CN117376985A - 莱斯信道下多无人机辅助mec任务卸载的能效优化方法 - Google Patents

莱斯信道下多无人机辅助mec任务卸载的能效优化方法 Download PDF

Info

Publication number
CN117376985A
CN117376985A CN202311675997.6A CN202311675997A CN117376985A CN 117376985 A CN117376985 A CN 117376985A CN 202311675997 A CN202311675997 A CN 202311675997A CN 117376985 A CN117376985 A CN 117376985A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
task
unloading
base station
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.)
Granted
Application number
CN202311675997.6A
Other languages
English (en)
Other versions
CN117376985B (zh
Inventor
梅芳
王禧麟
孙庚�
康辉
吉非凡
刘雨晴
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN202311675997.6A priority Critical patent/CN117376985B/zh
Publication of CN117376985A publication Critical patent/CN117376985A/zh
Application granted granted Critical
Publication of CN117376985B publication Critical patent/CN117376985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04W28/0958—Management thereof based on metrics or performance parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • 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
    • 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)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于无线网络技术领域，公开了一种莱斯信道下多无人机辅助MEC任务卸载的能效优化方法，包括：步骤一、获取多无人机辅助MEC任务卸载系统中的无人机位置、地面用户位置、每个无人机和地面用户的传输时延和能耗；步骤二、构建优化目标函数以及确定优化约束条件；根据所述优化目标函数和所述优化约束条件确定任务卸载策略和每个无人机的下一步的最佳位置；其中，所述任务卸载策略包括：将计算任务直接卸载至无人机、计算任务直接卸载至地面基站或以无人机作为中继将计算任务卸载至地面基站；步骤三、无人机节点移动到最佳位置后，所述多无人机辅助MEC任务卸载系统按照所述任务卸载策略执行计算任务。

