CN112351503A - 基于任务预测的多无人机辅助边缘计算资源分配方法 - Google Patents

Abstract

一种基于任务预测的多无人机辅助边缘计算资源分配方法，首先对无人机辅助边缘计算卸载场景中的通信模型、计算模型和能量损耗模型进行建模；将无人机辅助边缘计算卸载网络的***总能耗最小化问题建模为终端设备任务可预测过程；通过接入终端设备的历史数据，采用集中训练得到不同终端设备的预测模型参数；基于当前接入终端设备的任务信息，利用预测模型得到下一时隙的预测任务集；基于预测任务集，将原问题分解为无人机部署问题和任务调度问题进行联合优化。本发明通过深度学习算法能够有效减少任务的响应时延和完成时延，从而减少计算能耗；引入进化算法解决联合无人机部署和任务调度优化问题，极大减少无人机的悬停能耗和提高了计算资源利用率。

Description

基于任务预测的多无人机辅助边缘计算资源分配方法

技术领域

本发明涉及无线通信技术领域，特别涉及一种基于任务预测的多无人机辅助边缘计算资源分配方法。

背景技术

联网技术的飞速发展使得物联网设备爆发式增长，网络边缘产生的海量数据将会给传输网络和云计算中心带来巨大压力。为了解决这些问题，提出移动边缘计算，有效的打破了云计算发展的瓶颈，又释放了终端的压力，实现边缘智能、低延时和大带宽处理数据。现有研究移动边缘计算时服务器的位置都是固定，不能根据移动用户的需求灵活改变。由于无人飞行器UAV的可控制、易部署和低成本等特点，无人飞行器在无线通信中受到了广泛的关注。尽管无人机可以为移动边缘计算网络提供计算和存储功能，但是由于电池容量和硬件限制，往往无法长时间保持飞行状态、覆盖范围以及无法布置具有高计算资源的边缘服务器。因此，如何根据动态改变的业务数据流的动态调整无人机的部署方案和任务调度方案从而最小化***能耗是目前研究的关键难点。

2019年，Xiaoyan Hu等人在论文《UAV-Assisted Relaying and Edge ComputingScheduling and Trajectory Optimization》提出一种单无人机辅助边缘计算的部署与任务调度联合优化方案，利用三步交替优化算法来联合优化计算资源调度、带宽分配和无人机的轨迹，从而最小化UAV和终端用户的加权能耗。2020年，Hongzhi Guo等人在论文《UAV-Enhanced Intelligent Offloading for Internet of Things at the Edge》提出在无人机-边缘物联网智能卸载方面研究了无人机增强边缘的能量减少问题，提出了最优任务卸载方案。利用块坐标下降法对卸载决策、位分配和无人机轨迹等问题进行联合交替优化，从而最小化智能移动设备上的计算任务所需的总能耗。

综上所述，现有的研究成果都是考虑单无人机辅助移动边缘计算***，这对移动边缘计算性能的提高十分有限。因此，研究多无人机辅助边缘计算十分必要。在针对多无人机辅助边缘计算时，需要考虑联合优化无人机部署和任务调度，从而减少无人机机械能耗和完成任务所需能耗，以确保无人机集群能够尽可能地为物联网设备服务。并且由于业务数据流的动态改变，对网络资源进行分析和预测十分必要。人工智能(AI)技术是当前通信领域中动态组织网络资源的强大工具。它使用机器学***台，以解决未来网络的延迟，拥塞和低容量问题，本发明考虑将多无人机辅助边缘计算***和AI技术结合，通过智能资源分配实现多无人机辅助边缘计算网络能效优化。

发明内容

本发明为了克服上述现有技术的不足，提出一种基于任务预测的多无人机辅助边缘计算资源分配方法，利用任务预测模型解决不同时隙业务数据流动态改变问题以及通过无人机部署和任务调度联合优化，基于预测任务集得到下一时隙最优无人机部署方案和任务调度方案，以此降低***总能耗。

本发明的技术方案：

一种基于任务预测的多无人机辅助边缘计算资源分配方法，步骤如下：

(1)建立多无人机辅助边缘计算卸载模型，主要包括以下4个步骤：

(1.1)建立场景模型：建立一个边长为d的正方形目标区域，该区域中有M个终端用户和N个无人机基站(UAV-BSs)，这些无人机基站为终端用户提供通信与计算服务。时间被划分为T个相同的时隙，从上一时隙到当前时隙，终端用户可能静止也可能发生移动并且产生的任务量不一定相同。因此需要根据每个时隙终端用户的位置以及产生的任务流量动态部署无人机基站最优的悬停位置以及确定最优的任务调度方案，从而提高计算资源利用率，降低网络能耗。

