CN112381265B - 基于无人机的充电和任务卸载***及其任务耗时优化方法 - Google Patents

基于无人机的充电和任务卸载***及其任务耗时优化方法 Download PDF

Info

Publication number
CN112381265B
CN112381265B CN202011120032.7A CN202011120032A CN112381265B CN 112381265 B CN112381265 B CN 112381265B CN 202011120032 A CN202011120032 A CN 202011120032A CN 112381265 B CN112381265 B CN 112381265B
Authority
CN
China
Prior art keywords
user equipment
task
unloading
charging
calculation
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
CN202011120032.7A
Other languages
English (en)
Other versions
CN112381265A (zh
Inventor
王进
金彩燕
汤强
吴一鸣
韩惠
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.)
Changsha University of Science and Technology
Original Assignee
Changsha 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 Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202011120032.7A priority Critical patent/CN112381265B/zh
Publication of CN112381265A publication Critical patent/CN112381265A/zh
Application granted granted Critical
Publication of CN112381265B publication Critical patent/CN112381265B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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"
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于无人机的充电和任务卸载***及其任务耗时优化方法，本***通过在无人机上搭载MEC服务器和WPT模块，能够向用户设备提供本地计算的消耗电量和将任务卸载的消耗电量，打破因储能较低的用户设备无法有效执行本地计算和利用MEC资源的限制，提升***任务完成的效率。而且通过对用户设备所具备资源的最大化利用，使用户设备能在最短时间内处理或传输其任务数据，在这个前提下，通过对本地计算和卸载计算两种模式下任务总耗时的比较权衡，选择最优于用户设备体验的策略方案，提高了WPT和MEC对每一用户设备所分配资源的性价比与利用率，实现了***任务完成总耗时最小化的目标，达到WPT和MEC的资源利用率和分配合理性目的，提升了工作效率。

