CN116366127A - 无人机辅助多mec服务器的任务完成率最大化方法 - Google Patents

无人机辅助多mec服务器的任务完成率最大化方法 Download PDF

Info

Publication number
CN116366127A
CN116366127A CN202310223494.9A CN202310223494A CN116366127A CN 116366127 A CN116366127 A CN 116366127A CN 202310223494 A CN202310223494 A CN 202310223494A CN 116366127 A CN116366127 A CN 116366127A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
user
energy consumption
task
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.)
Pending
Application number
CN202310223494.9A
Other languages
English (en)
Inventor
刘伯阳
张浩然
杜岩园
党儒鸽
王丽平
余飞
刘超文
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.)
Xian University of Posts and Telecommunications
Original Assignee
Xian University of Posts and Telecommunications
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 Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN202310223494.9A priority Critical patent/CN116366127A/zh
Publication of CN116366127A publication Critical patent/CN116366127A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种无人机辅助多MEC服务器的任务完成率最大化方法，主要解决现有技术中信道衰落严重、单一MEC服务器计算资源有限的问题。包括：1)搭建无人机辅助的多MEC服务器网络***模型；2)采用时分多址协议，用户将任务输入数据部分卸载给无人机，无人机将自身无法完成的任务输入数据部分卸载给地面的多个基站进行计算；3)通过最大化用户任务完成率及最小化***能耗，寻找最优任务完成率、CPU计算频率、发送功率、卸载决策及无人机轨迹；4)根据寻优结果设定***工作参数实现优化。本发明能够有效提升网络计算资源，实现在计算任务高发环境下的稳定性，同时降低无人机与用户的能耗，可用于边缘计算***。

Description

无人机辅助多MEC服务器的任务完成率最大化方法
技术领域
本发明属于无线通信技术领域，进一步涉及边缘计算技术，具体为一种无人机辅助多移动边缘计算MEC服务器的任务完成率最大化方法，可用于边缘计算***中无人机辅助多边缘服务器场景用户卸载任务提高任务完成率。
背景技术
随着无线接入设备的数量持续增长，从这些设备收集的大量数据需要从一个地方传输到另一个地方以进行智能决策，这给无线电频谱有限的无线通信基础设施带来了巨大的负担。此外，众多的无线接入设备正在实现许多引人注目的新应用，例如实时视频分析、增强或虚拟现实和人工智能。然而，这些计算任务是计算密集型和延迟敏感型的，依赖于我们快速处理数据和提取有用信息的能力。
移动边缘计算可以将将繁重的计算任务从功率受限的用户转移到边缘，在靠近用户的地方处理数据，从而减少核心网络和回程网络中的流量瓶颈，实现数据的快速处理有效解决网络延迟问题。总体而言，这种分散的云架构构成了5G***的支柱技术，通过提供云计算能力和网络边缘的服务环境，改变了传统基于云的数据处理范式。
然而，在传统的移动边缘计算网络中，移动边缘计算服务器通常以固定方式部署在地面上。由于移动边缘计算服务器与用户之间通常会受到地面障碍物遮挡导致信号阻塞和阴影而无法与地面用户建立有效的地面无线通信。鉴于这种不足，利用无人机具有易于部署、灵活移动和视距链路连接等优势，最近提出了由无人机支持的移动边缘计算网络，作为改善地面用户可靠连接的一个有前途的解决方案。
