CN110766159B - 基于改进遗传算法的多uav服务边缘计算的任务分配方法 - Google Patents

基于改进遗传算法的多uav服务边缘计算的任务分配方法 Download PDF

Info

Publication number
CN110766159B
CN110766159B CN201910936068.3A CN201910936068A CN110766159B CN 110766159 B CN110766159 B CN 110766159B CN 201910936068 A CN201910936068 A CN 201910936068A CN 110766159 B CN110766159 B CN 110766159B
Authority
CN
China
Prior art keywords
uav
terminal
service
task
energy consumption
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910936068.3A
Other languages
English (en)
Other versions
CN110766159A (zh
Inventor
黄成�
刘振光
魏家豪
罗涛
尹政
王力立
徐志良
吴晓蓓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201910936068.3A priority Critical patent/CN110766159B/zh
Publication of CN110766159A publication Critical patent/CN110766159A/zh
Application granted granted Critical
Publication of CN110766159B publication Critical patent/CN110766159B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于改进遗传算法的多UAV服务边缘计算的任务分配方法，包括：构建边缘计算服务***；提取UAV及终端的属性信息；生成终端任务随机卸载到无人机服务器计算的若干决策方案；建立UAV按照TSP问题顺序服务的能耗模型和时间模型，并建立任务本地计算的时间模型，形成最小化UAV边缘计算***能耗和时间的多目标优化；利用改进遗传算法进行求解，获得最优的终端卸载决策和无人机任务分配方案。本发明可以有效为地面终端做出卸载决策，为多UAV服务若干终端的任务进行分配，为各UAV各自服务的顺序做出规划，可以有效降低终端任务的时间延迟和无人机服务器***提供服务的能耗，延长了多UAV挂载服务器提供边缘计算***的生存时间并提升了终端的效率。