Description

基于无人机的充电和任务卸载***及其任务耗时优化方法
技术领域
本发明涉及5G/B5G通信技术领域，特别涉及一种基于无人机的充电和任务卸载***及其任务耗时优化方法。
背景技术
移动边缘计算(MEC)是近年来提出的一种在移动网络边缘处理资源密集型和时延敏感型应用的技术，它可以突破用户设备的硬件限制和资源限制。
近年来，随着无线通信技术和物联网技术的飞速发展，无线传感器网络在极端与偏远环境下的救援部署、数据采集和安全防护等场景下的应用也愈发广泛。工业物联网、智慧城市等领域的许多应用问题都可以在MEC框架下实现。例如，在电动汽车智能电网充电中，可以将MEC服务器部署在路边单元(RSU)上，与远端云配合监视与调度电动汽车的充电行为。
现有的MEC技术大都不考虑MEC服务器的灵活部署性，同时假设MEC服务器的资源是无限够用的。但在许多实际场景中，架设固定的地面MEC服务器往往是不现实与低效益的，同时MEC服务器所能提供的资源也是有限的。在偏远的大型工业场景下，如沙漠油田或输油线路，由于各方面现实因素的制约，架设地面MEC服务器是不可行且不经济的；且在资源受限的情况下，MEC服务器往往难以在保证所有用户业务能够在最短时间内完成。而且现有MEC技术大都不考虑用户设备能量的有限性，默认其随时具有对自身业务的传输与计算能力。对于大部分的无源IoT传感网而言，用户设备由于自身储能较低往往无法负担长时间的有效工作与业务传输处理，无法有效利用MEC服务器的资源。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于无人机的充电和任务卸载***及其任务耗时优化方法。
本发明的第一方面，提供了一种基于无人机的充电和任务卸载***，包括：无人机和若干个用户设备，每个所述用户设备对应一个独立的任务；所述无人机搭载有WPT模块和MEC服务器，所述WPT模块用于向所述用户设备提供对应任务的本地计算的电量消耗，或提供将任务卸载至所述MEC服务器的电量消耗；其中所有所述用户设备的任务均采取0-1卸载方案且每一用户设备仅能在所述无人机的某一悬停点向所述无人机发起一次充电和任务卸载请求；
所述无人机在执行任务之前，先计算由用户设备计算对应任务的本地计算耗时和本地计算耗能、由用户设备将任务卸载至MEC服务器的传输耗时和耗能信息、由MEC服务器计算对应任务的边缘计算耗时和边缘计算耗能、和WPT模块对用户设备的充电耗时；根据求出的所有耗时和耗能，以所有所述用户设备的任务计算总耗时最小化作为目标函数，计算满足所述目标函数的最优的用户设备的任务卸载决策、MEC服务器的卸载计算资源分配、WPT模块的充电资源分配、和用户设备与MEC服务器的连接决策，用于使所有所述用户设备的任务计算总耗时最小。
根据本发明的实施例，至少具有如下技术效果：
(1)在本***中，通过在无人机上搭载MEC服务器打破传统MEC服务器架设于固定的地面的限制，能够提升对用户任务进行卸载计算的可行性和***整体的经济效益；通过在无人机上搭载WPT模块能够向用户设备提供执行本地计算的消耗电量和将任务卸载至无人机的消耗电量，能够打破因自身储能较低用户设备无法有效执行本地计算和无法有效利用MEC资源的限制，提升***任务完成的效率。
(2)本***通过对用户设备所具备资源的最大化利用，使得用户设备能在最短时间内处理或传输其任务数据，在这个前提下，通过对本地计算和卸载计算两种模式下任务总耗时的比较权衡，选择最优于用户设备体验的策略方案，进一步提高了WPT模块和MEC服务器对每一用户设备所分配资源的性价比与利用率，实现了***用户任务完成总耗时最小化的目标，最终达到WPT和MEC的资源利用率和分配合理性的目的，提升工作效率。
本发明的第二方面，提供了一种基于本发明第一方面所述的基于无人机的充电和任务卸载***的任务耗时优化方法，其特征在于，包括以下步骤：
以所有用户设备的任务计算总耗时最小化作为目标函数，建立WPT-MEC场景中的用户设备充电与任务部分卸载模型；
求解所述用户设备充电与任务部分卸载模型，得到满足目标函数的所有用户设备卸载与连接信息，以及对应的最优WPT充电资源和MEC计算资源；
无人机沿既定轨迹飞行，并在相应悬停点向每个用户设备分配对应的最优WPT充电资源和MEC计算资源。
根据本发明的实施例，至少具有如下技术效果：
本方法通过对用户设备所具备资源的最大化利用，使得用户设备能在最短时间内处理或传输其任务数据，在这个前提下，通过对本地计算和卸载计算两种模式下任务总耗时的比较权衡，选择最优于用户设备体验的策略方案，进一步提高了WPT模块和MEC服务器对每一用户设备所分配资源的性价比与利用率，实现了***用户任务完成总耗时最小化的目标，最终达到WPT和MEC的资源利用率和分配合理性的目的，提升工作效率。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例提供的基于无人机的充电和任务卸载***的示意图；
图2为本发明实施例提供的一种基于无人机的充电和任务卸载***的任务耗时优化方法的流程示意图；
图3为图2中步骤S102的一种具体实施流程示意图；
图4为本发明实施例提供的求解目标函数的流程示意图；
图5为本发明实施例提供的目标函数值与方法迭代次数之间的仿真结果示意图；
图6为本发明实施例提供的基于无人机的充电和任务卸载***的运行演示图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