Hu Q,Cai Y,Yu G等人在其发表的论文“Joint offloading and trajectorydesign for无人机-enabled mobile edge computing systems”(IEEE Internet ofThings Journal,2019:1879-1892)中考虑部署无人机为用户提供计算服务，通过优化卸载率、用户调度和无人机轨迹，提出了用户间最大时延之和的最小化问题。Hua M,Wang Y,LiC等人在其发表的论文“无人机-aided mobile edge computing systems with one byone access scheme”(IEEE Transactions on Green Communications and Networking,2019:664-678)中考虑了一个无人机来帮助用户卸载计算任务，用户可以在本地计算，也可以将计算任务卸载到无人机。与上述研究不同，Hu X,Wong KK,Yang K等人在其发表的论文“无人机-assisted relaying and edge computing:scheduling and trajectoryoptimization”(IEEE transactions on wireless communications,2019:4738-4752)中利用无人机作为中继站来辅助用户的计算任务卸载，无人机不仅可以作为移动边缘计算服务器，还可以通过将接收到的计算任务转发到基站以进行远程计算来为用户提供通信服务。这样可以提升***在计算任务高发环境下的稳定性，同时降低无人机的任务处理时延。上述关于无人机辅助移动边缘计算网络的研究主要考虑无人机作为移动边缘计算服务器或只考虑一个基站作为移动边缘计算服务器的场景，但在实际应用场景中，无人机的能量和计算资源有限，并且地面可能存在多个基站，因此上述方法很难解决实际问题。
发明内容
本发明目的在于针对上述现有技术的不足，提出一种无人机辅助多MEC服务器的任务完成率最大化方法。通过最大化用户任务完成率以及最小化***能耗，寻找最优任务完成率、CPU计算频率、发送功率、卸载决策及无人机轨迹；从而解决传统移动边缘计算网络中存在严重信道衰落以及单一移动边缘计算服务器计算资源有限的问题，有效提升边缘计算网络在计算任务高发环境下的稳定性，同时降低无人机与用户的能耗。
实现本发明的基本思路是：在无人机辅助多移动边缘计算服务器的场景下，用户采用时分多址协议将任务输入数据部分卸载给无人机，无人机与用户共享计算资源，帮助用户计算任务；无人机同样采用时分多址协议将自身无法完成的任务输入数据进一步部分卸载给地面的多个基站进行计算，以节省自身的能量消耗并提高计算效率。
为实现上述目的，本发明的技术方案，包括如下步骤：
(1)搭建边缘计算网络模型：
搭建由一个无人机、K个用户以及M个搭载了移动边缘计算MEC服务器的基站构成的边缘计算网络模型；令
Figure BDA0004117678010000021
和/>
Figure BDA0004117678010000022
分别表示用户与基站的集合，其中k和m分别表示第k个用户和第m个搭载了移动边缘计算服务器的基站；
(2)划分用户和无人机的时隙结构：
将有限的任务完成时间T离散化为N个相等的时隙，令
Figure BDA0004117678010000023
表示N个时隙的集合；每个时隙的持续时间为τ＝T/N，假设无人机的位置在每个时隙期间不变；用户采用时分多址协议，将每个时隙划分为K'个相等的子时隙，K'＝K，每个子时隙的持续时间为δ＝T/(NK')，且用户k在与其相应的第k'个子时隙中卸载其任务输入数据；无人机同样采用K'个等时分的时分多址协议，将每个子时隙又划分为M个小子时隙，每个小子时隙的大小由卸载决策变量αU,k,m[n]确定；
(3)获取无人机辅助多移动边缘计算服务器场景下的最优优化变量：
(3.1)采用三维欧几里德坐标系，假设基站和所有用户的位置固定在零海拔的地面上，得到基站m和用户k的水平位置分别为bm和wk；假设无人机在任务完成时间T内以固定高度H飞行，H＞0；且将飞行起点和终点分别设置为qI和qF；基于离散路径规划方法，得到在第n个时隙无人机的水平位置q[n]＝q[nτ]，其中q[0]＝qI，q[N]＝qF；假设无人机与基站以及无人机与用户之间的无线信道均由视距链路主导，得到在时隙n内无人机与用户k之间以及无人机与基站m之间的信道功率增益hU,k[n]和gU,m[n]；
(3.2)假设每个用户均有一确定的计算任务待执行，计算任务由三元组
Figure BDA0004117678010000031
表示，其中Ik表示计算任务输入数据的大小，Ck表示输入1比特数据所需的计算资源，Tk为用户k的最大可容忍延迟；令所有用户最大忍受时延相同，即Tk＝T；假设每个用户的任务完成率为μk；
(3.3)各个用户采用时分多址协议将计算任务的一部分卸载给无人机进行计算，另一部分进行用户本地计算；无人机通过优化飞行轨迹收集用户卸载的计算任务，并同样采用时分多址协议将收集到的计算任务一部分卸载给地面的多个基站进行计算，另一部分进行无人机本地计算；得到在时隙n内第k个用户的本地计算执行的任务数据量
Figure BDA0004117678010000032
和能耗/>