Description

基于改进遗传算法的多UAV服务边缘计算的任务分配方法
技术领域
本发明涉及UAV辅助边缘计算领域，特别涉及一种基于改进遗传算法的多UAV服务边缘计算的任务分配方法。
背景技术
大数据、人工智能、图像处理和视频处理等方面的技术日益成熟，使得计算任务的数据量成倍增加，计算任务的复杂度也呈指数式增长。虽然硬件方面各种处理芯片的技术也得到很大的提高，但是在很多终端仍然无法去满足其中一些计算密集型任务。云计算技术有着其独有的优势，但是由于任务数据需要上传至云服务器，其隐私安全性就需要考虑，而且带宽的限制可能无法满足大数据量的传输。边缘计算就应运而生，将小型服务器等设置在终端周围可以解决云计算的部分弊端。但是在受到自然灾害破坏的区域，通信的基础设施遭到损坏而无法使用，以及一些通信资源有限的应用场景，比如通信基站没有覆盖。这时借助无人机的机动性，并将微型服务器绑定到无人机上，在此无人机作为一个通信服务平台靠近需要卸载计算任务的终端提供服务。无人机绑定微型服务器提供边缘服务面临的问题主要包括：终端卸载任务的决策以权衡任务卸载和本地计算的优劣，无人机服务路径和顺序的优化以提高传输速率，计算任务时间延迟的优化，无人机飞行和计算传输能耗的优化以提供更长连续时间的服务。
边缘计算出现较晚，之前在传感网中有类似使用UAV辅助进行数据采集的***，终端数据量小且不需要进行大规模数据的计算。人们关注于传感器网络节点与UAV之间的传输速率问题，而在边缘计算中数据量较大，关注于传输速率无法保证任务数据采集的完整性，进而无法进行计算。另外UAV负重较大，服务器功率也较大，边缘计算中的能耗问题需要被考虑进来。
在UAV服务边缘计算的场景中，传统的***是使用单UAV挂载服务器为地面终端提供服务，***聚焦于终端能耗或完成任务数，但终端分布都较为集中。若被服务的终端分布较为分散，单UAV服务的***会带来严重的时间延迟，显然无法满足要求。
传统的***往往仅仅聚焦于一个目标：能耗、速率或任务数，虽然也把时延考虑进来，但都是作为一个约束条件，需要人为根据经验设置，且有时设定了一个理想的时延，***往往无法得到满足要求的决策。
发明内容
本发明的目的在于提供一种多UAV挂载服务器为地面终端提供边缘计算服务的任务分配方法，能有效的为地面终端做出卸载决策，为多UAV服务若干终端的任务进行分配，为各UAV各自服务的顺序和路径做出规划，提高多UAV挂载服务器提供边缘计算***的工作效率。
实现本发明目的的技术解决方案为：基于改进遗传算法的多UAV服务边缘计算的任务分配方法，包括以下步骤：
步骤1、为每个无人机UAV装配服务器；
步骤2、构建边缘计算服务***，包括若干UAV和若干终端，并随机选取其中一个UAV作为边缘计算服务***中心进行任务分配的计算；
步骤3、由所述边缘计算服务***中心的UAV采集边缘计算服务***中所有UAV以及终端的属性信息，并采集各个终端的位置信息；
步骤4、所述边缘计算服务***中心的UAV根据所采集的信息随机产生若干可行的卸载决策和任务分配方案；其中卸载决策是指终端上的任务由终端自身完成或卸载给UAV服务器完成，任务分配是指一个UAV为一个或多个终端提供边缘计算服务；
步骤5、将UAV服务器为需要任务卸载的终端提供边缘计算服务的路径规划即服务顺序视为旅行商问题，通过遗传算法求解每个UAV为其对应的终端提供边缘计算服务的服务顺序；
步骤6、结合步骤5获得的服务顺序，建立每个UAV服务器提供边缘计算服务的能耗模型和时间模型，并建立任务本地计算的时间模型；
步骤7、根据UAV服务器提供边缘计算服务的能耗模型、时间模型和任务本地计算的时间模型，建立边缘计算服务***完成任务的能耗和时间的双目标优化；
步骤8、基于步骤7的双目标优化，利用并列选择、保留最优个体和共享函数的改进遗传算法对所述若干可行的卸载决策和任务分配方案进行多步优化，获得最优的终端卸载决策和无人机任务分配方案，整个边缘计算服务***以所述最优的终端卸载决策和无人机任务分配方案进行运作。
进一步地，步骤6所述结合步骤5获得的服务顺序，建立每个UAV服务器提供边缘计算服务的能耗模型和时间模型，具体包括：
建立每个UAV服务器提供边缘计算服务的能耗模型为：
Figure BDA0002221618710000031
式中，Ei表示第i个UAV服务器为其对应的Mi个终端提供边缘计算服务的总能耗；
Figure BDA0002221618710000032
和
Figure BDA0002221618710000033
分别表示第i个UAV服务器按其服务顺序为对应的Mi个终端提供边缘计算服务时总的飞行能耗、接收数据能耗、计算能耗和服务时的悬停能耗；
Figure BDA0002221618710000034
Figure BDA0002221618710000035
和
Figure BDA0002221618710000036
分别表示第i个UAV服务器为其第m个终端提供边缘计算服务时的飞行能耗、接收数据能耗、计算能耗和服务时的悬停能耗；
