基于蚁群算法的多无人机辅助边缘计算系统部署优化方法技术方案

本发明专利技术提出一种基于蚁群算法的多无人机辅助边缘计算系统部署优化方法，针对所定义的优化问题，提出了一种ACO

【技术实现步骤摘要】
基于蚁群算法的多无人机辅助边缘计算系统部署优化方法


[0001]本专利技术属于移动边缘计算
，尤其涉及一种基于蚁群算法的多无人机辅助边缘计算系统部署优化方法。

技术介绍

[0002]近些年来，随着物联网技术的发展愈来愈快，移动通信技术的使用范围也越来越广泛，用户可以在移动终端上体验各种计算密集型的应用程序，如人工智能(AI)、增强现实(AR)等等应用，这些应用都对时延有着极强的敏感性。而移动边缘计算(MEC)技术往往能够很好的适用于降低与用户应用设备之间的时延，因此移动边缘计算(MEC)技术也引起了更广泛的重视和研究。
[0003]移动边缘计算(MEC)是边缘计算的一种，通常具有较高的计算能力。无人机相比其他部署载体，具有灵活性强和覆盖范围广等优势，但同时也存在电池容量较小和计算能力偏弱等问题。使用基于无人机的边缘计算系统距离地面用户设备的距离比较近，使得响应用户请求的网络时延能够大大降低。
[0004]但是，将无人机应用于移动边缘计算系统之中还存在着诸多方面的挑战。一方面，由于计算任务的执行时间与传输距离正相关，因此无人机部署的位置会直接影响地面移动设备与无人机之间的功耗和传输时延。另一方面，传统的计算卸载策略通常不能适用于无人机与地面移动设备之间，因此合理有效的计算卸载策略也至关重要，它直接影响到无人机的计算速度和计算效率。

技术实现思路

[0005]为了弥补现有技术的空白和不足，本专利技术提出一种基于蚁群算法的多无人机辅助边缘计算系统部署优化方法，将无人机部署结合到蚁群算法中，算法能得到一组最优的无人机部署位置方案，这样可以减少地面移动设备计算任务的平均响应时间。
[0006]考虑无人机应用的关键领域之一就是在于对无人机部署位置算法的研究。计算卸载决策也是移动边缘计算技术中的关键一环。本专利技术构建了一种多用户支持下多无人机使能的边缘计算系统，对无人机部署和计算卸载决策两个方面提出新的设计方案。具体的内容如下：
[0007](1)建立了一种多用户支持下多无人机使能的移动边缘计算系统。并在此基础上，定义了最小化地面移动设备计算任务的平均响应时间优化问题。
[0008](2)针对所定义的优化问题，提出了一种ACO
‑
G双层联合优化方法。最外层采用了蚁群算法(Ant Colony Optimization)来对无人机部署位置进行优化，最内层则是通过贪心算法(Greedy algorithm)来对计算卸载进行决策。
[0009](3)设计了合理的仿真环境，进行了多次仿真实验，并设置了两种参考方法的对比实验，通过对比实验实验研究了所提出的算法的可行性，通过实验结果可以看出蚁群算法在最小化计算任务的平均响应时间方面具有良好的优化效果。
[0010]本专利技术具体采用以下技术方案：
[0011]一种基于蚁群算法的多无人机辅助边缘计算系统部署优化方法，其特征在于：
[0012]为了最小化多无人机使能的边缘计算系统内所有地面移动设备的计算任务的平均响应时间，定义优化问题如下：
[0013][0014][0015][0016][0017][0018][0019]其中，约束条件如下：D1和D2确保无人机UAV
j
和地面移动设备UE
i
的位置必须在所定义的空间范围内；D3确保任务采用完全卸载策略；D4表示每个地面移动设备只能将计算任务卸载到一台无人机上或在本地执行，D5表示每台无人机最多可执行的任务数量；
[0020]采用基于贪心策略的计算卸载算法实现对计算卸载的优化：
[0021]所述贪心策略为：
[0022]将地面移动设备的计算任务卸载到最近的无人机上；
[0023]当地面移动设备将计算任务卸载到无人机上执行时，若当前已有Nmax个地面移动设备将任务卸载到该无人机上时，则拒绝这些地面移动设备中距离该无人机最远的地面移动设备的卸载请求并使其在本地执行；
[0024]对于地面移动设备，如果该计算任务在本地的执行时间小于卸载到最近无人机上的执行时间，则该任务在本地执行；
[0025]采用蚁群算法对无人机部署位置进行优化：
[0026]步骤S1：环境建模，设立初始化参数，设立初始点：无人机与移动设备之间的路径位置；
[0027]步骤S2：初始化蚂蚁种群；
[0028]步骤S3：蚂蚁从初始的无人机位置进行转移，通过自动生成的转移概率以及蚁周算法或轮盘赌法选择下一个转移的无人机位置，同时将上一无人机位置点放入禁忌表中；
[0029]步骤S4：将这一代每只蚂蚁走的路径以及总长度都保存在一个序列中；并将每一条较优路径与最短路径进行比较，如果最短路径长度小于当前较优路径长度，则进行替换；
[0030]步骤S5：更新信息素；
[0031]步骤S6：判断是否达到最大迭代次数，若达到最大迭代次数，停止循环，否则，继续循环；
[0032]步骤S7：输出结果。
[0033]进一步地，在边缘计算系统中，设地面上有n个地面移动设备UE，记为
UE
i
的三维坐标为假定每一个UEi都有需要去执行的一个计算任务T
i
，T
i
描述为T
i
＝(C
i
,D
i
)，其中C
i
表示每个UEi执行计算任务的输入数据大小，单位为bit，D
i
表示执行计算任务T
i
需要的CPU时钟周期总数；
[0034]在已知区域内的高空中部署了m台无人机UAV，记为UAV
j
的三维坐标为H表示所有的无人机的部署高度，部署前后的位置保持不变；无人机UAV
j
可以为地面上的地面移动设备UE
i
提供计算服务；地面移动设备与无人机之间通过无线信道进行数据交换，地面移动设备可以选择将其所有的计算任务在本地执行或全部卸载到无人机上执行；
[0035]UE
i
和UAV
j
之间的距离为：
[0036][0037]UE
i
与UAV
j
之间的信道功率增益为：
[0038][0039]e0表示在参考场景之中的空间距离d0＝1时的信道功率增益；
[0040]地面移动设备与无人机之间的数据传输速率R
i,j
为：
[0041][0042]其中，η2表示高斯白噪声功率，W表示信道带宽；
[0043]UEi对T
i
作出计算卸载决策时，计算任务T
i
可以在本地执行或卸载到某一UAV
j
上执行；T
i
有(N+1)个卸载方案，表示为K＝{0,1,2,..,m}当k＝0时间表示在本地执行，而当k＞0时表示在UAV
j
(k＝j)上执行；
[0044]考虑到所有的无本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于蚁群算法的多无人机辅助边缘计算系统部署优化方法，其特征在于：为了最小化多无人机使能的边缘计算系统内所有地面移动设备的计算任务的平均响应时间，定义优化问题如下：P1:P1:P1:P1:P1:P1:其中，约束条件如下：D1和D2确保无人机UAV
j
和地面移动设备UE
i
的位置必须在所定义的空间范围内；D3确保任务采用完全卸载策略；D4表示每个地面移动设备只能将计算任务卸载到一台无人机上或在本地执行，D5表示每台无人机最多可执行的任务数量；采用基于贪心策略的计算卸载算法实现对计算卸载的优化：所述贪心策略为：将地面移动设备的计算任务卸载到最近的无人机上；当地面移动设备将计算任务卸载到无人机上执行时，若当前已有Nmax个地面移动设备将任务卸载到该无人机上时，则拒绝这些地面移动设备中距离该无人机最远的地面移动设备的卸载请求并使其在本地执行；对于地面移动设备，如果该计算任务在本地的执行时间小于卸载到最近无人机上的执行时间，则该任务在本地执行；采用蚁群算法对无人机部署位置进行优化：步骤S1：环境建模，设立初始化参数，设立初始点：无人机与移动设备之间的路径位置；步骤S2：初始化蚂蚁种群；步骤S3：蚂蚁从初始的无人机位置进行转移，通过自动生成的转移概率以及蚁周算法或轮盘赌法选择下一个转移的无人机位置，同时将上一无人机位置点放入禁忌表中；步骤S4：将这一代每只蚂蚁走的路径以及总长度都保存在一个序列中；并将每一条较优路径与最短路径进行比较，如果最短路径长度小于当前较优路径长度，则进行替换；步骤S5：更新信息素；步骤S6：判断是否达到最大迭代次数，若达到最大迭代次数，停止循环，否则，继续循环；步骤S7：输出结果。2.根据权利要求1所述的基于蚁群算法的多无人机辅助边缘计算系统部署优化方法，其特征在于：在边缘计算系统中，设地面上有n个地面移动设备UE，记为
UE
i
的三维坐标为假定每一个UEi都有需要去执行的一个计算任务T
i
，T
i
描述为T
i
＝(C
i
,D
i
)，其中C
i
表示每个UEi执行计算任务的输入数据大小，单位为bit，D
i
表示执行计算任务T
i
需要的CPU时钟周期总数；在已知区域内的高空中部署了m台无人机UAV，记为UAV
j
的三维坐标为H表示所有的无人机的部署高度，部署前后的位置保持不变；无人机UAV
j
可以为地面上的地面移动设备UE
i
提供计算服务；地面移动设备与无人机之间通过无线信道进行数据交换，地面移动设备可以选择将其所有的计算任务在本地执行或全部卸载到无人机上执行；UE
i
和UAV
j
之间的距离为：UE
i
与UAV
j
之间的信道功率增益为：e0表示在参考场景之中的空间距离d0＝...

【专利技术属性】
技术研发人员：陈哲毅，张吴晗，傅德泉，
申请(专利权)人：福州大学，
类型：发明
国别省市：