参照图1，本发明的一个实施例，提供一种基于无人机的充电和任务卸载***，***包括无人机和若干个用户设备，每一个用户设备对应有一个独立的计算任务。无人机上搭载有WPT(无线电能传输)模块和MEC(移动边缘计算)服务器，WPT技术是一种具有广泛发展前景的借助电磁场或电磁波进行能量传递的技术，可帮助设备缓解能源压力并能在一定程度上突破硬件设备和距离的限制。无人机在沿既定轨迹飞行时会有若干次悬停点，并可选择在某一悬停点处与1个或多个用户设备连接，对该1个或多个用户设备执行充电和任务卸载服务。而，一个用户设备仅能在无人机的某一悬停点向无人机发起一次服务(充电与任务卸载)请求。当无人机悬停于某一悬停点处后，首先WPT模块能够对该点处与无人机对接的所有用户设备进行充电，以提供用户设备执行本地计算的电量消耗或者提供用户设备将任务卸载(上传)至MEC服务器的电量消耗。用户设备的任务执行的是0-1卸载方案，即任务由用户设备执行本地计算，或者任务由用户设备卸载至MEC服务器进行计算。除特别声明外，本文所指的无人机卸载计算均为无人机上搭载的MEC服务器卸载计算，无人机充电均为无人机上搭载的WPT模块充电，无人机本体不进行计算和充电。而且由于计算结果上传(对于本地计算)或计算完成后的信标回传(对于卸载计算)所花费的时间可以忽略不计，因此本实施例暂不考虑。
在本***中，无人机在沿既定轨迹飞行前，先根据用户设备的坐标、悬停点的坐标、用户设备所拥有的计算资源和任务数据、用户设备与MEC服务器之间的传输效率、MEC服务器的计算资源和WPT模块的电量资源、MEC服务器与用户设备的最大连接数量、和WPT模块与用户设备之间的充电效率，计算得到由用户设备计算对应任务的本地计算耗时和本地计算耗能、由用户设备将任务卸载至MEC服务器的传输耗时和耗能信息、由MEC服务器计算对应任务的边缘计算耗时和边缘计算耗能、和WPT模块对用户设备的充电耗时；无人机还根据以上求出的所有耗时和耗能信息，以所有用户设备的任务计算总耗时最小化作为目标函数，计算满足目标函数的最优的用户设备的任务卸载决策、最优的MEC服务器的卸载计算资源分配、最优的WPT模块的充电资源分配、和最优的用户设备与MEC服务器的连接决策，用于使所有用户设备的任务计算总耗时最小。需要注意的是，这本发明默认为无人机上的MEC服务器执行上述决策和资源分配的计算过程，当然的，也可以是无人机内部的处理器执行上述决策和资源分配的计算过程。
本***通过在无人机上搭载MEC服务器打破传统MEC服务器架设于固定的地面的限制，能够提升对用户任务进行卸载计算的可行性和***整体的经济效益；通过在无人机上搭载WPT模块能够向用户设备提供执行本地计算的消耗电量和将任务卸载至无人机的消耗电量，能够打破因自身储能较低用户设备无法有效执行本地计算和无法有效利用MEC资源的限制，提升***任务完成的效率。本***还通过对用户设备所具备资源的最大化利用，使得用户设备能在最短时间内处理或传输其任务数据，在这个前提下，通过对本地计算和卸载计算两种模式下任务总耗时的比较权衡，选择最优于用户设备体验的策略方案，进一步提高了WPT模块和MEC服务器对每一用户设备所分配资源的性价比与利用率，实现了***用户任务完成总耗时最小化的目标，最终达到WPT和MEC的资源利用率和分配合理性的目的，提升工作效率。
参照图2至图5，本发明的一个实施例，基于前述***实施例，在满足能耗、延时和资源限制等约束条件的前提下，提供了一种无人机的充电和任务卸载***的任务耗时优化方法，方法包括以下步骤：
S101：以所有用户设备的任务计算总耗时最小化作为目标函数，建立WPT-MEC场景中的用户设备充电与任务部分卸载模型。
为便于具体实施，本发明实施例给出一种具体的MEC计算用户设备充电与任务部分卸载模型的建立方法，详细过程如下：
定义：UAV(除特别声明之外，本文中出现的UAV均表示无人机)在第j个悬停点的坐标为
Figure BDA0002731687570000071
用户设备i的坐标为
Figure BDA0002731687570000072
则在UAV的第j个悬停点，用户设备i与UAV之间的水平投影距离为：
Figure BDA0002731687570000073
在UAV的第j个悬停点，用户设备i与UAV之间的直线距离为：
Figure BDA0002731687570000074
对于UAV-UE通信，考虑到环境中障碍物对LoS连接的影响。为了更符合实际通信，本实施例采用城郊衰落下的空地通信模型。因此，在UAV的第j个悬停点，用户设备i与UAV通信的平均路径衰落可表示为：
Figure BDA0002731687570000075
其中，
Figure BDA0002731687570000076
表示LoS连接的概率，PNLoS,i(j)＝1-PLoS,i(j)表示NLoS连接的概率，
Figure BDA0002731687570000077
表示通信链路仰角，fc表示载波系数，a,b表示环境参数，c表示光速，ηLos,ηNLos分别表示Los连接和非Los连接的环境影响常熟。
在UAV的第j个悬停点，用户设备i与UAV间的通信速率为：
Figure BDA0002731687570000078
其中，B表示传输带宽，R表示UAV可同时连接的最大用户设备数量，
Figure BDA0002731687570000079
表示用户设备i的发射功率，σ2表示高斯白噪声功率；
Figure BDA00027316875700000710
表示对应的信道增益，g0表示传输信道参考增益。
当选择将任务在用户设备上本地计算时，计算耗时取决于用户设备的最大计算能力，即：
Figure BDA0002731687570000081
其中，Fi表示任务计算所需的总CPU数量；
Figure BDA0002731687570000082
表示用户设备i的计算频率。
对应所消耗能量为：
Figure BDA0002731687570000083
其中，
Figure BDA0002731687570000084
