CN111988792A - 无人机联盟网络卸载模型及决策计算方法 - Google Patents
无人机联盟网络卸载模型及决策计算方法 Download PDFInfo
- Publication number
- CN111988792A CN111988792A CN202010858459.0A CN202010858459A CN111988792A CN 111988792 A CN111988792 A CN 111988792A CN 202010858459 A CN202010858459 A CN 202010858459A CN 111988792 A CN111988792 A CN 111988792A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- data
- unloading
- members
- 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.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 40
- 230000005540 biological transmission Effects 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 9
- 230000003993 interaction Effects 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 20
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 4
- 230000004044 response Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种无人机联盟网络卸载模型及决策计算方法,属于无线通信技术领域。建立一个执行紧急任务的无人机联盟网络,每个联盟包括联盟领导者和若干联盟成员,无人机成员收集信息后对数据计算处理,并选择数据卸载比例和信息传输信道,将卸载数据发送至无人机领导者,当无人机领导者接收到多个成员的卸载数据时,按照先到先服务的方式分配计算资源,并将结果返回联盟成员。无人机领导者通过信息交互获取决策信息,选取若干个非邻居关系的无人机成员更新卸载策略。本发明模型完备,物理意义清晰,设计算法合理有效,能够很好地应用于无人机网络场景。
Description
技术领域
本发明属于无线通信技术领域,具体涉及一种无人机联盟网络卸载模型及决策计算方法。
背景技术
无人机联盟网络具有机动灵活、自主智能和任务多样等优点,在灾害处置、数据采集和目标探测等领域得到了广泛应用。但由于联盟成员信息处理能力有限,在复杂环境执行紧急任务时,任务的完成时间将受到严重影响。同时,移动边缘计算作为一种新兴的物联网技术,通过将移动节点的数据卸载到边缘服务器,可以有效降低移动设备的计算时延和能量消耗。在无人机联盟中,具有高计算性能的领导者可以作为服务器,为无人机成员提供计算服务。因此,可以将移动边缘计算引入无人机联盟网络,提高网络的任务完成效率。
然而,由于频谱资源和计算资源有限,使用相同传输信道的无人机会产生干扰,过多用户卸载将延长排队时延,无人机需考虑自身需求和实时通信环境,联合优化卸载比例和信息传输信道。此外,还需考虑无人机领导者的计算资源如何分配,在接收到多个成员的卸载数据时,计算资源的分配方式直接影响计算效率。
发明内容
本发明的目的在于提供一种无人机卸载排队模型和基于同步最优响应的无人机卸载决策方法,能够很好地应用于无人机执行紧急任务的场景。
实现本发明目的的技术解决方案为:一种无人机卸载排队模型,对该模型作如下刻画:考虑一个执行紧急任务的无人机编队网络,无人机编队网络内有M个联盟,集合为联盟m中包括无人机领导者和Nm个无人机成员,无人机成员集合为网络内一共有A个可用信道,集合为无人机成员采集信息后对数据进行计算处理,由于硬件能力有限,可将部分数据卸载给无人机领导者进行远程计算;无人机成员从可用信道集合中选择信道进行信息传输,当无人机领导者接收到多个成员的数据信息时,以先到先服务的方式分配计算资源,计算完毕后再将结果发送至成员。在传输卸载信息时,使用相同信道的无人机会产生干扰,影响传输效率;在远程计算时,卸载完成次序将直接影响计算的排队时延;为了使全网的计算时延最小,无人机成员应根据自身任务需求和实时通信环境,选择适当的卸载比例和信息传输信道。
一种基于无人机联盟网络卸载模型的决策计算方法,包括以下步骤:
步骤1,完成初始化,所有无人机成员随机选择卸载比例和信息传输信道。
步骤2,无人机领导者通过联盟间信息交互获取决策信息,从全网选择若干个非邻居关系的无人机成员更新卸载策略,选择使无人机成员效用函数最大的策略进行更新,效用函数具体表示为,
步骤3,重复步骤2,直至达到收敛状态。收敛后无人机领导者将策略发送至无人机成员。