建立每个UAV服务器提供边缘计算服务的时间模型具体为：
Figure BDA0002221618710000037
式中，Ti表示第i个UAV服务器为其对应的Mi个终端提供边缘计算服务的总时间；
Figure BDA0002221618710000038
和
Figure BDA0002221618710000039
分别表示第i个UAV服务器按其服务顺序为对应的Mi个终端提供边缘计算服务时总的飞行时间、数据接收时间和数据计算时间；
Figure BDA00022216187100000310
和
Figure BDA00022216187100000311
分别表示第i个UAV服务器为其第m个终端提供缘计算服务的飞行时间、接收数据时间、计算时间。
进一步地，步骤6所述建立任务本地计算的时间模型，具体包括：
任务本地计算的时间模型包括任务在本地计算的时间，第j个终端任务在本地计算的时间为
Figure BDA00022216187100000312
Figure BDA00022216187100000313
式中，Cj表示第j个终端Dj的任务每比特数据计算所需的时钟周期，tc表示单个二进制比特的持续时间，Nj为第j个终端的任务数据量，cj和fj分别表示第j个终端的CPU核数和时钟频率。
进一步地，步骤7所述根据UAV服务器提供边缘计算服务的能耗模型、时间模型和任务本地计算的时间模型，建立边缘计算服务***完成任务的能耗和时间的双目标优化为：
Figure BDA0002221618710000041
Figure BDA0002221618710000042
Figure BDA0002221618710000043
式中，I表示UAV服务器的总数，J表示终端的总数，vij表示第i个UAV服务器Ui与第j个终端Dj的二进制服务关系，若Ui对Dj服务，则vij＝1，反之为0；αj表示第j个终端Dj的任务卸载决策，若任务卸载则αj＝0，反之为1；约束条件C1表示一个终端的任务只能被一个UAV服务或本地计算。
进一步地，步骤8所述基于步骤7的双目标优化，利用并列选择、保留最优个体和共享函数的改进遗传算法对所述若干可行的卸载决策和任务分配方案进行多步优化，获得最优的终端卸载决策和无人机任务分配方案，具体包括：
将所述若干可行的卸载决策和任务分配方案视为一个种群；
步骤8-1、将当前种群分为两个子种群：种群1和种群2，并将上一代两个子种群保留的Pareto最优个体集合分别并入种群1和种群2；
步骤8-2、种群1和种群2按照各自的适应度函数计算种群个体的适应度值；
步骤8-3、根据步骤8-2得到的适应度值，两个子种群各自提取种群内的Pareto最优个体，并将Pareto最优个体从种群内剔除且加入到各自的Pareto最优个体集合中；
步骤8-4、分别判断两个Pareto最优个体集合中Pareto最优个体数是否超过预设数目M，若是，则计算Pareto最优个体与种群所有个体的共享函数，然后根据共享函数计算Pareto最优个体的小生境数；
步骤8-5、根据小生境数分别对两个Pareto最优个体集合中的Pareto最优个体进行升序排列，将排序后的前M个Pareto最优个体保留，构成两个新的Pareto最优个体集合；
步骤8-6、在剔除掉Pareto最优个体的子种群内按照适应度函数分别进行子代的选择构成新的子种群；
步骤8-7、将两个新的子种群重新合并为一个种群；
步骤8-8、对合并后的种群进行交叉、变异，产生新的下一代种群；
步骤8-9、判断当前迭代次数是否大于预设迭代次数N，若是，则迭代结束，从当前新一代种群中选取时间最小的个体，作为最优的终端卸载决策和无人机任务分配方案；反之返回执行步骤8-1。
本发明与现有技术相比，其显著优点为：1)综合考虑了终端任务的卸载决策问题和无人机的任务分配问题；将终端自身的性能作为一个重要的因素来判定任务是否满足要求，从而决定是否需要卸载，对多个无人机进行较为公平的任务分配也有效的降低了任务时延；2)不同于以往的***只聚焦于单目标，本发明聚焦于能耗和时间
Figure BDA0002221618710000051
有效降低了能耗，延长无人机服务器运行周期的同时减小了任务时延；3)采用多个无人机进行任务分配，无人机之间协同工作有效提高了工作效率；4)采用保留Pareto最优个体的方法有助于最优解的收敛；5)采用共享函数的方法有助于保证最优解的多样性，可根据不同需求进行终端卸载决策和无人机任务分配方案的选取。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明一个实施例中基于改进遗传算法的多UAV服务边缘计算的任务分配方法的流程图。
图2为本发明一个实施例中整个边缘计算服务***的结构图。
图3为本发明一个实施例中改进遗传算法的流程图。
具体实施方式
结合图1和图2，在一个实施例中，本发明提出了一种基于改进遗传算法的多UAV服务边缘计算的任务分配方法，包括以下步骤：