(1.2)建立通信模型：无人机基站由于高飞行高度，相比于地面基站更容易与地面用户建立视距链路LoS。本发明使用视距通信信道模型对无人机基站和终端用户之间的信道进行建模。在LoS情况下，第j个无人机基站和第i个终端用户之间的欧式距离为L_i,j：

在三维笛卡尔坐标中，H表示无人机基站固定飞行高度，(X_j,Y_j,H)表示第j个无人机基站的位置，(x_i,y_i,0)表示第i个终端用户的的位置。根据路径损失，无人机基站j和终端用户i之间的信道增益表示为h_i,j：

其中，h₀表示可参考范围内的信道增益。根据信道增益，无人机基站j和终端用户i之间的数据传输速率为R_i,j：

其中，B表示信道带宽，σ表示加性高斯白噪声，P_i,j表示第i个终端用户的发射功率。终端用户i产生的任务选择卸载到无人机基站j所需要的传输时间为

其中，D_i表示终端用户i任务的数据量大小。终端用户i任务卸载到无人机基站j所需要的传输能耗为

(1.3)建立任务计算模型：关注无人机被用作飞行边缘云，终端用户产生的任务不可分割。本发明定义时隙T终端用户i产生一个要执行的任务U_i，可在本地处理或者卸载到一个无人机基站处理。每个任务具有N+1种模式，表示为K＝{0,1,…N}。k＝0表示任务本地处理，k＞0表示终端用户产生的任务卸载到无人机基站上处理。任务卸载采用二进制模式，定义矩阵a表示终端用户i的卸载决策，a_i,k＝1表示终端用户i产生的任务本地处理或者卸载到无人机基站上处理，a_i,k＝0表示待筛选集。

当a_i,k＝1&k＝0时，终端用户i任务选择本地执行时，完成任务所需要时间为

其中，F_i表示终端用户i任务的所需总计算强度，f_i,0表示终端用户i分配的计算强度。终端用户i任务本地处理能耗为

其中，k₁是有效开关电容，v表示正向约束。当a_i,k＝1&k＝j时，终端用户i任务选择卸载到无人机基站j处理时，j将会分配相应的计算强度f_i,j，即CPU周期。在处理数据之前，需要在无人机基站j中加载虚拟机并加载来自终端用户i任务的服务资源，假设针对不同已知任务，服务加载时间已经确定，可以表示为

无人机基站j处理终端用户i任务所需要的计算时间可以表示为：

无人机基站j处理终端用户i任务所需要的计算能耗可以表示为：

其中，k₂是有效开关电容，v表示正向约束，P₀表示服务加载时无人机具有的固定消耗功率。

(1.4)建立能量损耗模型：在整个任务卸载过程中，除了通信能耗和卸载到无人机上的处理能耗外能耗还包括无人机自身悬停能耗，悬停能耗E^H表示为：

E^H＝P₁T

其中，P₁表示悬停时所需要的功率。本发明主要关注T时隙完成所有任务需要的***总能耗为：

(2)将问题建模为终端用户任务可预测过程：

终端用户i产生的任务U_i是一个四元组{x_i,y_i,F_i,D_i}，其中x_i,y_i分别表示终端用户在水平面x轴和y轴位置坐标，F_i,D_i分别表示所需总计算强度和数据量的大小。每个终端用户相当于一个智能体，利用长短期记忆神经网络LSTM方法进行任务预测。LSTM任务预测过程中，在每个神经单元内引入“输入门，遗忘门”以及控制参数C_T。遗忘门表示如下：

f_T＝σ(W_f[h_T-1,x_T]+b_f)

其中，σ为Sigmoid函数：

在(-∞,+∞)的定义域内，取值为[0,1]，W_f为权值向量，h_T-1为迭代计算过程的前一次输出，x_T为当前输入序列矩阵，b_f为偏置向量。f_T用于后续与控制参数C_T-1进行计算，得出哪类信息应该被丢弃。