本发明提出的无人机联盟网络卸载模型及决策计算方法,旨在提供方案以降低无人机联盟网络的计算时延。本发明联合优化了无人机卸载比例和信道资源,并且将先到先服务的排队模型引入到无人机的远程计算。在同步最优响应算法的基础之上,设计出分布式的无人机卸载决策方法,通过使成员的效用函数最大化,来降低全网的计算时延。
现有传统最优响应的优化算法、所提的优化算法和最优响应的非优化(无人机成员选择不卸载或全部卸载)方法,与传统最优响应的优化方法相比,所提优化方法在保证结果的有效性的前提下,缩短了75%的收敛时间。与不优化卸载比例的方法相比,所提方法的时延之和明显缩短。本发明给出的无人机联盟网络卸载模型及决策计算方法,有效缩短了无人机网络的计算时延,提高任务的执行效率。
附图说明
图1是无人机联盟网络工作示意图。
图2是卸载计算示意图。
图3是本发明实施例1中的仿真场景示意图。
图4是本发明实施例1中不同资源分配方式的性能对比图。
图5是本发明实施例2中本专利方法与其他算法性能对比图。
具体实施方式
图1是本发明无人机联盟网络的工作示意图。一种无人机联盟网络卸载模型,对该模型作如下刻画:考虑一个执行紧急任务的无人机编队网络,该网络内有M个联盟,集合为联盟M中包括一个联盟领导者和Nm个联盟成员,成员集合为无人机成员采集信息后对数据进行计算处理,由于硬件能力有限,可将部分数据卸载给联盟领导者进行远程计算。联盟成员从可选信道集合当无人机领导者接收到多个成员的数据信息时,以先到先服务的方式分配计算资源,计算完毕后再将结果发送至成员。在传输卸载信息时,使用相同信道的无人机会产生干扰,影响传输效率;在远程计算时,卸载完成次序将直接影响计算的排队时延。为了使全网的计算时延最小,无人机应根据自身任务需求和实时通信环境,选择适当的卸载比例和信息传输信道。
图2是本发明卸载计算的示意图,具体的卸载计算过程如下:在一个联盟内部,Number1用户最先完成卸载数据的传输,优先得到联盟领导者的计算服务。Number2用户的数据卸载完毕后,由于领导者计算资源被占用,该用户排队等待,直至Number1用户远程计算完毕。同理,Number3用户为第三个完成卸载数据传输的用户,待前两个用户计算完毕后,其数据开始被计算。
对于无人机联盟M中第i个无人机nm,i,无人机nm,i根据数据量和通信环境做出卸载决策Sm,i=(ωm,i,Km,i),其中ωm,i是无人机nm,i卸载数据量占全部数据量的比例,ωm,i∈Ω,比例可选集合Ω={ω1,ω2,...,ω|Ω|},本地运算比例为1-ωm,i。如果无人机不选择卸载,则ωm,i=0。无人机nm,i的本地计算时延为:
其中,Lm,i(bits)为采集信息后所需计算的数据长度,Cm,i(cycles/bit)为单位数据所需的计算次数,fm,i(cycles/s)为无人机的计算频率。
进一步地,无人机nm,i的信道策略为Km,i,Km,i={0}表示无人机不选择数据卸载,数据卸载时无人机选择可用信道向辅助无人机传输信息,此时为了充分利用信道资源,提高无人机卸载效率,信道选择不再局限于单一信道,同时考虑到实际情况,选择信道数目过多不仅对通信底层有更高的要求,可能还会影响其他用户的卸载效率,因此令可选信道数量的最大值为2,信道策略表示为或对于同一联盟内任意两个需要数据卸载的无人机nm,i1,nm,i2,规定数据卸载时不能使用相同的信道,即当Km,i1≠{0}且Km,i2≠{0}时,卸载时延为
其中,Rm,i无人机nm,i传输总速率,具体表示为
其中,B为信道带宽,Pm,i为无人机发射功率,dm,i为无人机nm,i至领导者的距离,α是信道衰减因子,N0是背景噪声,是无人机nm,i的邻居无人机构成的集合,Ig,j表示邻居无人机对无人机nm,i的干扰值,具体表示为
本发明联盟M中无人机领导者的计算频率为fm(cycles/s),其为无人机nm,i进行数据计算的时延为
其中,ωm,i是无人机nm,i卸载数据量占全部数据量的比例,Lm,i为采集信息后所需计算的数据长度,Cm,i为单位数据所需的计算次数。
本发明在建立先到先服务的排队模型中,将无人机数据卸载的结束时刻定义为排队模型中顾客的到达时刻。无人机的卸载时间越短,到达次序越低,联盟内卸载时间最短的无人机作为第一个到达顾客,卸载时间最长的无人机作为最后一个到达顾客。无人机从卸载数据开始到数据计算完毕消耗的总时间包括卸载时间、排队时间和计算时间三个部分,卸载时间和计算时间根据公式给出,排队时间取决于上一个顾客的结束时间。在联盟M内,假设无人机nm,i为第λ个顾客,从卸载开始至计算完毕总时间为
优化目标为全网任务计算时间,具体表示为,
其中,S为全网无人机的策略集合,SM为联盟M中无人机的策略集合,由于数据经计算处理后具有一定的压缩幅度,数据量大幅降低,因此可忽略领导者至成员的传回时间,无人机nm,i完成数据计算的总时间Tm,i,具体表示为,
一种基于无人机联盟网络卸载模型的决策计算方法,包括以下步骤:
