一种基于无人机计算卸载的路径规划和任务调度方法技术

本发明专利技术公开了一种基于无人机计算卸载的路径规划和任务调度方法，综合考虑了无人机的移动性，用户任务的原子性和延迟敏感性，提出了基于无人机的高效卸载模型。该模型通过协同无人机路径规划和用户任务调度来最大化系统吞吐量。采用基于社区的任务执行延迟近似算法，用以计算各个分布式社区内用户的任务执行延迟，基于该延迟，采用拍卖机制来选择可以最大化系统吞吐量的社区，优先向其提供服务。采用动态任务调度算法，用以决策社区内用户的任务是否被允许上传到无人机执行。本发明专利技术提出的无人机路径规划和任务调度(TDTS)算法优于其他现有解决方案。本发明专利技术提供了基于无人机的高效计算卸载模型，为无人机路径规划和任务调度问题提供了一种新的解决方案。问题提供了一种新的解决方案。问题提供了一种新的解决方案。

【技术实现步骤摘要】
一种基于无人机计算卸载的路径规划和任务调度方法


[0001]本专利技术涉及网络科学领域中基于无人机进行高效计算卸载的模型，尤其涉及一种基于无人机计算卸载的路径规划和任务调度方法。

技术介绍

[0002]近年来，无人机迅猛发展，从最初的军事目的到诸如应急响应和实时监测等各类民用应用。相应的，为了满足这些新兴应用较低延迟和大量计算资源的需求，移动云计算(MCC)和移动边缘计算(MEC)相继问世。基于传统基站(BS)部署的MEC服务将远程服务器的计算及缓存资源带到网络边缘，促进各领域中复杂应用程序的发展。然而，基于BS的MEC服务面临三个严峻挑战。首先，随着物联网(IoT)设备数量的增加，无线通信信道资源紧缺。其次，BS的位置相对固定，并且其有限的通信覆盖范围难以满足众多用户的需求。第三，健康监测和在线视频服务等应用对延迟十分敏感，当集中式BS面对过多用户的需求时，可能会过载。因此，基于无人机进行高效计算卸载有待于研究人员进一步探索。