输入门表示如下：

I_T＝σ(W_I[h_T-1,x_T]+b_I)

C'_T＝tanh(W_C[h_T-1,x_T]+b_C)

其中，I_T表示要保留下来的新信息，W_I为输入门的权值向量，b_I为输入门的偏置向量，C'_T为输入门的输出状态，W_C为输入门输出状态的权值向量，b_C为输入门输出状态的偏置向量。此时，记忆单元的模型函数表示为C_T：

C_T＝f_T*C_T-1+I_T*C'_T

输出门的模型表示为：

o_T＝σ(W_o[h_T-1,x_T]+b_o)

h_T＝o_T*tanh(C_T)

其中，o_T为输出门，即所需要的结果W_o为输出门的权值向量，b_o为输出门的偏置向量，h_T为输出门的输出，用于计算下一个神经元。本文将***分为不同的时隙，在当前T时隙，把当前接入设备的数量，时间等信息输入到已经训练好的模型中，并根据历史信息分析，计算在该时段下的时间特征，每个接入设备i产生任务U_i(T)，利用任务预测模型预测下一时隙的任务U_i(T+1)，之后将T时隙的不同设备预测的任务信息{x_i,y_i,F_i,D_i}汇总，得到T+1时隙的预测任务集。

(3)基于预测结果进行联合无人机基站部署和任务调度优化：

根据得到的T+1时隙的预测任务集，本发明将进化算法引入到联合无人机基站部署和任务调度优化过程中，采用集中训练和分布式执行的架构，目标函数值为计算T+1时隙下{N,S,a,f}的***总能耗。步骤(3)包括：

(3.1)初始化无人机的数量

且，其中n_max是每架无人机可以同时执行任务数的最大值。

(3.2)将每个无人机基站的水平面位置编码成个体，整个种群表示无人机基站的部署。通过初始化部署算法生成具有N个个体的初始种群S，即无人机的初始位置S＝{(X₁,Y₁),(X₂,Y₂)...(X_N,Y_N)}，其中X,Y表示无人机基站在二维平面上的坐标。约束条件为任意两架无人机基站j1,j2之间距离必须大于等于安全距离

表示无人机j1,j2之间必须保持最小距离，防止无人机基站发生碰撞。

(3.3)根据给定无人机部署方案S，通过任务调度算法(3.8)得到此刻近似最优的卸载决策a和资源分配f。根据预测结果{M，U_i}和联合优化方案{N,S,a,f}，计算T+1时隙所需要的***总能耗，适应度评估次数Fs＝Fs+1，其中初始化适应度评估次数Fs＝1。当Fs＜10000时，若预测任务集中任务可全部完成，到达步骤(3.4)；否则，到达步骤(3.5)。当Fs＝10000时，停止联合迭代优化，到达步骤(4)。

(3.4)当预测任务集中任务可全部完成时，利用消除算法减少无人机的数量N＝N-1，每次迭代减少一个无人机，利用无人机之间的欧式距离删除其中一个无人机位置，得到更新后的无人机种群S，再次执行步骤(3.3)。

(3.5)当预测的T+1时隙任务集无法全部完成时，执行差分进化算法的变异和交叉算子来产生后代种群R，其中R是对种群S进化所得到的新的无人机布局。

(3.6)利用后代种群R中第j个个体替换S中随机选择的个体，从而得到一个新的种群S'。

(3.7)若S'中任意两个无人机之间的距离大于等于安全距离

则S＝S'，跳转至步骤(3.3)；否则跳转至步骤(3.6)。

(3.8)利用无人机部署算法得到的{N,S}，在处理任务总计算能耗和通信能耗最小化目标基础上，基于任务调度算法得到卸载决策方案a和最优的计算资源分配方案f。

(4)基于任务预测结果，对第(3)步骤中无人机部署子问题和任务调度子问题进行联合迭代优化，当步骤(3.3)中适应度计算次数达到Fs＝10000时，停止迭代优化，得到下一时隙最优的无人机部署方案和任务调度方案，可提前在任务到来前将无人机基站部署到最优的悬停位置并且提前在无人机基站上加载服务，从而减少服务加载时间

极大减少任务的响应时间和完成能耗，提高了计算资源的利用率，降低了网络能耗。

(5)真实任务抵达，若预测任务正确，按照原优化方案执行；若预测错误，基于已知无人机部署方案，终端用户产生的任务通过任务调度算法重新选择合适的卸载决策a'和计算资源分配方案f'。不过此时卸载到无人机处理的任务计算时间需要加入服务加载时间