步骤1,完成初始化,所有无人机成员随机选择卸载比例和信息传输信道。
步骤2,无人机领导者通过联盟间信息交互获取决策信息,从全网选择若干个非邻居关系的无人机成员更新卸载策略,选择使无人机成员效用函数最大的策略进行更新,效用函数具体表示为,
步骤3,重复步骤2,直至达到收敛状态。收敛后无人机领导者将策略发送至无人机成员。
实施例1
本发明的第一个实施例具体描述如下,***仿真采用MATLAB语言,参数设定不影响一般性。假设任务环境为1000m×1000m的方形场地,由16个任务区域组成。网络内一共8个无人机联盟联盟,每个联盟包括1个领导者和若干无人机成员,随机分布在一个任务区域,如图3所示。网络中一共有10个可用信道,每个信道带宽为B=5MHz,背景噪声N0=-100dBm,路径损失因子α=5,邻居的范围限定为3000m之内。无人机成员的任务数据长度均匀分布在[20 100]MB,运算1bit数据需要消耗的计算资源均匀分布于[100 300]cycles。无人机成员的发射功率为0.02W,计算频率为3GHz,比例可选集合Ω={0,0.2,0.4,0.6,0.8},无人机领导者计算频率为12GHz。
图4比较了不同资源分配方式下,网络性能与联盟内成员数目的变化关系。随着联盟内成员数目的增加,无人机的平均计算时延也不断增加,但先到先服务的分配方式始终优于平均分配的方式。
实施例2
本发明的第二个具体实施例如下描述,***仿真采用MATLAB软件,参数设定不影响一般性。网络内一共16个无人机联盟,每个联盟包括1个领导者和5个无人机成员。
现有传统最优响应的优化算法、所提的优化算法和最优响应的非优化(无人机成员选择不卸载或全部卸载)方法,将每个算法分别执行100次,取全网时延和的平均值,绘制收敛曲线,如图5所示。与传统最优响应的优化方法相比,本发明的优化方法在保证结果的有效性的前提下,缩短了75%的收敛时间。与不优化卸载比例的方法相比,所提方法的时延之和明显缩短
综上所述,本专利给出了无人机联盟网络中基于先到先服务的计算卸载方案,有效缩短了无人机网络的计算时延,提高任务的执行效率。
Claims (7)
3.根据权利要求1所述的无人机联盟网络卸载模型,其特征在于,对于无人机联盟M中第i个无人机nm,i,无人机nm,i的信道策略为Km,i,Km,i={0}表示无人机不选择数据卸载,数据卸载时无人机选择可用信道向辅助无人机传输信息,此时令可选信道数量的最大值为2,信道策略表示为或对于同一联盟内任意两个需要数据卸载的无人机nm,i1,nm,i2,规定数据卸载时不能使用相同的信道,即当Km,i1≠{0}且Km,i2≠{0}时,卸载时延为
其中,Rm,i是无人机nm,i的传输总速率,具体表示为
其中,B为信道带宽,Pm,i为无人机发射功率,dm,i为无人机nm,i至领导者的距离,α是信道衰减因子,N0是背景噪声,是无人机nm,i的邻居无人机构成的集合,Ig,j表示邻居无人机对无人机nm,i的干扰值,具体表示为
5.根据权利要求1所述的无人机联盟网络卸载模型,其特征在于,先到先服务的排队模型中,将无人机数据卸载的结束时刻定义为排队模型中顾客的到达时刻;无人机的卸载时间越短,到达次序越低,联盟内卸载时间最短的无人机作为第一个到达顾客,卸载时间最长的无人机作为最后一个到达顾客;无人机从卸载数据开始到数据计算完毕消耗的总时间包括卸载时间、排队时间和计算时间三个部分,卸载时间和计算时间根据公式给出,排队时间取决于上一个顾客的结束时间;在联盟M内,假设无人机nm,i为第λ个顾客,从卸载开始至计算完毕总时间为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010858459.0A CN111988792B (zh) | 2020-08-24 | 2020-08-24 | 无人机联盟网络卸载模型的***及决策计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010858459.0A CN111988792B (zh) | 2020-08-24 | 2020-08-24 | 无人机联盟网络卸载模型的***及决策计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111988792A true CN111988792A (zh) | 2020-11-24 |
CN111988792B CN111988792B (zh) | 2023-05-26 |
Family
ID=73443048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010858459.0A Active CN111988792B (zh) | 2020-08-24 | 2020-08-24 | 无人机联盟网络卸载模型的***及决策计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111988792B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112911618A (zh) * | 2021-01-29 | 2021-06-04 | 重庆邮电大学 | 一种基于资源退出场景的无人机服务器任务卸载调度方法 |