Figure BDA0004117678010000033
第k个用户向无人机卸载的任务数据量/>
Figure BDA0004117678010000034
和传输能耗/>
Figure BDA0004117678010000035
无人机本地计算执行第k个用户的任务数据量/>
Figure BDA0004117678010000036
和能耗/>
Figure BDA0004117678010000037
无人机向基站m卸载第k个用户的任务数据量/>
Figure BDA0004117678010000038
和传输能耗/>
Figure BDA0004117678010000039
以及无人机的飞行能耗/>
Figure BDA00041176780100000310
(3.4)根据下式获取用户k在每个时隙n的总能量消耗Ek[n]和无人机在每个时隙n的总能量消耗EU[n]：
Figure BDA0004117678010000041
Figure BDA0004117678010000042
(3.5)构建最优任务完成率μmax及用户与无人机加权能耗Emin的表达式：
Figure BDA0004117678010000043
其中，优化变量为用户卸载决策α＝{αU,k,m[n]}、用户任务完成率μ＝{μk}、用户与无人机的本地计算CPU频率F＝{fk[n],fU,k[n]}、用户与无人机的发送功率P＝{pk[n],pU,k,m[n]}以及无人机轨迹Q＝{q[n]}；ωU和ωE分别表示无人机的能耗权重和总的能耗权重；
设定用户和无人机满足如下约束条件：
Figure BDA0004117678010000044
表示任务完成约束；/>
Figure BDA0004117678010000045
表示信息因果约束，式中，/>
Figure BDA0004117678010000046
其中，/>
Figure BDA0004117678010000047
0≤μk≤1，0≤fk[n]≤fk,max，/>
Figure BDA0004117678010000048
0≤pk[n]≤pk,max，
Figure BDA0004117678010000049
pk[N-1]＝pk[N]＝0，0≤fU,k[n]≤fU,max，/>
Figure BDA00041176780100000410
fU,k[1]＝fU,k[N]＝0，0≤pU,k,m[n]≤pU,max，/>
Figure BDA00041176780100000411
pU,k,m[1]＝pU,k,m[N]＝0，0≤αU,k,m[n]≤1，
Figure BDA00041176780100000412
αU,k,m[1]＝αU,k,m[N]＝0，q[0]＝qI，q[N]＝qF，其中fk,max，fU,max，pk,max和pU,max分别为第k个用户和无人机的最大可用CPU频率和最大发送功率，
Figure BDA00041176780100000413
q[n]-q[n-1]||≤τVmax，/>
Figure BDA00041176780100000414
表示无人机最大速度约束；
(3.6)最大化任务完成率以及最小化无人机与用户的加权能耗，通过交替优化算法获取任务完成率μmax以及用户与无人机的加权能耗Emin所对应的最优优化变量；
(4)根据步骤(3.6)得到的最优任务完成率μmax以及用户与无人机的加权能耗Emin所对应的最优优化变量设定***工作参数，并使***在该参数下运行，实现***任务完成率与能耗优化。
本发明与现有技术相比具有的如下优点：
第一、由于本发明采用了无人机与用户，以及无人机与基站建立可靠连接，无人机不仅可以作为移动边缘计算服务器，还可以通过将接收到的计算任务转发到基站以进行远程计算来为用户提供通信服务，从而提升***在计算任务高发环境下的稳定性，同时降低无人机的任务处理时延。
第二、现实场景中网络***面对的往往是多地面基站场景，而现有的无人机辅助移动边缘计算***大多考虑的是单基站场景，难以解决实际问题；相比于现有方法，本发明在无人机可将计算任务转发到基站以进行远程计算的基础上，考虑了多地面基站场景，在固定的时延要求下，实现将计算任务分配到不同的基站完成更多的任务并实现最小的***能耗。
附图说明
图1为本发明方法的应用场景示意图；
图2为本发明的时隙结构示意图；
图3为本发明方法的实现流程图；
图4为本发明方法中不同任务完成时间对应的无人机轨迹图；
图5为本发明方法中不同任务完成时间对应的无人机速度图；
图6为本发明方法中任务量与基站个数对任务完成率和能耗加权和的影响情况仿真结果图；
图7为本发明方法中任务量与基站个数分别对任务完成率和能耗的影响情况仿真结果图；
图8为本发明方法中无人机权重与***带宽对任务完成率和能耗加权和的影响情况仿真结果图；
图9为本发明方法中无人机权重与***带宽分别对任务完成率和能耗的影响情况仿真结果图；
图10为本发明方法中无人机权重与能耗权重对任务完成率和能耗加权和的影响图；
图11为本发明方法中无人机权重与能耗权重分别对任务完成率和能耗的影响情况仿真结果图；
具体实施方式
以下参照附图，对本发明技术方案实施过程进行详细描述：
实施例一：参照图3，本发明提供了一种多用户认知边缘计算网络中的能效优化方法，具体实现步骤如下：
步骤1：参照图1，本发明搭建的边缘计算网络由一个无人机、K个用户，M个搭载了移动边缘计算服务器的基站构成；令
Figure BDA0004117678010000061
和/>
Figure BDA0004117678010000062
分别表示用户与基站的集合，k和m分别表示第k个用户和第m个搭载了移动边缘计算服务器的基站。
步骤2：划分用户和无人机的时隙结构：
参照图2，本发明将有限的任务完成时间T离散化为N个相等的时隙，令
Figure BDA0004117678010000063
表示N个时隙的集合。每个时隙的持续时间为τ＝T/N，其中τ足够小，使得无人机的位置可以假设在每个时隙期间不变。为了避免在卸载过程中用户之间的干扰，用户采用时分多址协议，每个时隙被进一步划分为K个相等的子时隙，每个子时隙的持续时间为δ＝T/(NK)，并且用户k在第k个子时隙中卸载其任务输入数据。为了更好地区分来自不同用户的卸载信号，无人机同样采用K个等时分的时分多址协议。由于无人机需要将每个用户的任务输入数据进一步部分卸载到多个搭载了移动边缘计算服务器的地面基站，因此无人机将每个子时隙又划分为M个小子时隙，每个小子时隙的大小由卸载决策变量αU,k,m[n]确定。
步骤3：获取无人机辅助多移动边缘计算服务器场景下的最优优化变量：
(3.1)采用三维欧几里德坐标系，本实施例中其坐标以米为单位进行测量；假设基站和所有用户的位置固定在零海拔的地面上，得到基站m和用户k的水平位置分别为bm和wk；假设无人机在任务完成时间T内以固定高度H飞行，H＞0；且将飞行起点和终点分别设置为qI和qF；基于离散路径规划方法，得到在第n个时隙无人机的水平位置q[n]＝q[nτ]，其中q[0]＝qI，q[N]＝qF；假设无人机与基站以及无人机与用户之间的无线信道均由视距链路主导，得到在时隙n内无人机与用户k之间以及无人机与基站m之间的信道功率增益hU,k[n]和gU,m[n]；
(3.2)假设每个用户均有一确定的计算任务待执行，计算任务由三元组
Figure BDA0004117678010000064
表示，其中Ik表示计算任务输入数据的大小，Ck表示输入1比特数据所需的计算资源，Tk为用户k的最大可容忍延迟；令所有用户最大忍受时延相同，即Tk＝T；假设每个用户的任务完成率为μk；
(3.3)各个用户采用时分多址协议将计算任务的一部分卸载给无人机进行计算，另一部分进行用户本地计算；无人机通过优化飞行轨迹收集用户卸载的计算任务，并同样采用时分多址协议将收集到的计算任务一部分卸载给地面的多个基站进行计算，另一部分进行无人机本地计算；得到在时隙n内第k个用户的本地计算执行的任务数据量
Figure BDA0004117678010000071
和能耗/>
Figure BDA0004117678010000072
第k个用户向无人机卸载的任务数据量/>
Figure BDA0004117678010000073
和传输能耗/>
Figure BDA0004117678010000074
无人机本地计算执行第k个用户的任务数据量/>
Figure BDA0004117678010000075
和能耗/>
Figure BDA0004117678010000076
无人机向基站m卸载第k个用户的任务数据量/>
Figure BDA0004117678010000077
和传输能耗/>
Figure BDA0004117678010000078
以及无人机的飞行能耗/>
Figure BDA0004117678010000079
在时隙n内第k个用户的本地计算执行的任务数据量
Figure BDA00041176780100000710
和能耗/>
Figure BDA00041176780100000711
第k个用户向无人机卸载的任务数据量/>
Figure BDA00041176780100000712
和传输能耗/>
Figure BDA00041176780100000713
无人机本地计算执行第k个用户的任务数据量/>
Figure BDA00041176780100000714
和能耗/>
Figure BDA00041176780100000715
无人机向基站m卸载第k个用户的任务数据量
Figure BDA00041176780100000716
和传输能耗/>
Figure BDA00041176780100000717
以及无人机的飞行能耗/>
Figure BDA00041176780100000718
分别根据如下计算得到：
Figure BDA00041176780100000719
