【技术实现步骤摘要】
一种多无人机边缘计算网络中无人机部署与任务卸载方法
[0001]本专利技术属于无线网络
，涉及一种多无人机边缘计算网络中无人机部署与任务卸载方法。
技术介绍
[0002]随着物联网的发展，无线通信设备和无线数据流量已呈几何式增长。尤其是近几年，随着如多媒体视频流服务、增强现实、虚拟现实、智能交通等各种计算密集型和时延敏感型应用的出现，提供低时延、超可靠、高鲁棒性的网络至关重要。传统核心网络中的云计算由于较长的服务时延和严重的网络拥塞，难以满足终端设备的服务质量和服务体验需求。移动边缘计算(MEC)应运而生。移动边缘计算是一种可在网络边缘侧实现类似于云计算服务的网络架构，可以降低时延、提升效率、节省功耗，从而改善用户的服务体验。但是MEC的部署也有不小的缺陷。首先对于城市的热点区域，如商业区或人口稠密的地区，MEC的部署成本昂贵。其此对于农村、山区、海上等边远地区以及易受自然灾害影响的地区，网络覆盖范围有限，难以提供边缘卸载服务。
[0003]近年来，无人机得到了迅速发展，无人机边缘计算为解决上述问题提供了新的解决方案。无人机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。无人机相比地面通信具有灵活的特点，即使是在山区、海洋和复杂的地形，也可以提供无时无刻的移动便于计算服务，提供了空间自由度。同时无人机能够以较大概率与地面终端设备建立空地视距链路，改善通信链路质量，提高计算性能...
【技术保护点】
【技术特征摘要】
1.多无人机边缘计算网络中无人机部署与任务卸载方法，包括以下步骤：步骤1：构造多无人机边缘计算网络中地面终端设备任务的数学模型P1。步骤2：给定无人机分配给各任务的CPU计算频率F，构造数学模型P2。采用差分进化算法与贪婪算法相结合的方法，求解问题P2，求得无人机最优的位置与仰角Q、地面终端设备的传输功率P以及任务的卸载决策A。步骤3：根据步骤2求得的无人机最优的位置与仰角Q以及地面终端设备的传输功率P，构造数学模型P3，通过线性化约束因子的方法完成非凸转凸的变换，构造数学模型P6，通过凸优化方法，求解求无人机分配给任务的CPU计算频率F和卸载决策A，计算无人机的最大化承载任务数，目标值记为L。步骤4：设定最大的迭代次数δ
max
＝100，令当前迭代次数δ＝0，在步骤2与步骤3之间循环迭代，每进行一次迭代令δ＝δ+1，比较迭代中无人机的最大化承载任务数，选择最大化承载任务数O(δ)，循环迭代到δ
max
，最终结果收敛，及获得最大化承载任务数O(δ
max
)。步骤1构建多无人机边缘计算网络中无人机部署与任务卸载的数学模型的步骤如下：每个地面终端设备i∈ψ的任务表示为一个二元组Task
i
＝(C
i
，D
i
)，其中C
i
表示处理任务Task
i
需要的CPU周期数，单位为cycles；D
i
表示任务Task
i
的数据量大小，单位是bit。(x
i
，y
i
)表示地面终端设备i∈ψ的位置，x
i
和y
i
表示地面终端设备的平面坐标，单位都是m，高度都是0米(m)。每个无人机j∈φ的3维坐标表示为(X
j
，Y
j
，H
j
)，其中X
j
和Y
j
为无人机j∈φ的平面坐标，H
j
表示无人机j∈φ的高度，单位都是m。无人机j∈φ都配备了一个波束宽度可调的定向天线。对于无人机j∈φ天线的方位角和仰角半功率波束宽度相等，且均用2θ
j
∈(0，π)表示。无人机j∈φ的位置与仰角Q
