CN110429973A - 一种无人机与地面基站协同计算卸载及优化方法 - Google Patents

Abstract

本发明公开了一种无人机与地面基站协同计算卸载及优化方法，根据移动设备的分布情况先拟出一条无人机初始轨迹，并根据实际需求设置误差容忍度；设置迭代参数z；固定无人机运行轨迹，优化带宽的比特分配；固定优化后的带宽与比特分配，优化无人机运行轨迹；将优化后的运行轨迹与前一次的运行轨迹比较，如果在误差容忍度之内，可以得出最优轨迹；否则，将迭代参数加一，并且重复上述步骤。本发明协同计算卸载可以更大程度地利用无人机和地面基站的计算资源，从而降低能耗，利于通信信道的稳定以及对无人机辅助移动边缘计算的推广。

Description

一种无人机与地面基站协同计算卸载及优化方法

技术领域

本发明属于信息技术领域，特别涉及一种在蜂窝网络中引入无人机辅助边缘的计算及优化方法。

背景技术

在传统的地面蜂窝网络中，边缘的移动设备往往存在信道条件差的问题，无人驾驶飞行器的引入无疑提高通信链路的可靠性。但计算卸载受到移动设备和无人机电池续航的限制，并且综合耗能也相对较高。

现有研究都是基于地面基站与移动设备，或基于无人机与移动设备的通信。前者是将每个地面基站所覆盖区域经行划分，区域中的移动设备将计算任务卸载至基站，由基站经行数据的计算处理，再将结果反馈给移动设备。由于地面基站是一个固定的服务器，覆盖区域也是固定的，然而终端设备往往具有移动性，所以并不能很好的处理移动中的计算任务卸载；而对于后者来说，无人机虽然可以移动覆盖卸载区域，但是除去无人机自身飞行与悬停的能耗，任务的卸载与计算会消耗大量能量。一旦无人机所覆盖区域的任务量增加，对无人机的电池续航能力来说都是难以负担的。而且无人机的体积大小也决定了无法布置具有高计算资源的边缘服务器。

综上所述，现有的研究成果并未很好的解决移动设备的计算卸载和无人机能耗的联合优化问题。

发明内容

本发明为了克服上述现有技术不足，提供一种在蜂窝网络中引入无人机辅助边缘的计算及优化方法，相较于单独的无人机或地面基站与移动设备通信，本发明考虑到无人机和移动设备的加权能耗，并将二者结合进行协同计算卸载的优化，以此降低总能耗。

本发明一种无人机与地面基站协同计算卸载及优化方法，步骤如下：

a)根据移动设备的分布情况先拟出一条无人机初始轨迹，并根据实际需求设置误差容忍度；

b)设置迭代参数z；

c)固定无人机运行轨迹，优化带宽的比特分配；

d)固定优化后的带宽与比特分配，优化无人机运行轨迹；

将优化后的运行轨迹与前一次的运行轨迹比较，如果在误差容忍度之内，可以得出最优轨迹；否则，将迭代参数加一，并且重复步骤c),d),e)。

本方法将问题表示为(P1)；

P1：

s.t.C1:

C2:

C3:

C4:

C5:0≤ρ≤1,

C6:

C7:

C8:q[1]＝q[N],

C9:(v_minτ)²≤||q[n+1]-q[n]||²≤(v_maxτ)²,n＝1,...,N-1.

其中集合K为移动设备数量集合且K＝{1,...,K}；集合J为移动设备的卸载决定且J＝{loc,uav,gbs}，表示本地卸载，卸载至无人机，卸载至地面基站三种决定；集合S_u表示无人机服务任务集；集合N为将无人机飞行轨迹分为n个时隙，由每个时隙τ组成的集合且N＝{1,2,...,N}。

A为整体计算卸载策略且又由于本方法考虑的是二进制卸载，故ρ为带宽部分；L为比特分配方案集合且l_k[n]表示在时隙n时无人机服务任务k的比特分配方案；Q为无人机轨迹且又q[n]＝{(x[n],y[n],H)}_n∈N，x,y,H分别对映三维坐标系里面的横坐标，纵坐标和高；η(,)表示移动设备和无人机的加权能耗且η(A,ρ,L,Q)＝μeⁱ+υe^u，其中μ和υ分别表示移动设备和无人机能耗的权重且μ+υ＝1，eⁱ和e^u分别表示移动设备和无人机的能耗。

在约束条件中，C1确保每个计算任务都应在最大允许等待时间内完成；C2-C4保证了各移动设备的计算卸载决策为二进制决策；C5和C6分别是带宽部分和比特分配变量的限制范围；C7确保将任务卸载到移动无人机上完成；C8和C9是无人机的飞行轨迹约束：C8意味着无人机应在周期结束时返回其初始位置，而C9则表示无人机在每个时隙的飞行速度范围。

在具体对问题求解过程中，将P1拆分为两个子问题，分别是：

1.带宽部分和比特分配优化：随着总体计算卸载策略和无人机轨道{A,Q}被固定，问题(P1)可以重写如下为(P2-1)

P2-1：

s.t.C1,C5-C7.

