基于改进遗传算法的多UAV服务边缘计算的任务分配方法组成比例

本发明专利技术公开了一种基于改进遗传算法的多UAV服务边缘计算的任务分配方法，包括：构建边缘计算服务系统；提取UAV及终端的属性信息；生成终端任务随机卸载到无人机服务器计算的若干决策方案；建立UAV按照TSP问题顺序服务的能耗模型和时间模型，并建立任务本地计算的时间模型，形成最小化UAV边缘计算系统能耗和时间的多目标优化；利用改进遗传算法进行求解，获得最优的终端卸载决策和无人机任务分配方案。本发明专利技术可以有效为地面终端做出卸载决策，为多UAV服务若干终端的任务进行分配，为各UAV各自服务的顺序做出规划，可以有效降低终端任务的时间延迟和无人机服务器系统提供服务的能耗，延长了多UAV挂载服务器提供边缘计算系统的生存时间并提升了终端的效率。

Task allocation method of multi UAV service edge computing based on Improved Genetic Algorithm

【技术实现步骤摘要】
基于改进遗传算法的多UAV服务边缘计算的任务分配方法
本专利技术涉及UAV辅助边缘计算领域，特别涉及一种基于改进遗传算法的多UAV服务边缘计算的任务分配方法。
技术介绍
大数据、人工智能、图像处理和视频处理等方面的技术日益成熟，使得计算任务的数据量成倍增加，计算任务的复杂度也呈指数式增长。虽然硬件方面各种处理芯片的技术也得到很大的提高，但是在很多终端仍然无法去满足其中一些计算密集型任务。云计算技术有着其独有的优势，但是由于任务数据需要上传至云服务器，其隐私安全性就需要考虑，而且带宽的限制可能无法满足大数据量的传输。边缘计算就应运而生，将小型服务器等设置在终端周围可以解决云计算的部分弊端。但是在受到自然灾害破坏的区域，通信的基础设施遭到损坏而无法使用，以及一些通信资源有限的应用场景，比如通信基站没有覆盖。这时借助无人机的机动性，并将微型服务器绑定到无人机上，在此无人机作为一个通信服务平台靠近需要卸载计算任务的终端提供服务。无人机绑定微型服务器提供边缘服务面临的问题主要包括：终端卸载任务的决策以权衡任务卸载和本地计算的优劣，无人机服务路径和顺序的优化以提高传输速率，计算任务时间延迟的优化，无人机飞行和计算传输能耗的优化以提供更长连续时间的服务。边缘计算出现较晚，之前在传感网中有类似使用UAV辅助进行数据采集的系统，终端数据量小且不需要进行大规模数据的计算。人们关注于传感器网络节点与UAV之间的传输速率问题，而在边缘计算中数据量较大，关注于传输速率无法保证任务数据采集的完整性，进而无法进行计算。另外UAV负重较大，服务器功率也较大，边缘计算中的能耗问题需要被考虑进来。在UAV服务边缘计算的场景中，传统的系统是使用单UAV挂载服务器为地面终端提供服务，系统聚焦于终端能耗或完成任务数，但终端分布都较为集中。若被服务的终端分布较为分散，单UAV服务的系统会带来严重的时间延迟，显然无法满足要求。传统的系统往往仅仅聚焦于一个目标：能耗、速率或任务数，虽然也把时延考虑进来，但都是作为一个约束条件，需要人为根据经验设置，且有时设定了一个理想的时延，系统往往无法得到满足要求的决策。
技术实现思路
本专利技术的目的在于提供一种多UAV挂载服务器为地面终端提供边缘计算服务的任务分配方法，能有效的为地面终端做出卸载决策，为多UAV服务若干终端的任务进行分配，为各UAV各自服务的顺序和路径做出规划，提高多UAV挂载服务器提供边缘计算系统的工作效率。实现本专利技术目的的技术解决方案为：基于改进遗传算法的多UAV服务边缘计算的任务分配方法，包括以下步骤：步骤1、为每个无人机UAV装配服务器；步骤2、构建边缘计算服务系统，包括若干UAV和若干终端，并随机选取其中一个UAV作为边缘计算服务系统中心进行任务分配的计算；步骤3、由所述边缘计算服务系统中心的UAV采集边缘计算服务系统中所有UAV以及终端的属性信息，并采集各个终端的位置信息；步骤4、所述边缘计算服务系统中心的UAV根据所采集的信息随机产生若干可行的卸载决策和任务分配方案；其中卸载决策是指终端上的任务由终端自身完成或卸载给UAV服务器完成，任务分配是指一个UAV为一个或多个终端提供边缘计算服务；步骤5、将UAV服务器为需要任务卸载的终端提供边缘计算服务的路径规划即服务顺序视为旅行商问题，通过遗传算法求解每个UAV为其对应的终端提供边缘计算服务的服务顺序；步骤6、结合步骤5获得的服务顺序，建立每个UAV服务器提供边缘计算服务的能耗模型和时间模型，并建立任务本地计算的时间模型；步骤7、根据UAV服务器提供边缘计算服务的能耗模型、时间模型和任务本地计算的时间模型，建立边缘计算服务系统完成任务的能耗和时间的双目标优化；步骤8、基于步骤7的双目标优化，利用并列选择、保留最优个体和共享函数的改进遗传算法对所述若干可行的卸载决策和任务分配方案进行多步优化，获得最优的终端卸载决策和无人机任务分配方案，整个边缘计算服务系统以所述最优的终端卸载决策和无人机任务分配方案进行运作。进一步地，步骤6所述结合步骤5获得的服务顺序，建立每个UAV服务器提供边缘计算服务的能耗模型和时间模型，具体包括：建立每个UAV服务器提供边缘计算服务的能耗模型为：式中，Ei表示第i个UAV服务器为其对应的Mi个终端提供边缘计算服务的总能耗；和分别表示第i个UAV服务器按其服务顺序为对应的Mi个终端提供边缘计算服务时总的飞行能耗、接收数据能耗、计算能耗和服务时的悬停能耗；和分别表示第i个UAV服务器为其第m个终端提供边缘计算服务时的飞行能耗、接收数据能耗、计算能耗和服务时的悬停能耗；建立每个UAV服务器提供边缘计算服务的时间模型具体为：式中，Ti表示第i个UAV服务器为其对应的Mi个终端提供边缘计算服务的总时间；和分别表示第i个UAV服务器按其服务顺序为对应的Mi个终端提供边缘计算服务时总的飞行时间、数据接收时间和数据计算时间；和分别表示第i个UAV服务器为其第m个终端提供缘计算服务的飞行时间、接收数据时间、计算时间。进一步地，步骤6所述建立任务本地计算的时间模型，具体包括：任务本地计算的时间模型包括任务在本地计算的时间，第j个终端任务在本地计算的时间为式中，Cj表示第j个终端Dj的任务每比特数据计算所需的时钟周期，tc表示单个二进制比特的持续时间，Nj为第j个终端的任务数据量，cj和fj分别表示第j个终端的CPU核数和时钟频率。进一步地，步骤7所述根据UAV服务器提供边缘计算服务的能耗模型、时间模型和任务本地计算的时间模型，建立边缘计算服务系统完成任务的能耗和时间的双目标优化为：式中，I表示UAV服务器的总数，J表示终端的总数，vij表示第i个UAV服务器Ui与第j个终端Dj的二进制服务关系，若Ui对Dj服务，则vij＝1，反之为0；αj表示第j个终端Dj的任务卸载决策，若任务卸载则αj＝0，反之为1；约束条件C1表示一个终端的任务只能被一个UAV服务或本地计算。进一步地，步骤8所述基于步骤7的双目标优化，利用并列选择、保留最优个体和共享函数的改进遗传算法对所述若干可行的卸载决策和任务分配方案进行多步优化，获得最优的终端卸载决策和无人机任务分配方案，具体包括：将所述若干可行的卸载决策和任务分配方案视为一个种群；步骤8-1、将当前种群分为两个子种群：种群1和种群2，并将上一代两个子种群保留的Pareto最优个体集合分别并入种群1和种群2；步骤8-2、种群1和种群2按照各自的适应度函数计算种群个体的适应度值；步骤8-3、根据步骤8-2得到的适应度值，两个子种群各自提取种群内的Pareto最优个体，并将Pareto最优个体从种群内剔除且加入到各自的Pareto最优个体集合中；步骤8-4、分别判断两个Pareto最优个体集合中Pareto最优个体数是否超过预设数目M，若是，则计算Pareto最优个体本文档来自技高网...