步骤1、为每个无人机UAV装配服务器；
步骤2、构建边缘计算服务***，包括若干UAV和若干终端，并随机选取其中一个UAV作为边缘计算服务***中心进行任务分配的计算；
步骤3、由所述边缘计算服务***中心的UAV采集边缘计算服务***中所有UAV以及终端的属性信息，并采集各个终端的位置信息；
步骤4、所述边缘计算服务***中心的UAV根据所采集的信息随机产生若干可行的卸载决策和任务分配方案；其中卸载决策是指终端上的任务由终端自身完成或卸载给UAV服务器完成，任务分配是指一个UAV为一个或多个终端提供边缘计算服务；
步骤5、将UAV服务器为需要任务卸载的终端提供边缘计算服务的路径规划即服务顺序视为旅行商问题，通过遗传算法求解每个UAV为其对应的终端提供边缘计算服务的服务顺序；
步骤6、结合步骤5获得的服务顺序，建立每个UAV服务器提供边缘计算服务的能耗模型和时间模型，并建立任务本地计算的时间模型；
步骤7、根据UAV服务器提供边缘计算服务的能耗模型、时间模型和任务本地计算的时间模型，建立边缘计算服务***完成任务的能耗和时间的双目标优化；
步骤8、基于步骤7的双目标优化，利用并列选择、保留最优个体和共享函数的改进遗传算法对所述若干可行的卸载决策和任务分配方案进行多步优化，获得最优的终端卸载决策和无人机任务分配方案，整个边缘计算服务***以所述最优的终端卸载决策和无人机任务分配方案进行运作。
进一步地，在其中一个实施例中，步骤3中UAV的属性信息包括：时钟频率、CPU核数、飞行速度、盘旋功率等；终端的属性信息包括：时钟频率、发射功率等。
进一步地，在其中一个实施例中，步骤4中边缘计算服务***中心的UAV根据所采集的信息随机产生若干可行的卸载决策和任务分配方案，具体采取十进制的编码。
进一步示例性地，在其中一个实施例中，构建的边缘计算服务***包括7个终端、2个UAV，随机产生的某一种可行的卸载决策和任务分配方案如下表1所示，表中编码为1和2分别表示任务卸载给UAV1、UAV2对应的服务器，编码为3表示任务在终端自身执行，由表可知，UAV1服务终端3、终端5，UAV2服务终端1、终端2、终端7。
表1某一种可行的卸载决策和任务分配方案
Figure BDA0002221618710000061
进一步地，在其中一个实施例中，步骤6中结合步骤5获得的服务顺序，建立每个UAV服务器提供边缘计算服务的能耗模型和时间模型，具体包括：
建立每个UAV服务器提供边缘计算服务的能耗模型为：
Figure BDA0002221618710000062
式中，Ei表示第i个UAV服务器为其对应的Mi个终端提供边缘计算服务的总能耗；
Figure BDA0002221618710000063
和
Figure BDA0002221618710000064
分别表示第i个UAV服务器按其服务顺序为对应的Mi个终端提供边缘计算服务时总的飞行能耗、接收数据能耗、计算能耗和服务时的悬停能耗；
Figure BDA0002221618710000065
Figure BDA0002221618710000071
和
Figure BDA0002221618710000072
分别表示第i个UAV服务器为其第m个终端提供边缘计算服务时的飞行能耗、接收数据能耗、计算能耗和服务时的悬停能耗；
建立每个UAV服务器提供边缘计算服务的时间模型为：
Figure BDA0002221618710000073
式中，Ti表示第i个UAV服务器为其对应的Mi个终端提供边缘计算服务的总时间；
Figure BDA0002221618710000074
和
Figure BDA0002221618710000075
分别表示第i个UAV服务器按其服务顺序为对应的Mi个终端提供边缘计算服务时总的飞行时间、数据接收时间和数据计算时间；
Figure BDA0002221618710000076
和
Figure BDA0002221618710000077
分别表示第i个UAV服务器为其第m个终端提供缘计算服务的飞行时间、接收数据时间、计算时间。
进一步地，在其中一个实施例中，上述
Figure BDA0002221618710000078
和
Figure BDA0002221618710000079
分别为：
Figure BDA00022216187100000710
Figure BDA00022216187100000711
Figure BDA00022216187100000712
Figure BDA00022216187100000713
所述
Figure BDA00022216187100000714
和
Figure BDA00022216187100000715
分别为：
Figure BDA00022216187100000716
Figure BDA00022216187100000717
Figure BDA00022216187100000718