j
＝(X
j
，Y
j
，H
j
，θ
j
)，所有无人机的位置与仰角用Q表示。a
i，j
为任务Task
i
的卸载决策，a
i，j
＝0表示本地计算，a
i，j
＝1表示将任务Task
i
卸载到无人机j上计算。地面终端设备任务的卸载包括两个阶段：1)地面终端设备i∈ψ将任务Task
i
的数据传输到无人机j，2)无人机j分配计算资源计算任务。在任务完成之前，每个地面终端设备位置固定。S1
‑
1地面终端设备i∈ψ的任务Task
i
在本地执行地面终端设备i∈ψ的任务Task
i
在本地执行的时间如(1)所示：其中表示地面终端设备i∈ψ在本地处理任务的CPU频率(单位为cycles/s)。地面终端设备i∈ψ执行任务Task
i
在本地计算的能耗如(2)所示：其中η
l
表示有地面终端设备i∈ψ的有效电容系数，取决于CPU的芯片架构。S1
‑
2任务Task
i
卸载到无人机执行S1
‑2‑
1通信模型地面终端设备i∈ψ与无人机j∈φ与之间平面距离如(3)所示：无人机j1与无人机j2之间平面距离如(4)示：
无人机j1与无人机j2之间的距离如(5)所示：无人机j∈φ天线的方位角和仰角半功率波束宽度相等，方位角θ和仰角u方向的天线增益建模如(6)所示：其中G0≈2.2846，ω＝0表示天线波束宽度之外的信道增益。为了简单起见，设置ω＝0。用户i∈ψ将任务卸载到无人机j∈φ，则用户必须在无人机j∈φ的覆盖范围内，如(7)所示地面终端设备i∈ψ与无人机j∈φ之间的信道增益g
i，j
如(8)所示：其中β0表示参考距离为1m处的信道功率增益。地面终端设备i∈ψ到无人机j∈φ的上行传输速率如(9)所示：地面终端设备i∈ψ到无人机j∈φ的上行传输功率如(10)所示：其中p
i，j
表示用户i∈v到无人机j∈φ的传输功率(单位是W)。B表示地面终端设备i∈ψ到无人机j∈φ之间的信道带宽，所有地面终端设备与无人机之间的带宽相等，单位为Hz。N0表示噪声功率谱密度(单位是W/Hz)。地面终端设备i∈ψ卸载任务到无人机j∈φ的传输时间如(11)所示：地面终端设备i∈ψ卸载任务到无人机j∈φ的传输能量如(12)所示：S1
‑2‑
2计算模型任务Task
i
卸载到无人机j∈φ执行的时间如(13)所示：其中表示无人机j∈φ分配给任务Task
i
的CPU频率(单位是cycles/s)。任务Task
i
卸载到无人机j∈φ执行的计算能耗如(14)所示：其中μ
c
表示无人机的有效电容系数。
S1
‑
3问题描述定义数学模型P1，在满足约束条件的情况下，最大化无人机的承载任务数，模型如下所示：S.t.S.t.S.t.S.t.S.t.S.t.S.t.S.t.S.t.S.t.S.t.式(15a)是目标函数，χ＝(F，A，Q，P)表示优化变量，其中表示无人机的CPU频率分配，任务的卸载决策，任务的卸载决策，表示无人机的位置与仰角，表示地面终端设备的传输功率。步骤2基于差分进化算法与贪婪算法求任务的卸载决策、无人机最优的位置、仰角与地面终端设备的传输功率的步骤如下：S2
‑
1构造给定无人机分配给各任务的CPU计算频率F情况下的数学模型。给定无人机分配给各任务的CPU计算频率F情况下，优化任务的卸载决策、无人机最优的位置、仰角与地面终端设备的传输功率，采用差分进化算法与贪婪算法进行求解。求解目标与问题P1一致，为最大化无人机的承载任务数。优化问题的数学模型P2可写成如下所示：S.t.S.t.S.t.