技术实现思路

[0003]本专利技术针对现有技术的一些不足之处，构建了基于无人机到用户社区的网络卸载模型。通过合理的路径规划和任务调度，无人机在各个分布式独立社区之间移动，并提供MEC服务支持计算卸载。在传输速率，任务原子性和无人机速度的约束下，本专利技术提出了一种联合路径规划和任务调度算法来求解系统吞吐量最大化的问题，为无人机高效计算卸载提供了一种新模型。
[0004]鉴于此，本专利技术采用的技术方案是一种基于无人机计算卸载的路径规划和任务调度方法，包括以下步骤：<br/>[0005](1)构建网络卸载模型，包括通信模型和无人机计算模型。
[0006](2)根据步骤(1)中的网络卸载模型，以最大化系统吞吐量为优化目标，构建优化问题。
[0007](3)根据无人机坐标更新公式以及步骤(1)中的模型计算出各个社区中所有用户的任务执行延迟。
[0008](4)基于系统吞吐量最大化的拍卖算法进行无人机路径规划，以选择可以最大化系统吞吐量的社区，优先向其提供服务。
[0009](5)优先选择提高单位时间内系统吞吐量的任务，以实现动态任务调度。
[0010]本专利技术的有益效果：本专利技术综合考虑了无人机的移动性，用户任务的原子性和延迟敏感性，提出了基于无人机的高效卸载模型。该模型通过协同无人机路径规划和用户任务调度来最大化系统吞吐量。首先，本专利技术提出了一种基于社区的任务执行延迟近似算法，用以计算各个分布式社区内用户的任务执行延迟，基于该延迟，本专利技术设计了一种拍卖机制来选择可以最大化系统吞吐量的社区，优先向其提供服务。最后，本专利技术提出了一种动态任务调度算法，用以决策社区内用户的任务是否被允许上传到无人机执行。仿真实验证明
了本专利技术提出的无人机路径规划和任务调度(TDTS)算法优于其他现有解决方案。本专利技术提供了基于无人机的高效计算卸载模型，为无人机路径规划和任务调度问题提供了一种新的解决方案。
[0011]任务执行延迟近似算法能够以较低的时间复杂度估算各个社区的拍卖竞标，基于该竞标，本专利技术设计的拍卖机制能够确保社区的诚实性，避免虚假竞价。动态任务调度能够最大化系统吞吐量的同时，尽可能提高受无人机服务用户占比。
附图说明
[0012]图1是本专利技术的应用场景，无人机在三个用户社区之间移动，提供MEC服务；
[0013]图2展示了四个连续时隙内用户任务上传，处理和下载的示意图；
[0014]图3表示不同用户数量下本方法与其他基准算法在系统吞吐量上的对比；
[0015]图4表示系不同统周期长度下本方法与其他基准算法在系统吞吐量上的对比；图3和图4对比突出了本方法的高效性。
[0016]图5表示不同用户数量下本方法与其他基准算法在服务用户比例上的对比；
[0017]图6表示不同系统周期长度下本方法与其他基准算法在服务用户比例上的对比；图5和图6对比展示了本方法能够时MEC服务覆盖尽可能多的用户。
具体实施方式
[0018]为了使本专利技术的目的、技术方案和优点更加清楚，下面将对本专利技术的具体实施方式作进一步的详细描述。本实施例具体包括以下步骤：
[0019](1)确定网络卸载模型各变量及相关公式；
[0020]本专利技术考虑单个无人机向多个分布式用户社区提供MEC服务，其中用户社区表示为K表示社区数量。每个用户社区包含N个独立用户。社区k内的用户i的计算卸载任务表示为&lt;I
i,k
,O
i,k
,γ
i,k
,τ
i,k
&gt;，其中I
i,k
和O
i,k
分别表示任务的输入和输出数据大小，γ
i,k
表示任务的计算密集度(单位CPU周期数每比特)，τ
i,k
记录任务可容忍延迟阈值。一个系统周期分为T个时隙，每一时隙时长用表示。无人机部署高度固定为H，t时隙其水平坐标表示为向量表示表示2
×
1维的向量。用户社区k的水平坐标表示为相应的，t时隙无人机与用户社区k的通信距离表示为两者的欧几里得距离
[0021]1.1)通信模型
[0022]t时隙无人机与用户社区k的通信信道增益通过如下公式计算：
[0023][0024]其中β0表示每米信道增益变化系数。t时隙社区k中用户i的任务上传调度变量表示为二元变量a
i,k,t
。t时隙社区k中用户i的任务上传速率可以通过如下香农公式计算：
[0025][0026]其中N表示社区中的用户数量，B表示无线信道带宽，P
i,k
和P
j,k
分别表示社区k中用户i和用户j的任务上传功率，σ2表示噪声功率。t时隙社区k中用户i的任务下载速率可以通过如下香农公式计算：
[0027][0028]其中P表示无人机的传输功率。
[0029]1.2)计算模型
[0030]无人机的计算能力表示为F(单位CPU周期每秒)，一个时隙内无人机能够完成的任务量表示为t时隙内无人机处理的任务数量表示为n
t
，相应的，t时隙内无人机完成社区k中用户i的任务量可以通过如下公式计算：
[0031][0032](2)根据步骤(1)中定义的计算卸载模型描述优化问题；
[0033]以最大化系统吞吐量为优化目标，构建如下优化问题：
[0034][0035]s.t.
[0036][0037][0038][0039][0040][0041][0042][0043]其中O
i,k,t
表示t时隙社区k中用户i的任务输出数据大小。前两个约束条件约束t时隙内任务上传和下载速率的下界。第三个约束条件中M为充分大的常数，约束任务必须经过调度允许才能上传。第四至六个约束确保任务整体上传，处理和下载。第七个约束中p
t+1
和p
t
分别表示无人机在t+1时隙和t时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无人机计算卸载的路径规划和任务调度方法，其特征在于，包括以下步骤：(1)构建网络卸载模型；(2)根据步骤(1)中的网络卸载模型，以最大化系统吞吐量为优化目标，构建优化问题；(3)根据无人机坐标更新公式以及步骤(1)中的模型计算出各个社区中所有用户的任务执行延迟；(4)基于系统吞吐量最大化的拍卖算法进行无人机路径规划，以选择可以最大化系统吞吐量的社区，优先向其提供服务；(5)优先选择提高单位时间内系统吞吐量的任务，以实现动态任务调度。2.根据权利要求1所述一种基于无人机计算卸载的路径规划和任务调度方法，其特征在于：所述网络卸载模型中单个无人机向多个分布式用户社区提供MEC服务，构建通信模型：t时隙无人机与用户社区k的通信信道增益为：其中β0表示每米信道增益变化系数，H表示无人机部署高度；t时隙社区k中用户i的任务上传速率为：其中N表示社区中的用户数量，B表示无线信道带宽，a
i,k,t
表示t时隙社区k中用户i的任务上传调度变量，P
i,k
和P
j,k
分别表示社区k中用户i和用户j的任务上传功率，σ2表示噪声功率；t时隙社区k中用户i的任务下载速率为：其中P表示无人机的传输功率。3.根据权利要求2所述一种基于无人机计算卸载的路径规划和任务调度方法，其特征在于：还包括构建无人机的计算模型：无人机的计算能力表示为F，一个时隙内无人机能够完成的任务量表示为t时隙内无人机处理的任务数量表示为n
t
，则t时隙内无人机完成社区k中用户i的任务量为：4.根据权利要求1或3所述一种基于无人机计算卸载的路径规划和任务调度方法，其特征在于：所述优化问题为s.t.
其中O

【专利技术属性】
技术研发人员：董沛然，宁兆龙，王小洁，郭磊，高新波，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：