式中，M表示UAV的重量，vi表示第i个UAV的飞行速度，
Figure BDA00022216187100000719
表示第i个UAV按服务顺序服务的第m个终端Di,m的位置，
Figure BDA00022216187100000720
表示第i个UAV按服务顺序服务的第m-1个终端Di,m-1的位置；ei表示第i个UAV服务器接收1bit数据量的能耗，Nm表示第m个终端的任务数据量；Cm、rc分别表示终端Di,m的任务每比特数据计算所需的时钟周期和UAV服务器的有效转换电容，fi表示第i个UAV的时钟频率；Ph为UAV的悬停功率；
Figure BDA0002221618710000081
ρ0为通信双方的距离为1m、发送功率为1W时的单位接收功率，Hi表示第i个UAV的飞行高度，Pm和σ2分别表示UAV服务器发送功率和高斯白噪声功率谱密度；ci表示第i个UAV的CPU核数；tc表示单个二进制比特的持续时间。
进一步地，在其中一个实施例中，步骤6中建立任务本地计算的时间模型，具体包括：
任务本地计算的时间模型包括任务在本地计算的时间，第j个终端任务在本地计算的时间为
Figure BDA0002221618710000082
Figure BDA0002221618710000083
式中，Cj表示第j个终端Dj的任务每比特数据计算所需的时钟周期，tc表示单个二进制比特的持续时间，Nj为第j个终端的任务数据量，cj和fj分别表示第j个终端的CPU核数和时钟频率。
进一步地，在其中一个实施例中，步骤7中根据UAV服务器提供边缘计算服务的能耗模型、时间模型和任务本地计算的时间模型，建立边缘计算服务***完成任务的能耗和时间的双目标优化为：
Figure BDA0002221618710000084
Figure BDA0002221618710000085
Figure BDA0002221618710000086
式中，I表示UAV服务器的总数，J表示终端的总数，vij表示第i个UAV服务器Ui与第j个终端Dj的二进制服务关系，若Ui对Dj服务，则vij＝1，反之为0；αj表示第j个终端Dj的任务卸载决策，若任务卸载则αj＝0，反之为1；约束条件C1表示一个终端的任务只能被一个UAV服务或本地计算。
进一步地，在其中一个实施例中，步骤8中基于步骤7的双目标优化，利用并列选择、保留最优个体和共享函数的改进遗传算法对所述若干可行的卸载决策和任务分配方案进行多步优化，获得最优的终端卸载决策和无人机任务分配方案，具体包括：
将所述若干可行的卸载决策和任务分配方案视为一个种群；
步骤8-1、将当前种群分为两个子种群：种群1和种群2，并将上一代两个子种群保留的Pareto最优个体集合分别并入种群1和种群2；
步骤8-2、种群1和种群2按照各自的适应度函数计算种群个体的适应度值；
步骤8-3、根据步骤8-2得到的适应度值，两个子种群各自提取种群内的Pareto最优个体，并将Pareto最优个体从种群内剔除且加入到各自的Pareto最优个体集合中；
步骤8-4、分别判断两个Pareto最优个体集合中Pareto最优个体数是否超过预设数目M，若是，则计算Pareto最优个体与种群所有个体的共享函数，然后根据共享函数计算Pareto最优个体的小生境数；
步骤8-5、根据小生境数分别对两个Pareto最优个体集合中的Pareto最优个体进行升序排列，将排序后的前M个Pareto最优个体保留，构成两个新的Pareto最优个体集合；
步骤8-6、在剔除掉Pareto最优个体的子种群内按照适应度函数分别进行子代的选择构成新的子种群；
步骤8-7、将两个新的子种群重新合并为一个种群；
步骤8-8、对合并后的种群进行交叉、变异，产生新的下一代种群；
步骤8-9、判断当前迭代次数是否大于预设迭代次数N，若是，则迭代结束，从当前新一代种群中选取时间最小的个体，作为最优的终端卸载决策和无人机任务分配方案；反之返回执行步骤8-1。
进一步优选地，在其中一个实施例中，步骤8-2中种群1的适应度函数为与UAV服务器的总能耗呈反相关的函数，种群2的适应度函数为与UAV服务器的时间和任务本地计算时间呈反相关的函数。
进一步优选地，在其中一个实施例中，步骤8-8中对合并后的种群进行交叉、变异具体采用双点交叉、单点变异的方法进行交叉、变异。
针对地面无基础网络，终端分布较为分散的场景，本发明的方法可以有效的为地面终端做出卸载决策，为多UAV服务若干终端的任务进行分配，为各UAV各自服务的顺序和路径做出规划，可以有效降低终端任务的时间延迟和无人机服务器***提供服务的能耗，延长了多UAV挂载服务器提供边缘计算***的生存时间并提升了终端的效率。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.基于改进遗传算法的多UAV服务边缘计算的任务分配方法，其特征在于，包括以下步骤：
步骤1、为每个无人机UAV装配服务器；