Description

莱斯信道下多无人机辅助MEC任务卸载的能效优化方法
技术领域
本发明属于无线网络技术领域，特别涉及一种莱斯信道下多无人机辅助MEC任务卸载的能效优化方法。
背景技术
随着移动设备的普及、5G网络的大规模应用和6G网络的推进，云计算的应用也越来越广泛。随之而来云计算的高时延，占用高带宽的问题愈发严重。而使用无人机（UAV）作为MEC服务器通过将计算资源从云端下放到移动网络的边缘，就近为用户提供计算服务，从而有效的降低了计算的时延和带宽压力。
由于传统的MEC服务器移动性较差，服务灵活性也较低，另外易受复杂环境影响，因此具有较低的可靠性。而无人机（UAV）具有机动性、灵活性、远程控制等特点，若将服务器部署到无人机上，可以增强服务器的移动性，更容易与用户建立更高通信质量的信道；同时避免地面上复杂环境的影响，提升整个系统的可靠性。然而，单个无人机受限于有限的计算能力和覆盖范围，可能无法满足海量计算任务的要求，这促使多个无人机协同为设备提供服务来满足服务的质量（QoS）。
此外城市中环境复杂，存在众多建筑物，通过各种遮挡影响传输的效率。因此常用的LoS传输模型并不能适用于城市环境。而现在由于城市人口的增加，提供服务的大量用户都生活在城市环境中，因此设计一种适用于城市环境下的方法来为地面用户提供服务是非常必要的。
发明内容
本发明的目的是提供一种莱斯信道下多无人机辅助MEC任务卸载的能效优化方法，其对任务卸载时的策略和无人机的轨迹进行同步优化，能够降低系统的总能耗与时延，提高系统的整体效率。
本发明提供的技术方案为：
一种莱斯信道下多无人机辅助MEC任务卸载的能效优化方法，包括如下步骤：
步骤一、获取多无人机辅助MEC任务卸载系统中的无人机位置、地面用户位置、每个无人机和地面用户的传输时延和能耗；
步骤二、构建优化目标函数为：
以及确定优化约束条件为：
其中，为系数；/>为/>时刻任务卸载系统的计算及传输能耗；/>为/>时刻任务卸载系统的时延；/>为无人机飞行能耗；/>为用户/>与基站BS的卸载变量，/>为用户i与无人机j之间的卸载变量，/>为用户i是否由无人机中继的判断变量，/>为用户i与无人机j之间的传输时延，/>用户i与基站BS之间的传输时延，/>为基站的计算时延，为无人机的计算时延，/>为最大时延，/>为无人机的移动距离，/>为无人机的最大移动距离，/>为用户集合，/>为无人机集合，/>为时隙的集合，/>为/>坐标最小值，/>为/>坐标最大值，/>为无人机q在/>时刻的/>坐标，/>为无人机j在/>时刻的/>坐标，/>为y坐标最小值、/>为y坐标最大值，/>为无人机q在/>时刻的y坐标，/>为无人机j在/>时刻的y坐标，/>为任意两无人机的/>坐标之间的最小距离、/>任意两无人机的y坐标之间的最小距离；
根据所述优化目标函数和所述优化约束条件确定任务卸载策略和每个无人机的下一步的最佳位置；
其中，所述任务卸载策略包括：将计算任务直接卸载至无人机、计算任务直接卸载至地面基站或以无人机作为中继将计算任务卸载至地面基站；
步骤三、无人机节点移动到最佳位置后，所述多无人机辅助MEC任务卸载系统按照所述任务卸载策略执行计算任务。
优选的是，多无人机辅助MEC任务卸载系统的时延计算模型为：
其中为用户/>到地面基站的传输时延，/>为无人机/>到地面基站的传输时延，/>为用户与无人机的传输时延；/>为地面基站的计算时延，/>为无人机的计算时延，/>为用户i与地面基站之间的卸载变量，/>为用户i与无人机j之间的卸载变量，/>为用户i是否由无人机中继的判断变量；/>为用户编号，/>为无人机编号；/>为用户的数量，/>为无人机的数量。
优选的是，所述多无人机辅助MEC任务卸载系统的计算及传输能耗计算模型为：
式中，为用户/>到地面基站的传输能耗，/>为用户i到无人机j时的传输能耗；为无人机j到基站BS的传输能耗；/>为基站的计算能耗；/>为无人机的计算能耗。