利用真实任务集{M,U_i}和{N,S,a',f'}计算T+1时隙的***总能耗。

本发明的有益效果：本发明通过深度学习算法能够有效减少任务的响应时延和完成时延，从而减少计算能耗；引入进化算法解决联合无人机部署和任务调度优化问题，极大减少无人机的悬停能耗和提高了计算资源利用率。

附图说明

图1为本发明所述的多无人机辅助边缘计算卸载场景示意图。

图2为本发明一种基于任务预测的的多无人机辅助边缘计算资源分配方法的流程图。

图3为本发明中基于任务预测结果的联合无人机部署和任务调度优化的流程图。

具体实施方式

为了使发明的目的、技术方案以及优点更加清晰明了，下面结合附图与实施例对本发明的技术方案做进一步说明。应当理解附图仅用于示例性说明，不能理解为对本发明的限制。

本发明提出一种基于任务预测的多无人机辅助边缘计算资源分配方法，应用于缺少地面基础设施的偏远地区或紧急求援情况下，无人机作为边缘节点为终端用户提供通信和计算服务。如图1所示，建立多无人机辅助边缘计算卸载模型，该模型中包含多架无人机基站，通过LoS通信方式，获取覆盖范围内移动设备要卸载到无人机基站上执行的任务，由于不同时隙终端用户可能静止也可能发生移动并且产生的任务量是动态改变的，无人机需要动态调整自身的悬停位置，以在尽可能最小无人机的数量下最小化***总能耗，并尽可能的降低网络时延。本发明的流程图如图2所示，首先对具体应用场景中的通信模型、计算模型和能耗模型等进行建模并构建优化目标；其次，根据业务数据流的动态改变，将***总能耗最小化目标建模为终端用户任务可预测过程；然后，基于预测任务集引入进化算法联合优化无人机的部署和任务调度，通过联合迭代优化，得到下一时隙无人机部署方案和任务调度方案,在下一时隙到来前，无人机部署到最优的悬停位置。最后，真实任务到来与预测的任务集进行对比，预测正确，按照原任务调度方案执行；预测错误，真实任务根据当前无人机部署方案，重新执行任务调度方案，得到新的卸载决策a'和计算资源分配f',不过此时卸载到无人机处理的任务计算时间需要加入服务加载时间

利用真实任务集{M,U_i}和优化后的{N,S,a',f'}计算T+1时隙的***总能耗。

具体步骤如下：

(1)建立多无人机辅助边缘计算卸载模型，主要包括以下4个步骤：

(1.1)建立场景模型：建立一个边长为d的正方形目标区域，该区域中有M个终端用户和N个无人机基站(UAV-BSs)，这些无人机基站为终端用户提供通信与计算服务。时间被划分为T个相同的时隙，从上一时隙到当前时隙，终端用户可能静止也可能发生移动并且产生的任务量不一定相同。因此需要根据每个时隙终端用户的位置以及产生的任务流量动态部署无人机基站最优的悬停位置以及确定最优的任务调度方案，从而提高计算资源利用率，降低网络能耗。

(1.2)建立通信模型：无人机基站由于高飞行高度，相比于地面基站更容易与地面用户建立视距链路LoS。本发明使用视距通信信道模型对无人机基站和终端用户之间的信道进行建模。在LoS情况下，第j个无人机基站和第i个终端用户之间的欧式距离为L_i,j：

在三维笛卡尔坐标中，H表示无人机基站固定飞行高度，(X_j,Y_j,H)表示第j个无人机基站的位置，(x_i,y_i,0)表示第i个终端用户的的位置。根据路径损失，无人机基站j和终端用户i之间的信道增益表示为h_i,j：