步骤2、构建边缘计算服务***，包括若干UAV和若干终端，并选取其中一个UAV作为边缘计算服务***中心进行任务分配的计算；
步骤3、由所述边缘计算服务***中心的UAV采集边缘计算服务***中所有UAV以及终端的属性信息，并采集各个终端的位置信息；
步骤4、所述边缘计算服务***中心的UAV根据所采集的信息随机产生若干可行的卸载决策和任务分配方案；其中卸载决策是指终端上的任务由终端自身完成或卸载给UAV服务器完成，任务分配是指一个UAV为一个或多个终端提供边缘计算服务；
步骤5、将UAV服务器为需要任务卸载的终端提供边缘计算服务的路径规划即服务顺序视为旅行商问题，通过遗传算法求解每个UAV为其对应的终端提供边缘计算服务的服务顺序；
步骤6、结合步骤5获得的服务顺序，建立每个UAV服务器提供边缘计算服务的能耗模型和时间模型，并建立任务本地计算的时间模型；
步骤7、根据UAV服务器提供边缘计算服务的能耗模型、时间模型和任务本地计算的时间模型，建立边缘计算服务***完成任务的能耗和时间的双目标优化；
步骤8、基于步骤7的双目标优化，利用并列选择、保留最优个体和共享函数的改进遗传算法对所述若干可行的卸载决策和任务分配方案进行多步优化，获得最优的终端卸载决策和无人机任务分配方案，整个边缘计算服务***以所述最优的终端卸载决策和无人机任务分配方案进行运作。
2.根据权利要求1所述的基于改进遗传算法的多UAV服务边缘计算的任务分配方法，其特征在于，步骤3中UAV的属性信息包括：时钟频率、CPU核数、飞行速度、盘旋功率；终端的属性信息包括：时钟频率、发射功率。
3.根据权利要求1所述的基于改进遗传算法的多UAV服务边缘计算的任务分配方法，其特征在于，步骤6所述结合步骤5获得的服务顺序，建立每个UAV服务器提供边缘计算服务的能耗模型和时间模型，具体包括：
建立每个UAV服务器提供边缘计算服务的能耗模型为：
Figure FDA0003712925470000021
式中，Ei表示第i个UAV服务器为其对应的Mi个终端提供边缘计算服务的总能耗；
Figure FDA0003712925470000022
和
Figure FDA0003712925470000023
分别表示第i个UAV服务器按其服务顺序为对应的Mi个终端提供边缘计算服务时总的飞行能耗、接收数据能耗、计算能耗和服务时的悬停能耗；
Figure FDA0003712925470000024
Figure FDA0003712925470000025
和
Figure FDA0003712925470000026
分别表示第i个UAV服务器为其第m个终端提供边缘计算服务时的飞行能耗、接收数据能耗、计算能耗和服务时的悬停能耗；
建立每个UAV服务器提供边缘计算服务的时间模型为：
Figure FDA0003712925470000027
式中，Ti表示第i个UAV服务器为其对应的Mi个终端提供边缘计算服务的总时间；Ti f、Ti r和Ti c分别表示第i个UAV服务器按其服务顺序为对应的Mi个终端提供边缘计算服务时总的飞行时间、数据接收时间和数据计算时间；
Figure FDA0003712925470000028
和
Figure FDA0003712925470000029
分别表示第i个UAV服务器为其第m个终端提供缘计算服务的飞行时间、接收数据时间、计算时间。
4.根据权利要求3所述的基于改进遗传算法的多UAV服务边缘计算的任务分配方法，其特征在于，所述
Figure FDA00037129254700000210
和
Figure FDA00037129254700000211
分别为：
Figure FDA00037129254700000212
Figure FDA00037129254700000213
Figure FDA00037129254700000214
Figure FDA00037129254700000215
所述
Figure FDA00037129254700000216
和
Figure FDA00037129254700000217
分别为：
Figure FDA00037129254700000218
Figure FDA0003712925470000031
Figure FDA0003712925470000032
式中，M表示UAV的重量，vi表示第i个UAV的飞行速度，
Figure FDA0003712925470000033
表示第i个UAV按服务顺序服务的第m个终端Di,m的位置，
Figure FDA0003712925470000034
表示第i个UAV按服务顺序服务的第m-1个终端Di,m-1的位置；ei表示第i个UAV服务器接收1bit数据量的能耗，Nm表示第m个终端的任务数据量；Cm、rc分别表示终端Di,m的任务每比特数据计算所需的时钟周期和UAV服务器的有效转换电容，fi表示第i个UAV的时钟频率；Ph为UAV的悬停功率；
Figure FDA0003712925470000035