优选的是，所述无人机飞行能耗的计算模型为：
其中，为无人机的移动距离，/>为最大移动距离，/>为无人机悬停能耗；/>为无人机移动到/>时的能耗与悬停能耗的比值。
优选的是，用户与无人机的传输时延的计算公式为：
其中，为可视信道概率；/>表示地面用户到无人机之间的小尺寸衰落系数；/>为地面用户的发射功率；/>为用户在每个时刻产生的任务量，/>为带宽；/>为地面用户到无人机信道增益；/>为噪声功率。
优选的是，无人机到地面基站的传输时延的计算公式为：
其中，为无人机到地面基站的小尺寸衰落系数；/>为无人机的发射功率；/>为无人机到地面基站的信道增益。
优选的是，在所述步骤二中采用深度确定性策略梯度优化神经网络确定任务卸载策略和每个无人机的下一步的最佳位置，包括如下步骤：
步骤a、构建深度确定性策略梯度优化神经网络，初始化神经网络参数；
步骤b、将无人机位置、地面用户位置、每个无人机和地面用户的传输速率整合成系统状态；
步骤c、将系统状态输入到深度确定性策略梯度优化神经网络中进行训练，得到系统动作/>；
其中，包括卸载策略和每个无人机的下一步的位置；
步骤d、确定系统动作获得奖励值/>和新的系统状态/>；并将存储到记忆内存/>中；
其中，奖励函数设置为：
步骤e、以奖励值最大化为目标对神经网络进行迭代优化，直到达到设定的迭代次数，得到最优策略神经网络；
步骤f、获取当前无人机位置、地面用户位置、每个无人机和地面用户的传输速率通过所述最优策略神经网络得到任务卸载策略和每个无人机的下一步的最佳位置。
优选的是，所述的莱斯信道下多无人机辅助MEC任务卸载的能效优化方法，还包括：
判断系统动作是否满足优化约束条件；如果不满足则给奖励值添加惩罚值；并以添加惩罚值后的奖励值作为最终奖励值。
本发明的有益效果是：
本发明提供的莱斯信道下多无人机辅助MEC任务卸载的能效优化方法，能够降低计算的时延和传输所需的带宽压力，同时考虑到了城市环境下由于密集建筑物的遮挡，采用莱斯信道来构建系统模型，模拟城市环境下的通信信道，更好的服务于城市用户；另外，以能耗和时延作为目标联合优化无人机轨迹和任务卸载策略，通过强化学习来获得用户的卸载策略和无人机的运动轨迹，能够降低无人机和用户的决策难度，提高整体的效率，有效增强边缘服务器对用户的服务能力，从而提高用户处理任务的能力。
附图说明
图1为城市环境下多无人机辅助移动边缘计算的任务卸载方法场景图。
图2为本发明所述的莱斯信道下多无人机辅助MEC任务卸载的能效优化方法的流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明提供了莱斯信道下多无人机辅助MEC任务卸载的能效优化方法。与传统的可视信道 (LoS) 模型相比，莱斯信道除了考虑LoS模型中存在的衰落，还考虑到城市中密集的建筑物对信号的反射、散射和衍射引起的随机多路径传播。因此，莱斯信道模型可以更好地模拟城市环境下地面用户(UE)与无人机(UAV)之间的通信。本发明通过算法的辅助，以最小化系统的时延和能耗为目标，动态优化无人机的位置和UE的卸载策略。从而为UE提供更佳的卸载策略，提高整个系统的服务效率，降低系统的总能耗与时延。
如图1-2所示，本发明提供的莱斯信道下多无人机辅助MEC任务卸载的能效优化方法，具体实施过程如下。
一、构建多无人机辅助MEC任务卸载的系统模型
a)构建基于边缘计算的空地一体的任务卸载模型，该系统包含：m个UEs，可表示为，n个携带边缘计算服务器的/>，可表示为/>，以及一个带有边缘计算服务器的地面基站/>。