(16a)为目标函数，(16b)
‑
(16k)为约束条件，Ω＝(A，Q，P)其中(16k)为约束条件，Ω＝(A，Q，P)其中是优化变量。S2
‑
2采用差分进化算法与贪婪算法求解任务的卸载决策、无人机最优的位置、仰角与地面终端设备的传输功率，具体步骤如下：求解问题P2，在给定无人机分配给各任务的CPU计算频率F情况下，首先基于差分进化算法，求解无人机位置与仰角Q，并基于贪婪算法求解地面终端设备的传输功率P与任务的卸载决策A，并最终得到无人机的最大承载任务数设置差分进化算法最大迭代次数τ
max
＝10000，并令当前迭代次数τ＝1。差分进化算法求解问题P2的步骤如下所示：i)初始化种群，如下所示：提出一种编码机制，在该机制中，种群集合表示其中表示第τ次迭代无人机位置与仰角的集合，Q
j
(τ)＝(X
j
(τ)，Y
j
(τ)，H
j
(τ)，θ
j
(τ))表示无人机j∈φ的位置与仰角编码，同时记Q
j
(τ)＝q
j
(X
j
(τ)，Y
j
(τ)，H
j
(τ)，θ
j
(τ))，表示无人机j∈φ在第τ次迭代的位置与仰角，其取值范围如下所示：所示：所示：所示：其中c1和0分别表示X
j
的上界和下界，c1表示某个常数，单位是米(m)。c2和0分别表示Y
j
的上界和下界，c2表示某个常数，单位是米(m)，H
max
和H
min
分别表示H
j
上界和下界，单位是米(m)，θ
max
和θ
min
分别表示θ
j
上界和下界。为了便于说明X
j
(τ)，Y
j
(τ)，H
j
(τ)，θ
j
(τ)的取值范围，我们设表示无人机j∈φ的第s个决策变量，s的取值为{1，2，3，4，}，分别对应Q
j
(τ)中的X
j
(τ)，Y
j
(τ)，H
j
(τ)，θ
j
(τ)，即(17a)
‑
(17d)可以统一表示如下所示：例如当时，式(18)中
随机生成决策变量X
j
(τ)，Y
j
(τ)，H
j
(τ)，θ
j
(τ)的初始种群的计算公式如下：其中rand(0，1)表示从0
‑
1中随机选取一个常数。例如当时，随机生成初始化种群的具体过程为：
①
令j＝1，j表示无人机的序号，基于公式(20)随机生成无人机j的位置与仰角Q
j
(τ)＝(X
j
(τ)，Y
j
(τ)，H
j
(τ)，θ
j
(τ))，并将Q
j
(τ)放入第τ次迭代的无人机位置与仰角集合Q(τ)。
②
令ι＝0，ι表示生成无人机j位置与仰角Q
j
(τ)的生成次数，ι
max
＝200表示随机生成无人机j位置与仰角Q
j
(τ)的最大生成次数。
③
随机生成无人机j+1的位置与仰角Q
j+1
(τ)，ι＝ι+1。判断无人机j+1与第τ次迭代的无人机位置与仰角集合Q(τ)中每一个无人机的位置是否满足约束式(16g)与式(16j)，即Q(τ)和Q
j+1
(τ)的位置是否满足约束式(16g)与式(16j)。判断选择如下：若Q(τ)和Q
j+1
(τ)满足约束式(16g)与式(16j)，则表明Q(τ)和Q
j+1
(τ)之间的距离大于等于无人机最近的距离限制即无人机j+1与Q(τ)中的无人机之间不会发生碰撞，且无人机j+1与Q(τ)中的无人机的覆盖范围不相交，那么令j＝j+1，将Q
j
(τ)放入无人机位置与仰角集合Q(τ)，跳转步骤
④
。若Q(τ)和Q
j+1
(τ)不满足约束式(16f)与式(16j)，说明生成第j+1个无人机的位置是不成功的。判断ι≤ι
max
是否成立，成立则跳转步骤
③
，否则跳转步骤
①
。
④
判断j≤N是否成立，成立则返回步骤
②
。否则表示成功生成所有无人机的位置与仰角，并获得无人机的初始种群Q(τ)。ii)根据无人机新的位置与仰角，计算地面终端设备的传输功率，步骤如下：根据无人机j∈φ的位置与仰角，以及用户i∈ψ的位置信息通过式(16f)求得地面终端设备i∈ψ在哪个无人机的覆盖范围内。根据式(16b)、给定无人机分配给任务的CPU计算频率F以及最大时间延迟T
max
，得到地面终端设备i∈ψ到无人机所需的传输速率满足如下约束：通过分析式(21)可知，地面终端设备的传输功率必须满足式(21)，同时地面终端设备的传输功率也不能过高，还必须满足式(16c)，因此式(21)取等号即为地面终端设备传输功率的最优值。基于(21)和(10)可以计算第τ次迭代地面终端设备i∈ψ的传输功率p
i，j
(τ)，如式(22)所示：iii)根据地面终端设备的传输功率，以及无人机新的位置与仰角，计算任务的卸载决策，步骤如下：将任务集合ψ分为ψ1、ψ2、ψ3三个类别，且满足ψ＝ψ1∪ψ2∪ψ3。
其中第一类任务ψ1具有最高优先级，地面终端设备i∈ψ1，表示其不在无人机的覆盖范围内，此时Task
i
只能在本地进行，此时第τ次迭代的卸载决策a
i，j
(τ)＝0。第二类任务ψ2，此时地面终端设备i∈ψ2在无人机的覆盖范围内，任务Ta...
【专利技术属性】
技术研发人员：邝祝芳，王昊彬，郭宇敬，冯艳艳，
申请(专利权)人：中南林业科技大学，
类型：发明
国别省市：
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。