【技术保护点】
1.基于改进遗传算法的多UAV服务边缘计算的任务分配方法，其特征在于，包括以下步骤：/n步骤1、为每个无人机UAV装配服务器；/n步骤2、构建边缘计算服务系统，包括若干UAV和若干终端，并选取其中一个UAV作为边缘计算服务系统中心进行任务分配的计算；/n步骤3、由所述边缘计算服务系统中心的UAV采集边缘计算服务系统中所有UAV以及终端的属性信息，并采集各个终端的位置信息；/n步骤4、所述边缘计算服务系统中心的UAV根据所采集的信息随机产生若干可行的卸载决策和任务分配方案；其中卸载决策是指终端上的任务由终端自身完成或卸载给UAV服务器完成，任务分配是指一个UAV为一个或多个终端提供边缘计算服务；/n步骤5、将UAV服务器为需要任务卸载的终端提供边缘计算服务的路径规划即服务顺序视为旅行商问题，通过遗传算法求解每个UAV为其对应的终端提供边缘计算服务的服务顺序；/n步骤6、结合步骤5获得的服务顺序，建立每个UAV服务器提供边缘计算服务的能耗模型和时间模型，并建立任务本地计算的时间模型；/n步骤7、根据UAV服务器提供边缘计算服务的能耗模型、时间模型和任务本地计算的时间模型，建立边缘计算服务系统完成任务的能耗和时间的双目标优化；/n步骤8、基于步骤7的双目标优化，利用并列选择、保留最优个体和共享函数的改进遗传算法对所述若干可行的卸载决策和任务分配方案进行多步优化，获得最优的终端卸载决策和无人机任务分配方案，整个边缘计算服务系统以所述最优的终端卸载决策和无人机任务分配方案进行运作。/n...