b)对于每个时刻，每个/>会产生计算任务，UE根据卸载策略将计算任务传输给UAV或BS，另外还可将UAV作为中继，将计算任务经过UAV传输给/>。对于每个 UE 的卸载策略可通过一张/>二进制表/>决定。/>的取值为0或1，可表示为/>，其中， 其中，M是用户的集合,表示表/>有m行，对应 m个UE；J为表列号的集合，表示/>有/>列，其中0对应BS ,/>对应 n个UAV，n+1 对应是否将无人机作为中继。当/>且/>时，表示用户/>将任务传到第j个UAV上；当时，代表用户/>将任务直接卸载/>上。当/>时代表UE将UAV作为中继，通过UAV卸载到BS上。当/>时，表明此时i与j之间不进行传输。
二、构建时延与能耗的计算模型
a)时延：
在计算传输时延，首先要得出在任务传输过程中的衰落系数，根据莱斯信道模型可推导出
其中为常数，取值分别为/>，/>为任务卸载时传输方与接受方之间的仰角。
另外可视信道概率可表达为：
其中为常数，取值分别为/>。
传输方和接受方之间的信道增益h可表达为：
其中 d为任务卸载时传输方与接受方之间的距离，为常数，/>。
因此，到/>的传输时延可表达为:
其中，为/>到/>的信道增益，/>为噪声功率，/>为/>的发射功率，每个/>在每个时刻产生任务大小为/>，/>为带宽。
到/>的传输时延可表达为:
其中，表示/>到/>之间的小尺寸衰落系数。
由/>中继到/>的传输时延包括两部分，分别为从用户设备到UAV和从UAV到BS：
其中由/>的传输时延为：
到/>的传输时延为：
其中，为/>到 BS的小尺寸衰落系数。/>为UAV的发射功率。/>为/>到/>的信道增益。
和/>的计算时延为：
的计算时延为：
的计算时延可表达为：
其中为/>的计算频率,/>为/>的计算频率。
因此时刻的系统总时延为：
b)能耗：
服务器计算能耗为：
其中为/>的能耗系数。
和/>的传输能耗：
其中为/>和/>的传输功率。/>为/>或/>的传输时延。
的飞行能耗为：
其中为/>的移动距离，/>为最大移动距离，/>为/>悬停能耗,其取值为/>为/>最大飞行距离时的能耗与悬停能耗的比值，为/>。
因此时刻的能耗为：
三、根据上述所列出的公式，构建优化目标函数：
优化约束条件为：
其中为系数，/>，/>；/>的单位为J-1，/>的单位为J-1，/>的单位为s-1；/>和/>的单位均为J；/>单位为s。/>为每个时刻的卸载策略，/>为每个时刻每个移动的位置。约束条件/>表示为计算任务所需时间不能超过最大时延/>。/>表示/>移动距离不能超过最大值/>。/>，/>表示对卸载变量的约束。/>限制了/>的飞行范围，每个时刻的/>，/>坐标要在最小值/>,/>和最大值/>,/>之间。/>为了避免碰撞，限制了任意两个之间的距离。
四、将优化任务建模成马尔可夫决策过程，通过算法获得任务卸载和无人机轨迹的最优策略。
1)构建深度确定性策略梯度优化神经网络。初始化神经网络参数。
2)将当前UAV，UE的位置以及每个UAV和UE的传输速率整合成系统状态。
3)将系统状态输入到深度确定性策略梯度优化神经网络中进行训练，得到系统动作/>。/>包括卸载策略和每个UAV的下一步的位置。
4)根据获得奖励值/>和新的系统状态/>。强化学习以最大化奖励值为目标，因此将奖励函数设置为：
检查系统动作是否符合优化约束条件。满足则不改变，如果不满足则给奖励值添加惩罚值。
5) 将存储到记忆内存/>中
6)从中抽取一定数量的样本，在一种实施例中样本数量取32，用来更新和优化损失函数/>,获得新评论家神经网络的参数/>。
7)根据奖励值继续训练神经网络，得到新的动作。如此循环，直到达到设定的循环次数。
五、用户、无人机、基站根据计算出来的任务卸载策略和无人机飞行轨迹执行计算任务，从而降低系统能耗与时延。
本发明通过 DDPG 强化学习算法来解决城市环境中用户计算能力不足的问题，将用户所需的计算任务卸载到UAV或远程基站帮助地面用户进行计算，同时也优化了任务卸载时的策略和无人机的轨迹来降低系统的总能耗与时延，提高了系统的整体效率。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (8)