其中，h₀表示可参考范围内的信道增益。根据信道增益，无人机基站j和终端用户i之间的数据传输速率为R_i,j：

其中，B表示信道带宽，σ表示加性高斯白噪声，P_i,j表示第i个终端用户的发射功率。终端用户i产生的任务选择卸载到无人机基站j所需要的传输时间为

其中，D_i表示终端用户i任务的数据量大小。终端用户i任务卸载到无人机基站j所需要的传输能耗为

(1.3)建立任务计算模型：关注无人机被用作飞行边缘云，终端用户产生的任务不可分割。本发明定义时隙T终端用户i产生一个要执行的任务U_i，可在本地处理或者卸载到一个无人机基站处理。每个任务具有N+1种模式，表示为K＝{0,1,…N}。k＝0表示任务本地处理，k＞0表示终端用户产生的任务卸载到无人机基站上处理。任务卸载采用二进制模式，定义矩阵a表示终端用户i的卸载决策，a_i,k＝1表示终端用户i产生的任务本地处理或者卸载到无人机基站上处理，a_i,k＝0表示待筛选集。

当a_i,k＝1&k＝0时，终端用户i任务选择本地执行时，完成任务所需要时间为

其中，F_i表示终端用户i任务的所需总计算强度，f_i,0表示终端用户i分配的计算强度。终端用户i任务本地处理能耗为

其中，k₁是有效开关电容，v表示正向约束。当a_i,k＝1&k＝j时，终端用户i任务选择卸载到无人机基站j处理时，j将会分配相应的计算强度f_i,j，即CPU周期。在处理数据之前，需要在无人机基站j中加载虚拟机并加载来自终端用户i任务的服务资源，假设针对不同已知任务，服务加载时间已经确定，可以表示为

无人机基站j处理终端用户i任务所需要的计算时间可以表示为：

无人机基站j处理终端用户i任务所需要的计算能耗可以表示为：

其中，k₂是有效开关电容，v表示正向约束，P₀表示服务加载时无人机具有的固定消耗功率。

(1.4)建立能量损耗模型：在整个任务卸载过程中，除了通信能耗和卸载到无人机上的处理能耗外能耗还包括无人机自身悬停能耗，悬停能耗E^H表示为：

E^H＝P₁T

其中，P₁表示悬停时所需要的功率。本发明主要关注T时隙完成所有任务需要的***总能耗为：

(2)将问题建模为终端用户任务可预测过程：

终端用户i产生的任务U_i是一个四元组{x_i,y_i,F_i,D_i}，其中x_i,y_i分别表示终端用户在水平面x轴和y轴位置坐标，F_i,D_i分别表示所需总计算强度和数据量的大小。每个终端用户相当于一个智能体，利用长短期记忆神经网络LSTM方法进行任务预测。LSTM任务预测过程中，在每个神经单元内引入“输入门，遗忘门”以及控制参数C_T。遗忘门表示如下：

f_T＝σ(W_f[h_T-1,x_T]+b_f)

其中，σ为Sigmoid函数：

在(-∞,+∞)的定义域内，取值为[0,1]，W_f为权值向量，h_T-1为迭代计算过程的前一次输出，x_T为当前输入序列矩阵，b_f为偏置向量。f_T用于后续与控制参数C_T-1进行计算，得出哪类信息应该被丢弃。

输入门表示如下：

I_T＝σ(W_I[h_T-1,x_T]+b_I)

C'_T＝tanh(W_C[h_T-1,x_T]+b_C)

其中，I_T表示要保留下来的新信息，W_I为输入门的权值向量，b_I为输入门的偏置向量，C'_T为输入门的输出状态，W_C为输入门输出状态的权值向量，b_C为输入门输出状态的偏置向量。此时，记忆单元的模型函数表示为C_T：

C_T＝f_T*C_T-1+I_T*C'_T

输出门的模型表示为：

o_T＝σ(W_o[h_T-1,x_T]+b_o)

h_T＝o_T*tanh(C_T)

其中，o_T为输出门，即所需要的结果W_o为输出门的权值向量，b_o为输出门的偏置向量，h_T为输出门的输出，用于计算下一个神经元。本文将***分为不同的时隙，在当前T时隙，把当前接入设备的数量，时间等信息输入到已经训练好的模型中，并根据历史信息分析，计算在该时段下的时间特征，每个接入设备i产生任务U_i(T)，利用任务预测模型预测下一时隙的任务U_i(T+1)，之后将T时隙的不同设备预测的任务信息{x_i,y_i,F_i,D_i}汇总，得到T+1时隙的预测任务集。

(3)基于预测结果进行联合无人机基站部署和任务调度优化：

根据得到的T+1时隙的预测任务集，本发明将进化算法引入到联合无人机基站部署和任务调度优化过程中，采用集中训练和分布式执行的架构，目标函数值为计算T+1时隙下{N,S,a,f}的***总能耗。如图3所示，步骤(3)包括：