ρ0为通信双方的距离为1m、发送功率为1W时的单位接收功率，Hi表示第i个UAV的飞行高度，Pm和σ2分别表示UAV服务器发送功率和高斯白噪声功率谱密度；ci表示第i个UAV的CPU核数；tc表示单个二进制比特的持续时间。
5.根据权利要求1所述的基于改进遗传算法的多UAV服务边缘计算的任务分配方法，其特征在于，步骤6所述建立任务本地计算的时间模型，具体包括：
任务本地计算的时间模型包括任务在本地计算的时间，第j个终端任务在本地计算的时间为
Figure FDA0003712925470000036
Figure FDA0003712925470000037
式中，Cj表示第j个终端Dj的任务每比特数据计算所需的时钟周期，tc表示单个二进制比特的持续时间，Nj为第j个终端的任务数据量，cj和fj分别表示第j个终端的CPU核数和时钟频率。
6.根据权利要求3或5所述的基于改进遗传算法的多UAV服务边缘计算的任务分配方法，其特征在于，步骤7所述根据UAV服务器提供边缘计算服务的能耗模型、时间模型和任务本地计算的时间模型，建立边缘计算服务***完成任务的能耗和时间的双目标优化为：
Figure FDA0003712925470000041
Figure FDA0003712925470000042
Figure FDA0003712925470000043
式中，Ti表示第i个UAV服务器为其对应的Mi个终端提供边缘计算服务的总时间；
Figure FDA0003712925470000044
为第j个终端任务在本地计算的时间；I表示UAV服务器的总数，J表示终端的总数，vij表示第i个UAV服务器Ui与第j个终端Dj的二进制服务关系，若Ui对Dj服务，则vij＝1，反之为0；αj表示第j个终端Dj的任务卸载决策，若任务卸载则αj＝0，反之为1；约束条件C1表示一个终端的任务只能被一个UAV服务或本地计算。
7.根据权利要求6所述的基于改进遗传算法的多UAV服务边缘计算的任务分配方法，其特征在于，步骤8所述基于步骤7的双目标优化，利用并列选择、保留最优个体和共享函数的改进遗传算法对所述若干可行的卸载决策和任务分配方案进行多步优化，获得最优的终端卸载决策和无人机任务分配方案，具体包括：
将所述若干可行的卸载决策和任务分配方案视为一个种群；
步骤8-1、将当前种群分为两个子种群：种群1和种群2，并将上一代两个子种群保留的Pareto最优个体集合分别并入种群1和种群2；
步骤8-2、种群1和种群2按照各自的适应度函数计算种群个体的适应度值；
步骤8-3、根据步骤8-2得到的适应度值，两个子种群各自提取种群内的Pareto最优个体，并将Pareto最优个体从种群内剔除且加入到各自的Pareto最优个体集合中；
步骤8-4、分别判断两个Pareto最优个体集合中Pareto最优个体数是否超过预设数目M，若是，则计算Pareto最优个体与种群所有个体的共享函数，然后根据共享函数计算Pareto最优个体的小生境数；
步骤8-5、根据小生境数分别对两个Pareto最优个体集合中的Pareto最优个体进行升序排列，将排序后的前M个Pareto最优个体保留，构成两个新的Pareto最优个体集合；
步骤8-6、在剔除掉Pareto最优个体的子种群内按照适应度函数分别进行子代的选择构成新的子种群；
步骤8-7、将两个新的子种群重新合并为一个种群；
步骤8-8、对合并后的种群进行交叉、变异，产生新的下一代种群；
步骤8-9、判断当前迭代次数是否大于预设迭代次数N，若是，则迭代结束，从当前新一代种群中选取时间最小的个体，作为最优的终端卸载决策和无人机任务分配方案；反之返回执行步骤8-1。
8.根据权利要求7所述的基于改进遗传算法的多UAV服务边缘计算的任务分配方法，其特征在于，步骤8-2中种群1的适应度函数为与UAV服务器的总能耗呈反相关的函数，种群2的适应度函数为与UAV服务器的时间和任务本地计算时间呈反相关的函数。
9.根据权利要求7所述的基于改进遗传算法的多UAV服务边缘计算的任务分配方法，其特征在于，步骤8-8所述对合并后的种群进行交叉、变异具体采用双点交叉、单点变异的方法进行交叉、变异。
CN201910936068.3A 2019-09-29 2019-09-29 基于改进遗传算法的多uav服务边缘计算的任务分配方法 Active CN110766159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910936068.3A CN110766159B (zh) 2019-09-29 2019-09-29 基于改进遗传算法的多uav服务边缘计算的任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910936068.3A CN110766159B (zh) 2019-09-29 2019-09-29 基于改进遗传算法的多uav服务边缘计算的任务分配方法