1.一种莱斯信道下多无人机辅助MEC任务卸载的能效优化方法，其特征在于，包括如下步骤：
步骤一、获取多无人机辅助MEC任务卸载系统中的无人机位置、地面用户位置、每个无人机和地面用户的传输时延和能耗；
步骤二、构建优化目标函数为：
以及确定优化约束条件为：
其中，为系数；/>为/>时刻任务卸载系统的计算及传输能耗；/>为/>时刻任务卸载系统的时延；/>为无人机飞行能耗；/>为用户 /> 与基站BS的卸载变量，/>为用户i与无人机j之间的卸载变量，/>为用户i是否由无人机中继的判断变量，/>为用户i与无人机j之间的传输时延，/>用户i与基站BS之间的传输时延，/>为基站的计算时延，/>为无人机的计算时延，/>为最大时延，/>为无人机的移动距离，/>为无人机的最大移动距离，/>为用户集合，/>为无人机集合，/>为时隙的集合，/>为/>坐标最小值，/>为/>坐标最大值，为无人机q在/>时刻的/>坐标，/>为无人机j在/>时刻的/>坐标，/>为y坐标最小值、/>为y坐标最大值，/>为无人机q在/>时刻的y坐标，/>为无人机j在/>时刻的y坐标，/>为任意两无人机的/>坐标之间的最小距离、/>为任意两无人机的y坐标之间的最小距离；
根据所述优化目标函数和所述优化约束条件确定任务卸载策略和每个无人机的下一步的最佳位置；
其中，所述任务卸载策略包括：将计算任务直接卸载至无人机、计算任务直接卸载至地面基站或以无人机作为中继将计算任务卸载至地面基站；
步骤三、无人机节点移动到最佳位置后，所述多无人机辅助MEC任务卸载系统按照所述任务卸载策略执行计算任务。
2.根据权利要求1所述的莱斯信道下多无人机辅助MEC任务卸载的能效优化方法，其特征在于，多无人机辅助MEC任务卸载系统的时延计算模型为：
其中，为用户/>到地面基站的传输时延，/>为无人机/>到地面基站的传输时延，/>为用户与无人机的传输时延；/>为地面基站的计算时延，/>为无人机的计算时延，/>为用户i与地面基站之间的卸载变量，/>为用户i与无人机j之间的卸载变量，/>为用户i是否由无人机中继的判断变量；/>为用户编号，/>为无人机编号；/>为用户的数量，/>为无人机的数量。
3.根据权利要求2所述的莱斯信道下多无人机辅助MEC任务卸载的能效优化方法，其特征在于，所述多无人机辅助MEC任务卸载系统的计算及传输能耗计算模型为：
式中，为用户/>到地面基站的传输能耗，/>为用户i到无人机j时的传输能耗；/>为无人机j到基站BS的传输能耗；/>为基站的计算能耗；/>为无人机的计算能耗。
4.根据权利要求2或3所述的莱斯信道下多无人机辅助MEC任务卸载的能效优化方法，其特征在于，所述无人机飞行能耗的计算模型为：
其中，为无人机的移动距离，/>为最大移动距离，/>为无人机悬停能耗；/>为无人机移动到/>时的能耗与悬停能耗的比值。
5.根据权利要求4所述的莱斯信道下多无人机辅助MEC任务卸载的能效优化方法，其特征在于，用户与无人机的传输时延的计算公式为：
其中，为可视信道概率；/>表示地面用户到无人机之间的小尺寸衰落系数；/>为地面用户的发射功率；/>为用户在每个时刻产生的任务量，/>为带宽；/>为地面用户到无人机信道增益；/>为噪声功率。
6.根据权利要求5所述的莱斯信道下多无人机辅助MEC任务卸载的能效优化方法，其特征在于，无人机到地面基站的传输时延的计算公式为：
其中，为无人机到地面基站的小尺寸衰落系数；/>为无人机的发射功率；/>为无人机到地面基站的信道增益。
7.根据权利要求6所述的莱斯信道下多无人机辅助MEC任务卸载的能效优化方法，其特征在于，在所述步骤二中采用深度确定性策略梯度优化神经网络确定任务卸载策略和每个无人机的下一步的最佳位置，包括如下步骤：
步骤a、构建深度确定性策略梯度优化神经网络，初始化神经网络参数；
步骤b、将无人机位置、地面用户位置、每个无人机和地面用户的传输速率整合成系统状态；
步骤c、将系统状态输入到深度确定性策略梯度优化神经网络中进行训练，得到系统动作/>；
其中，包括卸载策略和每个无人机的下一步的位置；
步骤d、确定系统动作获得奖励值/>和新的系统状态/>；并将存储到记忆内存/>中；
其中，奖励函数设置为：
步骤e、以奖励值最大化为目标对神经网络进行迭代优化，直到达到设定的迭代次数，得到最优策略神经网络；
步骤f、获取当前无人机位置、地面用户位置、每个无人机和地面用户的传输速率通过所述最优策略神经网络得到任务卸载策略和每个无人机的下一步的最佳位置。
8.根据权利要求7所述的莱斯信道下多无人机辅助MEC任务卸载的能效优化方法，其特征在于，还包括：
判断系统动作是否满足优化约束条件；如果不满足则给奖励值添加惩罚值；并以添加惩罚值后的奖励值作为最终奖励值。
CN202311675997.6A 2023-12-08 2023-12-08 莱斯信道下多无人机辅助mec任务卸载的能效优化方法 Active CN117376985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311675997.6A CN117376985B (zh) 2023-12-08 2023-12-08 莱斯信道下多无人机辅助mec任务卸载的能效优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311675997.6A CN117376985B (zh) 2023-12-08 2023-12-08 莱斯信道下多无人机辅助mec任务卸载的能效优化方法

