基于智能反射面辅助的移动边缘计算系统的卸载决策方法技术方案

本发明专利技术公开了一种基于智能反射面辅助的移动边缘计算系统的卸载决策方法。卸载决策方法包括：构建待优化通信系统的目标函数；将目标函数对应的优化问题划分为第一优化问题和第二优化问题，第一优化问题包括优化智能反射面装置的反射系数矩阵和移动用户设备的检测向量，第二优化问题包括优化混合基站和移动用户设备之间的时隙分配与任务量分配；交替进行第一优化问题和第二优化问题的求解，直至满足停止条件，获得最佳决策方案，其中，采用块交替迭代下降方法求解第一优化问题，采用深度强化学习方法求解第二优化问题。该方法首次将结合了传统优化方法与深度强化学习方法，用于解决智能反射面辅助边缘计算系统的任务卸载分配问题中。问题中。问题中。

【技术实现步骤摘要】
基于智能反射面辅助的移动边缘计算系统的卸载决策方法


[0001]本专利技术属于移动边缘计算
，具体地讲，涉及一种基于智能反射面辅助的移动边缘计算系统的卸载决策方法、卸载决策装置、计算机可读存储介质、计算机设备。

技术介绍

[0002]近年来，随着5G技术的飞速发展以及智能移动设备的迅速普及，对于一些计算密集型任务，比如在线实时游戏、虚拟现实、增强现实技术等的需求也在同步呈现爆发式增长的趋势。很多物联网设备，例如智能手环、道路监控节点、共享单车联网模组等，由于受限于算力不足、电池能量储备不够充裕等因素限制，无法保障这些任务的成功执行。
[0003]移动边缘计算(Mobile Edge Computing,MEC)被视作是非常具有潜力的技术，通过将物联网设备上到达的任务数据卸载到边缘服务器来进行处理的方式，可以有效为这些性能受限的物联网设备提供相对充足的算力、能量解决任务的计算需求。通常这些边缘服务器部署在基站附近，并通过可靠方式与基站链接，为基站辐射范围内的移动设备提供服务。与云计算相比，边缘计算的部署通常是去中心化，部署在网络的边本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适于智能反射面与移动边缘计算结合场景的卸载决策方法，其特征在于，所述卸载决策方法包括：构建待优化通信系统的目标函数，其中所述待优化通信系统包括带有边缘服务器的混合基站、智能反射面装置和若干移动用户设备；将所述目标函数对应的优化问题划分为第一优化问题和第二优化问题，所述第一优化问题包括优化智能反射面装置的反射系数矩阵和移动用户设备的检测向量，所述第二优化问题包括优化混合基站和移动用户设备之间的时隙分配与任务量分配；交替进行所述第一优化问题和所述第二优化问题的求解，直至满足停止条件，获得最佳决策方案，其中，采用块交替迭代下降方法求解所述第一优化问题，采用深度强化学习方法求解所述第二优化问题。2.根据权利要求1所述的卸载决策方法，其特征在于，所述构建待优化通信系统的目标函数的方法包括：计算移动用户设备k对应的混合基站的接收信号其中，h
d，k
、h
r，k
、G分别表示移动用户设备k至混合基站、移动用户设备k至智能反射面装置以及智能反射面装置至混合基站的等价基带信道，p
o，k
是移动用户设备k的发射功率，s
k
表示移动用户设备k卸载的任务数据，n是零均值的高斯噪声向量，Θ表示智能反射面装置的反射系数矩阵，其满足其中a＝[a1，a2，...，a
N
]
T
表示幅值系数向量，θ＝[θ1，θ2，...，θ
N
]
T
表示相移系数向量，移动用户设备用κ＝{1，...，K}表示；计算所述移动用户设备k的信息传输速率：r
o，k
＝Blog2(1+γ
o，k
)，其中，B表示用于信息传输的带宽，γ
o，k
表示根据接收信号y
k
计算得到的信噪比，m
k
表示针对当前任务数据s
k
的信号检测向量，σ2表示噪声功率，计算移动用户设备k通过卸载在混合基站计算的任务量t
o，k
表示卸载计算时隙；计算移动用户设备k进行本地计算的任务量r
l，k
表示移动用户设备k本地的计算数据率，t
l,k
表示本地计算时隙；构建子时隙分配t
k
、工作量分配以及智能反射面装置的反射系数矩阵Θ调整为优化目标的目标函数：其中，Γ
k
是任务失败的惩罚项，当用户的总任务量L
k
能够完成时，Γ
k
＝1；而当用户k在这个时隙的任务无法按时完成时，Γ
k
＝0，t
k
＝{t
o,k
、t
l,k
、t
h,k
}，且t
o,k
、t
l,k
、t
h,k
分别代表用户k的卸载计算时隙、本地计算时隙和能量收集时隙，e
k
代表卸载能耗与本地运算能耗的总和，e
k
的值与卸载计算时隙、本地计算时隙相关。3.根据权利要求2所述的卸载决策方法，其特征在于，所述目标函数对应的优化问题
为：且满足约束条件：t
h,k
+t
o,k
≤1,t
l,k
≤1,0≤θ
n
＜2π,p
k
t
o,k
+e
l,k
≤E
k
+e
h,k
，其中，E
k
代表用户设备k在时刻tk开始之前的剩余可用能量，p
k
代表用户设备k的卸载计算功率，e
l,k
代表用户设备k进行本地运算的能耗，e
h,k
代表户设备k收集到的能量，T表示总的时隙个数，且满足T＝EK，其中E为在一轮计算周期内单个用户的遍历次数，用
ε
＝{1,...,E}表示。4.根据权利要求3所述的卸载决策方法，其特征在于，将所述目标函数对应的优化问题划分为第一优化问题和第二优化问题的方法为：将所述目标函数对应的优化问题展开为：其中，常数κ表示计算的能量效率，f
k
表示移动用户设备k每秒的CPU周期；在优化反射系数矩阵和信号检测向量时，将时隙分配与任务量分配固定，即得到第一优化问题：且满足约束条件：0≤θ
n
＜2π；在优化时隙分配与任务量分配时，将反射系数矩阵和信号检测向量固定，即得到第二优化问题：且满足约束条件：t
h,k
+t
o,k
≤1,t
l,k
≤1,p
k
t
o,k
+e
l,k
≤E
k
+e
h,k
。5.根据权利要求4所述的卸载决策方法，其特征在于，采用块交替迭代下降方法求解所述第一优化问题时，固定反射系数矩阵Θ
k
，检测向量m
k
可以通过最大合并比算法得到，固定检测向量m
k
的时候，反射系数矩阵Θ
k...

【专利技术属性】
技术研发人员：张徐珲，申妍燕，臧威麟，王书强，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：