Publications (2)

Publication Number Publication Date
CN110766159A CN110766159A (zh) 2020-02-07
CN110766159B true CN110766159B (zh) 2022-08-30

Family

ID=69330897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910936068.3A Active CN110766159B (zh) 2019-09-29 2019-09-29 基于改进遗传算法的多uav服务边缘计算的任务分配方法

Country Status (1)

Country Link
CN (1) CN110766159B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112753018B (zh) * 2020-03-04 2022-06-10 深圳市大疆创新科技有限公司 自适应负载均衡的方法、***及存储介质
CN111552313B (zh) * 2020-04-29 2022-06-28 南京理工大学 基于边缘计算动态任务到达的多无人机路径规划方法
CN111585816B (zh) * 2020-05-11 2022-07-01 重庆邮电大学 一种基于自适应遗传算法的任务卸载决策方法
CN111580889A (zh) * 2020-05-13 2020-08-25 长沙理工大学 边缘服务器任务卸载方法、装置、设备及存储介质
CN111770471B (zh) * 2020-05-28 2021-05-07 北京大学 空地协同下的无线边缘数据卸载方法、设备及存储介质
CN112180723B (zh) * 2020-09-15 2022-02-01 东北大学 一种基于能量分析的无人机任务规划方法及装置
CN112381265B (zh) * 2020-10-19 2022-09-30 长沙理工大学 基于无人机的充电和任务卸载***及其任务耗时优化方法
CN112579203B (zh) * 2020-12-23 2024-06-21 深圳市帮联科技有限公司 异构边缘网络中基于服务器休眠的协同计算方法
CN113156992B (zh) * 2021-04-12 2022-07-08 安徽大学 面向边缘环境下无人机的三层架构协同优化方法
CN113377125B (zh) * 2021-05-26 2022-04-22 安徽大学 用于空气污染检测的无人机***
CN114520991B (zh) * 2022-01-27 2023-07-28 重庆邮电大学 基于无人机集群的边缘网络自适应部署方法
CN114545975B (zh) * 2022-03-08 2023-03-17 大连理工大学 融合多目标进化算法和合同网算法的多无人机***任务分配方法
CN114979135B (zh) * 2022-04-22 2023-05-12 福建师范大学 基于移动边缘计算的无人机飞行高度和任务分配控制方法
CN116993183B (zh) * 2023-09-27 2023-12-29 电子科技大学中山学院 无人机辅助边缘计算中概率性计算卸载的服务优化方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104158855B (zh) * 2014-07-24 2018-01-02 浙江大学 基于遗传算法的移动服务组合计算卸载方法
CN109710374A (zh) * 2018-12-05 2019-05-03 重庆邮电大学 移动边缘计算环境下最小化任务卸载费用的vm迁移策略

Also Published As

Publication number Publication date
CN110766159A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
CN110766159B (zh) 基于改进遗传算法的多uav服务边缘计算的任务分配方法
CN112351503B (zh) 基于任务预测的多无人机辅助边缘计算资源分配方法
Seid et al. Collaborative computation offloading and resource allocation in multi-UAV-assisted IoT networks: A deep reinforcement learning approach
CN111240701B (zh) 一种端-边-云协同计算的任务卸载优化方法
CN111182570B (zh) 提高运营商效用的用户关联和边缘计算卸载方法
CN110035410A (zh) 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法及***
CN113156992B (zh) 面向边缘环境下无人机的三层架构协同优化方法
Liu et al. Wireless distributed learning: A new hybrid split and federated learning approach
CN110488868A (zh) 一种多无人机协助用户的移动卸载方法
Kang et al. Cooperative UAV resource allocation and task offloading in hierarchical aerial computing systems: A MAPPO-based approach
Wang et al. Dynamic pricing and capacity allocation of UAV-provided mobile services
CN110519370B (zh) 一种基于设施选址问题的边缘计算资源分配方法
CN105959234B (zh) 安全感知的云无线接入网络下的负载均衡资源优化方法
CN113163365B (zh) 基于交替方向乘子算法的无人机支持物联网资源优化方法
CN114880046B (zh) 联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法
WO2022242468A1 (zh) 任务卸载方法、调度优化方法和装置、电子设备及存储介质
CN114650228A (zh) 一种异构网络中基于计算卸载的联邦学习调度方法
CN116916386A (zh) 一种考虑用户竞争和负载的大模型辅助边缘任务卸载方法
Huda et al. Deep reinforcement learning-based computation offloading in uav swarm-enabled edge computing for surveillance applications
CN112866368B (zh) 一种空天地远程物联网设计方法及***
Gad et al. Joint self-organizing maps and knowledge distillation-based communication-efficient federated learning for resource-constrained UAV-IoT systems
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法
CN115348558A (zh) 基于凸优化的无人机部署和计算卸载联合优化方法
CN115756873A (zh) 一种基于联邦强化学***台
Xu et al. AI-SPACE: A cloud-edge aggregated artificial intelligent architecture for Tiansuan constellation-assisted space-terrestrial integrated networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Huang Cheng

Inventor after: Liu Zhenguang

Inventor after: Wei Jiahao

Inventor after: Luo Tao

Inventor after: Yin Zheng

Inventor after: Wang Lili

Inventor after: Xu Zhiliang

Inventor after: Wu Xiaobei

Inventor before: Liu Zhenguang

Inventor before: Huang Cheng

Inventor before: Wei Jiahao

Inventor before: Luo Tao

Inventor before: Yin Zheng

Inventor before: Wang Lili

Inventor before: Xu Zhiliang

Inventor before: Wu Xiaobei

GR01 Patent grant
GR01 Patent grant