Publications (2)

Publication Number Publication Date
CN117376985A true CN117376985A (zh) 2024-01-09
CN117376985B CN117376985B (zh) 2024-03-19

Family

ID=89398847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311675997.6A Active CN117376985B (zh) 2023-12-08 2023-12-08 莱斯信道下多无人机辅助mec任务卸载的能效优化方法

Country Status (1)

Country Link
CN (1) CN117376985B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022121097A1 (zh) * 2020-12-07 2022-06-16 南京邮电大学 一种移动用户计算任务的卸载方法
WO2022257348A1 (zh) * 2021-06-08 2022-12-15 重庆邮电大学 一种不确定网络环境中的任务卸载和资源分配方法
CN115640131A (zh) * 2022-10-28 2023-01-24 南京航空航天大学 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
CN116249143A (zh) * 2023-05-11 2023-06-09 南京邮电大学 一种无人机辅助移动边缘计算的时延优化方法及系统
CN116257335A (zh) * 2022-12-15 2023-06-13 北京邮电大学 无人机辅助mec系统联合任务调度及运动轨迹优化方法
CN116980852A (zh) * 2023-05-26 2023-10-31 南京邮电大学 一种多无人机辅助mec系统部署卸载策略联合优化方法
CN117042003A (zh) * 2023-07-14 2023-11-10 南京邮电大学 混合式ris辅助uav移动边缘计算系统的能量效率优化方法
CN117149434A (zh) * 2023-09-14 2023-12-01 南京邮电大学 基于双重延迟深度确定性策略梯度算法的多无人机辅助计算迁移方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022121097A1 (zh) * 2020-12-07 2022-06-16 南京邮电大学 一种移动用户计算任务的卸载方法
WO2022257348A1 (zh) * 2021-06-08 2022-12-15 重庆邮电大学 一种不确定网络环境中的任务卸载和资源分配方法
CN115640131A (zh) * 2022-10-28 2023-01-24 南京航空航天大学 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
CN116257335A (zh) * 2022-12-15 2023-06-13 北京邮电大学 无人机辅助mec系统联合任务调度及运动轨迹优化方法
CN116249143A (zh) * 2023-05-11 2023-06-09 南京邮电大学 一种无人机辅助移动边缘计算的时延优化方法及系统
CN116980852A (zh) * 2023-05-26 2023-10-31 南京邮电大学 一种多无人机辅助mec系统部署卸载策略联合优化方法
CN117042003A (zh) * 2023-07-14 2023-11-10 南京邮电大学 混合式ris辅助uav移动边缘计算系统的能量效率优化方法
CN117149434A (zh) * 2023-09-14 2023-12-01 南京邮电大学 基于双重延迟深度确定性策略梯度算法的多无人机辅助计算迁移方法

Also Published As

Publication number Publication date
CN117376985B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
CN113162679B (zh) 基于ddpg算法的irs辅助无人机通信联合优化方法
CN113162682B (zh) 一种基于pd-noma的多波束leo卫星系统资源分配方法
CN112817653A (zh) 一种基于云边端的联邦学习计算卸载计算系统及方法
CN112118287B (zh) 基于交替方向乘子算法与移动边缘计算的网络资源优化调度决策方法
CN114690799A (zh) 基于信息年龄的空天地一体化无人机物联网数据采集方法
Nguyen et al. Real-time energy harvesting aided scheduling in UAV-assisted D2D networks relying on deep reinforcement learning
CN116684925B (zh) 一种无人机搭载智能反射面安全移动边缘计算方法
CN110138443B (zh) 面向无线中继的无人机航迹和信号发射功率联合优化方法
CN114051254B (zh) 一种基于星地融合网络的绿色云边协同计算卸载方法
Wang et al. Joint power and QoE optimization scheme for multi-UAV assisted offloading in mobile computing
CN115499921A (zh) 面向复杂无人机网络的三维轨迹设计及资源调度优化方法
Hajiakhondi-Meybodi et al. Deep reinforcement learning for trustworthy and time-varying connection scheduling in a coupled UAV-based femtocaching architecture
CN112702097A (zh) 一种用于uav辅助蜂窝网络的联合波束成形和功率控制方法
CN117858015A (zh) 基于深度强化学习的空中边缘计算数据安全传输及资源分配方法
Banez et al. Mean field game and its applications in wireless networks
Wang et al. Trajectory optimization and power allocation scheme based on DRL in energy efficient UAV‐aided communication networks
Dang et al. Low-latency mobile virtual reality content delivery for unmanned aerial vehicle-enabled wireless networks with energy constraints
CN117376985B (zh) 莱斯信道下多无人机辅助mec任务卸载的能效优化方法
CN116684852A (zh) 一种山地茂林环境无人机通信资源与定位的联合优化方法
CN114844584B (zh) 一种基于随机孪生簇的波束信道的仿真方法
Huang et al. Particle filter based optimization scheme for trajectory design and resource allocation of UAV-enabled WPCN system
CN114980205A (zh) 多天线无人机视频传输系统QoE最大化方法和装置
CN114500533A (zh) 基于用户协作的无人机辅助移动边缘计算系统优化方法
Cui et al. UAV-enabled MEC system: Locations and coverage optimization
Cao et al. Average transmission rate and energy efficiency optimization in uav-assisted IoT

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