(P2-1)对于{ρ,L}是凸函数，并且对于在迭代中得到的任意ρ值，只要满足约束C5：0＜ρ＜1的条件，都可以通过下式所示的最优位分配的封闭形式得到最优解：其中是l_k[n]的优化；由于UAV和GBS采用正交频谱共享方案，B表示它们在无相互干扰的情况下分配的总可用通信带宽；τ'表示当前任务所处的时隙；σ²表示当前噪声功率；h_k[n]表示当前无人机和移动设备的信道增益；[a]⁺＝max(a,0)，表示取a与0之间的最大值；其中λ_u,是与约束C7相关的二重变量，可以用标准二分法求解。

2.无人机轨迹设计：对于任意给定的计算卸载策略、带宽部分和比特分配方案{A,ρ,L}，无人机轨迹优化问题可表述为(P2-2)：

P2-2：

s.t.C8-C9

由于(P2-2)对于q[n]是标准的凸函数，所以可以通过标准凸优化工具求解。

算法具体步骤如下：

a)根据移动设备的分布情况，先以移动设备的几何中心为圆心拟出一个圆作为无人机的初始轨迹，并根据约束条件C8，C9设置飞行轨迹的误差容忍度。

b)初始化迭代参数z＝0。

c)固定无人机运行轨迹，按照问题(P2-1)的求解方法优化带宽的比特分配。

d)固定优化后的带宽与比特分配，按照问题(P2-2)的求解方法优化无人机运行轨迹。

e)将优化后的运行轨迹与前一次的运行轨迹比较，如果在误差容忍度之内，可以得出最优轨迹；否则，将迭代参数加一，并且重复步骤c),d),e)。

其具有如下优点：

第一：相较于现有方案，协同计算卸载可以更大程度地利用无人机和地面基站的计算资源，从而降低能耗。

第二：本方案利用的一种基于块坐标下降法的优化算法，对目标函数的优化过程更简单，更便于计算。

第三：随着移动边缘计算的普及，在兼顾降低能耗的同时，本发明更利于通信信道的稳定以及对无人机辅助移动边缘计算的推广。

附图说明

图1为现有无人机卸载场景图。

图2为本方法提出的无人机与地面基站协同卸载场景图。

图3为基于块坐标下降法优化算法的流程图。

图4为本方案对无人机轨迹的优化图。

图5为本方案在运行时移动设备的比特分配时隙分布图。

图6为本方案从移动设备能耗优化方面相较于现有方案的结果对比图。

图7为本方案从无人机与移动设备加权能耗优化方面相较于现有方案的结果对比图。

具体实施方式

参照图1所示，由无人机直接负责接受移动设备的计算任务卸载和处理任务。

参照图2所示，无人机在地面基站周围运行，最大化覆盖基站周边移动设备，由无人机负责接受移动设备的计算任务卸载，并由无人机和地面基站协同处理计算任务。

参照图3所示，对流程进行描述。

参照图4可以看出，通过优化之后，无人机的运行轨迹更加贴合移动用户，覆盖范围也更为广泛。

参照图5可以看出，每个设备在数据传输速度峰值时间段，基本可以将计算任务卸载完毕，剩余部分可以在无人机覆盖该移动设备的时隙之内完成卸载。

参照图6所示，通过对比可以看出，相较于本地卸载和移动设备直接将计算任务卸载至地面基站，本方案中的移动设备能耗都有明显的降低，完成了对移动设备能耗的优化。

参照图7通过对比可以看出，相较于没有能量约束的方案和单独以无人机能耗为约束条件的方案，本方案大大降低了无人机和移动设备的加权能耗，完成了对无人机和移动设备加权能耗的优化。

本发明提供了一种无人机与地面基站协同计算的卸载方法，并提出了在协同卸载场景下的传输过程中的比特分配以及无人机轨迹的联合优化方案。

在坐标轴上随机设置了6个移动设备作为参与卸载的用户，并将以它们的几何中心为圆心的圆作为无人机的初始轨迹。经过我们方案的优化，无人机的飞行轨迹有了明显的优化；同时我们设置移动设备的数量范围为3-8个，来研究实际能耗，结果表明，不论是移动设备的能耗还是无人机与移动设备的加权能耗都有显著的降低。这也证明了所提方案对于无人机轨迹的优化还有能耗的降低都是有现实作用的。

方案步骤如下：

步骤1，提出一个无人机与地面基站协同卸载的场景，图2，与现有的无人机卸载场景有明显区别，图1。

步骤2，由于现有研究中已有无人机与移动设备的信道功率增益模型，移动设备和无人机通信能耗和时延表达式，无人机飞行能耗模型以及飞行轨迹模型，根据此对地面基站与移动设备的信道功率增益建模，得到无人机和地面基站协同卸载场景下，所需参数的表达式。

步骤3，以包含计算卸载策略集，带宽，比特分配，无人机轨迹四个参数的函数为目标，进行约束求解。但目标函数是一个具有耦合变量的混合整数问题，求解方法难度大。故本方案用一种已有的基于块坐标下降法的交替优化算法，图3，对目标函数进行了联合优化。

步骤4，本方案结果将无人机轨迹，图4和比特分配进行了优化，图5，并从移动设备能耗优化，图6，无人机与移动设备加权能耗优化，图7，两个方面与现有方案进行对比。结果表明，在无人机与地面基站协同计算卸载的场景下，本方案相较于现有工作有明显改良。

Claims (3)

1.一种无人机与地面基站协同计算卸载及优化方法，其特征在于，步骤如下：

a)根据移动设备的分布情况先拟出一条无人机初始轨迹，并根据实际需求设置误差容忍度；

b)设置迭代参数z；

c)固定无人机运行轨迹，优化带宽的比特分配；

d)固定优化后的带宽与比特分配，优化无人机运行轨迹；

e)将优化后的运行轨迹与前一次的运行轨迹比较，如果在误差容忍度之内，可以得出最优轨迹；否则，将迭代参数加一，并且重复步骤c),d),e)。

2.根据权利要求1所述的一种在蜂窝网络中引入无人机辅助边缘的计算及优化方法，其特征在于，所述步骤a)具体实现方法如下：

将问题表示为(P1)；

P1：

s.t.C1:

C2:

C3:

C4:

C5:0≤ρ≤1,

C6:

C7:

C8:q[1]＝q[N],

C9:(v_minτ)²≤||q[n+1]-q[n]||²≤(v_maxτ)²,n＝1,...,N-1.

其中集合K为移动设备数量集合且K＝{1,...,K}；集合J为移动设备的卸载决定且J＝{loc,uav,gbs}，表示本地卸载，卸载至无人机，卸载至地面基站三种决定；集合S_u表示无人机服务任务集；集合N为将无人机飞行轨迹分为n个时隙，由每个时隙τ组成的集合且N＝{1,2,...,N}；

A为整体计算卸载策略且又由于本方法是二进制卸载，故ρ为带宽部分；L为比特分配方案集合且l_k[n]表示在时隙n时无人机服务任务k的比特分配方案；Q为无人机轨迹且又q[n]＝{(x[n],y[n],H)}_n∈N，x,y,H分别对映三维坐标系里面的横坐标，纵坐标和高；其中m_k表示以比特为单位的输入原始数据的大小；v_min和v_max分别表示无人机的最小速度和最大速度；η(,)表示移动设备和无人机的加权能耗且η(A,ρ,L,Q)＝μeⁱ+υe^u，其中μ和υ分别表示移动设备和无人机能耗的权重且μ+υ＝1，eⁱ和e^u分别表示移动设备和无人机的能耗；

在具体对问题求解过程中，将P1拆分为两个子问题，分别是：

1)带宽部分和比特分配优化：随着总体计算卸载策略和无人机轨道{A,Q}被固定，问题(P1)可以重写如下为(P2-1)

P2-1：

s.t.C1,C5-C7.

(P2-1)对于{ρ,L}是凸函数，并且对于在迭代中得到的任意ρ值，只要满足约束C5：0＜ρ＜1的条件，都可以通过下式所示的最优位分配的封闭形式得到最优解：其中是l_k[n]的优化；由于UAV和GBS采用正交频谱共享方案，B表示它们在无相互干扰的情况下分配的总可用通信带宽；τ'表示当前任务所处的时隙；σ²表示当前噪声功率；h_k[n]表示当前无人机和移动设备的信道增益；[a]⁺＝max(a,0)，表示取a与0之间的最大值；其中λ_u,是与约束C7相关的二重变量，可以用标准二分法求解；

2)无人机轨迹设计：对于任意给定的计算卸载策略、带宽部分和比特分配方案{A,ρ,L}，无人机轨迹优化问题可表述为(P2-2)：

P2-2：

s.t.C8-C9

由于(P2-2)对于q[n]是标准的凸函数，通过标准凸优化工具求解。

3.根据权利要求1所述的一种在蜂窝网络中引入无人机辅助边缘的计算及优化方法，其特征在于，标准凸优化工具求解算法，具体步骤如下：

a)根据移动设备的分布情况，先以移动设备的几何中心为圆心拟出一个圆作为无人机的初始轨迹，并根据约束条件C8，C9设置飞行轨迹的误差容忍度；

b)初始化迭代参数z＝0；

c)固定无人机运行轨迹，按照问题(P2-1)的求解方法优化带宽的比特分配；

d)固定优化后的带宽与比特分配，按照问题(P2-2)的求解方法优化无人机运行轨迹；

e)将优化后的运行轨迹与前一次的运行轨迹比较，如果在误差容忍度之内，可以得出最优轨迹；否则，将迭代参数加一，并且重复步骤c)，d)，e)。