【技术实现步骤摘要】
一种无人机边缘计算网络线性依赖任务卸载方法
[0001]本专利技术属于无线网络
，涉及一种无人机边缘计算网络线性依赖任务卸载方法。
技术介绍
[0002]通过在具有高机动性的无人机上部署边缘服务器，可以为无线网络中的用户提供灵活的MEC服务。近年来，基于无人机的边缘计算网络得到了越来越多的关注。由于低成本、高移动性、按需部署等优势，无人机在无线通信系统中具有较大的应用潜力。
[0003]基于无人机的边缘计算是指将边缘计算架构与无人机平台结合，无人机可以作为用户节点将计算密集型任务卸载到位于地面基站的边缘服务器上，也可以作为空中的边缘服务器为多个地面用户节点提供计算卸载服务。随着物联网技术和边缘智能的飞速发展(例如智能手机、平板电脑、可穿戴设备等物联网移动设备数量呈爆炸式增长)物联网移动设备上新兴多样的智能应用程序，如人脸识别、增强现实等让移动用户享受到了高质量的体验。然而，这些应用程序大多是计算密集型任务，需要消耗大量能量，由于物联网移动设备的计算资源和电池容量有限，执行这些应用十分具有挑战性。利用移动边缘计算...
【技术保护点】
【技术特征摘要】
1.无人机边缘计算网络线性依赖任务卸载方法，包括以下步骤：步骤1：构造无人机边缘计算网络中依赖任务的数学模型P1；步骤2：给定频率F、卸载决策A和卸载数据量L，构造数学模型P2；采用凸优化求解问题P2，求得最优无人机轨迹Ω，计算系统能耗，目标值记为E
′
；步骤3：根据步骤2求得的最优无人机轨迹Ω，构造数学模型P3，使用凸优化与动态规划算法，求解无人机边缘计算网络中的卸载决策和资源分配方案，计算系统能耗，目标值记为E；步骤4：计算目标值E和E
′
的差值，如果差值小于阈值，即|E
‑
E
′
|＜ε，则循环迭代结束，否则跳转至步骤2；步骤1构建无人机边缘计算网络线性依赖任务卸载的数学模型，步骤如下：终端用户k∈K的任务之间存在线性依赖关系，每个终端用户k∈K的任务表示为一个四元组Task
k
＝(L
k
，I
k
，C
k
，O
k
)，其中任务Task
k
的数据包括两部分，L
k
表示任务的程序数据，单位为bits；I
k
表示任务的输入数据，单位为bits，输入数据I
k
依赖于L
k
‑1的输出结果；C
k
表示处理任务需要的CPU周期数，单位为cycles/bits；O
k
表示任务Task
k
的计算结果(输出数据)，单位为bits；任务Task
k
的输入数据I
k
等于依赖任务Task
k
‑1的输出数据O
k
‑1，即I
k
＝O
k
‑1，对于第1个终端用户的任务的I1＝O0＝0；a
k
为任务Task
k
的卸载决策，a
k
＝0表示本地计算，a
k
＝1表示将任务Task
k
卸载到无人机计算；终端用户任务的卸载包括两个阶段：1)用户将程序/结果数据传输到无人机，2)无人机计算任务；所有计算任务的完成时间为T秒，为了便于说明，本模型采用时隙机制，我们把周期T分割成N＝{1，2，...，n，...，|N|}个持续时间为的时隙，同时我们设定时隙持续时间τ足够小，以确保在每个时隙τ内无人机的位置相对静态；在任务完成时间T内，每个终端用户的位置固定，无人机在距离地面固定高度H水平面飞行；终端用户k∈K的水平坐标表示为w
k
＝[x
k
，y
k
]
T
，无人机在第n∈N个时隙的水平坐标记为Q[n]＝[x
u
[n]，y
u
[n]]
T
；V
max
为无人机的最大速度，单位为米/秒，无人机在每个时隙的最大飞行距离为D
max
＝V
max
τ；无人机的起点和终点分别记为Q[1]＝Q
I
，Q[N]＝Q
F
；两个相邻时隙无人机位置之间的距离小于最大飞行距离即S1
‑
1任务依赖模型终端用户k∈K的任务Task
k
可以在本地执行或无人机执行，终端用户k
‑
1∈K的任务Task
k
‑1同样可以在本地执行或无人机执行，因此Task
k
和Task
k
‑1的依赖关系有四种情况：(1)Case 1，对于Task
k
‑1在本地执行，Task
k
也在本地执行的情况，Task
k
‑1的输出数据O
k
‑1需要先从终端用户k
‑
1∈K传输到无人机，再通过无人机传输到终端用户k∈K；(2)Case 2，Task
k
‑1在本地执行，Task
k
在无人机执行的情况，Task
k
‑1的输出数据O
k
‑1需要从终端用户k
‑
1∈K传输到无人机；(3)Case 3，Task
k
‑1在无人机执行，Task
k
在本地执行的情况，Task
k
‑1的输出数据O
k
‑1需要从无人机传输到终端用户k∈K；(4)Case 4，Task
k
‑1在无人机执行，Task
k
在无人机执行的情况，Task
k
‑1和Task
k
的程序数据都需要传输到无人机；
S1
‑
2计算模型S1
‑2‑
1终端用户k∈K的任务Task
k
在本地执行在时隙n∈N，终端用户k∈K执行任务Task
k
的数据量如(1)所示其中表示终端用户k∈K在第n∈N个时隙的CPU频率(单位为cycles/s)；在时隙n∈N，终端用户k∈K执行任务Task
k
的计算能耗如(2)所示其中表示终端用户k∈K的有效电容系数；因此所有终端用户的计算能耗和可以表示为S1
‑1‑
2任务Task
k
卸载到无人机端计算在时隙n∈N，无人机端执行任务Task
k
的数据量如(4)所示其中表示无人机在第n∈N个时隙的CPU频率(单位为cycles/s)；在时隙n∈N，无人机端执行任务Task
k
的计算能耗如(5)所示其中ψ
k
表示无人机的有效电容系数；因此无人机的计算能耗可以表示为S1
‑
3通信模型在时隙n∈N，终端用户k∈K到无人机的上行传输速率如(7)所示其中B表示终端用户k∈K与无人机之间的信道带宽，所有终端用户与无人机之间的带宽相等，单位为Hz，p
k
[n]表示终端用户k∈K到无人机的传输功率，g
k
[n]为终端用户k∈K与无人机之间的信道增益，如式(8)所示其中β表示终端用户与无人机的距离为1m时的信道增益，它取决于载波频率和天线增益；在时隙n∈N，终端用户k∈K到无人机的上行传输数据量如(9)所示在时隙n∈N，无人机到终端用户k∈K的下行传输速率如(10)所示
其中q
k
[n]表示无人机到终端用户k∈K的传输功率；在时隙n∈N，无人机到终端用户k∈K的下行传输数据量如(11)所示基于(7)和(9)，在时隙n∈N，终端用户k∈K到无人机之间的传输功率如公式(12)所示：同理，基于(10)和(11)可以计算出在时隙n∈N，无人机到终端用户k∈K的传输功率q
k
[n]，如公式(13)所示：在时隙n∈N，终端用户到无人机的上行传输能耗如(14)所示：因此所有终端用户的上行传输总能耗可以表示为终端用户k∈K到无人机的上行传输根据传输的是计算结果还是程序数据，传输能耗有两种情况：(1)终端用户k∈K的任务Task
k
(非任务Task
|K|
)在本地执行时，终端用户k∈K将任务Task
k
的计算结果O
k
卸载到无人机端，上传计算结果的计算公式如公式(16)所示(2)终端用户k∈K的任务Task
k
在无人机端执行时，无人机将任务Task
k
的程序数据L
k
卸载到无人机，上传程序数据的计算公式如(17)所示：综合公式(13)和公式(14)，上传数据计算公式如(18)所示在时隙n∈N，无人机到终端用户k∈K的下行传输能耗如(19)所示因此无人机的下行传输总能耗可以表示为无人机到终端用户k∈K的下行传输只能是计算结果，而且只有任务Task
k
在本地执行时，才需要下行传输Task
k
‑1的输出数据O
k
‑1；终端用户k∈K的任务Task
k
在本地执行时，无人机将任务Task
k
的输入数据I
k
(依赖任务Task
k
‑1的输出数据O
k
‑1)传输到终端用户k∈K，下行传输计算结果的计算公式如公式(21)所示
s1
‑
4无人机飞行能耗模型在时隙n∈N，无人机的飞行能耗如(22)所示其中W
m
表示与无人机重量、翼展效率、翼面积等有关的常数；无人机的飞行总能耗如(23)所示S1
‑
5问题描述定义数学模型P1，在满足约束条件的情况下，最小化系统内所有任务的能量消耗，如下所示：所示：所示：所示：所示：所示：所示：Q[1]＝Q
I
,Q[N]＝Q
F
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(24h)(24h)(24h)(24h)(24h)(24h)式(24a)是目标函数，其中ω
k
和ω
u
分别表示终端用户和无人机的权重因子，γ是无人机飞行能耗因子，χ＝(A，Ω，L，F)表示优化变量,机飞行能耗因子，χ＝(A，Ω，L，F)表示优化变量,式(24b)表示系统计算的数据量大小约束；式(24c)和式(24d)表示终端用户与无人机的最大计算频率约束；式(24e)和式(24f)表示系统上行传输和下行传输的数据量约束；式(24g)和式(24h)表示无人机的位置和轨迹约束；式(24i)表示无人机在第一个和最后一个时隙不会进行任务计算；
式(24j)表示终端用户在最后两个时隙不会有上行数据传输；式(24k)表示无人机在最开始的两个时隙不会有下行数据传输；式(24l)表示任务的卸载决策；式(24m)和式(24n)表示优化变量的取值范围约束；步骤2基于凸优化求无人机最优轨迹，步骤如下：S2
‑
1构造给定频率、卸载决策和卸载数据量情况下的数学模型，在给定频率、卸载决策和卸载数据量情况下，优化无人机的飞行轨迹，采用凸优化方法进行求解；求解无人机的飞行轨迹的目标与问题P1一致，为最小化系统的能量消耗；优化问题的数学模型P2可写成如下所示：下所示：Q[1]＝Q
I
，Q[N]＝Q
F
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(25c)其中(25a)为目标函数，(25b)和(25c)为约束条件，是优化变量；S2
‑
2采用梯度下降法求解无人机的飞行轨迹，具体步骤如下：i)求解问题P2，构造P2的拉格朗日函数和对偶问题，令定义式(25b)的拉格朗日乘子λ＝[λ1，λ2，...，λ
N
]，问题P3的拉格朗日函数如下所示：数学模型P2的对偶函数定义为对偶问题为s.t.λ≥0；ii)拉格朗日函数式(26)对Q[n]求偏导，如下所示：根据KKT条件，求得Q[n]
*
的表达式如下：iii)初始化学习率ζ
1，n
，收敛精度δ，k为迭代次数，置k＝0，无人机初始位置Q[1]＝Q
I
；iv)根据式(28)依次计算初始点Q[n]
*
，根据式(26)计算拉格朗日函数根据式(26)计算拉格朗日函数的值，Ω
*
＝Q[n]
*
，v)基于梯度下降法更新拉格朗日乘子λ
n
，如下所示：vi)根据式(28)计算新的无人机位置Q[n]
*
，根据式(26)计算拉格朗日函数的值；
vii)判断是否成立，如果成立，则迭代结束，说明已经求得最优无人机飞行轨迹；如果不成立，则继续下一轮迭代，k＝k+1，转步骤v)；S2
‑
3在给定频率、卸载决策和卸载数据量情况下，根据S2
‑
2求得的无人机的飞行轨迹，然后根据公式(24a)计算系统能耗，目标值记为E
′
；步骤3根据步骤2求得的无人机轨迹Ω，求解卸载决策和资源分配方案，求解步骤如下：S3
‑
1卸载决策和资源分配问题的目标是最小化系统加权和能量消耗，优化问题的数学模型P3可写成如下形式：(24b)，(24c)，(24d)，(24e)，(24f)，(24i)，(24j)，(24k)，(24l)，(24m)，(24n)
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。