CN112969157A (zh) * | 2021-02-22 | 2021-06-15 | 重庆邮电大学 | 一种无人机网络负载均衡方法 |
CN113556750A (zh) * | 2021-07-30 | 2021-10-26 | 上海大学 | 基于联盟形成博弈的无人设备内容协同实现方法 |
CN113676917A (zh) * | 2021-08-25 | 2021-11-19 | 南京航空航天大学 | 基于博弈论的无人机分层移动边缘计算网络的能耗优化方法 |
CN115226130A (zh) * | 2022-07-14 | 2022-10-21 | 中国人民解放军国防科技大学 | 基于公平性感知的多无人机数据卸载方法及相关设备 |
CN117119534A (zh) * | 2023-10-20 | 2023-11-24 | 南京邮电大学 | 一种无人机动态联盟辅助的卸载策略及资源优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107819840A (zh) * | 2017-10-31 | 2018-03-20 | 北京邮电大学 | 超密集网络架构中分布式移动边缘计算卸载方法 |
CN110062026A (zh) * | 2019-03-15 | 2019-07-26 | 重庆邮电大学 | 移动边缘计算网络中资源分配和计算卸载联合优化方案 |
-
2020
- 2020-08-24 CN CN202010858459.0A patent/CN111988792B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107819840A (zh) * | 2017-10-31 | 2018-03-20 | 北京邮电大学 | 超密集网络架构中分布式移动边缘计算卸载方法 |
CN110062026A (zh) * | 2019-03-15 | 2019-07-26 | 重庆邮电大学 | 移动边缘计算网络中资源分配和计算卸载联合优化方案 |
Non-Patent Citations (3)
Title |
---|
R. CHEN ET AL: "Delay Optimization with FCFS Queuing Model in Mobile Edge Computing-Assisted UAV Swarms: A Game-Theoretic Learning Approach", 《2020 INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS AND SIGNAL PROCESSING (WCSP)》 * |
S. ZHU等: "Cooperative Computation Offloading for UAVs: A Joint Radio and Computing Resource Allocation Approach", 《2018 IEEE INTERNATIONAL CONFERENCE ON EDGE COMPUTING (EDGE)》 * |
张海波等: "车联网中一种基于软件定义网络与移动边缘计算的卸载策略", 《电子与信息学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112911618A (zh) * | 2021-01-29 | 2021-06-04 | 重庆邮电大学 | 一种基于资源退出场景的无人机服务器任务卸载调度方法 |
CN112911618B (zh) * | 2021-01-29 | 2022-05-03 | 重庆邮电大学 | 一种基于资源退出场景的无人机服务器任务卸载调度方法 |
CN112969157A (zh) * | 2021-02-22 | 2021-06-15 | 重庆邮电大学 | 一种无人机网络负载均衡方法 |
CN113556750A (zh) * | 2021-07-30 | 2021-10-26 | 上海大学 | 基于联盟形成博弈的无人设备内容协同实现方法 |
CN113676917A (zh) * | 2021-08-25 | 2021-11-19 | 南京航空航天大学 | 基于博弈论的无人机分层移动边缘计算网络的能耗优化方法 |
CN113676917B (zh) * | 2021-08-25 | 2022-05-10 | 南京航空航天大学 | 基于博弈论的无人机分层移动边缘计算网络的能耗优化方法 |
