其中,为服务无人机/>在时隙/>的盘旋能耗,/>、/>为服务无人机/>在悬停状态下的叶片剖面功率、感应功率,/>为服务无人机/>在单个时隙的盘旋时间;
所述飞行能耗的计算公示为:
,
其中,为服务无人机/>在时隙/>的飞行能耗,/>为服务无人机/>的重量,/>为服务无人机/>在单个时隙的飞行时间,/>为服务无人机/>的飞行速率;
所述处理卸载任务的总能耗的计算公式为:
,
其中,为服务无人机/>在时隙/>处理地面用户/>的卸载任务的总能耗,/>为服务无人机/>与芯片结构有关的有效切换电容参数,/>为服务无人机/>处理地面用户/>的卸载任务所需的计算资源,/>为地面用户/>在时隙/>将任务的一部分卸载至服务无人机/>的卸载时延,/>为服务无人机/>向地面用户/>的卸载任务分配计算资源前的剩余计算资源,/>为服务无人机/>的发射功率,/>为服务无人机/>将地面用户/>的第/>个卸载任务转发至中央无人机的转发时延,/>为计算型无人机集合,/>为服务无人机集合,/>为地面用户/>卸载至服务无人机/>的卸载任务的处理状态,,当/>时,/>,当/>时,,当/>或/>时,/>,/>为中继型无人机集合,;
所述单个时隙的系统成本函数的表达式为:
,
其中,为单个时隙的系统成本,/>为加权参数,/>为地面用户集合。
进一步的,所述多无人机路径生成算法包括:
初始化视距的长度和服务无人机的优先级;
按照预设飞行规则,执行预获取的A*算法,获取服务无人机在各视距内的最短路径;
直至所有服务无人机到达空中充电平台为止,输出服务无人机最短飞行路径;
其中,所述服务无人机的优先级是通过对服务无人机的初始电量进行升序排列获取的,初始电量最低的服务无人机的优先级最高,初始电量最高的服务无人机的优先级最低;
所述预设飞行规则包括:服务无人机的路径信息根据服务无人机的优先级由高向低进行传输;服务无人机在飞行过程中根据服务无人机的优先级由低向高进行避让。
进一步的,当前时隙服务无人机在最短飞行路径下继续向地面用户提供服务的判断公式为:
,
其中,为服务无人机/>在时隙/>的初始时刻的剩余能量,/>为服务无人机/>从时隙/>所在位置飞行至空中充电平台所需的能耗,/>为服务无人机/>单个时隙的最大计算能耗,若当前时隙服务无人机在最短飞行路径下继续向地面用户提供服务的判断公式成立,则当前时隙服务无人机在最短飞行路径下继续向地面用户提供服务,否则,当前时隙服务无人机在最短飞行路径下停止向地面用户提供服务。
进一步的,所述联盟形成条件的判断公式为:
,
其中,为当前时隙参与服务的服务无人机数量,/>为当前时隙边缘计算系统中无人机联盟数量,若联盟形成条件的判断公式成立,则执行预构建的联合联盟形成和带宽分配算法,否则,执行预构建的去除同辈效用的更加响应算法。
进一步的,所述联合联盟形成和带宽分配算法包括:
初始化当前迭代次数和最大迭代次数,随机初始化无人机联盟划分,并将边缘计算系统的系统带宽平均分配给每个无人机联盟;
执行预构建的去除同辈效用的更加响应算法,获取最优地面用户卸载策略;
随机选取一个无人机联盟中的服务无人机,计算获取最优地面用户卸载策略下该服务无人机的效用,由该服务无人机随机探索新的无人机联盟,除该服务无人机外其他服务无人机所在无人机联盟保持不变;
执行预构建的联盟带宽分配算法,获取最优联盟带宽分配策略,并在最优联盟带宽分配策略下,按照预设更新规则,由被选取的服务无人机更新其无人机联盟选择;
直至当前迭代次数达到最大迭代次数为止,获取最优无人机联盟划分;
其中,所述预设更新规则包括:
当被选取的服务无人机对无人机联盟的偏好排序为帕累托序,并满足:该服务无人机在新的无人机联盟的效用大于其在原无人机联盟的效用,且该服务无人机离开原无人机联盟后,原无人机联盟中其他服务无人机的效用不会减小,且该服务无人机加入新的无人机联盟后,新的无人机联盟中其他服务无人机的效用不会减小,则判定该服务无人机会离开原无人机联盟并加入新的无人机联盟;
当被选取的服务无人机对无人机联盟的偏好排序为自私序,并满足:该服务无人机在新的无人机联盟的效用大于其在原无人机联盟的效用,则判定该服务无人机会离开原无人机联盟并加入新的无人机联盟;
当被选取的服务无人机对无人机联盟的偏好排序为联盟序,并满足:该服务无人机加入新的无人机联盟后,原无人机联盟和新的无人机联盟中所有服务无人机的效用之和增大,则判定该服务无人机会离开原无人机联盟并加入新的无人机联盟。
进一步的,所述联盟带宽分配算法包括:
输入被选取的服务无人机所在的原无人机联盟的当前带宽,以及该服务无人机所探索的新的无人机联盟的当前带宽;
将被选取的服务无人机所在的原无人机联盟的当前带宽与该服务无人机所探索的新的无人机联盟的当前带宽之和均分,并根据预设联盟带宽分配规则,获取使得被选取的服务无人机的效用最大的联盟带宽分配策略;
输出使得被选取的服务无人机的效用最大的联盟带宽分配策略,即最优联盟带宽分配策略;
其中,所述预设联盟带宽分配规则的表达式为:
,
其中,为被选取的服务无人机/>所在的原无人机联盟,/>为被选取的服务无人机/>探索的新的无人机联盟,/>、/>为/>的当前带宽/>与/>的当前带宽/>之和均分后/>所占据的带宽份数、/>所占据的带宽份数,/>为/>的最大联盟效用,为/>的最大联盟效用;
所述服务无人机的效用的计算公式为:
,
其中,为服务无人机/>的效用,/>为地面用户/>,/>为服务无人机/>在时隙/>所在的无人机联盟/>的服务区域内的地面用户集合,/>为服务无人机/>在时隙/>所在的无人机联盟/>对应的服务无人机集合,/>、/>为服务无人机/>在时隙/>所在的无人机联盟/>的服务区域的收益、成本。
进一步的,所述去除同辈效用的更加响应算法包括:
初始化当前迭代次数和最大迭代次数;
随机选取一个地面用户,并计算获取该地面用户的效用;
由该地面用户随机探索一个新的卸载策略,并计算获取新的卸载策略下该地面用户的效用;
若新的卸载策略下该地面用户的效用大于或等于原卸载策略下该地面用户的效用,则将该地面用户的原卸载策略更新为新的卸载策略,否则,保持该地面用户的原卸载策略不变;
直至当前迭代次数达到最大迭代次数为止,获取最优地面用户卸载策略;
其中,所述地面用户的效用的计算公式为:
,
其中,为地面用户/>的效用,/>为服务无人机/>在时隙/>所在的无人机联盟的服务区域内的地面用户集合,/>为服务无人机/>在时隙/>所在的无人机联盟/>对应的服务无人机集合,/>、/>为服务无人机/>在时隙/>所在的无人机联盟/>的服务区域的收益、成本。
与现有技术相比,本发明的有益效果是:
本发明提供的无人机动态联盟辅助的卸载策略及资源优化方法,基于系统收益函数和系统成本函数,构建联合联盟形成和带宽分配算法以及去除同辈效用的更加响应算法,能够获取最优无人机联盟划分、最优联盟带宽分配策略和最优地面用户卸载策略;考虑无人机动态联盟辅助的方法,相比于无人机静态联盟辅助的方法提高了资源利用率;考虑区分卸载任务重要性,更佳符合实际场景;在考虑区分卸载任务重要性和服务无人机有限的能量资源的同时,利用尽可能少的服务无人机能量处理更多更重要的卸载任务,通过优化无人机在各个时隙的动态联盟、系统带宽分配以及地面用户卸载策略,使得系统获取的任务奖励和服务无人机能耗的加权差最大,并且能够应用到实际的无人机动态联盟辅助MEC网络中。
附图说明
图1是本发明实施例提供的无人机动态联盟辅助的卸载策略及资源优化方法流程图;
图2是本发明实施例提供的边缘计算系统场景示意图;
图3是本发明实施例提供的无人机联盟效用与地面用户数量关系仿真示意图;
图4是本发明实施例提供的系统累计效用与时隙关系仿真示意图。
具体实施方式
下面结合具体实施方式对本申请的技术方案作进一步详细地说明。
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
图1是本申请实施例提供的一种无人机动态联盟辅助的卸载策略及资源优化方法流程图,本流程图仅仅示出了本实施例方法的逻辑顺序,在互不冲突的前提下,可以以不同于图1所示的顺序完成所示出或描述的步骤。
参见图1,本实施例的方法具体包括如下步骤:
步骤一:基于预构建的边缘计算系统,获取单个时隙的系统收益函数和系统成本函数;
本实施例中,参见图2,边缘计算系统包括通信连接的中央无人机、空中充电平台、若干个服务无人机和若干个地面用户;中央无人机悬停在整个服务区域的正上方,接收各服务无人机的转发任务;空中充电平台悬停在中央无人机的正下方,并与各服务无人机处于同一高度;空中充电平台作为服务无人机的终点,各服务无人机在飞往空中充电平台的过程中形成无人机联盟并向各地面用户提供服务;当各服务无人机到达空中充电平台或能量低于预设阈值时,停止向各地面用户提供服务。
本实施例中,服务无人机包括向各地面用户提供转发服务的中继型无人机,以及向各地面用户提供计算服务和转发服务的计算型无人机;若地面用户的任务满足本地处理条件,则该任务全部在本地处理,否则,将该任务的一部分卸载至中继型无人机,并通过中继型无人机将卸载任务转发至中央无人机进行处理,或将该任务的一部分卸载至计算型无人机,并通过计算型无人机对卸载任务进行处理或将卸载任务的一部分转发至中央无人机进行处理。
本地处理条件的判断公式为:
,
其中,为地面用户/>在时隙/>的任务的比特量,/>为地面用户/>处理1比特任务所需的CPU周期数,/>为地面用户/>的计算能力,/>为单个时隙的长度,若本地处理条件的判断公式成立,则该任务全部在本地处理,否则将该任务的一部分卸载至服务无人机。
本实施例中,计算型无人机根据各地面用户的任务的重要等级由高向低对其卸载任务进行处理,当计算型无人机无法处理卸载任务时,计算型无人机将该无法处理的卸载任务转发至中央无人机进行处理。
本实施例中,任务的重要等级是根据任务所对应的任务奖励对任务进行降序排列获取的,任务所对应的任务奖励越高,任务的重要等级越高。
基于预构建的边缘计算系统,获取单个时隙的系统收益函数包括如下步骤:
步骤①:计算获取地面用户的任务的本地计算时延以及卸载至服务无人机的卸载时延;
本地计算时延的计算公式为:
,
其中,为地面用户/>在时隙/>的本地计算时延,/>为地面用户/>在时隙/>的卸载比例,/>。
卸载时延的计算公式为:
,
其中,为地面用户/>在时隙/>将任务的一部分卸载至服务无人机/>的卸载时延,/>为地面用户/>在时隙/>将任务的一部分卸载至服务无人机/>的传输速率,,/>为服务无人机/>在时隙/>所在的无人机联盟/>所占据的系统带宽,/>为服务无人机/>在时隙/>所在的无人机联盟/>中的服务无人机数量,/>为时隙/>将任务的一部分卸载至服务无人机/>的地面用户集合,/>为时隙/>将任务的一部分卸载至服务无人机/>的地面用户数量,为地面用户/>的发射功率,/>为背景噪声,/>为地面用户/>在时隙/>到服务无人机的信道增益,/>为服务无人机集合。
本实施例中,考虑自由空间传播模型,即,/>为时隙地面用户/>到服务无人机/>的距离,,/>、/>为时隙/>服务无人机/>的横坐标、纵坐标,/>为服务无人机/>距离地面的高度,/>、/>为地面用户/>的横坐标、纵坐标,/>为路径损耗因子。
步骤②:计算获取卸载至服务无人机的卸载任务的排队时延以及服务无人机将卸载任务转发至中央无人机的转发时延;
排队时延的计算公式为:
,
其中,为地面用户/>在时隙/>卸载至服务无人机/>的第/>个卸载任务的排队时延,/>为地面用户/>在时隙/>卸载至服务无人机/>的第/>个卸载任务的排队时延,/>为服务无人机/>将地面用户/>的第/>个卸载任务转发至中央无人机的转发时延。
转发时延的计算公式为:
,