表示能量效率系数，v表示常量，这里取3；
当选择将任务卸载到MEC服务器计算时，首先需要将任务数据传输到MEC服务器上。若其选择在UAV的第j个悬停点进行任务卸载与计算，则有传输耗时与耗能分别为：
Figure BDA0002731687570000085
Figure BDA0002731687570000086
其中，Di表示任务的输入数据大小，ri(j)表示用户设备i与在悬停点j的MEC服务器之间的通信速率，ai(j)表示用户设备i与MEC服务器在悬停点j的连接决策(取值0或1)。
计算耗时与耗能分别为：
Figure BDA0002731687570000087
Figure BDA0002731687570000088
其中，Fi表示任务计算所需的总CPU数量，
Figure BDA0002731687570000089
表示在悬停点j的MEC服务器对用户设备i分配的计算频率，
Figure BDA00027316875700000810
表示能量效率系数。
在UAV的第j个悬停点，用户设备i所能收集到的电能可表示为：
Figure BDA00027316875700000811
用户设备在执行任务过程中所消耗的电能都来源于收集到的电能，因此有：
Figure BDA0002731687570000091
因此，充电耗时可表示为:
Figure BDA0002731687570000092
其中，式(11)至(13)中的符号含义为：η0表示电能收集效率系数，ρi表示用户设备i的任务卸载决策(即选择本地计算或卸载计算，取值为0或者1)，
Figure BDA0002731687570000093
表示在悬停点j的WPT模块对用户设备i的充电功率，
Figure BDA0002731687570000094
表示用户设备i的发射功率；η0表示电能收集效率系数。
进一步；
对于用户设备i的任务，将其完成总耗时的目标函数表示为：
Figure BDA0002731687570000095
从用户设备的卸载决策、MEC服务器的卸载计算资源分配、WPT模块的充电资源分配、和用户设备与MEC服务器的连接决策制定完成***所有用户设备的任务计算总耗时最小化的目标函数，目标函数为：
Figure BDA0002731687570000096
s.t.C1:
Figure BDA0002731687570000097
C2:
Figure BDA0002731687570000098
C3:
Figure BDA0002731687570000099
C4:
Figure BDA00027316875700000910
C5:
Figure BDA00027316875700000911
C6:
Figure BDA0002731687570000101
C7:
Figure BDA0002731687570000102
C8:
Figure BDA0002731687570000103
C9:
Figure BDA0002731687570000104
其中，M表示***内悬停点的数量，M表示***内悬停点的集合，N表示***内用户设备的数量，N表示***内用户设备的集合，
Figure BDA0002731687570000105
表示MEC服务器的最大计算频率，
Figure BDA0002731687570000106
表示WPT模块的最大充电功率，C表示MEC服务器可同时连接的最大用户设备数量。
S102：求解用户设备充电与任务部分卸载模型，得到满足目标函数的所有用户设备卸载与连接信息，以及对应的最优WPT充电资源和MEC计算资源。
参照图3，步骤S102的一种具体实施方式，包括：
S201：确定用户设备充电与任务部分卸载模型对应目标函数的松弛问题。
为有效解决***模型及其对应的目标函数，首先对目标函数进行松弛，其对应的松弛问题为：
Figure BDA0002731687570000107
s.t.C1:
Figure BDA0002731687570000108
C2:
Figure BDA0002731687570000109
C3:
Figure BDA00027316875700001010
C4:
Figure BDA0002731687570000111
C5:
Figure BDA0002731687570000112
C6′:
Figure BDA0002731687570000113
C7:
Figure BDA0002731687570000114
C8:
Figure BDA0002731687570000115
C9′:
Figure BDA0002731687570000116
S202：根据块坐标下降法，将模型的对应目标函数的松弛问题拆分为单独求解各变量的子问题。
作为一种可选的实施方式，通过块坐标下降法求解该模型及松弛后的目标函数，对应的子问题与参考求解方式如下：
子问题1，求解用户设备最优的卸载计算决策：
Figure BDA0002731687570000117
s.t.C1:
Figure BDA0002731687570000118
C2:
Figure BDA0002731687570000119
C9′:
Figure BDA00027316875700001110
通过考虑C1和C9′的影响，可以得到变量ρi的部分最优解：
Figure BDA00027316875700001111
Figure BDA0002731687570000121
表示用户设备i的任务在本地完成的总耗时；
Figure BDA0002731687570000122
表示用户设备i的任务卸载到MEC服务器完成的总耗时；
再考虑约束C2的影响，使用一个启发式算法在上述部分最优解的基础上调整逼近，得到问题的整体局部最优解。
子问题2，求解MEC服务器最优的卸载计算资源分配：
Figure BDA0002731687570000123
s.t.C1:
Figure BDA0002731687570000124
C2:
Figure BDA0002731687570000125
C3:
Figure BDA0002731687570000126
通过C1和C3，可以得到变量
Figure BDA0002731687570000127
的取值范围：
Figure BDA0002731687570000128
where
Figure BDA0002731687570000129
再通过求解目标函数与C2的部分拉格朗日对偶问题，可以得到最优的卸载计算资源分配。具体如下：
令μ＝{μj}j∈M为约束C2所对应的拉格朗日乘子，则部分拉格朗日对偶问题为：
Figure BDA00027316875700001210
where
Figure BDA0002731687570000131
求解该对偶问题，可以得到最优解为：
Figure BDA0002731687570000132
子问题3，求解WPT模块最优的充电资源分配：
Figure BDA0002731687570000133
s.t.C4:
Figure BDA0002731687570000134
C5:
Figure BDA0002731687570000135
与求解子问题2类似，令λ＝{λj}j∈M为约束C4所对应的拉格朗日乘子，则部分拉格朗日对偶问题为：
Figure BDA0002731687570000136
where
Figure BDA0002731687570000137
求解该对偶问题，可以得到最优解为：
Figure BDA0002731687570000141
where
Figure BDA0002731687570000142
子问题4，求解用户设备最优的设备连接决策：
Figure BDA0002731687570000143
s.t.C1:
Figure BDA0002731687570000144
C2:
Figure BDA0002731687570000145
C4:
Figure BDA0002731687570000146
C6′:
Figure BDA0002731687570000147
C7:
Figure BDA0002731687570000148
C8:
Figure BDA0002731687570000149
显然该子问题为一个关于ai(j)的线性规划问题，可以使用单纯形法或直接使用CVX库进行有效的求解。
S203：求解松弛下各变量的子问题，确定目标函数的最优解及其对应的最优方案。
在对上述各子问题进行多次迭代求解之后，各子问题与原优化问题的目标函数值将趋于平稳直到收敛至最优解，此时的目标函数值即为所求的最优解，各子问题最优解的集合即为所求最优解所对应的最优方案，如图4所示。
在图5中，展示了优化问题的目标函数值(所有用户设备的任务完成总耗时)与方法迭代次数之间的关系，其中simulation 1-7分别是在同一初始状态下的多次算法独立运行结果。可以明显得到：在运行4-5次后能够收敛到一个较小的值，收敛速度较快，也具有较好的优化效果。
S103：无人机沿既定轨迹飞行，并在相应悬停点向每个用户设备分配对应的最优WPT充电资源和MEC计算资源。
当无人机的计算出目标函数的最优解及其对应的最优方案之后，在沿既定轨迹飞行与悬停的过程中按照该最优解与最优方案执行对应的充电与卸载计算资源分配，用户设备按照该最优解与最优方案执行对应的连接与任务卸载策略。
本方法实施例的有益效果如下：
本方法通过对用户设备所具备资源的最大化利用，使得用户设备能在最短时间内处理或传输其任务数据，在这个前提下，通过对本地计算和卸载计算两种模式下任务总耗时的比较权衡，选择最优于用户设备体验的策略方案，提高了WPT模块和MEC服务器对每一用户设备所分配资源的性价比与利用率，实现了***用户任务完成总耗时最小化的目标，最终达到WPT和MEC的资源利用率和分配合理性的目的，提升了工作效率。
为了便于理解，提供一个实施例，在大型沙漠油田场景中，由于地形气候等因素的限制，架设和维护地面通信基站和MEC服务器是困难且低效益的，因此需要UAV承担现场及管道巡视、数据收集与计算等任务；又因为在石油输送管道中部署传统线路供电存在危险与不可控因素，为避免频繁更换其中的各类传感器，在UAV上增设WPT模块也是十分必要的。
在此场景下，由于UAV的飞行距离和时间都是有限的，考虑到与UAV的飞行能耗相比其通信和计算能耗是微乎其微的，且UAV在某一位置的悬停时间由当前位置所执行任务的完成时间所决定的，为了使UAV在单次巡航中能够覆盖更多用户设备，需要对区域内所有用户设备的任务完成总耗时进行优化：首先用户设备根据自身所拥有的资源和任务数据计算出最优的任务本地计算耗时和对应所需消耗的电能，并将这两个计算结果和设备位置、任务信息打包成信标发送给UAV。当UAV接收所有用户设备发送的信标后，结合飞行轨迹和自身资源，对所有的用户设备的策略和自身行为进行总体优化(以完成***任务耗时最小化为目标)，然后将优化结果发送给每个用户设备并相应执行。
为了便于理解，提供一个实施例，如图6所示：
无人机UAV初始化信息后，接收用户设备UE1和用户设备UE2发送的信标；
UAV计算出最优方案后，开始沿既定轨迹飞行，到达相应悬停点后，向UE1和UE2传输能量；
UE1根据最优方案执行任务卸载计算；UE2根据最优方案执行本地计算；
UAV向UE1发送完成信标；UE2向UAV发送计算结果。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (3)

1.一种基于无人机的充电和任务卸载***，其特征在于，包括：无人机和若干个用户设备，每个所述用户设备对应一个独立的任务；所述无人机搭载有WPT模块和MEC服务器，所述WPT模块用于向所述用户设备提供对应任务的本地计算的电量消耗，或提供将任务卸载至所述MEC服务器的电量消耗；其中所有所述用户设备的任务均采取0-1卸载方案且每一用户设备仅能在所述无人机的某一悬停点向所述无人机发起一次充电和任务卸载请求；
所述无人机在执行任务之前，先计算由用户设备计算对应任务的本地计算耗时和本地计算耗能、由用户设备将任务卸载至MEC服务器的传输耗时和耗能信息、由MEC服务器计算对应任务的边缘计算耗时和边缘计算耗能、和WPT模块对用户设备的充电耗时；根据求出的所有耗时和耗能，以所有所述用户设备的任务计算总耗时最小化作为目标函数，计算满足所述目标函数的最优的用户设备的任务卸载决策、MEC服务器的卸载计算资源分配、WPT模块的充电资源分配、和用户设备与MEC服务器的连接决策，用于使所有所述用户设备的任务计算总耗时最小；
所述无人机通过块坐标下降法计算满足所述目标函数的最优的用户设备的任务卸载决策、MEC服务器的卸载计算资源分配、WPT模块的充电资源分配、和用户设备与MEC服务器的连接决策；
其中，所述目标函数表示为：
Figure FDA0003781241420000011
其中，N表示所述用户设备的数量，M表示所述无人机飞行悬停点的数量，ai(j)表示用户设备i与所述MEC服务器在悬停点j的连接决策，
Figure FDA0003781241420000021
表示在悬停点j的所述WPT模块对用户设备i的充电功率，ρi表示用户设备i的任务卸载决策，fi O(j)表示在悬停点j的所述MEC服务器对用户设备i分配的计算频率，
Figure FDA0003781241420000022
表示用户设备i执行本地计算的本地计算耗时，
Figure FDA0003781241420000023
表示在悬停点j的所述WPT模块对用户设备i的充电耗时，
Figure FDA0003781241420000024
表示用户设备i将任务卸载至所述MEC服务器的传输耗时；
Figure FDA0003781241420000025
表示在悬停点j的所述MEC服务器执行用户设备i的任务卸载计算耗时；
所述目标函数的约束条件为：
s.t.C1:
Figure FDA0003781241420000026
C2:
Figure FDA0003781241420000027
C3:
Figure FDA0003781241420000028
C4:
Figure FDA0003781241420000029
C5:
Figure FDA00037812414200000210
C6:
Figure FDA00037812414200000211
C7:
Figure FDA00037812414200000212
C8:
Figure FDA00037812414200000213
C9:
Figure FDA00037812414200000214
其中，N表示所述用户设备的集合，M表示所述无人机飞行悬停点的集合，
Figure FDA0003781241420000031
表示MEC服务器的最大计算频率，
Figure FDA0003781241420000032
表示WPT模块的最大充电功率，C表示所述MEC服务器可同时连接的最大用户设备数量。
2.一种基于权利要求1所述的基于无人机的充电和任务卸载***的任务耗时优化方法，其特征在于，包括以下步骤：
以所有用户设备的任务计算总耗时最小化作为目标函数，建立WPT-MEC场景中的用户设备充电与任务部分卸载模型；
求解所述用户设备充电与任务部分卸载模型，得到满足目标函数的所有用户设备卸载与连接信息，以及对应的最优WPT充电资源和MEC计算资源；
无人机沿既定轨迹飞行，并在相应悬停点向每个用户设备分配对应的最优WPT充电资源和MEC计算资源。
3.根据权利要求2所述的任务耗时优化方法，其特征在于，所述求解所述用户设备充电与任务部分卸载模型，包括步骤：
确定所述目标函数的松弛问题；
根据块坐标下降法，将所述目标函数的松弛问题拆分为单独求解各变量的子问题；
求解松弛下各变量的子问题，确定所述目标函数的最优解及其对应的最优方案。
CN202011120032.7A 2020-10-19 2020-10-19 基于无人机的充电和任务卸载***及其任务耗时优化方法 Active CN112381265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011120032.7A CN112381265B (zh) 2020-10-19 2020-10-19 基于无人机的充电和任务卸载***及其任务耗时优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011120032.7A CN112381265B (zh) 2020-10-19 2020-10-19 基于无人机的充电和任务卸载***及其任务耗时优化方法

Publications (2)

Publication Number Publication Date
CN112381265A CN112381265A (zh) 2021-02-19
CN112381265B true CN112381265B (zh) 2022-09-30

Family

ID=74580174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011120032.7A Active CN112381265B (zh) 2020-10-19 2020-10-19 基于无人机的充电和任务卸载***及其任务耗时优化方法

Country Status (1)

Country Link
CN (1) CN112381265B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11895508B1 (en) 2021-03-18 2024-02-06 Amazon Technologies, Inc. Demand-based allocation of ephemeral radio-based network resources
WO2022242468A1 (zh) * 2021-05-18 2022-11-24 北京航空航天大学杭州创新研究院 任务卸载方法、调度优化方法和装置、电子设备及存储介质
CN113542357B (zh) * 2021-06-15 2022-05-31 长沙理工大学 一种能量消耗成本最小化的电动汽车辅助移动边缘计算卸载方法
CN113825145B (zh) * 2021-09-15 2022-08-12 云南大学 一种面向用户体验的无人机***服务方法及***
CN113873467B (zh) * 2021-09-26 2024-07-02 北京邮电大学 一种无人机辅助的移动边缘计算方法、装置及控制设备
CN113867922B (zh) * 2021-12-02 2022-02-22 武汉格蓝若智能技术有限公司 一种适用于互感器计量性能在线监测***的任务调度方法
CN114153528B (zh) * 2021-12-13 2023-10-20 长沙理工大学 并行任务悬停时间分配的无人机最优位置的计算卸载方法
CN116582892A (zh) * 2023-07-14 2023-08-11 南昌大学 全双工无人机辅助mec安全卸载的能耗优化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007060169A1 (fr) * 2005-11-25 2007-05-31 Thales Procede d'optimisation en cours de vol de la consommation en carburant d'un aeronef
KR101811205B1 (ko) * 2016-07-22 2017-12-22 (주)알고코리아 전신주와 전선을 이용한 무인 비행체 충전과 결재 시스템
CN107512188A (zh) * 2017-09-07 2017-12-26 哈尔滨工业大学 一种旋翼无人机自主充电装置及其最优参数确定方法
CN110766159A (zh) * 2019-09-29 2020-02-07 南京理工大学 基于改进遗传算法的多uav服务边缘计算的任务分配方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10710710B2 (en) * 2016-10-27 2020-07-14 International Business Machines Corporation Unmanned aerial vehicle (UAV) compliance using standard protocol requirements and components to enable identifying and controlling rogue UAVS

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007060169A1 (fr) * 2005-11-25 2007-05-31 Thales Procede d'optimisation en cours de vol de la consommation en carburant d'un aeronef
KR101811205B1 (ko) * 2016-07-22 2017-12-22 (주)알고코리아 전신주와 전선을 이용한 무인 비행체 충전과 결재 시스템
CN107512188A (zh) * 2017-09-07 2017-12-26 哈尔滨工业大学 一种旋翼无人机自主充电装置及其最优参数确定方法
CN110766159A (zh) * 2019-09-29 2020-02-07 南京理工大学 基于改进遗传算法的多uav服务边缘计算的任务分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于无人机的移动边缘计算资源分配算法研究;杜耀;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20200715;目录，第1-3页 *
基于无人机的边缘智能计算研究综述;董超等;《智能科学与技术学报》;20200915(第03期);全文 *

Also Published As

Publication number Publication date
CN112381265A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN112381265B (zh) 基于无人机的充电和任务卸载***及其任务耗时优化方法
Zhang et al. Energy-efficient trajectory optimization for UAV-assisted IoT networks
Oubbati et al. Multiagent deep reinforcement learning for wireless-powered UAV networks
CN112104502B (zh) 时敏多任务边缘计算与缓存协作卸载策略方法
CN112995913A (zh) 一种无人机轨迹、用户关联和资源分配联合优化方法
CN113507492B (zh) 物联网三维空间智能定位与分布式边缘计算支援方法
Ahmed et al. A novel collaborative IoD-assisted VANET approach for coverage area maximization
Liu et al. Incentive UAV-enabled mobile edge computing based on microwave power transmission
Trotta et al. Persistent crowd tracking using unmanned aerial vehicle swarms: A novel framework for energy and mobility management
Lhazmir et al. A decision-making analysis in UAV-enabled wireless power transfer for IoT networks
CN114638155A (zh) 一种基于智能机场的无人机任务分配与路径规划方法
Qin et al. Stochastic-geometry-based analysis of multipurpose UAVs for package and data delivery
Sobouti et al. Managing sets of flying base stations using energy efficient 3D trajectory planning in cellular networks
CN112579290B (zh) 一种基于无人机的地面终端设备的计算任务迁移方法
Zhang et al. Trajectory optimization and resource allocation for time minimization in the UAV-enabled MEC system
Zhang et al. Resource allocation in UAV assisted air ground intelligent inspection system
CN114363803A (zh) 一种移动边缘计算网络节能的多任务分配方法及***
Cicek et al. 3-D dynamic UAV base station location problem
CN116781144A (zh) 无人机搭载边缘服务器的方法、装置及存储介质
CN116882270A (zh) 一种基于深度强化学习的多无人机无线充电与边缘计算联合优化方法及***
CN114867093B (zh) 无人机协同的物联网设备上行链路功率控制方法
Ozdag Multi-metric optimization with a new metaheuristic approach developed for 3D deployment of multiple drone-BSs
Lhazmir et al. UAV for wireless power transfer in IoT networks: A GMDP approach
Qin et al. Fair-energy trajectory plan for reconnaissance mission based on UAVs cooperation
Zhang et al. AoI-minimal power and trajectory optimization for UAV-assisted wireless 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
GR01 Patent grant
GR01 Patent grant