(3.1)初始化无人机的数量

且，其中n_max是每架无人机可以同时执行任务数的最大值。

(3.2)将每个无人机基站的水平面位置编码成个体，整个种群表示无人机基站的部署。通过初始化部署算法生成具有N个个体的初始种群S，即无人机的初始位置S＝{(X₁,Y₁),(X₂,Y₂)...(X_N,Y_N)}，其中X,Y表示无人机基站在二维平面上的坐标。约束条件为任意两架无人机基站j1,j2之间距离d_j1,j2必须大于等于安全距离

表示无人机j1,j2之间必须保持最小距离，防止无人机基站发生碰撞。

(3.3)根据预测的任务集和给定无人机部署方案S，通过任务调度算法(3.8)得到此刻近似最优的卸载决策a和资源分配f。根据预测结果{M，U_i}和联合优化方案{N,S,a,f}，计算T+1时隙所需要的***总能耗，适应度评估次数Fs＝Fs+1，其中初始化适应度评估次数Fs＝1。当Fs＜10000时，若预测任务集中任务可全部完成，到达步骤(3.4)；否则，到达步骤(3.5)。当Fs＝10000时，停止联合迭代优化，到达步骤(4)。

(3.4)当预测任务集中任务可全部完成时，利用消除算法减少无人机的数量N＝N-1，每次迭代减少一个无人机，利用无人机之间的欧式距离删除其中一个无人机位置，得到更新后的无人机种群S，再次执行步骤(3.3)。

(3.5)当预测的T+1时隙任务集无法全部完成时，执行差分进化算法的变异和交叉算子来产生后代种群R，其中R是对种群S进化所得到的新的无人机布局。

(3.6)利用后代种群R中第j个个体替换S中随机选择的个体，从而得到一个新的种群S'。

(3.7)若S'中任意两个无人机之间的距离大于等于安全距离

则S＝S'，跳转至步骤(3.3)；否则跳转至步骤(3.6)。

(3.8)利用无人机部署算法得到的{N,S}，在处理任务计算能耗和通信能耗最小化目标基础上，基于任务调度算法得到卸载决策方案a和最优的计算资源分配方案f。

(4)基于任务预测结果，对第(3)步骤中无人机部署子问题和任务调度子问题进行联合迭代优化，当步骤(3.3)中适应度计算次数达到Fs＝10000时，停止迭代优化，得到下一时隙最优的无人机部署方案和任务调度方案，可提前在任务到来前将无人机基站部署到最优的悬停位置并且提前在无人机基站上加载服务，从而减少服务加载时间

极大减少任务的响应时间和完成能耗，提高了计算资源的利用率，降低了网络能耗。

(5)真实任务抵达，若预测任务正确，按照原优化方案执行；若预测错误，基于已知无人机部署方案，终端用户产生的任务通过任务调度算法重新选择合适的卸载决策a'和计算资源分配方案f'。不过此时卸载到无人机处理的任务计算时间需要加入服务加载时间

利用真实任务集{M,U_i}和{N,S,a',f'}计算T+1时隙的***总能耗。

综上所述：

本发明提出一种基于任务预测的多无人机辅助边缘计算的资源分配方法，通过将无人机辅助边缘计算卸载网络的***总能耗最小化问题建模为终端设备任务可预测过程，并使用LSTM算法进行任务预测，使得无人机部署和任务调度能够适应动态改变的业务数据量，进行分布式协作，提高计算资源的利用率和降低网络延迟，实现网络的高吞吐量、低时延和低能耗。

以上附图和实施例描述了本发明的基本原理和主要特征。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还可以做出其他不同形式的变化或变动。凡在本发明的精神和原则之内做出的变化和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (1)

1.一种基于任务预测的多无人机辅助边缘计算资源分配方法，其特征在于，步骤如下：

(1)建立多无人机辅助边缘计算卸载模型

(1.1)建立场景模型：建立一个边长为d的正方形目标区域，该目标区域中有M个终端用户和N个无人机基站，这些无人机基站为终端用户提供通信与计算服务；时间被划分为T个相同的时隙，从上一时隙到当前时隙，终端用户可能静止也可能发生移动并且产生的任务量不一定相同；因此需要根据每个时隙终端用户的位置以及产生的任务流量动态部署无人机基站最优的悬停位置以及确定最优的任务调度方案，从而提高计算资源利用率，降低网络能耗；

