【技术实现步骤摘要】
本专利技术涉及无人机支持的移动边缘网络部署，具体涉及一种联合优化vnf部署和无人机轨迹的深度学习方法及系统。
技术介绍
1、无人机支持的移动边缘网络中的无人机上安装有边缘服务器，能够在网络边缘为用户提供计算资源，可用于以下场景：①场景中的vnf请求需要移动边缘计算资源处理，②传统的地面移动边缘计算系统难以建立/遭到破坏，需要无人机服务器提供边缘计算资源。比如森林监测、灾害救援。但是，因为无人机的通信距离有限且用户分布范围较广，故而只有对无人机轨迹进行规划，才能保证每个用户都能在某个时间段处于某架无人机的通信范围内以获取到使用计算资源的机会。vnf是虚拟网络功能(virtual network function，vnf)。vnf是从网络服务的专用硬件映射的软件实例，并且它能够被部署在无人机服务器上为用户提供特定的网络服务。“网络成本”包含与能量相关的成本(无人机飞行能量消耗成本、处理请求的能量消耗成本)和与计算资源相关的成本(无人机部署vnf的实例化成本、处理请求的计算成本)。无人机飞行能量消耗成本由无人机轨迹决定，无人机部署vnf的实例...
【技术保护点】
1.一种联合优化VNF部署和无人机轨迹的深度学习方法，其特征在于，包括：
2.根据权利要求1所述的联合优化VNF部署和无人机轨迹的深度学习方法，其特征在于，步骤S101中初始化构建轨迹动作网络、虚拟网络功能部署Q网络、批判网络、目标轨迹动作网络和目标批判网络时，轨迹动作网络、虚拟网络功能部署Q网络、批判网络三者的网络参数为随机生成，目标轨迹动作网络的网络参数初始化为与轨迹动作网络的参数相同，目标批判网络的网络参数初始化为与批判网络的参数相同。
3.根据权利要求2所述的联合优化VNF部署和无人机轨迹的深度学习方法，其特征在于，步骤S101中还包括...
【技术特征摘要】
1.一种联合优化vnf部署和无人机轨迹的深度学习方法，其特征在于，包括：
2.根据权利要求1所述的联合优化vnf部署和无人机轨迹的深度学习方法，其特征在于，步骤s101中初始化构建轨迹动作网络、虚拟网络功能部署q网络、批判网络、目标轨迹动作网络和目标批判网络时，轨迹动作网络、虚拟网络功能部署q网络、批判网络三者的网络参数为随机生成，目标轨迹动作网络的网络参数初始化为与轨迹动作网络的参数相同，目标批判网络的网络参数初始化为与批判网络的参数相同。
3.根据权利要求2所述的联合优化vnf部署和无人机轨迹的深度学习方法，其特征在于，步骤s101中还包括第一阶段迭代变量stageone_now和第一阶段迭代次数stageone_total；步骤s102包括：
4.根据权利要求3所述的联合优化vnf部署和无人机轨迹的深度学习方法，其特征在于，步骤s209中软更新的方法的函数表达式为：
5.根据权利要求3所述的联合优化vnf部署和无人机轨迹的深度学习方法，其特征在于，步骤s103中训练虚拟网络功能部署q网络使其得到vnf部署方案的网络成本最小之前，还包括收集训练样本：
6.根据权利要求5所述的联合优化vnf部署和无人机轨迹的深度学习方法，其特征在于，所述动作奖励rc为四项奖励之和，其中：第一项奖励为执行该动作接纳请求的奖励，该奖励计算方法为r_ac*ca_num_acc，其中r_ac为接纳一个请求给予的奖励值，为正数；ca_num_acc为执行该动作接纳的请求数；第二项奖励为执行该动作的无人机飞行能耗奖励；第三项奖励为执行该动作的处理请求的计算成本奖励，该奖励的数值/绝对值计算方式为因该动作而处理的每个请求的计算成本之和，且一个请求的计算成本等于需要处理的数据位数、处理一位数据需要的cpu数、相应vnf实例使用每cpu所需的计算成本三者之积、第四项奖励为执行该动作的处理请求的能量消耗成本奖励，该奖励的数值/绝对值计算方式为因该动作而处理的每个请求的计算能量消耗之和，其中一个请求的能量消耗等于要处理的数据位数、处理一位数据需要的cpu数、使用每cpu所需的能量消耗三者之积；上述四项奖励中第一项奖励为正、其余三...
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。