【技术特征摘要】
1.基于改进遗传算法的多UAV服务边缘计算的任务分配方法，其特征在于，包括以下步骤：
步骤1、为每个无人机UAV装配服务器；
步骤2、构建边缘计算服务系统，包括若干UAV和若干终端，并选取其中一个UAV作为边缘计算服务系统中心进行任务分配的计算；
步骤3、由所述边缘计算服务系统中心的UAV采集边缘计算服务系统中所有UAV以及终端的属性信息，并采集各个终端的位置信息；
步骤4、所述边缘计算服务系统中心的UAV根据所采集的信息随机产生若干可行的卸载决策和任务分配方案；其中卸载决策是指终端上的任务由终端自身完成或卸载给UAV服务器完成，任务分配是指一个UAV为一个或多个终端提供边缘计算服务；
步骤5、将UAV服务器为需要任务卸载的终端提供边缘计算服务的路径规划即服务顺序视为旅行商问题，通过遗传算法求解每个UAV为其对应的终端提供边缘计算服务的服务顺序；
步骤6、结合步骤5获得的服务顺序，建立每个UAV服务器提供边缘计算服务的能耗模型和时间模型，并建立任务本地计算的时间模型；
步骤7、根据UAV服务器提供边缘计算服务的能耗模型、时间模型和任务本地计算的时间模型，建立边缘计算服务系统完成任务的能耗和时间的双目标优化；
步骤8、基于步骤7的双目标优化，利用并列选择、保留最优个体和共享函数的改进遗传算法对所述若干可行的卸载决策和任务分配方案进行多步优化，获得最优的终端卸载决策和无人机任务分配方案，整个边缘计算服务系统以所述最优的终端卸载决策和无人机任务分配方案进行运作。


2.根据权利要求1所述的基于改进遗传算法的多UAV服务边缘计算的任务分配方法，其特征在于，步骤3中UAV的属性信息包括：时钟频率、CPU核数、飞行速度、盘旋功率；终端的属性信息包括：时钟频率、发射功率。


3.根据权利要求1所述的基于改进遗传算法的多UAV服务边缘计算的任务分配方法，其特征在于，步骤6所述结合步骤5获得的服务顺序，建立每个UAV服务器提供边缘计算服务的能耗模型和时间模型，具体包括：
建立每个UAV服务器提供边缘计算服务的能耗模型为：



式中，Ei表示第i个UAV服务器为其对应的Mi个终端提供边缘计算服务的总能耗；和分别表示第i个UAV服务器按其服务顺序为对应的Mi个终端提供边缘计算服务时总的飞行能耗、接收数据能耗、计算能耗和服务时的悬停能耗；和分别表示第i个UAV服务器为其第m个终端提供边缘计算服务时的飞行能耗、接收数据能耗、计算能耗和服务时的悬停能耗；
建立每个UAV服务器提供边缘计算服务的时间模型为：



式中，Ti表示第i个UAV服务器为其对应的Mi个终端提供边缘计算服务的总时间；Tif、Tir和Tic分别表示第i个UAV服务器按其服务顺序为对应的Mi个终端提供边缘计算服务时总的飞行时间、数据接收时间和数据计算时间；和分别表示第i个UAV服务器为其第m个终端提供缘计算服务的飞行时间、接收数据时间、计算时间。


4.根据权利要求3所述的基于改进遗传算法的多UAV服务边缘计算的任务分配方法，其特征在于，所述和分别为：












所述和分别为：









式中，M表示UAV的重量，vi表示第i个UAV的飞行速度，表示第i个UAV按服务顺序服务的第m个终端Di,m的位置，表示第i个UAV按服务顺序服务的第m-1个终端Di,m-1的位置；ei表示第i个UAV服务器接收1bit数据量的能耗，Nm表示第m个终端的任务数据量；Cm、rc分别表示终端Di,m的任务每比特数据计算所需的时钟周期和UAV服务器的有效转换电容，fi表示第i个UAV的时钟频率；Ph为UAV的悬停功率；ρ0...

【专利技术属性】
技术研发人员：刘振光，黄成，魏家豪，罗涛，尹政，王力立，徐志良，吴晓蓓，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32