(1.2)建立通信模型：无人机基站由于高飞行高度，相比于地面基站更容易与地面用户建立视距链路LoS，使用视距通信信道模型对无人机基站和终端用户之间的信道进行建模；在LoS情况下，第j个无人机基站和第i个终端用户之间的欧式距离为L_i,j：

在三维笛卡尔坐标中，H表示无人机基站固定飞行高度，(X_j,Y_j,H)表示第j个无人机基站的位置，(x_i,y_i,0)表示第i个终端用户的的位置；根据路径损失，无人机基站j和终端用户i之间的信道增益表示为h_i,j：

其中，h₀表示可参考范围内的信道增益；根据信道增益，无人机基站j和终端用户i之间的数据传输速率为R_i,j：

其中，B表示信道带宽，σ表示加性高斯白噪声，P_i,j表示第i个终端用户的发射功率；终端用户i产生的任务选择卸载到无人机基站j所需要的传输时间为

其中，D_i表示终端用户i任务的数据量大小；终端用户i任务卸载到无人机基站j所需要的传输能耗为

(1.3)建立任务计算模型：定义时隙T终端用户i产生一个要执行的任务U_i，在本地处理或者卸载到一个无人机基站处理；每个任务具有N+1种模式，表示为K＝{0,1,….N}；k＝0表示任务本地处理，k＞0表示终端用户产生的任务卸载到无人机基站上处理；任务卸载采用二进制模式，定义矩阵a表示终端用户i的卸载决策，a_i,k＝1表示终端用户i产生的任务本地处理或者卸载到无人机基站上处理，a_i,k＝0表示待筛选集；

当a_i,k＝1&k＝0时，终端用户i任务选择本地执行时，完成任务所需要时间为

其中，F_i表示终端用户i任务的所需总计算强度，f_i,0表示终端用户i分配的计算强度；终端用户i任务本地处理能耗为

其中，k₁是有效开关电容，v表示正向约束；当a_i,k＝1&k＝j时，终端用户i任务选择卸载到无人机基站j处理时，j将会分配相应的计算强度f_i,j，即CPU周期；在处理数据之前，需要在无人机基站j中加载虚拟机并加载来自终端用户i任务的服务资源，假设针对不同已知任务，服务加载时间已经确定，表示为T_i ^load；无人机基站j处理终端用户i任务所需要的计算时间表示为：

无人机基站j处理终端用户i任务所需要的计算能耗表示为：

其中，k₂是有效开关电容，v表示正向约束，P₀表示服务加载时无人机具有的固定消耗功率；

(1.4)建立能量损耗模型：在整个任务卸载过程中，除了通信能耗和卸载到无人机上的处理能耗外能耗还包括无人机自身悬停能耗，悬停能耗E^H表示为：

E^H＝P₁T

其中，P₁表示悬停时所需要的功率；T时隙完成所有任务需要的***总能耗为：

(2)将问题建模为终端用户任务可预测过程

第i个终端用户产生的任务U_i是一个四元组{x_i,y_i,F_i,D_i}，其中x_i,y_i分别表示终端用户在水平面x轴和y轴位置坐标，F_i,D_i分别表示所需总计算强度和数据量的大小；每个终端用户相当于一个智能体；利用长短期记忆神经网络LSTM方法进行任务预测；LSTM任务预测过程中，在每个神经单元内引入“输入门，遗忘门”以及控制参数C_T；遗忘门表示如下：

f_T＝σ(W_f[h_T-1,x_T]+b_f)

其中，σ为Sigmoid函数：

在(-∞,+∞)的定义域内，取值为[0,1]，W_f为权值向量，h_T-1为迭代计算过程的前一次输出，x_T为当前输入序列矩阵，b_f为偏置向量；f_T用于后续与控制参数C_T-1进行计算，得出哪类信息应该被丢弃；

输入门表示如下：

I_T＝σ(W_I[h_T-1,x_T]+b_I)

C'_T＝tanh(W_C[h_T-1,x_T]+b_C)

其中，I_T表示要保留下来的新信息，W_I为输入门的权值向量，b_I为输入门的偏置向量，C'_T为输入门的输出状态，W_C为输入门输出状态的权值向量，b_C为输入门输出状态的偏置向量；

此时，记忆单元的模型函数表示为C_T：

C_T＝f_T*C_T-1+I_T*C'_T

输出门的模型表示为：

o_T＝σ(W_o[h_T-1,x_T]+b_o)

h_T＝o_T*tanh(C_T)

其中，o_T为输出门，即所需要的结果W_o为输出门的权值向量，b_o为输出门的偏置向量，h_T为输出门的输出，用于计算下一个神经元；将***分为不同的时隙，在当前T时隙，把当前接入设备的数量，时间信息输入到已经训练好的模型中，得到下一个时隙预测的终端用户任务，并根据历史信息分析，计算在该时段下的时间特征，每个设备i产生任务U_i(T)，其中包括任务所需计算总强度和数据量大小分别为F_i(T),D_i(T)，以及水平面二维坐标位置x_i(T),y_i(T)，之后将T时隙的不同设备预测的任务信息{x_i,y_i,F_i,D_i}汇总，得到T+1时隙的预测任务集；

(3)基于预测结果进行联合无人机基站部署和任务调度优化

根据得到的T+1时隙的预测任务集，将进化算法引入到联合无人机基站部署和任务调度优化过程中，采用集中训练和分布式执行的架构，目标函数值为计算T+1时隙下{N,S,a,f}的***总能耗；

(3.1)初始化无人机的数量

且，其中n_max是每架无人机可同时执行任务数的最大值；

(3.2)将每个无人机基站的水平面位置编码成个体，整个种群表示无人机基站的部署；通过初始化部署算法生成具有N个个体的初始种群S，即无人机的初始位置S＝{(X₁,Y₁),(X₂,Y₂)...(X_N,Y_N)}，其中X,Y表示无人机基站在二维平面上的坐标；约束条件为任意两架无人机基站j1,j2之间距离必须大于等于安全距离

表示无人机j1,j2之间必须保持最小距离，防止无人机基站发生碰撞；

(3.3)根据给定S，通过任务调度算法步骤(3.8)得到此刻近似最优的卸载决策a和资源分配f；根据预测结果{M，U_i}和联合优化方案{N,S,a,f}，计算T+1时隙所需要的***总能耗，适应度评估次数Fs＝Fs+1，其中初始化适应度评估次数Fs＝1；当Fs＜10000时，若预测任务集中任务可全部完成，到达步骤(3.4)，否则，到达步骤(3.5)；

(3.4)当预测任务集中任务可全部完成时，利用消除算法减少无人机的数量N＝N-1，每次迭代减少一个无人机，利用无人机之间的欧式距离删除其中一个无人机位置，得到更新后的无人机基站部署方案S，再次执行步骤(3.3)；

(3.5)当预测的T+1时隙任务集无法全部完成时，执行差分进化算法的变异和交叉算子来产生后代种群R，其中R是对种群S进化所得到的新的无人机布局；

(3.6)利用R中第j个个体替换S中随机选择的个体，从而得到一个新的种群S'；

(3.7)若S'中任意两个无人机之间的距离大于等于安全距离

则S＝S'，跳转至步骤(3.3)，否则跳转至步骤(3.6)；

(3.8)利用无人机部署算法得到的{N,S}，基于任务调度算法得到卸载决策方案a和最优的计算资源分配方案f；

(4)基于任务预测结果，对第(3)步骤中无人机部署子问题和任务调度子问题进行联合迭代优化，当步骤(3.3)中适应度计算次数达到Fs＝10000时，停止迭代优化，得到下一时隙最优的无人机部署方案和任务调度方案，可提前在任务到来前将无人机基站部署到最优的悬停位置并且提前在无人机基站上加载服务，从而减少服务加载时间T_i ^load，极大减少任务的响应时间和完成能耗，提高了计算资源的利用率，降低了网络能耗；

(5)真实任务抵达，若预测任务无误，按照原优化方案执行；若预测错误，基于已知无人机部署方案，终端用户产生的任务通过任务调度算法重新选择合适的卸载决策a'和计算资源分配方案f'，不过此时卸载到无人机处理的任务计算时间需要加入服务加载时间T_i ^load，利用真实任务集{M,U_i}和优化后的{N,S,a',f'}计算T+1时隙的***总能耗。

Images