其中,为服务无人机/>将地面用户/>的第/>个卸载任务转发至中央无人机的转发时延,/>为服务无人机/>处理地面用户/>的卸载任务所需的计算资源,,/>为服务无人机/>向地面用户/>的卸载任务分配计算资源前的剩余计算资源,/>,/>为服务无人机/>的计算能力,/>为在地面用户/>的卸载任务之前被服务无人机/>分配计算资源的地面用户集合,/>为服务无人机/>处理地面用户/>的卸载任务所需的计算资源,/>为服务无人机/>将卸载任务的一部分转发至中央无人机的传输速率,,/>为服务无人机/>的发射功率,/>为时隙服务无人机/>到中央无人机的信道增益,/>为服务无人机/>处理1比特任务所需的CPU周期数,/>为计算型无人机集合,/>为中继型无人机集合,/>。
本实施例中,考虑自由空间传播模型,即,/>为时隙/>服务无人机/>到中央无人机的距离,/>,/>、/>为时隙/>服务无人机/>的横坐标、纵坐标,/>为服务无人机/>距离地面的高度,/>、/>为中央无人机的横坐标、纵坐标,/>为中央无人机距离地面的高度,/>为路径损耗因子。
步骤③:根据本地计算时延、卸载时延、排队时延和转发时延,获取单个时隙的系统收益函数。
单个时隙的系统收益函数的表达式为:
,
其中,为时隙/>的系统收益,/>为地面用户/>在时隙/>的任务处理结果,,当/>且/>时,/>,否则,/>,/>为地面用户/>在时隙/>的任务奖励,/>为地面用户集合。
基于预构建的边缘计算系统,获取单个时隙的系统成本函数包括如下步骤:
步骤(1):计算获取服务无人机单个时隙的盘旋能耗、飞行能耗和处理卸载任务的总能耗;
盘旋能耗的计算公式为:
,
其中,为服务无人机/>在时隙/>的盘旋能耗,/>、/>为服务无人机/>在悬停状态下的叶片剖面功率、感应功率,/>为服务无人机/>在单个时隙的盘旋时间。
飞行能耗的计算公示为:
,
其中,为服务无人机/>在时隙/>的飞行能耗,/>为服务无人机/>的重量,/>为服务无人机/>在单个时隙的飞行时间,/>为服务无人机/>的飞行速率。
处理卸载任务的总能耗的计算公式为:
,
其中,为服务无人机/>在时隙/>处理地面用户/>的卸载任务的总能耗,/>为服务无人机/>与芯片结构有关的有效切换电容参数,/>为服务无人机/>处理地面用户/>的卸载任务所需的计算资源,/>为地面用户/>在时隙/>将任务的一部分卸载至服务无人机/>的卸载时延,/>为服务无人机/>向地面用户/>的卸载任务分配计算资源前的剩余计算资源,/>为服务无人机/>的发射功率,/>为服务无人机/>将地面用户/>的第/>个卸载任务转发至中央无人机的转发时延,/>为计算型无人机集合,/>为服务无人机集合,/>为地面用户/>卸载至服务无人机/>的卸载任务的处理状态,,当/>时,/>,当/>时,,当/>或/>时,/>,/>为中继型无人机集合,。
步骤(2):根据盘旋能耗、飞行能耗和处理卸载任务的总能耗,获取单个时隙的系统成本函数。
单个时隙的系统成本函数的表达式为:
,
其中,为单个时隙的系统成本,/>为加权参数,/>为地面用户集合。
步骤二:利用预构建的多无人机路径生成算法,获取服务无人机最短飞行路径;
多无人机路径生成算法包括如下步骤:
步骤a:初始化视距的长度和服务无人机的优先级;
本实施例中,服务无人机的优先级是通过对服务无人机的初始电量进行升序排列获取的,初始电量最低的服务无人机的优先级最高,初始电量最高的服务无人机的优先级最低。
步骤b:按照预设飞行规则,执行预获取的A*算法,获取服务无人机在各视距内的最短路径;
本实施例中,预设飞行规则包括:服务无人机的路径信息根据服务无人机的优先级由高向低进行传输;服务无人机在飞行过程中根据服务无人机的优先级由低向高进行避让。
步骤c:直至所有服务无人机到达空中充电平台为止,输出服务无人机最短飞行路径。
步骤三:若当前时隙服务无人机在最短飞行路径下继续向地面用户提供服务,则参与服务的服务无人机数量加一,否则,参与服务的服务无人机数量不变;
当前时隙服务无人机在最短飞行路径下继续向地面用户提供服务的判断公式为:
,
其中,为服务无人机/>在时隙/>的初始时刻的剩余能量,/>为服务无人机/>从时隙/>所在位置飞行至空中充电平台所需的能耗,/>为服务无人机/>单个时隙的最大计算能耗,若当前时隙服务无人机在最短飞行路径下继续向地面用户提供服务的判断公式成立,则当前时隙服务无人机在最短飞行路径下继续向地面用户提供服务,否则,当前时隙服务无人机在最短飞行路径下停止向地面用户提供服务。
步骤四:基于参与服务的服务无人机数量,若当前时隙服务无人机在最短飞行路径下满足联盟形成条件,则执行预构建的联合联盟形成和带宽分配算法,否则,执行预构建的去除同辈效用的更加响应算法;
联盟形成条件的判断公式为:
,
其中,为当前时隙参与服务的服务无人机数量,/>为当前时隙边缘计算系统中无人机联盟数量,若联盟形成条件的判断公式成立,则执行预构建的联合联盟形成和带宽分配算法,否则,执行预构建的去除同辈效用的更加响应算法。
本实施例中,联合联盟形成和带宽分配算法以及去除同辈效用的更加响应算法是根据单个时隙的系统收益函数和系统成本函数构建的。
联合联盟形成和带宽分配算法包括如下步骤:
步骤A:初始化当前迭代次数和最大迭代次数,随机初始化无人机联盟划分,并将边缘计算系统的系统带宽平均分配给每个无人机联盟;
步骤B:执行预构建的去除同辈效用的更加响应算法,获取最优地面用户卸载策略;
步骤C:随机选取一个无人机联盟中的服务无人机,计算获取最优地面用户卸载策略下该服务无人机的效用,由该服务无人机随机探索新的无人机联盟,除该服务无人机外其他服务无人机所在无人机联盟保持不变;
步骤D:执行预构建的联盟带宽分配算法,获取最优联盟带宽分配策略,并在最优联盟带宽分配策略下,按照预设更新规则,由被选取的服务无人机更新其无人机联盟选择;
本实施例中,联盟带宽分配算法包括如下步骤:
步骤ⅰ:输入被选取的服务无人机所在的原无人机联盟的当前带宽,以及该服务无人机所探索的新的无人机联盟的当前带宽;
步骤ⅱ:将被选取的服务无人机所在的原无人机联盟的当前带宽与该服务无人机所探索的新的无人机联盟的当前带宽之和均分,并根据预设联盟带宽分配规则,获取使得被选取的服务无人机的效用最大的联盟带宽分配策略;
预设联盟带宽分配规则的表达式为:
,
其中,为被选取的服务无人机/>所在的原无人机联盟,/>为被选取的服务无人机/>探索的新的无人机联盟,/>、/>为/>的当前带宽/>与/>的当前带宽/>之和均分后/>所占据的带宽份数、/>所占据的带宽份数,/>为/>的最大联盟效用,为/>的最大联盟效用。
服务无人机的效用的计算公式为:
,
其中,为服务无人机/>的效用,/>为地面用户/>,/>为服务无人机/>在时隙/>所在的无人机联盟/>的服务区域内的地面用户集合,/>为服务无人机/>在时隙/>所在的无人机联盟/>对应的服务无人机集合,/>、/>为服务无人机/>在时隙/>所在的无人机联盟/>的服务区域的收益、成本。
步骤ⅲ:输出使得被选取的服务无人机的效用最大的联盟带宽分配策略,即最优联盟带宽分配策略。
本实施例中,预设更新规则包括:
R1:当被选取的服务无人机对无人机联盟的偏好排序为帕累托序,并满足:该服务无人机在新的无人机联盟的效用大于其在原无人机联盟的效用,且该服务无人机离开原无人机联盟后,原无人机联盟中其他服务无人机的效用不会减小,且该服务无人机加入新的无人机联盟后,新的无人机联盟中其他服务无人机的效用不会减小,则判定该服务无人机会离开原无人机联盟并加入新的无人机联盟;
R2:当被选取的服务无人机对无人机联盟的偏好排序为自私序,并满足:该服务无人机在新的无人机联盟的效用大于其在原无人机联盟的效用,则判定该服务无人机会离开原无人机联盟并加入新的无人机联盟;
R3:当被选取的服务无人机对无人机联盟的偏好排序为联盟序,并满足:该服务无人机加入新的无人机联盟后,原无人机联盟和新的无人机联盟中所有服务无人机的效用之和增大,则判定该服务无人机会离开原无人机联盟并加入新的无人机联盟。
步骤E:直至当前迭代次数达到最大迭代次数为止,获取最优无人机联盟划分。
去除同辈效用的更加响应算法包括如下步骤:
步骤Ⅰ:初始化当前迭代次数和最大迭代次数;
步骤Ⅱ:随机选取一个地面用户,并计算获取该地面用户的效用;
步骤Ⅲ:由该地面用户随机探索一个新的卸载策略,并计算获取新的卸载策略下该地面用户的效用;
步骤Ⅳ:若新的卸载策略下该地面用户的效用大于或等于原卸载策略下该地面用户的效用,则将该地面用户的原卸载策略更新为新的卸载策略,否则,保持该地面用户的原卸载策略不变;
步骤Ⅴ:直至当前迭代次数达到最大迭代次数为止,获取最优地面用户卸载策略。
地面用户的效用的计算公式为:
其中,为地面用户/>的效用,/>为服务无人机/>在时隙/>所在的无人机联盟的服务区域内的地面用户集合,/>为服务无人机/>在时隙/>所在的无人机联盟/>对应的服务无人机集合,/>、/>为服务无人机/>在时隙/>所在的无人机联盟/>的服务区域的收益、成本。
步骤五:直至当前迭代次数达到最大迭代次数为止,获取最优无人机联盟划分、最优联盟带宽分配策略和最优地面用户卸载策略。
本实施例中,需要设置的资源优化参数包括:设置加权参数、设置最大迭代次数、设置障碍物坐标、地面用户坐标、空中充电平台坐标、中央无人机坐标、服务无人机初始坐标;需要初始化的资源优化参数包括:初始化迭代次数为1、初始化参与服务的服务无人机数量为0。
为验证本实施例提供的无人机动态联盟辅助的卸载策略及资源优化方法的有效性,对本实施例提供的无人机动态联盟辅助的卸载策略及资源优化方法进行仿真实验。
1、仿真条件
本实施例提供的仿真实验在MATLABR2020a软件下进行。考虑一个包含6个计算型无人机、2个中继型无人机的边缘计算系统,除特别说明外,地面用户数量为20个。地面用户和服务无人机的发射功率分别设为0.5W和10W,为了便于计算,路径损耗因子设为2,背景噪声设为-90dBm/Hz,系统带宽设为20MHz,加权参数设为0.002。
2、仿真内容
参见图3,通过对比在不同的无人机联盟的偏好排序下,无人机联盟效用与地面用户数量的关系可知,本实施例提供的联盟序能够实现更高的联盟效用,这是因为帕累托序同时考虑原联盟和新联盟的效用,然而系统资源是有限的,很难支持两个联盟效用同时提高,这导致联盟效用容易陷入低效用的困境。同时,自私序只考虑服务无人机自己的效用,在提高自己效用的同时很可能损害其他服务无人机的效用,进而导致联盟效用降低。本实施例提供的联盟序始终考虑整个联盟的效用,服务无人机在探索联盟选择时,始终选择提高联盟效用的策略。此外,随着地面用户数量的增大,系统联盟效用也随之增大,原因是更多的地面用户必然带来更大的任务奖励。
参见图4,研究系统累计效用和时隙的关系的同时对比不同地面用户数量下的系统累计效用。系统累积效用先增长较快,然后增长较慢,最后保持不变。这是因为在快速增长的第一个时期,所有服务无人机都在为地面用户提供服务,所以系统的累积效用增长很快,几乎是线性的。在缓慢增长的第二阶段,一些服务无人机由于到达终点或能量不足而停止提供服务。然而,由于维持飞行状态的成本相同,累积的系统效用增加缓慢。在效用不变的最后阶段,所有服务无人机都到达目的地,整个系统没有收益和成本,所以累积的系统效用保持不变。此外,当地面用户数量增加时,累积系统效用的增长呈下降趋势,这是由于较多的地面用户的任务导致服务无人机在前期消耗过多的能量,更多的服务无人机在后期停止向地面用户提供服务,这就导致系统获得的任务奖励减少,由于服务无人机飞行能耗仍然存在,导致系统效用增长幅度下降。
本实施例提供的无人机动态联盟辅助的卸载策略及资源优化方法,基于系统收益函数和系统成本函数,构建联合联盟形成和带宽分配算法以及去除同辈效用的更加响应算法,能够获取最优无人机联盟划分、最优联盟带宽分配策略和最优地面用户卸载策略;考虑无人机动态联盟辅助的方法,相比于无人机静态联盟辅助的方法提高了资源利用率,在不同时隙中动态改变无人机联盟划分以提高资源利用率,使得网络性能有效提升;此外,当服务无人机的电量低于预设阈值后,服务无人机退出联盟形成,确保电量较低的服务无人机能够安全到达终点;考虑区分卸载任务重要性,服务无人机根据卸载任务的任务奖励区分任务重要性,服务无人机优先处理更重要的卸载任务,这更加符合实际应用场景;在考虑区分卸载任务重要性和服务无人机有限的能量资源的同时,利用尽可能少的服务无人机能量处理更多更重要的卸载任务,通过优化无人机在各个时隙的动态联盟、系统带宽分配以及地面用户卸载策略,使得系统获取的任务奖励和服务无人机能耗的加权差最大,并且能够应用到实际的无人机动态联盟辅助MEC网络中。
以上仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本申请的保护范围。
Claims (6)
1.一种无人机动态联盟辅助的卸载策略及资源优化方法,其特征在于,包括:
基于预构建的边缘计算系统,获取单个时隙的系统收益函数和系统成本函数;
利用预构建的多无人机路径生成算法,获取服务无人机最短飞行路径;
若当前时隙服务无人机在最短飞行路径下继续向地面用户提供服务,则参与服务的服务无人机数量加一,否则,参与服务的服务无人机数量不变;
基于所述参与服务的服务无人机数量,若当前时隙服务无人机在最短飞行路径下满足联盟形成条件,则执行预构建的联合联盟形成和带宽分配算法,否则,执行预构建的去除同辈效用的更加响应算法;
直至当前迭代次数达到最大迭代次数为止,获取最优无人机联盟划分、最优联盟带宽分配策略和最优地面用户卸载策略;
其中,所述联合联盟形成和带宽分配算法以及去除同辈效用的更加响应算法是根据所述单个时隙的系统收益函数和系统成本函数构建的;
基于预构建的边缘计算系统,获取单个时隙的系统收益函数包括:
计算获取地面用户的任务的本地计算时延以及卸载至服务无人机的卸载时延;
计算获取卸载至服务无人机的卸载任务的排队时延以及服务无人机将卸载任务转发至中央无人机的转发时延;
根据所述本地计算时延、卸载时延、排队时延和转发时延,获取单个时隙的系统收益函数;
其中,所述本地计算时延的计算公式为:
,
其中,为地面用户/>在时隙/>的本地计算时延,/>为地面用户/>在时隙/>的任务的比特量,/>为地面用户/>在时隙/>的卸载比例,/>,/>为地面用户/>处理1比特任务所需的CPU周期数,/>为地面用户/>的计算能力;
所述卸载时延的计算公式为:
,
其中,为地面用户/>在时隙/>将任务的一部分卸载至服务无人机/>的卸载时延,为地面用户/>在时隙/>将任务的一部分卸载至服务无人机/>的传输速率,,/>为服务无人机/>在时隙/>所在的无人机联盟/>所占据的系统带宽,/>为服务无人机/>在时隙/>所在的无人机联盟/>中的服务无人机数量,/>为时隙/>将任务的一部分卸载至服务无人机/>的地面用户集合,/>为时隙/>将任务的一部分卸载至服务无人机/>的地面用户数量,为地面用户/>的发射功率,/>为背景噪声,/>为地面用户/>在时隙/>到服务无人机的信道增益,/>为服务无人机集合;
所述排队时延的计算公式为:
,
其中,为地面用户/>在时隙/>卸载至服务无人机/>的第/>个卸载任务的排队时延,/>为地面用户/>在时隙/>卸载至服务无人机/>的第/>个卸载任务的排队时延,/>为服务无人机/>将地面用户/>的第/>个卸载任务转发至中央无人机的转发时延;
所述转发时延的计算公式为:
,
其中,为服务无人机/>将地面用户/>的第/>个卸载任务转发至中央无人机的转发时延,/>为服务无人机/>处理地面用户/>的卸载任务所需的计算资源,/>为服务无人机/>向地面用户/>的卸载任务分配计算资源前的剩余计算资源,/>为单个时隙的长度,/>为服务无人机/>将卸载任务的一部分转发至中央无人机的传输速率,/>为服务无人机/>处理1比特任务所需的CPU周期数,/>为计算型无人机集合,/>为中继型无人机集合,/>;
所述单个时隙的系统收益函数的表达式为:
,
其中,为时隙/>的系统收益,/>为地面用户/>在时隙/>的任务处理结果,,当/>且/>时,/>,否则,/>,/>为地面用户/>在时隙/>的任务奖励,/>为地面用户集合;
基于预构建的边缘计算系统,获取单个时隙的系统成本函数包括:
计算获取服务无人机单个时隙的盘旋能耗、飞行能耗和处理卸载任务的总能耗;
根据所述盘旋能耗、飞行能耗和处理卸载任务的总能耗,获取单个时隙的系统成本函数;
其中,所述盘旋能耗的计算公式为:
,
其中,为服务无人机/>在时隙/>的盘旋能耗,/>、/>为服务无人机/>在悬停状态下的叶片剖面功率、感应功率,/>为服务无人机/>在单个时隙的盘旋时间;
所述飞行能耗的计算公示为:
,
其中,为服务无人机/>在时隙/>的飞行能耗,/>为服务无人机/>的重量,/>为服务无人机/>在单个时隙的飞行时间,/>为服务无人机/>的飞行速率;
所述处理卸载任务的总能耗的计算公式为:
,
其中,为服务无人机/>在时隙/>处理地面用户/>的卸载任务的总能耗,/>为服务无人机/>与芯片结构有关的有效切换电容参数,/>为服务无人机/>处理地面用户/>的卸载任务所需的计算资源,/>为地面用户/>在时隙/>将任务的一部分卸载至服务无人机/>的卸载时延,/>为服务无人机/>向地面用户/>的卸载任务分配计算资源前的剩余计算资源,/>为服务无人机/>的发射功率,/>为服务无人机/>将地面用户/>的第/>个卸载任务转发至中央无人机的转发时延,/>为计算型无人机集合,/>为服务无人机集合,为地面用户/>卸载至服务无人机/>的卸载任务的处理状态,/>,当时,/>,当/>时,/>,当或/>时,/>,/>为中继型无人机集合,/>;
所述单个时隙的系统成本函数的表达式为:
,
其中,为单个时隙的系统成本,/>为加权参数,/>为地面用户集合;
所述联合联盟形成和带宽分配算法包括:
初始化当前迭代次数和最大迭代次数,随机初始化无人机联盟划分,并将边缘计算系统的系统带宽平均分配给每个无人机联盟;
执行预构建的去除同辈效用的更加响应算法,获取最优地面用户卸载策略;
随机选取一个无人机联盟中的服务无人机,计算获取最优地面用户卸载策略下该服务无人机的效用,由该服务无人机随机探索新的无人机联盟,除该服务无人机外其他服务无人机所在无人机联盟保持不变;
执行预构建的联盟带宽分配算法,获取最优联盟带宽分配策略,并在最优联盟带宽分配策略下,按照预设更新规则,由被选取的服务无人机更新其无人机联盟选择;
直至当前迭代次数达到最大迭代次数为止,获取最优无人机联盟划分;
所述联盟带宽分配算法包括:
输入被选取的服务无人机所在的原无人机联盟的当前带宽,以及该服务无人机所探索的新的无人机联盟的当前带宽;
将被选取的服务无人机所在的原无人机联盟的当前带宽与该服务无人机所探索的新的无人机联盟的当前带宽之和均分,并根据预设联盟带宽分配规则,获取使得被选取的服务无人机的效用最大的联盟带宽分配策略;
输出使得被选取的服务无人机的效用最大的联盟带宽分配策略,即最优联盟带宽分配策略;
其中,所述预设联盟带宽分配规则的表达式为:
,
其中,为被选取的服务无人机/>所在的原无人机联盟,/>为被选取的服务无人机/>探索的新的无人机联盟,/>、/>为/>的当前带宽/>与/>的当前带宽/>之和均分后/>所占据的带宽份数、/>所占据的带宽份数,/>为/>的最大联盟效用,为/>的最大联盟效用;
所述服务无人机的效用的计算公式为:
,
其中,为服务无人机/>的效用,/>为地面用户/>,/>为服务无人机/>在时隙/>所在的无人机联盟/>的服务区域内的地面用户集合,/>为服务无人机/>在时隙/>所在的无人机联盟/>对应的服务无人机集合,/>、/>为服务无人机/>在时隙/>所在的无人机联盟/>的服务区域的收益、成本;
所述去除同辈效用的更加响应算法包括:
初始化当前迭代次数和最大迭代次数;
随机选取一个地面用户,并计算获取该地面用户的效用;
由该地面用户随机探索一个新的卸载策略,并计算获取新的卸载策略下该地面用户的效用;
若新的卸载策略下该地面用户的效用大于或等于原卸载策略下该地面用户的效用,则将该地面用户的原卸载策略更新为新的卸载策略,否则,保持该地面用户的原卸载策略不变;
直至当前迭代次数达到最大迭代次数为止,获取最优地面用户卸载策略;
其中,所述地面用户的效用的计算公式为:
,
其中,为地面用户/>的效用,/>为服务无人机/>在时隙/>所在的无人机联盟/>的服务区域内的地面用户集合,/>为服务无人机/>在时隙/>所在的无人机联盟/>对应的服务无人机集合,/>、/>为服务无人机/>在时隙/>所在的无人机联盟的服务区域的收益、成本。
2.根据权利要求1所述的无人机动态联盟辅助的卸载策略及资源优化方法,其特征在于,所述边缘计算系统包括通信连接的中央无人机、空中充电平台、若干个服务无人机和若干个地面用户;各所述服务无人机在飞往所述空中充电平台的过程中形成无人机联盟并向各所述地面用户提供服务;当各所述服务无人机到达所述空中充电平台或能量低于预设阈值时,停止向各所述地面用户提供服务;
其中,所述服务无人机包括向各所述地面用户提供转发服务的中继型无人机,以及向各所述地面用户提供计算服务和转发服务的计算型无人机;若所述地面用户的任务满足本地处理条件,则该任务全部在本地处理,否则,将该任务的一部分卸载至所述中继型无人机,并通过所述中继型无人机将卸载任务转发至所述中央无人机进行处理,或将该任务的一部分卸载至所述计算型无人机,并通过所述计算型无人机对卸载任务进行处理或将卸载任务的一部分转发至所述中央无人机进行处理;
其中,所述计算型无人机根据各所述地面用户的任务的重要等级由高向低对其卸载任务进行处理;
其中,所述任务的重要等级是根据任务所对应的任务奖励对任务进行降序排列获取的,任务所对应的任务奖励越高,任务的重要等级越高;
所述本地处理条件的判断公式为:
,
其中,为地面用户/>在时隙/>的任务的比特量,/>为地面用户/>处理1比特任务所需的CPU周期数,/>为地面用户/>的计算能力,/>为单个时隙的长度,若本地处理条件的判断公式成立,则该任务全部在本地处理,否则将该任务的一部分卸载至服务无人机。
3.根据权利要求1所述的无人机动态联盟辅助的卸载策略及资源优化方法,其特征在于,所述多无人机路径生成算法包括:
初始化视距的长度和服务无人机的优先级;
按照预设飞行规则,执行预获取的A*算法,获取服务无人机在各视距内的最短路径;
直至所有服务无人机到达空中充电平台为止,输出服务无人机最短飞行路径;
其中,所述服务无人机的优先级是通过对服务无人机的初始电量进行升序排列获取的,初始电量最低的服务无人机的优先级最高,初始电量最高的服务无人机的优先级最低;
所述预设飞行规则包括:服务无人机的路径信息根据服务无人机的优先级由高向低进行传输;服务无人机在飞行过程中根据服务无人机的优先级由低向高进行避让。
4.根据权利要求1所述的无人机动态联盟辅助的卸载策略及资源优化方法,其特征在于,当前时隙服务无人机在最短飞行路径下继续向地面用户提供服务的判断公式为:
,
其中,为服务无人机/>在时隙/>的初始时刻的剩余能量,/>为服务无人机/>从时隙/>所在位置飞行至空中充电平台所需的能耗,/>为服务无人机/>单个时隙的最大计算能耗,若当前时隙服务无人机在最短飞行路径下继续向地面用户提供服务的判断公式成立,则当前时隙服务无人机在最短飞行路径下继续向地面用户提供服务,否则,当前时隙服务无人机在最短飞行路径下停止向地面用户提供服务。
5.根据权利要求1所述的无人机动态联盟辅助的卸载策略及资源优化方法,其特征在于,所述联盟形成条件的判断公式为:
,
其中,为当前时隙参与服务的服务无人机数量,/>为当前时隙边缘计算系统中无人机联盟数量,若联盟形成条件的判断公式成立,则执行预构建的联合联盟形成和带宽分配算法,否则,执行预构建的去除同辈效用的更加响应算法。
6.根据权利要求1所述的无人机动态联盟辅助的卸载策略及资源优化方法,其特征在于,所述预设更新规则包括:
当被选取的服务无人机对无人机联盟的偏好排序为帕累托序,并满足:该服务无人机在新的无人机联盟的效用大于其在原无人机联盟的效用,且该服务无人机离开原无人机联盟后,原无人机联盟中其他服务无人机的效用不会减小,且该服务无人机加入新的无人机联盟后,新的无人机联盟中其他服务无人机的效用不会减小,则判定该服务无人机会离开原无人机联盟并加入新的无人机联盟;
当被选取的服务无人机对无人机联盟的偏好排序为自私序,并满足:该服务无人机在新的无人机联盟的效用大于其在原无人机联盟的效用,则判定该服务无人机会离开原无人机联盟并加入新的无人机联盟;
当被选取的服务无人机对无人机联盟的偏好排序为联盟序,并满足:该服务无人机加入新的无人机联盟后,原无人机联盟和新的无人机联盟中所有服务无人机的效用之和增大,则判定该服务无人机会离开原无人机联盟并加入新的无人机联盟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311363445.1A CN117119534B (zh) | 2023-10-20 | 2023-10-20 | 一种无人机动态联盟辅助的卸载策略及资源优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311363445.1A CN117119534B (zh) | 2023-10-20 | 2023-10-20 | 一种无人机动态联盟辅助的卸载策略及资源优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117119534A CN117119534A (zh) | 2023-11-24 |
CN117119534B true CN117119534B (zh) | 2023-12-19 |
Family
ID=88813161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311363445.1A Active CN117119534B (zh) | 2023-10-20 | 2023-10-20 | 一种无人机动态联盟辅助的卸载策略及资源优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117119534B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108680063A (zh) * | 2018-05-23 | 2018-10-19 | 南京航空航天大学 | 一种针对大规模无人机集群动态对抗的决策方法 |
WO2019123447A1 (en) * | 2017-12-24 | 2019-06-27 | Arilou Information Security Technologies Ltd. | System and method for tunnel-based malware detection |
EP3506665A1 (en) * | 2017-12-28 | 2019-07-03 | Tata Consultancy Services Limited | An aerial communication framework for providing communication services to users trapped in emergency |
CN111988792A (zh) * | 2020-08-24 | 2020-11-24 | 中国人民解放军陆军工程大学 | 无人机联盟网络卸载模型及决策计算方法 |
CN112737837A (zh) * | 2020-12-28 | 2021-04-30 | 北京邮电大学 | 一种高动态网络拓扑下无人机群带宽资源分配方法 |
CN114326827A (zh) * | 2022-01-12 | 2022-04-12 | 北方工业大学 | 一种无人机集群多任务动态分配方法及系统 |
CN116887356A (zh) * | 2023-08-23 | 2023-10-13 | 重庆邮电大学 | 一种基于sfn分区的星地一体计算卸载和资源分配方法 |
CN117014989A (zh) * | 2023-09-01 | 2023-11-07 | 桂林电子科技大学 | 一种面向无人机自组网的基于联盟博弈的分簇方法 |
-
2023
- 2023-10-20 CN CN202311363445.1A patent/CN117119534B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019123447A1 (en) * | 2017-12-24 | 2019-06-27 | Arilou Information Security Technologies Ltd. | System and method for tunnel-based malware detection |
EP3506665A1 (en) * | 2017-12-28 | 2019-07-03 | Tata Consultancy Services Limited | An aerial communication framework for providing communication services to users trapped in emergency |
CN108680063A (zh) * | 2018-05-23 | 2018-10-19 | 南京航空航天大学 | 一种针对大规模无人机集群动态对抗的决策方法 |
CN111988792A (zh) * | 2020-08-24 | 2020-11-24 | 中国人民解放军陆军工程大学 | 无人机联盟网络卸载模型及决策计算方法 |
CN112737837A (zh) * | 2020-12-28 | 2021-04-30 | 北京邮电大学 | 一种高动态网络拓扑下无人机群带宽资源分配方法 |
CN114326827A (zh) * | 2022-01-12 | 2022-04-12 | 北方工业大学 | 一种无人机集群多任务动态分配方法及系统 |
CN116887356A (zh) * | 2023-08-23 | 2023-10-13 | 重庆邮电大学 | 一种基于sfn分区的星地一体计算卸载和资源分配方法 |
CN117014989A (zh) * | 2023-09-01 | 2023-11-07 | 桂林电子科技大学 | 一种面向无人机自组网的基于联盟博弈的分簇方法 |
Non-Patent Citations (3)
Title |
---|
Bowen Li ; Han Hu ; Longxiang Yang ; Fuhui Zhou.Game-Based Task Offloading and Resource Allocation in Multi-UAV-Assisted MEC Networks. 2023 IEEE/CIC International Conference on Communications in China (ICCC).2023,全文. * |
基于互相关协同的无人机集群区域覆盖监视优化方法;李博文;信息工程大学学报;全文 * |
面向战术智能终端任务的移动边缘计算卸载策略研究;王万斌;中国优秀硕士学位论文全文数据库;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117119534A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111930436B (zh) | 一种基于边缘计算的随机型任务排队卸载优化方法 | |
CN111586720B (zh) | 一种多小区场景下的任务卸载和资源分配的联合优化方法 | |
Zhao et al. | Contract-based computing resource management via deep reinforcement learning in vehicular fog computing | |
CN108809695B (zh) | 一种面向移动边缘计算的分布上行链路卸载策略 | |
Zhang et al. | Energy-efficient trajectory optimization for UAV-assisted IoT networks | |
CN110198278B (zh) | 一种车联网云端和边缘联合任务调度的Lyapunov优化方法 | |
CN112737837B (zh) | 一种高动态网络拓扑下无人机群带宽资源分配方法 | |
Chen et al. | VFC-based cooperative UAV computation task offloading for post-disaster rescue | |
Yao et al. | Online task allocation and flying control in fog-aided internet of drones | |
WO2023040022A1 (zh) | 一种在随机网络中基于算网协同的分布式计算卸载方法 | |
CN111988792B (zh) | 无人机联盟网络卸载模型的系统及决策计算方法 | |
CN111757361B (zh) | 一种雾网络中基于无人机辅助的任务卸载方法 | |
CN115640131A (zh) | 一种基于深度确定性策略梯度的无人机辅助计算迁移方法 | |
CN113377533A (zh) | 无人机协助移动边缘计算中的动态计算卸载和服务器部署方法 | |
CN113286317A (zh) | 一种基于无线供能边缘网络的任务调度方法 | |
Gan et al. | Trajectory optimization and computing offloading strategy in UAV-assisted MEC system | |
Zeng et al. | Joint resource allocation and trajectory optimization in UAV-enabled wirelessly powered MEC for large area | |
Yan et al. | Fairness-aware data offloading of IoT applications enabled by heterogeneous UAVs | |
CN117119534B (zh) | 一种无人机动态联盟辅助的卸载策略及资源优化方法 | |
CN116828539A (zh) | 基于深度强化学习的联合计算迁移和无人机轨迹优化方法 | |
CN115134370B (zh) | 一种多无人机辅助的移动边缘计算卸载方法 | |
CN116367310A (zh) | 面向移动边缘计算的最大增益导向的信道分配方法 | |
CN112969157B (zh) | 一种无人机网络负载均衡方法 | |
Li et al. | Game-Based Task Offloading and Resource Allocation in Multi-UAV-Assisted MEC Networks | |
Liao et al. | Cooperative UAV-USV MEC Platform for Wireless Inland Waterway Communications |
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 |