CN115226130A (zh) * | 2022-07-14 | 2022-10-21 | 中国人民解放军国防科技大学 | 基于公平性感知的多无人机数据卸载方法及相关设备 |
CN115226130B (zh) * | 2022-07-14 | 2024-04-19 | 中国人民解放军国防科技大学 | 基于公平性感知的多无人机数据卸载方法及相关设备 |
CN117119534A (zh) * | 2023-10-20 | 2023-11-24 | 南京邮电大学 | 一种无人机动态联盟辅助的卸载策略及资源优化方法 |
CN117119534B (zh) * | 2023-10-20 | 2023-12-19 | 南京邮电大学 | 一种无人机动态联盟辅助的卸载策略及资源优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111988792B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111988792A (zh) | 无人机联盟网络卸载模型及决策计算方法 | |
CN107766135B (zh) | 移动朵云中基于粒子群和模拟退火优化的任务分配方法 | |
CN109684075B (zh) | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 | |
CN111930436B (zh) | 一种基于边缘计算的随机型任务排队卸载优化方法 | |
CN109413724B (zh) | 一种基于mec的任务卸载和资源分配方案 | |
CN108809695B (zh) | 一种面向移动边缘计算的分布上行链路卸载策略 | |
CN111586696B (zh) | 一种基于多智能体架构强化学习的资源分配及卸载决策方法 | |
Zhao et al. | Contract-based computing resource management via deep reinforcement learning in vehicular fog computing | |
Chen et al. | Qoe-aware decentralized task offloading and resource allocation for end-edge-cloud systems: A game-theoretical approach | |
CN112737837B (zh) | 一种高动态网络拓扑下无人机群带宽资源分配方法 | |
CN109151864B (zh) | 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法 | |
Dai et al. | Joint offloading and resource allocation in vehicular edge computing and networks | |
CN110493854B (zh) | 一种基于优化理论的wpt-mec网络上下行资源分配与功率控制机制 | |
CN114138373B (zh) | 一种基于强化学习的边缘计算任务卸载方法 | |
CN109194763B (zh) | 一种超密集网络中基于小型基站自组织协作的缓存方法 | |
CN113286317B (zh) | 一种基于无线供能边缘网络的任务调度方法 | |
WO2023040022A1 (zh) | 一种在随机网络中基于算网协同的分布式计算卸载方法 | |
US11968122B2 (en) | Joint optimization method and system for delay and spectrum occupation in cloud-edge collaborative network | |
CN111757361B (zh) | 一种雾网络中基于无人机辅助的任务卸载方法 | |
CN112650581A (zh) | 一种面向智能楼宇的云边协同任务调度方法 | |
CN113156992A (zh) | 面向边缘环境下无人机的三层架构协同优化***及方法 | |
Sha et al. | DRL-based task offloading and resource allocation in multi-UAV-MEC network with SDN | |
Tan et al. | Joint offloading and resource allocation based on UAV-assisted mobile edge computing | |
CN116233927A (zh) | 一种在移动边缘计算中负载感知的计算卸载节能优化方法 | |
CN113821346B (zh) | 基于深度强化学习的边缘计算中计算卸载与资源管理方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |