CN113852994A - 一种用于应急通信中的高空基站集群辅助边缘计算方法 - Google Patents

一种用于应急通信中的高空基站集群辅助边缘计算方法 Download PDF

Info

Publication number
CN113852994A
CN113852994A CN202111365868.8A CN202111365868A CN113852994A CN 113852994 A CN113852994 A CN 113852994A CN 202111365868 A CN202111365868 A CN 202111365868A CN 113852994 A CN113852994 A CN 113852994A
Authority
CN
China
Prior art keywords
user equipment
mobile user
unmanned aerial
time slot
cluster
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
Application number
CN202111365868.8A
Other languages
English (en)
Other versions
CN113852994B (zh
Inventor
谈玲
刘玉风
夏景明
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 Information Science and Technology
Original Assignee
Nanjing University of Information 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 Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202111365868.8A priority Critical patent/CN113852994B/zh
Publication of CN113852994A publication Critical patent/CN113852994A/zh
Application granted granted Critical
Publication of CN113852994B publication Critical patent/CN113852994B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0925—Management thereof using policies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5094—Allocation of resources, e.g. of the central processing unit [CPU] where the allocation takes into account power or heat criteria
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/18502—Airborne stations
    • H04B7/18504—Aircraft used as relay or high altitude atmospheric platform
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/18502—Airborne stations
    • H04B7/18506—Communications with or from aircraft, i.e. aeronautical mobile service
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/502—Proximity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/509—Offload
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04—Large scale networks; Deep hierarchical networks
    • H04W84/06—Airborne or Satellite Networks
    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Physics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种用于应急通信中的高空基站集群辅助边缘计算方法，采用精准获取K值的AK‑means方法求解无人机的数量、以及位置部署，对移动目标区域进行全面覆盖，并且为了防止无人机供电不足、或者其他意外天气情况的发生，在空中部署一定数量配备MEC服务器的高空气球终端，辅助无人机为地面移动用户设备提供通信与计算服务，并引入数字孪生网络来实时反馈移动用户设备、无人机、高空气球终端的地理位置和计算资源等信息，应用深度强化学习中的DDQN算法求解移动用户设备的卸载决策，利用RO算法获取移动用户设备、无人机以及高空气球终端的计算资源分配策略，有效降低整个***的能量消耗，提高移动用户设备的服务体验。

Description

一种用于应急通信中的高空基站集群辅助边缘计算方法
技术领域
本发明涉及一种用于应急通信中的高空基站集群辅助边缘计算方法，属于无人机辅助的边缘计算技术领域。
背景技术
近年来，极端天气事件频发，在面对未知的天气状况时，提前做好通信平台的建设至关重要，既是对突发事件的防范，也是对人员生命的保障；现阶段，关于应急通信中高空基站平台的搭建研究越来越多，其中由于无人机具有高机动性，成本低廉和易于部署的特点，无人机辅助的边缘计算技术快速发展，并受到学术界和工业界广泛的关注。一方面，关于无人机的部署问题常用的方法有DBSCAN算法和K-means算法等，其中，DBSCAN算法不用事先给定聚类数目，但需要对距离阈值和邻域样本数阈值联合调参，一般这两个参数的确定需要依靠经验值，若是初始选择不好，将会造成较大的计算复杂度。而传统的K-means算法在解决无人机部署问题时，聚类数目K是给定的无人机数量，K值的选择也会对最终的聚类效果产生一定的影响。另一方面，现有针对无人机辅助边缘计算的研究中，大多假设无人机能够稳定地飞行或悬停在高空中，为用户设备提供流畅的通信与计算服务，并未考虑在极端天气中，一旦无人机无法稳定持续地为用户设备提供服务，该如何进一步保障用户设备的通信体验。
现实世界中，环境在随时随地发生改变，地面用户的移动也存在无规律性，数字孪生作为一种新兴的数字技术，可将真实世界数字化，实现物理世界与虚拟世界的交流，协作和信息共享，从而创造出一个混合的真实虚拟世界。进一步的，通过将移动边缘计算和数字孪生进行结合，构建数字孪生边缘网络，可以监控整个边缘计算网络的实时状态，为物理实体提供更加准确快速的决策。
发明内容
本发明所要解决的技术问题是提供一种用于应急通信中的高空基站集群辅助边缘计算方法，充分考虑在面对未知环境时，无人机数量和位置部署的确定，以及利用在高空气球端构建的数字孪生网络所反馈的实时数据，获得全局次优解的卸载决策和计算资源分配，从而降低整个***的能量消耗。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种用于应急通信中的高空基站集群辅助边缘计算方法，基于无人机集群、以及高空气球终端集群，实现对目标区域内各移动用户设备上计算任务的卸载计算；包括如下步骤：
步骤S1. 基于目标区域中预设用于标记目标区域范围的各个固定地标对象，应用AK-means方法，求解获得无人机布设数量、以及各无人机部署位置，构建无人机集群辅助边缘计算模型，然后进入步骤S2；
步骤S2. 根据无人机集群辅助边缘计算模型，结合目标区域内的各移动用户设备，以及高度统一高于无人机集群高度、且通信范围覆盖目标区域的各个配备MEC服务器的高空气球终端所构成的高空气球终端集群，构建物理实体网络、以及其所对应的数字孪生网络，用于拟合各移动用户设备、各无人机、各高空气球终端的坐标位置、资源状态，然后进入步骤S3；
步骤S3. 基于数字孪生网络反馈的物理实体网络信息，包括各移动用户设备的位置、全部计算任务，以及无人机集群的布设信息和高空气球终端集群的布设信息，构建移动用户设备卸载决策优化模型和计算任务资源分配优化模型，然后进入步骤S4；
步骤S4. 基于步骤S3所构建的移动用户设备卸载决策优化模型和计算任务资源分配优化模型，应用深度强化学习中的DDQN算法求解移动用户设备卸载决策，然后进入步骤S5；
步骤S5. 基于步骤S4所获取的移动用户设备的卸载决策，利用RO算法来获取移动用户设备、无人机、高空气球终端的计算资源分配策略，然后进入步骤S6；
步骤S6. 迭代执行步骤S4至步骤S5，直到相邻两次迭代下整个***的能量消耗值的绝对值小于预设阈值，或者达到最大预设迭代次数时，迭代结束，即获得移动用户设备、无人机、高空气球终端的计算资源最优分配策略，以及获得移动用户设备、无人机、高空气球终端的计算任务最优卸载决策；然后基于无人机集群、以及高空气球终端集群的布设，应用计算任务最优卸载决策、以及计算资源最优分配策略，实现对目标区域内各移动用户设备上计算任务的卸载计算。
作为本发明的一种优选技术方案：所述步骤S1中，基于目标区域中预设用于标记目标区域范围的各个固定地标对象，执行如下步骤S1-1至步骤S1-11，求解获得无人机布设数量、以及各无人机部署位置，构建无人机集群辅助边缘计算模型，然后进入步骤S2；
步骤S1-1. 初始化大于2、且小于或等于供选择无人机总数
Figure DEST_PATH_IMAGE002
的聚类中心数量
Figure DEST_PATH_IMAGE004
，然后进入步骤S1-2；其中，
Figure DEST_PATH_IMAGE002A
小于固定地标对象的总数
Figure DEST_PATH_IMAGE006
；
步骤S1-2. 初始化
Figure DEST_PATH_IMAGE008
=1，由各个固定地标对象中随机选择一个固定地标对象，作为
Figure DEST_PATH_IMAGE004A
个聚类中心方案下的第
Figure DEST_PATH_IMAGE008A
个初始聚类中心，并针对
Figure DEST_PATH_IMAGE008AA
的值进行加1更新，且定义未作为
Figure DEST_PATH_IMAGE004AA
个聚类中心方案下初始聚类中心的各个固定地标对象为
Figure DEST_PATH_IMAGE004AAA
个聚类中心方案下的各个待选择固定地标对象，然后进入步骤S1-3；
步骤S1-3. 基于各个固定地标对象分别对应水平面内的二维坐标，获得各个待选择固定地标对象分别与各初始聚类中心之间的最小欧几里得距离，并按如下公式:
Figure DEST_PATH_IMAGE010
获得各个待选择固定地标对象分别作为下一个初始聚类中心的概率
Figure DEST_PATH_IMAGE012
，然后进入步骤S1-4；其中，
Figure DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE016
表示待选择固定地标对象的数量，
Figure DEST_PATH_IMAGE018
表示第
Figure DEST_PATH_IMAGE020
个待选择固定地标对象与各初始聚类中心之间的最小欧几里得距离，
Figure DEST_PATH_IMAGE022
表示第
Figure DEST_PATH_IMAGE024
个待选择固定地标对象与各初始聚类中心之间的最小欧几里得距离；
步骤S1-4. 基于各个待选择固定地标对象分别作为下一个初始聚类中心的概率，按照轮盘法选择出作为下一个初始聚类中心的待选择固定地标对象，将该待选择固定地标对象更新作为
Figure DEST_PATH_IMAGE004AAAA
个聚类中心方案下的第
Figure DEST_PATH_IMAGE008AAA
个初始聚类中心，然后进入步骤S1-5；
步骤S1-5. 判断
Figure DEST_PATH_IMAGE026
是否大于
Figure DEST_PATH_IMAGE004_5A
，是则
Figure DEST_PATH_IMAGE004_6A
个聚类中心方案下初始聚类中心的选择结束，并进入步骤S1-6，否则返回步骤S1-3；
步骤S1-6. 基于各个固定地标对象分别对应水平面内的二维坐标，针对
Figure DEST_PATH_IMAGE004_7A
个聚类中心方案下的各个待选择固定地标对象，将各个待选择固定地标对象分别分配至距离其最近的初始聚类中心，构成
Figure DEST_PATH_IMAGE004_8A
个聚类中心方案下的各个簇，然后进入步骤S1-7；
步骤S1-7. 分别针对
Figure DEST_PATH_IMAGE004_9A
个聚类中心方案下的各个簇，获得簇中各个固定地标对象对应水平面内二维坐标的均值坐标，以该均值坐标位置更新作为该簇的初始聚类中心，进而获得
Figure DEST_PATH_IMAGE004_10A
个聚类中心方案下各个簇的初始聚类中心的更新，然后进入步骤S1-8；
步骤S1-8. 判断
Figure DEST_PATH_IMAGE004_11A
个聚类中心方案下各个簇中更新后的初始聚类中心是否与更新之前的初始聚类中心均相同，是则
Figure DEST_PATH_IMAGE004_12A
个聚类中心方案下各个簇的初始聚类中心即为各个簇的聚类中心，并进入步骤S1-9，否则返回步骤S1-6；
步骤S1-9. 分别针对
Figure DEST_PATH_IMAGE004_13A
个聚类中心方案下的各个簇，计算获得簇中各个固定地标对象分别与其聚类中心的欧几里得距离
Figure DEST_PATH_IMAGE027
，并按
Figure DEST_PATH_IMAGE028
，获得该簇所对应的簇内误差平方和
Figure DEST_PATH_IMAGE029
，然后进入步骤S1-10；其中，
Figure DEST_PATH_IMAGE030
表示
Figure DEST_PATH_IMAGE004_14A
个聚类中心方案下第
Figure DEST_PATH_IMAGE008AAAA
个簇中第
Figure DEST_PATH_IMAGE031
个固定地标对象与其对应聚类中心之间的欧几里得距离，
Figure DEST_PATH_IMAGE032
表示
Figure DEST_PATH_IMAGE004_15A
个聚类中心方案下第
Figure DEST_PATH_IMAGE008_5A
个簇中的固定地标对象数量；
步骤S1-10. 获得
Figure DEST_PATH_IMAGE004_16A
个聚类中心方案下的各个簇所对应簇内误差平方和
Figure 493653DEST_PATH_IMAGE029
的最大值，记为
Figure DEST_PATH_IMAGE033
，并按
Figure DEST_PATH_IMAGE034
，获得
Figure DEST_PATH_IMAGE004_17A
个聚类中心方案所对应的簇内误差平方和
Figure DEST_PATH_IMAGE035
，然后判断
Figure DEST_PATH_IMAGE036
是否大于
Figure DEST_PATH_IMAGE037
，是则进入步骤S1-11，否则针对
Figure DEST_PATH_IMAGE004_18A
的值进行加1更新，并返回步骤S1-2；其中，
Figure DEST_PATH_IMAGE038
和
Figure DEST_PATH_IMAGE039
均表示预设参数，且
Figure 560311DEST_PATH_IMAGE038
＞1，
Figure 836703DEST_PATH_IMAGE039
＞1；
步骤S1-11. 根据各个聚类中心方案分别所对应的簇内误差平方和
Figure DEST_PATH_IMAGE040
，以
Figure DEST_PATH_IMAGE004_19A
值作为横坐标、簇内误差平方和
Figure 602269DEST_PATH_IMAGE040
作为纵坐标，绘制手肘图像，并按横坐标方向选择手肘图像中的第一个拐点，获得该拐点所对应的横坐标值，即由该横坐标值确定无人机布设数量，以及由该横坐标值所对应聚类中心方案中各聚类中心分别对应水平面内的二维坐标，结合预设无人机统一海拔高度，确定各无人机部署位置。
作为本发明的一种优选技术方案：所述步骤S2包括如下步骤S2-1至步骤S2-3；
步骤S2-1. 基于预设目标区域内所有移动用户设备分别在目标区域内的任务计算操作持续时长统一为
Figure DEST_PATH_IMAGE041
，获得各移动用户设备的坐标如下：
Figure DEST_PATH_IMAGE042
以及获得各移动用户设备分别在各时隙
Figure DEST_PATH_IMAGE043
下所生成的计算任务如下：
Figure DEST_PATH_IMAGE044
然后进入步骤S2-2；其中，
Figure DEST_PATH_IMAGE045
，
Figure DEST_PATH_IMAGE046
表示移动用户设备的数量，
Figure DEST_PATH_IMAGE047
表示第
Figure DEST_PATH_IMAGE048
移动用户设备在时隙
Figure DEST_PATH_IMAGE049
下的坐标，
Figure DEST_PATH_IMAGE050
表示第
Figure 362896DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 899924DEST_PATH_IMAGE049
下坐标中对应X轴的坐标值，
Figure DEST_PATH_IMAGE051
表示第
Figure 286781DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 654439DEST_PATH_IMAGE049
下坐标中对应Y轴的坐标值，
Figure DEST_PATH_IMAGE052
表示第
Figure 449001DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 342614DEST_PATH_IMAGE049
下坐标中对应Z轴的坐标值，
Figure DEST_PATH_IMAGE053
表示第
Figure 742066DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 379328DEST_PATH_IMAGE049
下所产生的计算任务，
Figure DEST_PATH_IMAGE054
表示第
Figure 497237DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 361419DEST_PATH_IMAGE049
下所产生计算任务的任务量大小，
Figure DEST_PATH_IMAGE055
表示第
Figure 316343DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 118532DEST_PATH_IMAGE049
下所产生计算任务中1比特任务量计算所需的CPU资源，
Figure DEST_PATH_IMAGE056
表示第
Figure 209723DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 244806DEST_PATH_IMAGE049
下所产生计算任务对应的预设最大时延；
步骤S2-2. 根据无人机集群辅助边缘计算模型，结合目标区域内的各移动用户设备，以及高度统一高于无人机集群高度、且通信范围覆盖目标区域的各个配备MEC服务器的高空气球终端所构成的高空气球终端集群，构建物理实体网络，然后进入步骤S2-3；
步骤S2-3. 构建物理实体网络所对应的数字孪生网络，用于拟合各移动用户设备、各无人机、各高空气球终端的坐标位置、资源状态，其中，各移动用户设备分别所对应的数字孪生体如下：
Figure DEST_PATH_IMAGE057
其中，
Figure DEST_PATH_IMAGE058
表示第
Figure 378372DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 157103DEST_PATH_IMAGE049
下所对应的数字孪生体，
Figure DEST_PATH_IMAGE059
表示第
Figure 362520DEST_PATH_IMAGE048
移动用户设备的最大CPU频率，
Figure DEST_PATH_IMAGE060
表示第
Figure 785149DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 907475DEST_PATH_IMAGE049
下所对应数字孪生体的CPU频率，
Figure DEST_PATH_IMAGE061
表示第
Figure 972121DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 227784DEST_PATH_IMAGE049
下与其所对应数字孪生体之间的CPU频率估计误差；
各无人机分别所对应的数字孪生体如下：
Figure DEST_PATH_IMAGE062
其中，
Figure DEST_PATH_IMAGE063
，
Figure DEST_PATH_IMAGE064
表示无人机布设数量，
Figure DEST_PATH_IMAGE065
表示第
Figure DEST_PATH_IMAGE066
无人机在时隙
Figure 638559DEST_PATH_IMAGE049
下所对应的数字孪生体，
Figure DEST_PATH_IMAGE067
表示第
Figure 461897DEST_PATH_IMAGE066
无人机的最大CPU频率，
Figure DEST_PATH_IMAGE068
表示第
Figure 589953DEST_PATH_IMAGE066
无人机的坐标，
Figure DEST_PATH_IMAGE069
表示第
Figure 919697DEST_PATH_IMAGE066
无人机在时隙
Figure 467484DEST_PATH_IMAGE049
下所对应数字孪生体分配给第
Figure 824122DEST_PATH_IMAGE048
移动用户设备的估计CPU频率，
Figure DEST_PATH_IMAGE070
表示第
Figure 185832DEST_PATH_IMAGE066
无人机在时隙
Figure 743983DEST_PATH_IMAGE049
下分配给第
Figure 663005DEST_PATH_IMAGE048
移动用户设备的实际CPU频率与该无人机在时隙
Figure 306607DEST_PATH_IMAGE049
下所对应数字孪生体分配给第
Figure 240714DEST_PATH_IMAGE048
移动用户设备的估计CPU频率之间的误差；
各高空气球终端分别所对应的数字孪生体如下：
Figure DEST_PATH_IMAGE071
其中，
Figure DEST_PATH_IMAGE072
，
Figure DEST_PATH_IMAGE073
表示高空气球终端的数量，
Figure DEST_PATH_IMAGE074
表示第
Figure DEST_PATH_IMAGE075
高空气球终端在时隙
Figure 126807DEST_PATH_IMAGE049
下所对应的数字孪生体，
Figure DEST_PATH_IMAGE076
表示第
Figure 504479DEST_PATH_IMAGE075
高空气球终端的最大CPU频率，
Figure DEST_PATH_IMAGE077
表示第
Figure 117601DEST_PATH_IMAGE075
高空气球终端的坐标，
Figure DEST_PATH_IMAGE078
表示第
Figure 883430DEST_PATH_IMAGE075
高空气球终端在时隙
Figure 416174DEST_PATH_IMAGE049
下所对应数字孪生体分配给第
Figure 7823DEST_PATH_IMAGE048
移动用户设备的估计CPU频率，
Figure DEST_PATH_IMAGE079
表示第
Figure 311503DEST_PATH_IMAGE075
高空气球终端在时隙
Figure 118572DEST_PATH_IMAGE049
下分配给第
Figure 505822DEST_PATH_IMAGE048
移动用户设备的实际CPU频率与该高空气球终端在时隙
Figure 937547DEST_PATH_IMAGE049
下所对应数字孪生体分配给第
Figure 715141DEST_PATH_IMAGE048
移动用户设备的估计CPU频率之间的误差；
然后进入步骤S3。
作为本发明的一种优选技术方案：所述步骤S4包括如下步骤S4-1至步骤S4-3；
步骤S4-1. 基于
Figure DEST_PATH_IMAGE080
表示第
Figure 265247DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 710266DEST_PATH_IMAGE049
下计算任务未在对象
Figure DEST_PATH_IMAGE081
上执行，
Figure DEST_PATH_IMAGE082
表示第
Figure 879604DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 206811DEST_PATH_IMAGE049
下计算任务在对象
Figure 570664DEST_PATH_IMAGE081
上执行，以及所布设无人机集合
Figure DEST_PATH_IMAGE083
、高空气球终端集合
Figure DEST_PATH_IMAGE084
表示本地，若第
Figure 244090DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 289057DEST_PATH_IMAGE049
下针对计算任务执行本地计算，则如下：
Figure DEST_PATH_IMAGE085
若第
Figure 726729DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 401993DEST_PATH_IMAGE049
下将计算任务卸载至无人机上时，则如下：
Figure DEST_PATH_IMAGE086
若第
Figure 444773DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 188870DEST_PATH_IMAGE049
下将计算任务卸载至高空气球终端上时，则如下：
Figure DEST_PATH_IMAGE087
然后进入步骤S4-2；
步骤S4-2. 获得各移动用户设备分别在时隙
Figure 916435DEST_PATH_IMAGE049
下针对计算任务进行卸载的约束条件如下：
Figure DEST_PATH_IMAGE088
然后进入步骤S4-3；
步骤S4-3. 构建两个参数完全相同的深度神经网络，并对其中一个网络记为G网络，且G网络的所有参数记为
Figure DEST_PATH_IMAGE089
，另一个网络记为目标G网络，且目标G网络的所有参数记为
Figure DEST_PATH_IMAGE090
，然后进入步骤S4-4；
步骤S4-4. 在时隙
Figure 464833DEST_PATH_IMAGE049
下，G网络的输入是当前***的状态
Figure DEST_PATH_IMAGE091
，输出是全部卸载动作构成的动作空间
Figure DEST_PATH_IMAGE092
、以及状态
Figure DEST_PATH_IMAGE093
下各个移动用户设备完成卸载动作选择后整个***能量消耗值的负值和惩罚值之和
Figure DEST_PATH_IMAGE095
值，其中应用
Figure DEST_PATH_IMAGE097
-greedy贪婪算法进行最终动作的选择，在执行选择的动作
Figure DEST_PATH_IMAGE098
后进入下一个状态
Figure DEST_PATH_IMAGE099
，得到奖励函数
Figure DEST_PATH_IMAGE100
，并将这条记录
Figure DEST_PATH_IMAGE101
加入到大小为
Figure DEST_PATH_IMAGE103
的经验池中，经验池被填满后，应用经验回放策略，进行G网络参数
Figure DEST_PATH_IMAGE104
的更新，并经过预设步数，进行目标G网络参数
Figure DEST_PATH_IMAGE105
的更新。
作为本发明的一种优选技术方案：所述步骤S4-4中当前***的状态
Figure DEST_PATH_IMAGE106
、全部卸载动作构成的动作空间
Figure DEST_PATH_IMAGE107
、以及奖励函数
Figure DEST_PATH_IMAGE108
分别表示如下：
Figure DEST_PATH_IMAGE109
则基于当前***的状态
Figure 111189DEST_PATH_IMAGE106
，第
Figure DEST_PATH_IMAGE110
移动用户设备完成计算任务地点的卸载后，在时隙
Figure DEST_PATH_IMAGE111
下，全部卸载动作构成的动作空间
Figure DEST_PATH_IMAGE112
表示如下：
Figure DEST_PATH_IMAGE113
则获得奖励函数
Figure DEST_PATH_IMAGE114
表示如下：
Figure DEST_PATH_IMAGE116
其中，
Figure DEST_PATH_IMAGE117
、
Figure DEST_PATH_IMAGE118
、
Figure DEST_PATH_IMAGE119
分别表示在时隙
Figure 925387DEST_PATH_IMAGE111
下，第
Figure 401235DEST_PATH_IMAGE110
移动用户设备计算任务的本地计算模式、无人机计算模式、高空气球计算模式下的能量消耗；
Figure DEST_PATH_IMAGE121
表示惩罚项，其中，若第
Figure 581418DEST_PATH_IMAGE110
移动用户设备计算任务的完成时间大于该计算任务本身所对应的预设最大时延，则会相应给出预设惩罚数值，
Figure DEST_PATH_IMAGE123
表示第
Figure 870229DEST_PATH_IMAGE110
移动用户设备在时隙
Figure DEST_PATH_IMAGE125
下选择本地计算消耗的能耗，
Figure DEST_PATH_IMAGE127
表示第
Figure 603131DEST_PATH_IMAGE110
移动用户设备在时隙
Figure DEST_PATH_IMAGE125A
下传输计算任务到第
Figure DEST_PATH_IMAGE128
无人机消耗的传输能耗，
Figure DEST_PATH_IMAGE130
表示第
Figure 676260DEST_PATH_IMAGE128
无人机因为计算来自第
Figure 240228DEST_PATH_IMAGE110
移动用户设备的计算任务消耗的能耗，
Figure DEST_PATH_IMAGE132
表示第
Figure 939255DEST_PATH_IMAGE110
移动用户设备在时隙
Figure DEST_PATH_IMAGE125AA
下传输计算任务到第
Figure DEST_PATH_IMAGE133
高空气球终端消耗的传输能耗，
Figure DEST_PATH_IMAGE135
表示第
Figure 12034DEST_PATH_IMAGE133
高空气球终端计算来自第
Figure 235775DEST_PATH_IMAGE110
移动用户设备的计算任务消耗的能耗。
作为本发明的一种优选技术方案：所述奖励函数
Figure DEST_PATH_IMAGE136
获得中在时隙
Figure DEST_PATH_IMAGE125AAA
下第
Figure 386789DEST_PATH_IMAGE110
移动用户设备计算任务的本地计算模式、无人机计算模式、高空气球计算模式下能量消耗的获得，包括如下步骤：
步骤S4-4-1. 在时隙
Figure DEST_PATH_IMAGE125AAAA
下，若第
Figure 50857DEST_PATH_IMAGE110
移动用户设备计算任务选择本地计算模式，则相对应的能量消耗如下：
Figure DEST_PATH_IMAGE138
其中，
Figure DEST_PATH_IMAGE140
表示对应第
Figure 742475DEST_PATH_IMAGE110
移动用户设备芯片结构的预设参数值；
步骤S4-4-2. 在时隙
Figure DEST_PATH_IMAGE125_5A
下，若第
Figure 557240DEST_PATH_IMAGE110
移动用户设备计算任务选择无人机计算模式，则相对应的能量消耗如下：
1）第
Figure 728590DEST_PATH_IMAGE110
移动用户设备在时隙
Figure DEST_PATH_IMAGE142
下传输计算任务到第
Figure 569201DEST_PATH_IMAGE128
无人机消耗的传输能耗为：
Figure DEST_PATH_IMAGE144
其中，
Figure DEST_PATH_IMAGE146
表示第
Figure 154422DEST_PATH_IMAGE110
移动用户设备在时隙
Figure DEST_PATH_IMAGE142A
下向第
Figure 984713DEST_PATH_IMAGE128
无人机传输计算任务时的发射功率；
Figure DEST_PATH_IMAGE148
表示第
Figure 394308DEST_PATH_IMAGE110
移动用户设备在时隙
Figure DEST_PATH_IMAGE142AA
下向第
Figure 835566DEST_PATH_IMAGE128
无人机传输计算任务的传输时间，表示为：
Figure DEST_PATH_IMAGE150
其中，
Figure DEST_PATH_IMAGE152
表示信道功率增益，
Figure DEST_PATH_IMAGE154
表示信道带宽，
Figure DEST_PATH_IMAGE156
表示高斯白噪声；
2）第
Figure 625974DEST_PATH_IMAGE128
无人机因为计算来自第
Figure 995426DEST_PATH_IMAGE110
移动用户设备的计算任务消耗的能耗为：
Figure DEST_PATH_IMAGE158
其中，
Figure DEST_PATH_IMAGE160
表示对应第
Figure 834810DEST_PATH_IMAGE128
无人机芯片结构的预设参数值；
步骤S4-4-3. 在时隙
Figure DEST_PATH_IMAGE142AAA
下，若第
Figure 718191DEST_PATH_IMAGE110
移动用户设备计算任务选择高空气球终端计算模式，则相对应的能量消耗如下：
1）第
Figure 658596DEST_PATH_IMAGE110
移动用户设备在时隙
Figure DEST_PATH_IMAGE142AAAA
下传输计算任务到第
Figure 731988DEST_PATH_IMAGE133
高空气球终端消耗的传输能耗为：
Figure DEST_PATH_IMAGE162
其中，
Figure DEST_PATH_IMAGE164
表示第
Figure 899096DEST_PATH_IMAGE110
移动用户设备在时隙
Figure DEST_PATH_IMAGE142_5A
下向第
Figure 111684DEST_PATH_IMAGE133
高空气球终端传输计算任务的发射功率；
Figure DEST_PATH_IMAGE166
表示第
Figure 377318DEST_PATH_IMAGE110
移动用户设备在时隙
Figure DEST_PATH_IMAGE142_6A
下向第
Figure 952654DEST_PATH_IMAGE133
高空气球终端传输计算任务的传输时间，表示为：
Figure DEST_PATH_IMAGE168
2)第
Figure 168128DEST_PATH_IMAGE133
高空气球终端计算来自第
Figure 340614DEST_PATH_IMAGE110
移动用户设备的计算任务消耗的能耗为：
Figure DEST_PATH_IMAGE170
其中，
Figure DEST_PATH_IMAGE172
表示对应第
Figure 4246DEST_PATH_IMAGE133
高空气球终端芯片结构的预设参数值。
作为本发明的一种优选技术方案：所述步骤S5包括如下步骤S5-1至步骤S5-3；
步骤S5-1. 定义计算资源分配变量
Figure DEST_PATH_IMAGE173
，
Figure DEST_PATH_IMAGE174
，
Figure DEST_PATH_IMAGE175
，
Figure DEST_PATH_IMAGE176
，然后进入步骤S5-2；
步骤S5-2. 基于
Figure 100002_DEST_PATH_IMAGE178
中
Figure DEST_PATH_IMAGE179
对应
Figure 100002_DEST_PATH_IMAGE180
的取值范围，构建优化问题和其对应的优化约束如下，求解计算资源分配变量
Figure DEST_PATH_IMAGE182
；
Figure DEST_PATH_IMAGE184
Figure DEST_PATH_IMAGE185
Figure DEST_PATH_IMAGE186
Figure DEST_PATH_IMAGE187
Figure DEST_PATH_IMAGE188
Figure DEST_PATH_IMAGE189
Figure DEST_PATH_IMAGE190
Figure DEST_PATH_IMAGE191
Figure DEST_PATH_IMAGE192
Figure DEST_PATH_IMAGE193
其中，
Figure DEST_PATH_IMAGE195
表示在时隙
Figure DEST_PATH_IMAGE197
下为完成第
Figure 842712DEST_PATH_IMAGE110
移动用户设备的计算任务，
Figure DEST_PATH_IMAGE199
表示相邻两个时隙之间的持续时间大小，整个***的能量消耗表示如下：
Figure DEST_PATH_IMAGE201
约束C1-约束C3表示在时隙
Figure DEST_PATH_IMAGE197A
下第
Figure 848495DEST_PATH_IMAGE110
移动用户设备的计算CPU频率、第
Figure DEST_PATH_IMAGE203
无人机的计算CPU频率、第
Figure DEST_PATH_IMAGE205
高空气球终端的计算CPU频率不能超过各自的最大CPU频率；
约束C4-约束C6表示在时隙
Figure DEST_PATH_IMAGE197AA
下第
Figure 289535DEST_PATH_IMAGE110
移动用户设备的计算任务无论是在本地计算、无人机计算，还是高空气球终端计算，完成的时间均不能超过第
Figure 8223DEST_PATH_IMAGE110
移动用户设备关于该计算任务对应的预设最大时延；其中，约束C4中，
Figure DEST_PATH_IMAGE207
表示在时隙
Figure DEST_PATH_IMAGE197AAA
下第
Figure 181320DEST_PATH_IMAGE110
移动用户设备本地计算实际消耗的时间，包含第
Figure 112499DEST_PATH_IMAGE110
移动用户设备的数字孪生体估计的计算时间
Figure DEST_PATH_IMAGE209
、以及第
Figure 151255DEST_PATH_IMAGE110
移动用户设备的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure DEST_PATH_IMAGE211
，第
Figure 392575DEST_PATH_IMAGE110
移动用户设备的数字孪生体估计的计算时间
Figure DEST_PATH_IMAGE209A
表示为：
Figure DEST_PATH_IMAGE213
第
Figure 385458DEST_PATH_IMAGE110
移动用户设备的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure DEST_PATH_IMAGE211A
表示如下：
Figure DEST_PATH_IMAGE215
则在时隙
Figure DEST_PATH_IMAGE197AAAA
下第
Figure 226436DEST_PATH_IMAGE110
移动用户设备本地计算实际消耗的时间
Figure DEST_PATH_IMAGE207A
表示如下：
Figure DEST_PATH_IMAGE217
约束C5中，
Figure DEST_PATH_IMAGE219
表示在时隙
Figure DEST_PATH_IMAGE197_5A
下第
Figure 877954DEST_PATH_IMAGE128
无人机完成第
Figure 941375DEST_PATH_IMAGE110
移动用户设备的计算任务实际消耗的时间，包含第
Figure 966094DEST_PATH_IMAGE128
无人机的数字孪生体估计的计算时间
Figure DEST_PATH_IMAGE221
、以及第
Figure 721298DEST_PATH_IMAGE128
无人机的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure DEST_PATH_IMAGE223
，第
Figure 480786DEST_PATH_IMAGE128
无人机的数字孪生体估计的计算时间
Figure DEST_PATH_IMAGE221A
表示如下：
Figure DEST_PATH_IMAGE225
第
Figure 433217DEST_PATH_IMAGE128
无人机的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure DEST_PATH_IMAGE223A
表示为：
Figure DEST_PATH_IMAGE227
则在时隙
Figure DEST_PATH_IMAGE197_6A
下第
Figure 486843DEST_PATH_IMAGE128
无人机完成第
Figure 891411DEST_PATH_IMAGE110
移动用户设备的计算任务实际消耗的时间表示为：
Figure DEST_PATH_IMAGE229
约束C6中，
Figure DEST_PATH_IMAGE231
表示在时隙
Figure DEST_PATH_IMAGE197_7A
下第
Figure 285832DEST_PATH_IMAGE075
高空气球终端为完成第
Figure 688125DEST_PATH_IMAGE110
移动用户设备的计算任务实际消耗的时间，包含第
Figure 487104DEST_PATH_IMAGE075
高空气球终端的数字孪生体估计的计算时间
Figure DEST_PATH_IMAGE233
、以及第
Figure 131581DEST_PATH_IMAGE075
高空气球终端的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure DEST_PATH_IMAGE235
，第
Figure 983169DEST_PATH_IMAGE075
高空气球终端的数字孪生体估计的计算时间
Figure DEST_PATH_IMAGE233A
表示为：
Figure DEST_PATH_IMAGE237
第
Figure 215086DEST_PATH_IMAGE075
高空气球终端的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure DEST_PATH_IMAGE235A
表示为：
Figure DEST_PATH_IMAGE239
则在时隙
Figure DEST_PATH_IMAGE197_8A
下第
Figure 63479DEST_PATH_IMAGE075
高空气球终端为完成第
Figure 481953DEST_PATH_IMAGE110
移动用户设备的计算任务实际消耗的时间
Figure DEST_PATH_IMAGE231A
表示为：
Figure DEST_PATH_IMAGE241
约束C7-C9表示在整个时间周期T内，第
Figure 751830DEST_PATH_IMAGE110
移动用户设备、第
Figure 24155DEST_PATH_IMAGE128
无人机、第
Figure 466900DEST_PATH_IMAGE075
高空气球终端消耗的能耗都不能超过自身最大能耗值；
然后进入步骤S5-3；
步骤S5-3. 对于步骤S5-2中的各个优化约束，使用凸优化工具CVX，求解获得最优的计算资源分配结果
Figure DEST_PATH_IMAGE182A
。
本发明所述一种用于应急通信中的高空基站集群辅助边缘计算方法，采用以上技术方案与现有技术相比，具有以下技术效果：
（1）本发明所设计用于应急通信中的高空基站集群辅助边缘计算方法，根据具体环境状况，采用精准获取K值的AK-means方法求解无人机的数量、以及位置部署，对移动目标区域进行全面覆盖，并且为了防止无人机供电不足、或者其他意外天气情况的发生，在空中部署一定数量配备MEC服务器的高空气球终端，辅助无人机为地面移动用户设备提供通信与计算服务，并在高空气球终端引入数字孪生网络来实时反馈移动用户设备、无人机、以及高空气球终端的地理位置和计算资源等信息，应用深度强化学习中的DDQN算法求解移动用户设备的卸载决策，利用RO算法获取移动用户设备、无人机以及高空气球终端的计算资源分配策略，有效降低整个***的能量消耗，提高移动用户设备的服务体验，具有较好的方便性；
（2）本发明采用精准获取K值的AK-means方法求解无人机的数量以及位置部署，能够有效利用无人机资源，在确保资源不浪费的同时，充分为移动用户设备服务，做到效益最大化，并且深度强化学习中的DDQN算法能够适应动态的环境变化，得到一个最优的卸载决策，可以明显提高***的实时性。
附图说明
图1为本发明实施例的高空基站集群构成示意图；
图2是本发明实施例的HBS-AEC算法流程；
图3为本发明实施例的AK-means实施流程图；
图4为本发明实施例的用于求解卸载决策的DDQN示意图；
图5为本发明实施例的不同算法的移动用户设备任务量与***能量消耗对比图；
图6为本发明实施例的不同算法的移动用户设备数与***能量消耗对比图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明所设计一种用于应急通信中的高空基站集群辅助边缘计算方法， 基于图1所示，无人机集群、以及高空气球终端集群，实现对目标区域内各移动用户设备上计算任务的卸载计算；实际应用当中，如图2所示，执行如下步骤。
步骤S1. 基于目标区域中预设用于标记目标区域范围的各个固定地标对象，应用AK-means方法，求解获得无人机布设数量、以及各无人机部署位置，构建无人机集群辅助边缘计算模型，然后进入步骤S2。
实际应用当中，上述步骤S1中，基于目标区域中预设用于标记目标区域范围的各个固定地标对象，按图3所示，执行如下步骤S1-1至步骤S1-11，求解获得无人机布设数量、以及各无人机部署位置，构建无人机集群辅助边缘计算模型，然后进入步骤S2。
步骤S1-1. 初始化大于2、且小于或等于供选择无人机总数
Figure DEST_PATH_IMAGE002AA
的聚类中心数量
Figure DEST_PATH_IMAGE004_20A
，然后进入步骤S1-2；其中，
Figure DEST_PATH_IMAGE002AAA
小于固定地标对象的总数
Figure DEST_PATH_IMAGE006A
。
步骤S1-2. 初始化
Figure DEST_PATH_IMAGE008_6A
=1，由各个固定地标对象中随机选择一个固定地标对象，作为
Figure DEST_PATH_IMAGE004_21A
个聚类中心方案下的第
Figure DEST_PATH_IMAGE008_7A
个初始聚类中心，并针对
Figure DEST_PATH_IMAGE008_8A
的值进行加1更新，且定义未作为
Figure DEST_PATH_IMAGE004_22A
个聚类中心方案下初始聚类中心的各个固定地标对象为
Figure DEST_PATH_IMAGE004_23A
个聚类中心方案下的各个待选择固定地标对象，然后进入步骤S1-3。
步骤S1-3. 基于各个固定地标对象分别对应水平面内的二维坐标，获得各个待选择固定地标对象分别与各初始聚类中心之间的最小欧几里得距离，并按如下公式:
Figure DEST_PATH_IMAGE010A
获得各个待选择固定地标对象分别作为下一个初始聚类中心的概率
Figure DEST_PATH_IMAGE012A
，然后进入步骤S1-4；其中，
Figure DEST_PATH_IMAGE014A
，
Figure DEST_PATH_IMAGE016A
表示待选择固定地标对象的数量，
Figure DEST_PATH_IMAGE018A
表示第
Figure DEST_PATH_IMAGE020A
个待选择固定地标对象与各初始聚类中心之间的最小欧几里得距离，
Figure DEST_PATH_IMAGE022A
表示第
Figure DEST_PATH_IMAGE024A
个待选择固定地标对象与各初始聚类中心之间的最小欧几里得距离。
步骤S1-4. 基于各个待选择固定地标对象分别作为下一个初始聚类中心的概率，按照轮盘法选择出作为下一个初始聚类中心的待选择固定地标对象，将该待选择固定地标对象更新作为
Figure DEST_PATH_IMAGE004_24A
个聚类中心方案下的第
Figure DEST_PATH_IMAGE008_9A
个初始聚类中心，然后进入步骤S1-5。
步骤S1-5. 判断
Figure DEST_PATH_IMAGE026A
是否大于
Figure DEST_PATH_IMAGE004_25A
，是则
Figure DEST_PATH_IMAGE004_26A
个聚类中心方案下初始聚类中心的选择结束，并进入步骤S1-6，否则返回步骤S1-3。
步骤S1-6. 基于各个固定地标对象分别对应水平面内的二维坐标，针对
Figure DEST_PATH_IMAGE004_27A
个聚类中心方案下的各个待选择固定地标对象，将各个待选择固定地标对象分别分配至距离其最近的初始聚类中心，构成
Figure DEST_PATH_IMAGE004_28A
个聚类中心方案下的各个簇，然后进入步骤S1-7。
步骤S1-7. 分别针对
Figure DEST_PATH_IMAGE004_29A
个聚类中心方案下的各个簇，获得簇中各个固定地标对象对应水平面内二维坐标的均值坐标，以该均值坐标位置更新作为该簇的初始聚类中心，进而获得
Figure DEST_PATH_IMAGE004_30A
个聚类中心方案下各个簇的初始聚类中心的更新，然后进入步骤S1-8。
步骤S1-8. 判断
Figure DEST_PATH_IMAGE004_31A
个聚类中心方案下各个簇中更新后的初始聚类中心是否与更新之前的初始聚类中心均相同，是则
Figure DEST_PATH_IMAGE004_32A
个聚类中心方案下各个簇的初始聚类中心即为各个簇的聚类中心，并进入步骤S1-9，否则返回步骤S1-6。
步骤S1-9. 分别针对
Figure DEST_PATH_IMAGE004_33A
个聚类中心方案下的各个簇，计算获得簇中各个固定地标对象分别与其聚类中心的欧几里得距离
Figure 304314DEST_PATH_IMAGE027
，并按
Figure 593080DEST_PATH_IMAGE028
，获得该簇所对应的簇内误差平方和
Figure 242499DEST_PATH_IMAGE029
，然后进入步骤S1-10；其中，
Figure 497506DEST_PATH_IMAGE030
表示
Figure DEST_PATH_IMAGE004_34A
个聚类中心方案下第
Figure DEST_PATH_IMAGE008_10A
个簇中第
Figure 119767DEST_PATH_IMAGE031
个固定地标对象与其对应聚类中心之间的欧几里得距离，
Figure 239602DEST_PATH_IMAGE032
表示
Figure DEST_PATH_IMAGE004_35A
个聚类中心方案下第
Figure DEST_PATH_IMAGE008_11A
个簇中的固定地标对象数量。
步骤S1-10. 获得
Figure DEST_PATH_IMAGE004_36A
个聚类中心方案下的各个簇所对应簇内误差平方和
Figure 341813DEST_PATH_IMAGE029
的最大值，记为
Figure 24729DEST_PATH_IMAGE033
，并按
Figure 947004DEST_PATH_IMAGE034
，获得
Figure DEST_PATH_IMAGE004_37A
个聚类中心方案所对应的簇内误差平方和
Figure 225407DEST_PATH_IMAGE035
，然后判断
Figure 485137DEST_PATH_IMAGE036
是否大于
Figure 186508DEST_PATH_IMAGE037
，是则进入步骤S1-11，否则针对
Figure DEST_PATH_IMAGE004_38A
的值进行加1更新，并返回步骤S1-2；其中，
Figure 43912DEST_PATH_IMAGE038
和
Figure 147129DEST_PATH_IMAGE039
均表示预设参数，且
Figure 571900DEST_PATH_IMAGE038
＞1，
Figure 760567DEST_PATH_IMAGE039
＞1，这里指数函数的应用，是为了更好的显示聚类效果的好坏，以及对
Figure DEST_PATH_IMAGE243
的应用，是为了降低计算复杂度。
步骤S1-11. 根据各个聚类中心方案分别所对应的簇内误差平方和
Figure 26857DEST_PATH_IMAGE040
，以
Figure DEST_PATH_IMAGE004_39A
值作为横坐标、簇内误差平方和
Figure 94169DEST_PATH_IMAGE040
作为纵坐标，绘制手肘图像，并按横坐标方向选择手肘图像中的第一个拐点，获得该拐点所对应的横坐标值，即由该横坐标值确定无人机布设数量，以及由该横坐标值所对应聚类中心方案中各聚类中心分别对应水平面内的二维坐标，结合预设无人机统一海拔高度，确定各无人机部署位置。
步骤S2. 根据无人机集群辅助边缘计算模型，结合目标区域内的各移动用户设备，以及高度统一高于无人机集群高度、且通信范围覆盖目标区域的各个配备MEC服务器的高空气球终端所构成的高空气球终端集群，构建物理实体网络、以及其所对应的数字孪生网络，用于拟合各移动用户设备、各无人机、各高空气球终端的坐标位置、资源状态，然后进入步骤S3。
实际应用当中，上述步骤S2包括具体执行如下步骤S2-1至步骤S2-3。
步骤S2-1. 基于预设目标区域内所有移动用户设备分别在目标区域内的任务计算操作持续时长统一为
Figure 958351DEST_PATH_IMAGE041
，获得各移动用户设备的坐标如下：
Figure 631384DEST_PATH_IMAGE042
以及获得各移动用户设备分别在各时隙
Figure 281458DEST_PATH_IMAGE043
下所生成的计算任务如下：
Figure 624846DEST_PATH_IMAGE044
然后进入步骤S2-2；其中，
Figure 125841DEST_PATH_IMAGE045
，
Figure 226783DEST_PATH_IMAGE046
表示移动用户设备的数量，
Figure 262305DEST_PATH_IMAGE047
表示第
Figure 663461DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 538620DEST_PATH_IMAGE049
下的坐标，
Figure 189175DEST_PATH_IMAGE050
表示第
Figure 508948DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 764611DEST_PATH_IMAGE049
下坐标中对应X轴的坐标值，
Figure 138567DEST_PATH_IMAGE051
表示第
Figure 276419DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 411601DEST_PATH_IMAGE049
下坐标中对应Y轴的坐标值，
Figure 518841DEST_PATH_IMAGE052
表示第
Figure 66628DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 429126DEST_PATH_IMAGE049
下坐标中对应Z轴的坐标值，
Figure 353351DEST_PATH_IMAGE053
表示第
Figure 580676DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 237048DEST_PATH_IMAGE049
下所产生的计算任务，
Figure 278385DEST_PATH_IMAGE054
表示第
Figure 475143DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 556975DEST_PATH_IMAGE049
下所产生计算任务的任务量大小，
Figure 712144DEST_PATH_IMAGE055
表示第
Figure 783655DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 252944DEST_PATH_IMAGE049
下所产生计算任务中1比特任务量计算所需的CPU资源，
Figure 251600DEST_PATH_IMAGE056
表示第
Figure 264423DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 820300DEST_PATH_IMAGE049
下所产生计算任务对应的预设最大时延。
步骤S2-2. 根据无人机集群辅助边缘计算模型，结合目标区域内的各移动用户设备，以及高度统一高于无人机集群高度、且通信范围覆盖目标区域的各个配备MEC服务器的高空气球终端所构成的高空气球终端集群，构建物理实体网络，然后进入步骤S2-3。
步骤S2-3. 构建物理实体网络所对应的数字孪生网络，用于拟合各移动用户设备、各无人机、各高空气球终端的坐标位置、资源状态，其中，各移动用户设备分别所对应的数字孪生体如下：
Figure 621509DEST_PATH_IMAGE057
其中，
Figure 212022DEST_PATH_IMAGE058
表示第
Figure 649606DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 223938DEST_PATH_IMAGE049
下所对应的数字孪生体，
Figure 32101DEST_PATH_IMAGE059
表示第
Figure 945961DEST_PATH_IMAGE048
移动用户设备的最大CPU频率，
Figure 73887DEST_PATH_IMAGE060
表示第
Figure 135515DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 278527DEST_PATH_IMAGE049
下所对应数字孪生体的CPU频率，
Figure 843631DEST_PATH_IMAGE061
表示第
Figure 91860DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 375205DEST_PATH_IMAGE049
下与其所对应数字孪生体之间的CPU频率估计误差；
各无人机分别所对应的数字孪生体如下：
Figure 321908DEST_PATH_IMAGE062
其中，
Figure 944781DEST_PATH_IMAGE063
，
Figure 437946DEST_PATH_IMAGE064
表示无人机布设数量，
Figure 408920DEST_PATH_IMAGE065
表示第
Figure 162244DEST_PATH_IMAGE066
无人机在时隙
Figure 439291DEST_PATH_IMAGE049
下所对应的数字孪生体，
Figure 760813DEST_PATH_IMAGE067
表示第
Figure 422345DEST_PATH_IMAGE066
无人机的最大CPU频率，
Figure 182622DEST_PATH_IMAGE068
表示第
Figure 36878DEST_PATH_IMAGE066
无人机的坐标，
Figure 385426DEST_PATH_IMAGE069
表示第
Figure 802763DEST_PATH_IMAGE066
无人机在时隙
Figure 900819DEST_PATH_IMAGE049
下所对应数字孪生体分配给第
Figure 149529DEST_PATH_IMAGE048
移动用户设备的估计CPU频率，
Figure 809924DEST_PATH_IMAGE070
表示第
Figure 511295DEST_PATH_IMAGE066
无人机在时隙
Figure 159181DEST_PATH_IMAGE049
下分配给第
Figure 527977DEST_PATH_IMAGE048
移动用户设备的实际CPU频率与该无人机在时隙
Figure 156011DEST_PATH_IMAGE049
下所对应数字孪生体分配给第
Figure 344678DEST_PATH_IMAGE048
移动用户设备的估计CPU频率之间的误差；
各高空气球终端分别所对应的数字孪生体如下：
Figure 253378DEST_PATH_IMAGE071
其中，
Figure 677012DEST_PATH_IMAGE072
，
Figure 213298DEST_PATH_IMAGE073
表示高空气球终端的数量，
Figure 349314DEST_PATH_IMAGE074
表示第
Figure 589933DEST_PATH_IMAGE075
高空气球终端在时隙
Figure 664812DEST_PATH_IMAGE049
下所对应的数字孪生体，
Figure 371999DEST_PATH_IMAGE076
表示第
Figure 538188DEST_PATH_IMAGE075
高空气球终端的最大CPU频率，
Figure 520182DEST_PATH_IMAGE077
表示第
Figure 715146DEST_PATH_IMAGE075
高空气球终端的坐标，
Figure 655552DEST_PATH_IMAGE078
表示第
Figure 55176DEST_PATH_IMAGE075
高空气球终端在时隙
Figure 840861DEST_PATH_IMAGE049
下所对应数字孪生体分配给第
Figure 359173DEST_PATH_IMAGE048
移动用户设备的估计CPU频率，
Figure 473410DEST_PATH_IMAGE079
表示第
Figure 548944DEST_PATH_IMAGE075
高空气球终端在时隙
Figure 932128DEST_PATH_IMAGE049
下分配给第
Figure 511139DEST_PATH_IMAGE048
移动用户设备的实际CPU频率与该高空气球终端在时隙
Figure 987820DEST_PATH_IMAGE049
下所对应数字孪生体分配给第
Figure 347388DEST_PATH_IMAGE048
移动用户设备的估计CPU频率之间的误差；然后进入步骤S3。
步骤S3. 基于数字孪生网络反馈的物理实体网络信息，包括各移动用户设备的位置、全部计算任务，以及无人机集群的布设信息和高空气球终端集群的布设信息，构建移动用户设备卸载决策优化模型和计算任务资源分配优化模型，然后进入步骤S4。
步骤S3具体实施中，定义移动用户设备关联变量
Figure DEST_PATH_IMAGE245
，计算资源分配变量
Figure DEST_PATH_IMAGE247
，
Figure DEST_PATH_IMAGE249
，
Figure DEST_PATH_IMAGE251
，
Figure DEST_PATH_IMAGE253
，为了最小化整个***的能量消耗，优化问题建模为：
Figure DEST_PATH_IMAGE255
Figure DEST_PATH_IMAGE257
Figure DEST_PATH_IMAGE259
；
Figure DEST_PATH_IMAGE261
Figure 100002_DEST_PATH_IMAGE263
；
Figure 100002_DEST_PATH_IMAGE265
Figure 100002_DEST_PATH_IMAGE267
Figure 100002_DEST_PATH_IMAGE269
Figure 100002_DEST_PATH_IMAGE271
Figure 100002_DEST_PATH_IMAGE273
Figure 100002_DEST_PATH_IMAGE275
Figure DEST_PATH_IMAGE277
其中，
Figure DEST_PATH_IMAGE279
表示在时隙
Figure DEST_PATH_IMAGE281
，为完成第
Figure DEST_PATH_IMAGE283
移动用户设备的计算任务，整个***的能量消耗，表示为：
Figure DEST_PATH_IMAGE285
约束C1表示第
Figure 565940DEST_PATH_IMAGE283
移动用户设备的卸载决策是一个二进制变量，约束C2表示在时隙
Figure DEST_PATH_IMAGE286
，第
Figure 812507DEST_PATH_IMAGE283
移动用户设备的计算任务只能选择一个地点进行完成，约束C3-C5表示在时隙
Figure 734458DEST_PATH_IMAGE286
，第
Figure 47234DEST_PATH_IMAGE283
移动用户设备，第
Figure DEST_PATH_IMAGE288
无人机和第
Figure DEST_PATH_IMAGE290
高空气球终端的CPU计算频率不能超过各自的最大CPU频率，约束C6-C8表示在时隙
Figure 205508DEST_PATH_IMAGE286
，第
Figure 818499DEST_PATH_IMAGE283
移动用户设备的计算任务无论是在本地计算，无人机端计算还是高空气球终端计算，完成的时间均不能超过用户设备所能容忍的最大时延，约束C9-C11表示在整个时间周期T内，第
Figure 911351DEST_PATH_IMAGE283
移动用户设备、第
Figure 248441DEST_PATH_IMAGE288
无人机和第
Figure 983310DEST_PATH_IMAGE290
高空气球终端消耗的能耗都不能超过自身最大能耗值。
现有应用中，在求解移动用户设备卸载决策时，未引入深度强化学习中的DDQN算法时原问题的数学表达式构建为：给定计算资源分配
Figure DEST_PATH_IMAGE291
，求解移动用户设备的卸载决策
Figure DEST_PATH_IMAGE292
，故优化问题
Figure DEST_PATH_IMAGE293
转换为：
Figure DEST_PATH_IMAGE295
Figure DEST_PATH_IMAGE297
Figure DEST_PATH_IMAGE299
Figure DEST_PATH_IMAGE301
Figure DEST_PATH_IMAGE303
Figure DEST_PATH_IMAGE305
Figure DEST_PATH_IMAGE307
Figure DEST_PATH_IMAGE309
Figure DEST_PATH_IMAGE311
步骤S4. 基于步骤S3所构建的移动用户设备卸载决策优化模型和计算任务资源分配优化模型，应用深度强化学习中的DDQN算法求解移动用户设备卸载决策，然后进入步骤S5。
实际应用当中，上述步骤S4包括执行如下步骤S4-1至步骤S4-3。
步骤S4-1. 基于
Figure 210329DEST_PATH_IMAGE080
表示第
Figure 8170DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 29959DEST_PATH_IMAGE049
下计算任务未在对象
Figure 834099DEST_PATH_IMAGE081
上执行，
Figure 439259DEST_PATH_IMAGE082
表示第
Figure 670652DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 445316DEST_PATH_IMAGE049
下计算任务在对象
Figure 53146DEST_PATH_IMAGE081
上执行，以及所布设无人机集合
Figure 704357DEST_PATH_IMAGE083
、高空气球终端集合
Figure 575493DEST_PATH_IMAGE084
表示本地，若第
Figure 571874DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 921078DEST_PATH_IMAGE049
下针对计算任务执行本地计算，则如下：
Figure 742973DEST_PATH_IMAGE085
若第
Figure 250921DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 471949DEST_PATH_IMAGE049
下将计算任务卸载至无人机上时，则如下：
Figure 690091DEST_PATH_IMAGE086
若第
Figure 312964DEST_PATH_IMAGE048
移动用户设备在时隙
Figure 991814DEST_PATH_IMAGE049
下将计算任务卸载至高空气球终端上时，则如下：
Figure 496876DEST_PATH_IMAGE087
然后进入步骤S4-2。
步骤S4-2. 获得各移动用户设备分别在时隙
Figure 796006DEST_PATH_IMAGE049
下针对计算任务进行卸载的约束条件如下：
Figure 273386DEST_PATH_IMAGE088
然后进入步骤S4-3。
步骤S4-3. 构建两个参数完全相同的深度神经网络，并对其中一个网络记为G网络，且G网络的所有参数记为
Figure 654295DEST_PATH_IMAGE089
，另一个网络记为目标G网络，且目标G网络的所有参数记为
Figure 646653DEST_PATH_IMAGE090
，然后进入步骤S4-4。
优化问题
Figure DEST_PATH_IMAGE312
转换为：
Figure DEST_PATH_IMAGE314
Figure DEST_PATH_IMAGE316
Figure DEST_PATH_IMAGE318
Figure DEST_PATH_IMAGE320
Figure DEST_PATH_IMAGE322
Figure DEST_PATH_IMAGE324
Figure DEST_PATH_IMAGE326
Figure DEST_PATH_IMAGE328
其中，
Figure DEST_PATH_IMAGE330
表示通过DDQN算法得到的最优卸载决策；
步骤S4-4. 在时隙
Figure 653268DEST_PATH_IMAGE049
下，G网络的输入是当前***的状态
Figure 858857DEST_PATH_IMAGE091
，输出是全部卸载动作构成的动作空间
Figure 148018DEST_PATH_IMAGE092
、以及状态
Figure 93584DEST_PATH_IMAGE093
下各个移动用户设备完成卸载动作选择后整个***能量消耗值的负值和惩罚值之和
Figure DEST_PATH_IMAGE095A
值，其中应用
Figure DEST_PATH_IMAGE097A
-greedy贪婪算法进行最终动作的选择，在执行选择的动作
Figure 316274DEST_PATH_IMAGE098
后进入下一个状态
Figure 25036DEST_PATH_IMAGE099
，得到奖励函数
Figure 219519DEST_PATH_IMAGE100
，并将这条记录
Figure 183540DEST_PATH_IMAGE101
加入到大小为
Figure DEST_PATH_IMAGE103A
的经验池中，经验池被填满后，应用经验回放策略，进行G网络参数
Figure 914648DEST_PATH_IMAGE104
的更新，并经过预设步数，进行目标G网络参数
Figure 14934DEST_PATH_IMAGE105
的更新。
实际应用中，上述步骤S4-4中当前***的状态
Figure DEST_PATH_IMAGE332
、全部卸载动作构成的动作空间
Figure DEST_PATH_IMAGE334
、以及奖励函数
Figure DEST_PATH_IMAGE336
分别表示如下：
Figure DEST_PATH_IMAGE338
则基于当前***的状态
Figure 129388DEST_PATH_IMAGE106
，第
Figure 320985DEST_PATH_IMAGE110
移动用户设备完成计算任务地点的卸载后，在时隙
Figure 161508DEST_PATH_IMAGE111
下，全部卸载动作构成的动作空间
Figure 650390DEST_PATH_IMAGE112
表示如下：
Figure 709045DEST_PATH_IMAGE113
则获得奖励函数
Figure 650587DEST_PATH_IMAGE114
表示如下：
Figure DEST_PATH_IMAGE116A
其中，
Figure 392672DEST_PATH_IMAGE117
、
Figure 736059DEST_PATH_IMAGE118
、
Figure 36722DEST_PATH_IMAGE119
分别表示在时隙
Figure 197051DEST_PATH_IMAGE111
下，第
Figure 975783DEST_PATH_IMAGE110
移动用户设备计算任务的本地计算模式、无人机计算模式、高空气球计算模式下的能量消耗；
Figure DEST_PATH_IMAGE121A
表示惩罚项，其中，若第
Figure 483598DEST_PATH_IMAGE110
移动用户设备计算任务的完成时间大于该计算任务本身所对应的预设最大时延，则会相应给出预设惩罚数值，
Figure DEST_PATH_IMAGE123A
表示第
Figure 725136DEST_PATH_IMAGE110
移动用户设备在时隙
Figure DEST_PATH_IMAGE125_6A
下选择本地计算消耗的能耗，
Figure DEST_PATH_IMAGE127A
表示第
Figure 491536DEST_PATH_IMAGE110
移动用户设备在时隙
Figure DEST_PATH_IMAGE125_7A
下传输计算任务到第
Figure 903319DEST_PATH_IMAGE128
无人机消耗的传输能耗，
Figure DEST_PATH_IMAGE130A
表示第
Figure 516572DEST_PATH_IMAGE128
无人机因为计算来自第
Figure 908106DEST_PATH_IMAGE110
移动用户设备的计算任务消耗的能耗，
Figure DEST_PATH_IMAGE132A
表示第
Figure 341230DEST_PATH_IMAGE110
移动用户设备在时隙
Figure DEST_PATH_IMAGE125_8A
下传输计算任务到第
Figure 825213DEST_PATH_IMAGE133
高空气球终端消耗的传输能耗，
Figure DEST_PATH_IMAGE135A
表示第
Figure 18604DEST_PATH_IMAGE133
高空气球终端计算来自第
Figure 769654DEST_PATH_IMAGE110
移动用户设备的计算任务消耗的能耗。
并且所述奖励函数
Figure DEST_PATH_IMAGE340
获得中在时隙
Figure DEST_PATH_IMAGE125_9A
下第
Figure 974895DEST_PATH_IMAGE110
移动用户设备计算任务的本地计算模式、无人机计算模式、高空气球计算模式下能量消耗的获得，包括如下步骤：
步骤S4-4-1. 在时隙
Figure DEST_PATH_IMAGE125_10A
下，若第
Figure 991130DEST_PATH_IMAGE110
移动用户设备计算任务选择本地计算模式，则相对应的能量消耗如下：
Figure DEST_PATH_IMAGE138A
其中，
Figure DEST_PATH_IMAGE140A
表示对应第
Figure 797801DEST_PATH_IMAGE110
移动用户设备芯片结构的预设参数值，
Figure DEST_PATH_IMAGE140AA
的设定依据移动用户设备的类型，针对不同的移动用户设备，对应的硬件信息不同，故该值有大有小；本专利预设所有移动用户设备对于该值的指定数值均是10-27。
步骤S4-4-2. 在时隙
Figure DEST_PATH_IMAGE125_11A
下，若第
Figure 900843DEST_PATH_IMAGE110
移动用户设备计算任务选择无人机计算模式，则相对应的能量消耗如下：
1）第
Figure 747708DEST_PATH_IMAGE110
移动用户设备在时隙
Figure DEST_PATH_IMAGE142_7A
下传输计算任务到第
Figure 242667DEST_PATH_IMAGE128
无人机消耗的传输能耗为：
Figure DEST_PATH_IMAGE144A
其中，
Figure DEST_PATH_IMAGE146A
表示第
Figure 794608DEST_PATH_IMAGE110
移动用户设备在时隙
Figure DEST_PATH_IMAGE142_8A
下向第
Figure 979470DEST_PATH_IMAGE128
无人机传输计算任务时的发射功率；
Figure DEST_PATH_IMAGE148A
表示第
Figure 877412DEST_PATH_IMAGE110
移动用户设备在时隙
Figure DEST_PATH_IMAGE142_9A
下向第
Figure 636116DEST_PATH_IMAGE128
无人机传输计算任务的传输时间，表示为：
Figure DEST_PATH_IMAGE150A
其中，
Figure DEST_PATH_IMAGE152A
表示信道功率增益，
Figure DEST_PATH_IMAGE154A
表示信道带宽，
Figure DEST_PATH_IMAGE156A
表示高斯白噪声；
2）第
Figure 888235DEST_PATH_IMAGE128
无人机因为计算来自第
Figure 745463DEST_PATH_IMAGE110
移动用户设备的计算任务消耗的能耗为：
Figure DEST_PATH_IMAGE158A
其中，
Figure DEST_PATH_IMAGE160A
表示对应第
Figure 960063DEST_PATH_IMAGE128
无人机芯片结构的预设参数值；
Figure DEST_PATH_IMAGE160AA
的设定，依据无人机的类型，针对不同的无人机，对应的硬件信息不同，故该值有大有小；本专利预设所有无人机对于该值的指定数值均是10-28。
步骤S4-4-3. 在时隙
Figure DEST_PATH_IMAGE142_10A
下，若第
Figure 676784DEST_PATH_IMAGE110
移动用户设备计算任务选择高空气球终端计算模式，则相对应的能量消耗如下：
1）第
Figure 264367DEST_PATH_IMAGE110
移动用户设备在时隙
Figure DEST_PATH_IMAGE142_11A
下传输计算任务到第
Figure 62471DEST_PATH_IMAGE133
高空气球终端消耗的传输能耗为：
Figure DEST_PATH_IMAGE162A
其中，
Figure DEST_PATH_IMAGE164A
表示第
Figure 307243DEST_PATH_IMAGE110
移动用户设备在时隙
Figure DEST_PATH_IMAGE142_12A
下向第
Figure 478855DEST_PATH_IMAGE133
高空气球终端传输计算任务的发射功率；
Figure DEST_PATH_IMAGE166A
表示第
Figure 687988DEST_PATH_IMAGE110
移动用户设备在时隙
Figure DEST_PATH_IMAGE142_13A
下向第
Figure 442012DEST_PATH_IMAGE133
高空气球终端传输计算任务的传输时间，表示为：
Figure DEST_PATH_IMAGE168A
2)第
Figure 333001DEST_PATH_IMAGE133
高空气球终端计算来自第
Figure 478943DEST_PATH_IMAGE110
移动用户设备的计算任务消耗的能耗为：
Figure DEST_PATH_IMAGE170A
其中，
Figure DEST_PATH_IMAGE172A
表示对应第
Figure 914821DEST_PATH_IMAGE133
高空气球终端芯片结构的预设参数值；
Figure DEST_PATH_IMAGE172AA
的设定依据高空气球的类型，针对不同的高空气球，对应的硬件信息不同，故该值有大有小；本专利预设所有高空气球对于该值的指定数值均是10-29。
为解决优化问题P1.2，得到最优的卸载决策，具体在数字孪生网络应用DDQN算法的过程如下：
1），将物理实体网络中关于移动用户设备、无人机和高空气球的相关信息输入到数字孪生网络中，实现信息的共享；
2），智能体接收到物理信息后，向G网络输入当前***的状态，即
Figure DEST_PATH_IMAGE342
；
3），G网络在接收到当前***状态
Figure 539881DEST_PATH_IMAGE342
后，经过处理，输出下一个状态
Figure DEST_PATH_IMAGE344
、卸载动作
Figure DEST_PATH_IMAGE346
、奖励
Figure DEST_PATH_IMAGE348
和对应的Q值，其中动作
Figure 936141DEST_PATH_IMAGE346
使用
Figure DEST_PATH_IMAGE349
-greedy贪婪算法进行选择，即以概率
Figure 905015DEST_PATH_IMAGE349
随机选择一个动作，以概率
Figure DEST_PATH_IMAGE351
选择最优
Figure DEST_PATH_IMAGE353
值动作；
4），智能体执行选择的动作
Figure DEST_PATH_IMAGE355
，进入到下一个状态
Figure DEST_PATH_IMAGE357
，得到奖励
Figure DEST_PATH_IMAGE359
，并将记录
Figure DEST_PATH_IMAGE361
加入到大小为
Figure DEST_PATH_IMAGE363
的经验池中；
5），经验池被填满后，在其中随机抽取样本，应用经验回放策略，进行G网络参数
Figure DEST_PATH_IMAGE365
的更新，具体步骤如下：
5-1），在经验池中，随机抽取
Figure DEST_PATH_IMAGE367
份记录，并令
Figure DEST_PATH_IMAGE369
；
5-2），对于第
Figure DEST_PATH_IMAGE371
份记录，将其对应的状态
Figure DEST_PATH_IMAGE373
输入到G网络中，得到对应的Q预测值，记为
Figure DEST_PATH_IMAGE375
；
5-3），对于第
Figure DEST_PATH_IMAGE377
份记录，将其对应的状态
Figure DEST_PATH_IMAGE379
输入到G网络中，选择最大Q值对应的动作
Figure DEST_PATH_IMAGE381
，记为
Figure DEST_PATH_IMAGE383
；
5-4），对于第
Figure 631617DEST_PATH_IMAGE377
份记录，将其对应的状态
Figure 655941DEST_PATH_IMAGE379
输入到目标G网络中，找到动作
Figure 161003DEST_PATH_IMAGE381
对应的Q值，即
Figure DEST_PATH_IMAGE385
5-5），计算第
Figure DEST_PATH_IMAGE387
份记录的Q目标值
Figure DEST_PATH_IMAGE389
，记为：
Figure DEST_PATH_IMAGE391
其中，
Figure DEST_PATH_IMAGE393
是衰减系数，当
Figure DEST_PATH_IMAGE395
趋近于0时，全局网络将倾向于注重当前的瞬时奖励，当
Figure 688893DEST_PATH_IMAGE395
趋近于1时，全局网络将倾向于注重未来的回报；
5-6），使
Figure DEST_PATH_IMAGE397
，并重复5-2）至5-6），直到
Figure DEST_PATH_IMAGE399
，停止计算；
5-7），定义均方差损失函数
Figure DEST_PATH_IMAGE401
，记为：
Figure DEST_PATH_IMAGE403
5-8），训练G网络，即通过神经网络的梯度反向传播来更新G网络的参数
Figure DEST_PATH_IMAGE405
，更新公式为：
Figure DEST_PATH_IMAGE407
其中，
Figure DEST_PATH_IMAGE409
表示学习率；
6），并经过一定的步数，使
Figure DEST_PATH_IMAGE411
，进行目标G网络参数
Figure DEST_PATH_IMAGE413
的更新。
步骤S5. 基于步骤S4所获取的移动用户设备的卸载决策，利用RO算法来获取移动用户设备、无人机、高空气球终端的计算资源分配策略，然后进入步骤S6。
上述步骤S5在实际应用当中具体执行如下步骤S5-1至步骤S5-3。
步骤S5-1. 定义计算资源分配变量
Figure 541441DEST_PATH_IMAGE173
，
Figure 521685DEST_PATH_IMAGE174
，
Figure 920568DEST_PATH_IMAGE175
，
Figure 677915DEST_PATH_IMAGE176
，然后进入步骤S5-2。
步骤S5-2. 基于
Figure DEST_PATH_IMAGE178A
中
Figure 423848DEST_PATH_IMAGE179
对应
Figure 506817DEST_PATH_IMAGE180
的取值范围，构建优化问题和其对应的优化约束如下，求解计算资源分配变量
Figure DEST_PATH_IMAGE182AA
；
Figure DEST_PATH_IMAGE184A
Figure 379614DEST_PATH_IMAGE185
Figure 474740DEST_PATH_IMAGE186
Figure 550599DEST_PATH_IMAGE187
Figure 276240DEST_PATH_IMAGE188
Figure 709102DEST_PATH_IMAGE189
Figure 345270DEST_PATH_IMAGE190
Figure 651748DEST_PATH_IMAGE191
Figure 810941DEST_PATH_IMAGE192
Figure 265187DEST_PATH_IMAGE193
其中，
Figure DEST_PATH_IMAGE415
表示的是所需要优化的目标函数，即在整个活动时间下，整个***的能量消耗之和，
Figure DEST_PATH_IMAGE195A
表示在时隙
Figure DEST_PATH_IMAGE197_9A
下为完成第
Figure 509306DEST_PATH_IMAGE110
移动用户设备的计算任务，
Figure DEST_PATH_IMAGE199A
表示相邻两个时隙之间的持续时间大小，整个***的能量消耗表示如下：
Figure DEST_PATH_IMAGE201A
约束C1-约束C3表示在时隙
Figure DEST_PATH_IMAGE197_10A
下第
Figure 26217DEST_PATH_IMAGE110
移动用户设备的计算CPU频率、第
Figure DEST_PATH_IMAGE203A
无人机的计算CPU频率、第
Figure DEST_PATH_IMAGE205A
高空气球终端的计算CPU频率不能超过各自的最大CPU频率；
约束C4-约束C6表示在时隙
Figure DEST_PATH_IMAGE197_11A
下第
Figure 838535DEST_PATH_IMAGE110
移动用户设备的计算任务无论是在本地计算、无人机计算，还是高空气球终端计算，完成的时间均不能超过第
Figure 780077DEST_PATH_IMAGE110
移动用户设备关于该计算任务对应的预设最大时延；其中，约束C4中，
Figure DEST_PATH_IMAGE207AA
表示在时隙
Figure DEST_PATH_IMAGE197_12A
下第
Figure 410910DEST_PATH_IMAGE110
移动用户设备本地计算实际消耗的时间，包含第
Figure 488718DEST_PATH_IMAGE110
移动用户设备的数字孪生体估计的计算时间
Figure DEST_PATH_IMAGE209AA
、以及第
Figure 633390DEST_PATH_IMAGE110
移动用户设备的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure DEST_PATH_IMAGE211AA
，第
Figure 563693DEST_PATH_IMAGE110
移动用户设备的数字孪生体估计的计算时间
Figure DEST_PATH_IMAGE209AAA
表示为：
Figure DEST_PATH_IMAGE213A
第
Figure 661532DEST_PATH_IMAGE110
移动用户设备的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure DEST_PATH_IMAGE211AAA
表示如下：
Figure DEST_PATH_IMAGE215A
则在时隙
Figure DEST_PATH_IMAGE197_13A
下第
Figure 282262DEST_PATH_IMAGE110
移动用户设备本地计算实际消耗的时间
Figure DEST_PATH_IMAGE207AAA
表示如下：
Figure DEST_PATH_IMAGE217A
约束C5中，
Figure DEST_PATH_IMAGE219A
表示在时隙
Figure DEST_PATH_IMAGE197_14A
下第
Figure 551830DEST_PATH_IMAGE128
无人机完成第
Figure 662438DEST_PATH_IMAGE110
移动用户设备的计算任务实际消耗的时间，包含第
Figure 448123DEST_PATH_IMAGE128
无人机的数字孪生体估计的计算时间
Figure DEST_PATH_IMAGE221AA
、以及第
Figure 64305DEST_PATH_IMAGE128
无人机的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure DEST_PATH_IMAGE223AA
，第
Figure 533201DEST_PATH_IMAGE128
无人机的数字孪生体估计的计算时间
Figure DEST_PATH_IMAGE221AAA
表示如下：
Figure DEST_PATH_IMAGE225A
第
Figure 341493DEST_PATH_IMAGE128
无人机的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure DEST_PATH_IMAGE223AAA
表示为：
Figure DEST_PATH_IMAGE227A
则在时隙
Figure DEST_PATH_IMAGE197_15A
下第
Figure 675742DEST_PATH_IMAGE128
无人机完成第
Figure 579719DEST_PATH_IMAGE110
移动用户设备的计算任务实际消耗的时间表示为：
Figure DEST_PATH_IMAGE229A
约束C6中，
Figure DEST_PATH_IMAGE231AA
表示在时隙
Figure DEST_PATH_IMAGE197_16A
下第
Figure 895817DEST_PATH_IMAGE075
高空气球终端为完成第
Figure 255385DEST_PATH_IMAGE110
移动用户设备的计算任务实际消耗的时间，包含第
Figure 379943DEST_PATH_IMAGE075
高空气球终端的数字孪生体估计的计算时间
Figure DEST_PATH_IMAGE233AA
、以及第
Figure 504806DEST_PATH_IMAGE075
高空气球终端的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure DEST_PATH_IMAGE235AA
，第
Figure 244399DEST_PATH_IMAGE075
高空气球终端的数字孪生体估计的计算时间
Figure DEST_PATH_IMAGE233AAA
表示为：
Figure DEST_PATH_IMAGE237A
第
Figure 484406DEST_PATH_IMAGE075
高空气球终端的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure DEST_PATH_IMAGE235AAA
表示为：
Figure DEST_PATH_IMAGE239A
则在时隙
Figure DEST_PATH_IMAGE197_17A
下第
Figure 912456DEST_PATH_IMAGE075
高空气球终端为完成第
Figure 262797DEST_PATH_IMAGE110
移动用户设备的计算任务实际消耗的时间
Figure DEST_PATH_IMAGE231AAA
表示为：
Figure DEST_PATH_IMAGE241A
约束C7-C9表示在整个时间周期T内，第
Figure 536740DEST_PATH_IMAGE110
移动用户设备、第
Figure 339742DEST_PATH_IMAGE128
无人机、第
Figure 540523DEST_PATH_IMAGE075
高空气球终端消耗的能耗都不能超过自身最大能耗值；
然后进入步骤S5-3；
步骤S5-3. 对于步骤S5-2中的各个优化约束，使用凸优化工具CVX，求解获得最优的计算资源分配结果
Figure DEST_PATH_IMAGE416
。
步骤S6. 迭代执行步骤S4至步骤S5，直到相邻两次迭代下整个***的能量消耗值的绝对值小于预设阈值，或者达到最大预设迭代次数时，迭代结束，即获得移动用户设备、无人机、高空气球终端的计算资源最优分配策略，以及获得移动用户设备、无人机、高空气球终端的计算任务最优卸载决策；然后基于无人机集群、以及高空气球终端集群的布设，应用计算任务最优卸载决策、以及计算资源最优分配策略，实现对目标区域内各移动用户设备上计算任务的卸载计算。
上述技术方案所设计用于应急通信中的高空基站集群辅助边缘计算方法，根据具体环境状况，采用精准获取K值的AK-means方法求解无人机的数量、以及位置部署，对移动目标区域进行全面覆盖，并且为了防止无人机供电不足、或者其他意外天气情况的发生，在空中部署一定数量配备MEC服务器的高空气球终端，辅助无人机为地面移动用户设备提供通信与计算服务，并在高空气球终端引入数字孪生网络来实时反馈移动用户设备、无人机、以及高空气球终端的地理位置和计算资源等信息，应用深度强化学习中的DDQN算法求解移动用户设备的卸载决策，利用RO算法获取移动用户设备、无人机以及高空气球终端的计算资源分配策略，有效降低整个***的能量消耗，提高移动用户设备的服务体验，具有较好的方便性。
本发明采用精准获取K值的AK-means方法求解无人机的数量以及位置部署，能够有效利用无人机资源，在确保资源不浪费的同时，充分为移动用户设备服务，做到效益最大化，并且深度强化学习中的DDQN算法能够适应动态的环境变化，得到一个最优的卸载决策，可以明显提高***的实时性。
如图5和图6所示是经过多次仿真实验后的对比图。其中图5给出的是一些求解算法，在移动用户设备数一定的情况下，随着移动用户设备任务量增多，整个***能量消耗的表现，分别是本发明提出HBS-AEC算法，Deep Q-Network （DQN）算法和不应用RO算法。整体来看，无论哪一种算法，随着移动用户设备任务量的增加，整体***的能耗均是呈上升趋势，但本发明提出的HBS-AEC算法较其他两种算法在最终得到的结果中均是最优的。一开始移动用户设备任务量不大的时候，三种算法之间的差距很小。当移动用户设备任务量增长到一定程度后，三种算法之间的差距明显增大，这是由于本发明提出的HBS-AEC算法求解出来的策略开始充分考虑了环境信息，部署了适量的无人机，并且移动用户设备、无人机和高空气球的计算资源得到充分优化。
如图6所示给出的是一些求解算法，在移动用户设备任务量一定的情况下，随着移动用户设备数的增多，整个***能量消耗的表现，分别是本发明提出的HBS-AEC算法，DQN算法和不应用RO算法。三种算法中，整体来看，随着移动用户设备数的增加，整体***的能耗均是呈上升趋势，但我们所提出的HBS-AEC算法相较于其他两种算法效果要更加优秀。当移动用户设备数增长到一定程度后，三种算法之间的差距明显增大，这是由于本发明提出的算法求解出来的策略充分利用了数字孪生网络所反馈的环境信息，并依据DDQN算法得到适合当下环境的卸载决策，最后对移动用户设备、无人机和高空气球终端计算资源充分优化，具有一定的可行性。经过实验数据分析，本发明提出的HBS-AEC算法相较于DQN算法和不应用RO算法能够分别显著降低整体***能耗的7%和10%。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (7)

1.一种用于应急通信中的高空基站集群辅助边缘计算方法，其特征在于：基于无人机集群、以及高空气球终端集群，实现对目标区域内各移动用户设备上计算任务的卸载计算；包括如下步骤：
步骤S1. 基于目标区域中预设用于标记目标区域范围的各个固定地标对象，应用AK-means方法，求解获得无人机布设数量、以及各无人机部署位置，构建无人机集群辅助边缘计算模型，然后进入步骤S2；
步骤S2. 根据无人机集群辅助边缘计算模型，结合目标区域内的各移动用户设备，以及高度统一高于无人机集群高度、且通信范围覆盖目标区域的各个配备MEC服务器的高空气球终端所构成的高空气球终端集群，构建物理实体网络、以及其所对应的数字孪生网络，用于拟合各移动用户设备、各无人机、各高空气球终端的坐标位置、资源状态，然后进入步骤S3；
步骤S3. 基于数字孪生网络反馈的物理实体网络信息，包括各移动用户设备的位置、全部计算任务，以及无人机集群的布设信息和高空气球终端集群的布设信息，构建移动用户设备卸载决策优化模型和计算任务资源分配优化模型，然后进入步骤S4；
步骤S4. 基于步骤S3所构建的移动用户设备卸载决策优化模型和计算任务资源分配优化模型，应用深度强化学习中的DDQN算法求解移动用户设备卸载决策，然后进入步骤S5；
步骤S5. 基于步骤S4所获取的移动用户设备的卸载决策，利用RO算法来获取移动用户设备、无人机、高空气球终端的计算资源分配策略，然后进入步骤S6；
步骤S6. 迭代执行步骤S4至步骤S5，直到相邻两次迭代下整个***的能量消耗值的绝对值小于预设阈值，或者达到最大预设迭代次数时，迭代结束，即获得移动用户设备、无人机、高空气球终端的计算资源最优分配策略，以及获得移动用户设备、无人机、高空气球终端的计算任务最优卸载决策；然后基于无人机集群、以及高空气球终端集群的布设，应用计算任务最优卸载决策、以及计算资源最优分配策略，实现对目标区域内各移动用户设备上计算任务的卸载计算。
2.根据权利要求1所述一种用于应急通信中的高空基站集群辅助边缘计算方法，其特征在于：所述步骤S1中，基于目标区域中预设用于标记目标区域范围的各个固定地标对象，执行如下步骤S1-1至步骤S1-11，求解获得无人机布设数量、以及各无人机部署位置，构建无人机集群辅助边缘计算模型，然后进入步骤S2；
步骤S1-1. 初始化大于2、且小于或等于供选择无人机总数
Figure 769748DEST_PATH_IMAGE001
的聚类中心数量
Figure 608522DEST_PATH_IMAGE002
，然 后进入步骤S1-2；其中，
Figure 617499DEST_PATH_IMAGE001
小于固定地标对象的总数
Figure 98290DEST_PATH_IMAGE003
；
步骤S1-2. 初始化
Figure 780551DEST_PATH_IMAGE004
=1，由各个固定地标对象中随机选择一个固定地标对象，作为
Figure 321385DEST_PATH_IMAGE002
个聚类中心方案下的第
Figure 94955DEST_PATH_IMAGE004
个初始聚类中心，并针对
Figure 848279DEST_PATH_IMAGE004
的值进行加1更新，且定义未作为
Figure 119467DEST_PATH_IMAGE002
个聚类中心方案下初始聚类中心的各个固定地标对象为
Figure 34464DEST_PATH_IMAGE002
个聚类中心方案下的各个待选 择固定地标对象，然后进入步骤S1-3；
步骤S1-3. 基于各个固定地标对象分别对应水平面内的二维坐标，获得各个待选择固定地标对象分别与各初始聚类中心之间的最小欧几里得距离，并按如下公式:
Figure 307050DEST_PATH_IMAGE005
获得各个待选择固定地标对象分别作为下一个初始聚类中心的概率
Figure 628179DEST_PATH_IMAGE006
，然后进入 步骤S1-4；其中，
Figure 287961DEST_PATH_IMAGE007
，
Figure 173527DEST_PATH_IMAGE008
表示待选择固定地标对象的数量，
Figure 653181DEST_PATH_IMAGE009
表示第
Figure 10957DEST_PATH_IMAGE010
个待选择固定地标对象与各初始聚类中心之间的最小欧几里得距离，
Figure 259667DEST_PATH_IMAGE011
表示第
Figure 773257DEST_PATH_IMAGE012
个待选择固定地标对象与各初始聚类中心之间的最小欧几里得距离；
步骤S1-4. 基于各个待选择固定地标对象分别作为下一个初始聚类中心的概率，按照 轮盘法选择出作为下一个初始聚类中心的待选择固定地标对象，将该待选择固定地标对象 更新作为
Figure 209049DEST_PATH_IMAGE002
个聚类中心方案下的第
Figure 308198DEST_PATH_IMAGE004
个初始聚类中心，然后进入步骤S1-5；
步骤S1-5. 判断
Figure 145836DEST_PATH_IMAGE013
是否大于
Figure 576467DEST_PATH_IMAGE002
，是则
Figure 233975DEST_PATH_IMAGE002
个聚类中心方案下初始聚类中心的选择结 束，并进入步骤S1-6，否则返回步骤S1-3；
步骤S1-6. 基于各个固定地标对象分别对应水平面内的二维坐标，针对
Figure 933553DEST_PATH_IMAGE002
个聚类中心 方案下的各个待选择固定地标对象，将各个待选择固定地标对象分别分配至距离其最近的 初始聚类中心，构成
Figure 625697DEST_PATH_IMAGE002
个聚类中心方案下的各个簇，然后进入步骤S1-7；
步骤S1-7. 分别针对
Figure 504527DEST_PATH_IMAGE002
个聚类中心方案下的各个簇，获得簇中各个固定地标对象对应 水平面内二维坐标的均值坐标，以该均值坐标位置更新作为该簇的初始聚类中心，进而获 得
Figure 711649DEST_PATH_IMAGE002
个聚类中心方案下各个簇的初始聚类中心的更新，然后进入步骤S1-8；
步骤S1-8. 判断
Figure 480497DEST_PATH_IMAGE002
个聚类中心方案下各个簇中更新后的初始聚类中心是否与更新之前 的初始聚类中心均相同，是则
Figure 355044DEST_PATH_IMAGE002
个聚类中心方案下各个簇的初始聚类中心即为各个簇的聚 类中心，并进入步骤S1-9，否则返回步骤S1-6；
步骤S1-9. 分别针对
Figure 658636DEST_PATH_IMAGE002
个聚类中心方案下的各个簇，计算获得簇中各个固定地标对象 分别与其聚类中心的欧几里得距离
Figure 353053DEST_PATH_IMAGE015
，并按
Figure 394434DEST_PATH_IMAGE017
，获得该簇所 对应的簇内误差平方和
Figure 857908DEST_PATH_IMAGE019
，然后进入步骤S1-10；其中，
Figure 87726DEST_PATH_IMAGE021
表示
Figure 931DEST_PATH_IMAGE002
个聚类中心方 案下第
Figure 317774DEST_PATH_IMAGE004
个簇中第
Figure 373105DEST_PATH_IMAGE023
个固定地标对象与其对应聚类中心之间的欧几里得距离，
Figure 749991DEST_PATH_IMAGE025
表 示
Figure 619333DEST_PATH_IMAGE002
个聚类中心方案下第
Figure 5446DEST_PATH_IMAGE004
个簇中的固定地标对象数量；
步骤S1-10. 获得
Figure 927002DEST_PATH_IMAGE002
个聚类中心方案下的各个簇所对应簇内误差平方和
Figure 865002DEST_PATH_IMAGE019
的最大 值，记为
Figure 785422DEST_PATH_IMAGE027
，并按
Figure 978156DEST_PATH_IMAGE029
，获得
Figure 270728DEST_PATH_IMAGE002
个聚类中心方案所对应的 簇内误差平方和
Figure 517645DEST_PATH_IMAGE031
，然后判断
Figure 364510DEST_PATH_IMAGE033
是否大于
Figure 83637DEST_PATH_IMAGE035
，是则进入步骤S1-11，否则针对
Figure 699557DEST_PATH_IMAGE002
的值进行加1更新，并返回步骤S1-2；其中，
Figure 382954DEST_PATH_IMAGE037
和
Figure 248273DEST_PATH_IMAGE039
均表示预设参数，且
Figure 517231DEST_PATH_IMAGE037
＞1，
Figure 253236DEST_PATH_IMAGE039
＞1；
步骤S1-11. 根据各个聚类中心方案分别所对应的簇内误差平方和
Figure 874580DEST_PATH_IMAGE041
，以
Figure 788764DEST_PATH_IMAGE002
值作 为横坐标、簇内误差平方和
Figure 389641DEST_PATH_IMAGE041
作为纵坐标，绘制手肘图像，并按横坐标方向选择手肘 图像中的第一个拐点，获得该拐点所对应的横坐标值，即由该横坐标值确定无人机布设数 量，以及由该横坐标值所对应聚类中心方案中各聚类中心分别对应水平面内的二维坐标， 结合预设无人机统一海拔高度，确定各无人机部署位置。
3.根据权利要求2所述一种用于应急通信中的高空基站集群辅助边缘计算方法，其特征在于：所述步骤S2包括如下步骤S2-1至步骤S2-3；
步骤S2-1. 基于预设目标区域内所有移动用户设备分别在目标区域内的任务计算操作持续时长统一为
Figure 242803DEST_PATH_IMAGE043
，获得各移动用户设备的坐标如下：
Figure 5353DEST_PATH_IMAGE045
以及获得各移动用户设备分别在各时隙
Figure 113773DEST_PATH_IMAGE047
下所生成的计算任务如下：
Figure 721603DEST_PATH_IMAGE049
然后进入步骤S2-2；其中，
Figure 461895DEST_PATH_IMAGE051
，
Figure 386558DEST_PATH_IMAGE053
表示移动用户设备的数量，
Figure 917028DEST_PATH_IMAGE055
表示第
Figure 60040DEST_PATH_IMAGE057
移动用户设备在时隙
Figure 687461DEST_PATH_IMAGE059
下的坐标，
Figure 263586DEST_PATH_IMAGE061
表示第
Figure 281352DEST_PATH_IMAGE057
移动用户设备在时隙
Figure 228055DEST_PATH_IMAGE059
下坐标中对应X轴的坐标值，
Figure 444403DEST_PATH_IMAGE063
表示第
Figure 937569DEST_PATH_IMAGE057
移动用户设备在时隙
Figure 973789DEST_PATH_IMAGE059
下坐标中对应Y轴的坐标值，
Figure 989762DEST_PATH_IMAGE065
表示第
Figure 529459DEST_PATH_IMAGE057
移动用户设备在时隙
Figure 244124DEST_PATH_IMAGE059
下坐标中对应Z轴的坐标值，
Figure 502061DEST_PATH_IMAGE067
表示第
Figure 524987DEST_PATH_IMAGE057
移动用户设备在时隙
Figure 474183DEST_PATH_IMAGE059
下所产生的计算任务，
Figure 560082DEST_PATH_IMAGE069
表示第
Figure 302386DEST_PATH_IMAGE057
移动用户设备在时隙
Figure 131932DEST_PATH_IMAGE059
下所产生计算任务的任务量大小，
Figure 445889DEST_PATH_IMAGE071
表示第
Figure 968268DEST_PATH_IMAGE057
移动用户设备在时隙
Figure 666709DEST_PATH_IMAGE059
下所产生计算任务中1比特任务量计算所需的CPU资源，
Figure 34368DEST_PATH_IMAGE073
表示第
Figure 480129DEST_PATH_IMAGE057
移动用户设备在时隙
Figure 704568DEST_PATH_IMAGE059
下所产生计算任务对应的预设最大时延；
步骤S2-2. 根据无人机集群辅助边缘计算模型，结合目标区域内的各移动用户设备，以及高度统一高于无人机集群高度、且通信范围覆盖目标区域的各个配备MEC服务器的高空气球终端所构成的高空气球终端集群，构建物理实体网络，然后进入步骤S2-3；
步骤S2-3. 构建物理实体网络所对应的数字孪生网络，用于拟合各移动用户设备、各无人机、各高空气球终端的坐标位置、资源状态，其中，各移动用户设备分别所对应的数字孪生体如下：
Figure 922929DEST_PATH_IMAGE075
其中，
Figure 362787DEST_PATH_IMAGE077
表示第
Figure 117248DEST_PATH_IMAGE057
移动用户设备在时隙
Figure 244079DEST_PATH_IMAGE059
下所对应的数字孪生体，
Figure 185621DEST_PATH_IMAGE079
表示第
Figure 151873DEST_PATH_IMAGE057
移动用户设备的最大CPU频率，
Figure 495260DEST_PATH_IMAGE081
表示第
Figure 527414DEST_PATH_IMAGE057
移动用户设备在时隙
Figure 221832DEST_PATH_IMAGE059
下所对应数字孪生体的CPU频率，
Figure 3493DEST_PATH_IMAGE083
表示第
Figure 201387DEST_PATH_IMAGE057
移动用户设备在时隙
Figure 404442DEST_PATH_IMAGE059
下与其所对应数字孪生体之间的CPU频率估计误差；
各无人机分别所对应的数字孪生体如下：
Figure 54997DEST_PATH_IMAGE085
其中，
Figure 386488DEST_PATH_IMAGE087
，
Figure 704468DEST_PATH_IMAGE089
表示无人机布设数量，
Figure 344004DEST_PATH_IMAGE091
表示第
Figure 747434DEST_PATH_IMAGE093
无人机在时隙
Figure 169101DEST_PATH_IMAGE059
下所对应的数字孪生体，
Figure 73078DEST_PATH_IMAGE095
表示第
Figure 620865DEST_PATH_IMAGE093
无人机的最大CPU频率，
Figure 237224DEST_PATH_IMAGE097
表示第
Figure 161448DEST_PATH_IMAGE093
无人机的坐标，
Figure 185512DEST_PATH_IMAGE099
表示第
Figure 904200DEST_PATH_IMAGE093
无人机在时隙
Figure 285153DEST_PATH_IMAGE059
下所对应数字孪生体分配给第
Figure 747489DEST_PATH_IMAGE057
移动用户设备的估计CPU频率，
Figure 891638DEST_PATH_IMAGE101
表示第
Figure 781228DEST_PATH_IMAGE093
无人机在时隙
Figure 395616DEST_PATH_IMAGE059
下分配给第
Figure 927223DEST_PATH_IMAGE057
移动用户设备的实际CPU频率与该无人机在时隙
Figure 925878DEST_PATH_IMAGE059
下所对应数字孪生体分配给第
Figure 287501DEST_PATH_IMAGE057
移动用户设备的估计CPU频率之间的误差；
各高空气球终端分别所对应的数字孪生体如下：
Figure 374537DEST_PATH_IMAGE103
其中，
Figure 441326DEST_PATH_IMAGE105
，
Figure 297418DEST_PATH_IMAGE107
表示高空气球终端的数量，
Figure 785600DEST_PATH_IMAGE109
表示第
Figure 625511DEST_PATH_IMAGE111
高空气球终端在时隙
Figure 495991DEST_PATH_IMAGE059
下所对应的数字孪生体，
Figure 206589DEST_PATH_IMAGE113
表示第
Figure 611812DEST_PATH_IMAGE111
高空气球终端的最大CPU频率，
Figure 673440DEST_PATH_IMAGE115
表示第
Figure 816452DEST_PATH_IMAGE111
高空气球终端的坐标，
Figure 381557DEST_PATH_IMAGE117
表示第
Figure 500559DEST_PATH_IMAGE111
高空气球终端在时隙
Figure 518324DEST_PATH_IMAGE059
下所对应数字孪生体分配给第
Figure 996186DEST_PATH_IMAGE057
移动用户设备的估计CPU频率，
Figure 185771DEST_PATH_IMAGE119
表示第
Figure 461025DEST_PATH_IMAGE111
高空气球终端在时隙
Figure 228737DEST_PATH_IMAGE059
下分配给第
Figure 716481DEST_PATH_IMAGE057
移动用户设备的实际CPU频率与该高空气球终端在时隙
Figure 247389DEST_PATH_IMAGE059
下所对应数字孪生体分配给第
Figure 693545DEST_PATH_IMAGE057
移动用户设备的估计CPU频率之间的误差；
然后进入步骤S3。
4.根据权利要求3所述一种用于应急通信中的高空基站集群辅助边缘计算方法，其特征在于：所述步骤S4包括如下步骤S4-1至步骤S4-3；
步骤S4-1. 基于
Figure 417394DEST_PATH_IMAGE121
表示第
Figure 974408DEST_PATH_IMAGE057
移动用户设备在时隙
Figure 371541DEST_PATH_IMAGE059
下计算任务未在对象
Figure 988598DEST_PATH_IMAGE123
上执行，
Figure 465323DEST_PATH_IMAGE125
表示第
Figure 560449DEST_PATH_IMAGE057
移动用户设备在时隙
Figure 823807DEST_PATH_IMAGE059
下计算任务在对象
Figure 346187DEST_PATH_IMAGE123
上执行，以及所布设无人机集合
Figure 106945DEST_PATH_IMAGE127
、高空气球终端集合
Figure 5762DEST_PATH_IMAGE129
表示本地，若第
Figure 410110DEST_PATH_IMAGE057
移动用户设备在时隙
Figure 631620DEST_PATH_IMAGE059
下针对计算任务执行本地计算，则如下：
Figure 820287DEST_PATH_IMAGE131
若第
Figure 248426DEST_PATH_IMAGE057
移动用户设备在时隙
Figure 471728DEST_PATH_IMAGE059
下将计算任务卸载至无人机上时，则如下：
Figure 598560DEST_PATH_IMAGE133
若第
Figure 274523DEST_PATH_IMAGE057
移动用户设备在时隙
Figure 518072DEST_PATH_IMAGE059
下将计算任务卸载至高空气球终端上时，则如下：
Figure 595881DEST_PATH_IMAGE135
然后进入步骤S4-2；
步骤S4-2. 获得各移动用户设备分别在时隙
Figure 628034DEST_PATH_IMAGE059
下针对计算任务进行卸载的约束条件如下：
Figure 791293DEST_PATH_IMAGE137
然后进入步骤S4-3；
步骤S4-3. 构建两个参数完全相同的深度神经网络，并对其中一个网络记为G网络，且G网络的所有参数记为
Figure 584673DEST_PATH_IMAGE139
，另一个网络记为目标G网络，且目标G网络的所有参数记为
Figure 782567DEST_PATH_IMAGE141
，然后进入步骤S4-4；
步骤S4-4. 在时隙
Figure 516781DEST_PATH_IMAGE059
下，G网络的输入是当前***的状态
Figure 698494DEST_PATH_IMAGE143
，输出是全部卸载动作构 成的动作空间
Figure 549426DEST_PATH_IMAGE145
、以及状态
Figure 601826DEST_PATH_IMAGE147
下各个移动用户设备完成卸载动作选择后整个***能 量消耗值的负值和惩罚值之和
Figure 742827DEST_PATH_IMAGE148
值，其中应用
Figure 871889DEST_PATH_IMAGE149
-greedy贪婪算法进行最终动作的选择，在执 行选择的动作
Figure 992423DEST_PATH_IMAGE151
后进入下一个状态
Figure 896400DEST_PATH_IMAGE153
，得到奖励函数
Figure 709767DEST_PATH_IMAGE155
，并将这条记录
Figure 603423DEST_PATH_IMAGE157
加入到大小为
Figure 793227DEST_PATH_IMAGE158
的经验池中，经验池被填满后，应用经验 回放策略，进行G网络参数
Figure 551711DEST_PATH_IMAGE160
的更新，并经过预设步数，进行目标G网络参数
Figure 270400DEST_PATH_IMAGE162
的更新。
5.根据权利要求4所述一种用于应急通信中的高空基站集群辅助边缘计算方法，其特征在于：所述步骤S4-4中当前***的状态
Figure 209992DEST_PATH_IMAGE164
、全部卸载动作构成的动作空间
Figure 203487DEST_PATH_IMAGE166
、以及奖励函数
Figure 613215DEST_PATH_IMAGE168
分别表示如下：
Figure 33963DEST_PATH_IMAGE170
则基于当前***的状态
Figure 636633DEST_PATH_IMAGE164
，第
Figure 666774DEST_PATH_IMAGE172
移动用户设备完成计算任务地点的卸载后，在时隙
Figure 668359DEST_PATH_IMAGE174
下，全部卸载动作构成的动作空间
Figure 985641DEST_PATH_IMAGE176
表示如下：
Figure DEST_PATH_IMAGE178
则获得奖励函数
Figure DEST_PATH_IMAGE180
表示如下：
Figure 305632DEST_PATH_IMAGE181
其中，
Figure 378280DEST_PATH_IMAGE183
、
Figure 234372DEST_PATH_IMAGE185
、
Figure 259572DEST_PATH_IMAGE187
分别表示在时隙
Figure 302746DEST_PATH_IMAGE174
下，第
Figure 925224DEST_PATH_IMAGE172
移 动用户设备计算任务的本地计算模式、无人机计算模式、高空气球计算模式下的能量消耗；
Figure 635822DEST_PATH_IMAGE188
表示惩罚项，其中，若第
Figure 831924DEST_PATH_IMAGE172
移动用户设备计算任务的完成时间大于该计算任务本身所对应 的预设最大时延，则会相应给出预设惩罚数值，
Figure 893552DEST_PATH_IMAGE189
表示第
Figure 308003DEST_PATH_IMAGE172
移动用户设备在时隙
Figure 873107DEST_PATH_IMAGE190
下选择 本地计算消耗的能耗，
Figure 7154DEST_PATH_IMAGE191
表示第
Figure 547289DEST_PATH_IMAGE172
移动用户设备在时隙
Figure 496922DEST_PATH_IMAGE190
下传输计算任务到第
Figure 913603DEST_PATH_IMAGE193
无人 机消耗的传输能耗，
Figure 454437DEST_PATH_IMAGE194
表示第
Figure 962429DEST_PATH_IMAGE193
无人机因为计算来自第
Figure 715752DEST_PATH_IMAGE172
移动用户设备的计算任务 消耗的能耗，
Figure 252520DEST_PATH_IMAGE195
表示第
Figure 433096DEST_PATH_IMAGE172
移动用户设备在时隙
Figure 705682DEST_PATH_IMAGE190
下传输计算任务到第
Figure 262696DEST_PATH_IMAGE197
高空气球终端 消耗的传输能耗，
Figure 919549DEST_PATH_IMAGE198
表示第
Figure 802186DEST_PATH_IMAGE197
高空气球终端计算来自第
Figure 786234DEST_PATH_IMAGE172
移动用户设备的计算任务 消耗的能耗。
6.根据权利要求5所述一种用于应急通信中的高空基站集群辅助边缘计算方法，其特 征在于：所述奖励函数
Figure 144010DEST_PATH_IMAGE200
获得中在时隙
Figure 923878DEST_PATH_IMAGE190
下第
Figure 437468DEST_PATH_IMAGE172
移动用户设备计算任务的本地计 算模式、无人机计算模式、高空气球计算模式下能量消耗的获得，包括如下步骤：
步骤S4-4-1. 在时隙
Figure 404419DEST_PATH_IMAGE190
下，若第
Figure 565885DEST_PATH_IMAGE172
移动用户设备计算任务选择本地计算模式，则相对应 的能量消耗如下：
Figure 200260DEST_PATH_IMAGE201
其中，
Figure 630891DEST_PATH_IMAGE202
表示对应第
Figure 85137DEST_PATH_IMAGE172
移动用户设备芯片结构的预设参数值；
步骤S4-4-2. 在时隙
Figure 519136DEST_PATH_IMAGE190
下，若第
Figure 273597DEST_PATH_IMAGE172
移动用户设备计算任务选择无人机计算模式，则相对 应的能量消耗如下：
1）第
Figure 152427DEST_PATH_IMAGE172
移动用户设备在时隙
Figure 828390DEST_PATH_IMAGE203
下传输计算任务到第
Figure 331659DEST_PATH_IMAGE193
无人机消耗的传输能耗为：
Figure 445021DEST_PATH_IMAGE204
其中，
Figure 11263DEST_PATH_IMAGE205
表示第
Figure 171592DEST_PATH_IMAGE172
移动用户设备在时隙
Figure 950323DEST_PATH_IMAGE203
下向第
Figure 873849DEST_PATH_IMAGE193
无人机传输计算任务时的发射功 率；
Figure 345413DEST_PATH_IMAGE206
表示第
Figure 993039DEST_PATH_IMAGE172
移动用户设备在时隙
Figure 309882DEST_PATH_IMAGE203
下向第
Figure 630791DEST_PATH_IMAGE193
无人机传输计算任务的传输时间，表 示为：
Figure 273256DEST_PATH_IMAGE207
其中，
Figure 142599DEST_PATH_IMAGE208
表示信道功率增益，
Figure 263133DEST_PATH_IMAGE209
表示信道带宽，
Figure 715847DEST_PATH_IMAGE210
表示高斯白噪声；
2）第
Figure 529213DEST_PATH_IMAGE193
无人机因为计算来自第
Figure 417010DEST_PATH_IMAGE172
移动用户设备的计算任务消耗的能耗为：
Figure 606814DEST_PATH_IMAGE211
其中，
Figure 669360DEST_PATH_IMAGE212
表示对应第
Figure 916278DEST_PATH_IMAGE193
无人机芯片结构的预设参数值；
步骤S4-4-3. 在时隙
Figure 28721DEST_PATH_IMAGE203
下，若第
Figure 482269DEST_PATH_IMAGE172
移动用户设备计算任务选择高空气球终端计算模式， 则相对应的能量消耗如下：
1）第
Figure 894926DEST_PATH_IMAGE172
移动用户设备在时隙
Figure 781587DEST_PATH_IMAGE203
下传输计算任务到第
Figure 115747DEST_PATH_IMAGE197
高空气球终端消耗的传输能耗为：
Figure 650283DEST_PATH_IMAGE213
其中，
Figure 386289DEST_PATH_IMAGE214
表示第
Figure 443851DEST_PATH_IMAGE172
移动用户设备在时隙
Figure 265307DEST_PATH_IMAGE203
下向第
Figure 84095DEST_PATH_IMAGE197
高空气球终端传输计算任务的发 射功率；
Figure 205766DEST_PATH_IMAGE215
表示第
Figure 699808DEST_PATH_IMAGE172
移动用户设备在时隙
Figure 805298DEST_PATH_IMAGE203
下向第
Figure 183102DEST_PATH_IMAGE197
高空气球终端传输计算任务的传 输时间，表示为：
Figure 156349DEST_PATH_IMAGE216
2)第
Figure 824222DEST_PATH_IMAGE197
高空气球终端计算来自第
Figure 611482DEST_PATH_IMAGE172
移动用户设备的计算任务消耗的能耗为：
Figure 757424DEST_PATH_IMAGE217
其中，
Figure 585178DEST_PATH_IMAGE218
表示对应第
Figure 423952DEST_PATH_IMAGE197
高空气球终端芯片结构的预设参数值。
7.根据权利要求6所述一种用于应急通信中的高空基站集群辅助边缘计算方法，其特征在于：所述步骤S5包括如下步骤S5-1至步骤S5-3；
步骤S5-1. 定义计算资源分配变量
Figure 710227DEST_PATH_IMAGE220
，
Figure 659859DEST_PATH_IMAGE222
，
Figure 342120DEST_PATH_IMAGE224
，
Figure 86216DEST_PATH_IMAGE226
，然后进入步骤S5-2；
步骤S5-2. 基于
Figure 871506DEST_PATH_IMAGE227
中
Figure 155988DEST_PATH_IMAGE229
对应
Figure 692755DEST_PATH_IMAGE231
的取值范围，构建优化问 题和其对应的优化约束如下，求解计算资源分配变量
Figure 138911DEST_PATH_IMAGE232
；
Figure 166822DEST_PATH_IMAGE233
Figure 252065DEST_PATH_IMAGE235
Figure 646268DEST_PATH_IMAGE237
Figure 520115DEST_PATH_IMAGE239
Figure 530928DEST_PATH_IMAGE241
Figure 888704DEST_PATH_IMAGE243
Figure 402993DEST_PATH_IMAGE245
Figure 928302DEST_PATH_IMAGE247
Figure 629673DEST_PATH_IMAGE249
Figure 259981DEST_PATH_IMAGE251
其中，
Figure 894355DEST_PATH_IMAGE252
表示在时隙
Figure 867864DEST_PATH_IMAGE253
下为完成第
Figure 86224DEST_PATH_IMAGE172
移动用户设备的计算任务，
Figure 788732DEST_PATH_IMAGE254
表示相邻两个时隙之 间的持续时间大小，整个***的能量消耗表示如下：
Figure 280543DEST_PATH_IMAGE255
约束C1-约束C3表示在时隙
Figure 675884DEST_PATH_IMAGE253
下第
Figure 880076DEST_PATH_IMAGE172
移动用户设备的计算CPU频率、第
Figure 855116DEST_PATH_IMAGE256
无人机的计算CPU 频率、第
Figure 924135DEST_PATH_IMAGE257
高空气球终端的计算CPU频率不能超过各自的最大CPU频率；
约束C4-约束C6表示在时隙
Figure 959219DEST_PATH_IMAGE253
下第
Figure 385127DEST_PATH_IMAGE172
移动用户设备的计算任务无论是在本地计算、无人 机计算，还是高空气球终端计算，完成的时间均不能超过第
Figure 695017DEST_PATH_IMAGE172
移动用户设备关于该计算任 务对应的预设最大时延；其中，约束C4中，
Figure 895841DEST_PATH_IMAGE258
表示在时隙
Figure 101826DEST_PATH_IMAGE253
下第
Figure 15030DEST_PATH_IMAGE172
移动用户设备本地计算实 际消耗的时间，包含第
Figure 331873DEST_PATH_IMAGE172
移动用户设备的数字孪生体估计的计算时间
Figure 306363DEST_PATH_IMAGE259
、以及第
Figure 211477DEST_PATH_IMAGE172
移动 用户设备的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure 614908DEST_PATH_IMAGE260
，第
Figure 269530DEST_PATH_IMAGE172
移动用户设备的数字孪生体估计的计算时间
Figure 973175DEST_PATH_IMAGE259
表示为：
Figure 518032DEST_PATH_IMAGE261
第
Figure 877601DEST_PATH_IMAGE172
移动用户设备的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure 560081DEST_PATH_IMAGE260
表示如下：
Figure DEST_PATH_IMAGE262
则在时隙
Figure 69297DEST_PATH_IMAGE253
下第
Figure 322074DEST_PATH_IMAGE172
移动用户设备本地计算实际消耗的时间
Figure 434517DEST_PATH_IMAGE258
表示如下：
Figure DEST_PATH_IMAGE263
约束C5中，
Figure DEST_PATH_IMAGE264
表示在时隙
Figure 472354DEST_PATH_IMAGE253
下第
Figure 353854DEST_PATH_IMAGE193
无人机完成第
Figure 506093DEST_PATH_IMAGE172
移动用户设备的计算任务实际 消耗的时间，包含第
Figure 371412DEST_PATH_IMAGE193
无人机的数字孪生体估计的计算时间
Figure DEST_PATH_IMAGE265
、以及第
Figure 217533DEST_PATH_IMAGE193
无人机的 真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure DEST_PATH_IMAGE266
，第
Figure 671648DEST_PATH_IMAGE193
无人机 的数字孪生体估计的计算时间
Figure 490394DEST_PATH_IMAGE265
表示如下：
Figure DEST_PATH_IMAGE267
第
Figure 590812DEST_PATH_IMAGE193
无人机的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure 663460DEST_PATH_IMAGE266
表示为：
Figure DEST_PATH_IMAGE268
则在时隙
Figure 267354DEST_PATH_IMAGE253
下第
Figure 29905DEST_PATH_IMAGE193
无人机完成第
Figure 618885DEST_PATH_IMAGE172
移动用户设备的计算任务实际消耗的时间表示为：
Figure DEST_PATH_IMAGE269
约束C6中，
Figure DEST_PATH_IMAGE270
表示在时隙
Figure 521988DEST_PATH_IMAGE253
下第
Figure 235516DEST_PATH_IMAGE111
高空气球终端为完成第
Figure 700126DEST_PATH_IMAGE172
移动用户设备的计算 任务实际消耗的时间，包含第
Figure 994710DEST_PATH_IMAGE111
高空气球终端的数字孪生体估计的计算时间
Figure DEST_PATH_IMAGE271
、以 及第
Figure 413754DEST_PATH_IMAGE111
高空气球终端的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
Figure DEST_PATH_IMAGE272
，第
Figure 257820DEST_PATH_IMAGE111
高空气球终端的数字孪生体估计的计算时间
Figure 99523DEST_PATH_IMAGE271
表示为：
Figure DEST_PATH_IMAGE273
第
Figure 661830DEST_PATH_IMAGE111
高空气球终端的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间 隙
Figure 142621DEST_PATH_IMAGE272
表示为：
Figure DEST_PATH_IMAGE274
则在时隙
Figure 124350DEST_PATH_IMAGE253
下第
Figure 163719DEST_PATH_IMAGE111
高空气球终端为完成第
Figure 468448DEST_PATH_IMAGE172
移动用户设备的计算任务实际消耗的时间
Figure 221772DEST_PATH_IMAGE270
表示为：
Figure DEST_PATH_IMAGE275
约束C7-C9表示在整个时间周期T内，第
Figure 306009DEST_PATH_IMAGE172
移动用户设备、第
Figure 477797DEST_PATH_IMAGE193
无人机、第
Figure 532472DEST_PATH_IMAGE111
高空气球终端消耗的能耗都不能超过自身最大能耗值；
然后进入步骤S5-3；
步骤S5-3. 对于步骤S5-2中的各个优化约束，使用凸优化工具CVX，求解获得最优的计 算资源分配结果
Figure 86556DEST_PATH_IMAGE232
。
CN202111365868.8A 2021-11-18 2021-11-18 一种用于应急通信中的高空基站集群辅助边缘计算方法 Active CN113852994B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111365868.8A CN113852994B (zh) 2021-11-18 2021-11-18 一种用于应急通信中的高空基站集群辅助边缘计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111365868.8A CN113852994B (zh) 2021-11-18 2021-11-18 一种用于应急通信中的高空基站集群辅助边缘计算方法

Publications (2)

Publication Number Publication Date
CN113852994A true CN113852994A (zh) 2021-12-28
CN113852994B CN113852994B (zh) 2023-04-18

Family

ID=78984554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111365868.8A Active CN113852994B (zh) 2021-11-18 2021-11-18 一种用于应急通信中的高空基站集群辅助边缘计算方法

Country Status (1)

Country Link
CN (1) CN113852994B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114125708A (zh) * 2022-01-20 2022-03-01 南京信息工程大学 一种基于数字孪生的无人机集群轨迹优化和任务卸载方法
CN114048689B (zh) * 2022-01-13 2022-04-15 南京信息工程大学 基于深度强化学习的多无人机空中充电和任务调度方法
CN116521377A (zh) * 2023-06-30 2023-08-01 中国电信股份有限公司 业务计算卸载方法、***、装置、设备及介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106358245A (zh) * 2016-11-07 2017-01-25 北京佰才邦技术有限公司 移动边缘计算应用负荷分担的方法和控制器
CN108924936A (zh) * 2018-07-12 2018-11-30 南昌大学 无人机辅助无线充电边缘计算网络的资源分配方法
CN109286913A (zh) * 2018-09-29 2019-01-29 郑州航空工业管理学院 基于蜂窝网联的无人机移动边缘计算***能耗优化方法
CN110553629A (zh) * 2019-09-20 2019-12-10 中南大学 一种基于边缘计算的无人机目标追踪功耗优化方法及***
CN111142883A (zh) * 2019-12-03 2020-05-12 沈阳航空航天大学 基于sdn架构的车辆计算任务卸载方法
CN111368971A (zh) * 2020-02-19 2020-07-03 中国人民解放军军事科学院国防科技创新研究院 一种无人机集群协同降落排序方法及***
CN111522355A (zh) * 2020-03-19 2020-08-11 尚特杰电力科技有限公司 一种基于边缘计算的无人机巡检***及其巡检方法
US20200312159A1 (en) * 2019-03-25 2020-10-01 Kittyhawk.io, Inc. Systems and Methods for Multi-Channel Remote Identification of Aircraft
CN112351503A (zh) * 2020-11-05 2021-02-09 大连理工大学 基于任务预测的多无人机辅助边缘计算资源分配方法
US20210075631A1 (en) * 2019-11-19 2021-03-11 Intel Corporation Provisioning of multicast and broadcast services with different quality of service levels
CN113296963A (zh) * 2021-07-27 2021-08-24 南京信息工程大学 一种考虑用户移动性的无人机辅助的边缘计算方法
CN113660681A (zh) * 2021-05-31 2021-11-16 西北工业大学 一种应用于无人机集群辅助传输的多智能体资源优化方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106358245A (zh) * 2016-11-07 2017-01-25 北京佰才邦技术有限公司 移动边缘计算应用负荷分担的方法和控制器
CN108924936A (zh) * 2018-07-12 2018-11-30 南昌大学 无人机辅助无线充电边缘计算网络的资源分配方法
CN109286913A (zh) * 2018-09-29 2019-01-29 郑州航空工业管理学院 基于蜂窝网联的无人机移动边缘计算***能耗优化方法
US20200312159A1 (en) * 2019-03-25 2020-10-01 Kittyhawk.io, Inc. Systems and Methods for Multi-Channel Remote Identification of Aircraft
CN110553629A (zh) * 2019-09-20 2019-12-10 中南大学 一种基于边缘计算的无人机目标追踪功耗优化方法及***
US20210075631A1 (en) * 2019-11-19 2021-03-11 Intel Corporation Provisioning of multicast and broadcast services with different quality of service levels
CN111142883A (zh) * 2019-12-03 2020-05-12 沈阳航空航天大学 基于sdn架构的车辆计算任务卸载方法
CN111368971A (zh) * 2020-02-19 2020-07-03 中国人民解放军军事科学院国防科技创新研究院 一种无人机集群协同降落排序方法及***
CN111522355A (zh) * 2020-03-19 2020-08-11 尚特杰电力科技有限公司 一种基于边缘计算的无人机巡检***及其巡检方法
CN112351503A (zh) * 2020-11-05 2021-02-09 大连理工大学 基于任务预测的多无人机辅助边缘计算资源分配方法
CN113660681A (zh) * 2021-05-31 2021-11-16 西北工业大学 一种应用于无人机集群辅助传输的多智能体资源优化方法
CN113296963A (zh) * 2021-07-27 2021-08-24 南京信息工程大学 一种考虑用户移动性的无人机辅助的边缘计算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KUN GUO , MEMBER, IEEE, RUIFENG GAO , MEMBER, IEEE, WENCHAO XIA , MEMBER, IEEE, AND TONY Q. S. QUEK , FELLOW, IEEE: "\"Online Learning Based Computation Offloading in MEC Systems With Communication and Computation Dynamics \"" *
赵拓，杨洁，曹雪虹: ""基于能效的异构蜂窝网络微基站部署研究"" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114048689B (zh) * 2022-01-13 2022-04-15 南京信息工程大学 基于深度强化学习的多无人机空中充电和任务调度方法
CN114125708A (zh) * 2022-01-20 2022-03-01 南京信息工程大学 一种基于数字孪生的无人机集群轨迹优化和任务卸载方法
CN114125708B (zh) * 2022-01-20 2022-04-15 南京信息工程大学 一种基于数字孪生的无人机集群轨迹优化和任务卸载方法
CN116521377A (zh) * 2023-06-30 2023-08-01 中国电信股份有限公司 业务计算卸载方法、***、装置、设备及介质
CN116521377B (zh) * 2023-06-30 2023-09-29 中国电信股份有限公司 业务计算卸载方法、***、装置、设备及介质

Also Published As

Publication number Publication date
CN113852994B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN113852994A (zh) 一种用于应急通信中的高空基站集群辅助边缘计算方法
CN113568675B (zh) 一种基于分层强化学习的车联网边缘计算任务卸载方法
CN114125708B (zh) 一种基于数字孪生的无人机集群轨迹优化和任务卸载方法
CN113346944A (zh) 空天地一体化网络中时延最小化计算任务卸载方法及***
CN108171315A (zh) 基于smc粒子群算法的多无人机任务分配方法
CN112560991B (zh) 基于混合专家模型的个性化联邦学习方法
CN113282352B (zh) 基于多无人机协同辅助边缘计算的节能卸载方法
CN112533237B (zh) 工业互联网中支持大规模设备通信的网络容量优化方法
CN114339842B (zh) 基于深度强化学习无人机集群在时变场景下动态轨迹设计方法和装置
CN112399375A (zh) 基于终端能效优化的无人机辅助边缘计算的卸载方法
CN116112981B (zh) 一种基于边缘计算的无人机任务卸载方法
CN113919483A (zh) 一种无线通信网络中无线电地图的构造和定位方法及其***
CN113905347A (zh) 一种空地一体化电力物联网云边端协同方法
CN110458283A (zh) 基于深度强化学习的静态环境下的最大化全局吞吐量方法
CN116963034A (zh) 一种面向应急场景的空地网络分布式资源调度方法
CN116367231A (zh) 基于ddpg算法的边缘计算车联网资源管理联合优化方法
CN115209426A (zh) 一种边缘车联网内数字孪生服务器动态部署方法
CN117499867A (zh) 一种多无人机辅助移动边缘计算中通过策略梯度算法实现高能效计算卸载的方法
CN117236561A (zh) 一种基于sac的多无人机辅助移动边缘计算方法、装置及存储介质
CN115314904B (zh) 基于多智能体最大熵强化学习的通信覆盖方法及相关设备
CN116774584A (zh) 一种基于多智能体深度强化学习的无人机差异化服务轨迹优化方法
CN114928893B (zh) 一种基于智能反射面的架构及任务卸载方法
CN116321181A (zh) 一种多无人机辅助边缘计算的在线轨迹及资源优化方法
CN116578354A (zh) 电力巡检无人机边缘计算任务卸载方法及装置
CN112445617B (zh) 一种基于移动边缘计算的负载策略选择方法及***

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