Figure BDA00041176780100000720
Figure BDA00041176780100000721
Figure BDA00041176780100000722
Figure BDA00041176780100000723
Figure BDA00041176780100000724
Figure BDA00041176780100000725
Figure BDA00041176780100000726
Figure BDA00041176780100000727
其中，B表示用户k到无人机的带宽以及无人机到基站的带宽，σ2表示***中任何节点的噪声功率，κk和κU分别表示用户k和无人机的芯片电容系数，CU表示无人机输入1比特数据所需的计算资源，P(||v[n]||)表示旋翼无人机飞行功耗，具体如下：
Figure BDA0004117678010000081
其中，P0和PH分别为悬停状态下的叶型功率和诱导功率；Utip、v0、d0、g、s和A与空气动力学相关，分别表示旋翼叶片叶尖速度、悬停时平均旋翼诱导速度、机身阻力比、空气密度、旋翼固体度和旋翼面积。
(3.4)根据下式获取该场景用户k在每个时隙n的总能量消耗Ek[n]和无人机在每个时隙n的总能量消耗EU[n]：
Figure BDA0004117678010000082
Figure BDA0004117678010000083
(3.5)构建该场景最优任务完成率μmax以及用户与无人机的加权能耗Emin表达式：
Figure BDA0004117678010000084
其中，优化变量为用户卸载决策α＝{αU,k,m[n]}、用户任务完成率μ＝{μk}、用户与无人机的本地计算CPU频率F＝{fk[n],fU,k[n]}、用户与无人机的发送功率P＝{pk[n],pU,k,m[n]}以及无人机轨迹Q＝{q[n]}；ωU和ωE分别表示无人机的能耗权重和总的能耗权重；
设定该场景下用户和无人机满足如下约束条件：
Figure BDA0004117678010000085
表示任务完成约束；/>
Figure BDA0004117678010000086
表示信息因果约束，式中，/>
Figure BDA0004117678010000087
其中，/>
Figure BDA0004117678010000091
0≤μk≤1，0≤fk[n]≤fk,max，/>
Figure BDA0004117678010000092
0≤pk[n]≤pk,max，/>
Figure BDA0004117678010000093
pk[N-1]＝pk[N]＝0，0≤fU,k[n]≤fU,max，/>
Figure BDA0004117678010000094
fU,k[1]＝fU,k[N]＝0，0≤pU,k,m[n]≤pU,max，
Figure BDA0004117678010000095
pU,k,m[1]＝pU,k,m[N]＝0，0≤αU,k,m[n]≤1，/>
Figure BDA0004117678010000096
Figure BDA0004117678010000097
αU,k,m[1]＝αU,k,m[N]＝0，q[0]＝qI，q[N]＝qF，其中fk,max，fU,max，pk,max和pU,max分别为第k个用户和无人机的最大可用CPU频率和最大发送功率，/>
Figure BDA0004117678010000098
||q[n]-q[n-1]||≤τVmax，/>
Figure BDA0004117678010000099
表示无人机最大速度约束；
(3.6)在该场景下最大化任务完成率以及最小化该场景无人机与用户的加权能耗，通过交替优化算法将高度复杂问题解耦为任务卸载和资源分配问题以及无人机轨迹设计问题，获取任务完成率μmax以及用户与无人机的加权能耗Emin所对应的最优优化变量，步骤如下：
(3.6.1)固定无人机轨迹，利用变量替换将任务卸载和资源分配问题转换为凸问题，即利用变量替换将步骤(3.5)中构建的表达式转换为凸表达式；
(3.6.2)使用拉格朗日对偶分解算法以及次梯度算法对转换后的凸表达式进行迭代求解，得到最优用户卸载决策α*、最优用户任务完成率μ*、最优用户与无人机的本地计算CPU频率F*以及最优用户与无人机的发送功率P*；
(3.6.3)固定α*、μ*、F*和P*，通过连续凸近似算法求解无人机轨迹，得到最优无人机轨迹Q*。
步骤4：根据步骤(3.6)得到的最优任务完成率μmax以及用户与无人机的加权能耗Emin所对应的最优优化变量设定***工作参数，并使***在该参数下运行，实现***任务完成率与能耗优化。
实施例二：本实施例供的无人机辅助多移动边缘计算服务器网络中的任务完成率与能耗优化方法，整体实现步骤同实施例一，针对无人机辅助多移动边缘计算服务器场景做进一步描述：
步骤a：搭建由一个无人机、K个用户、M个搭载了移动边缘计算服务器的基站构成的边缘计算网络；令
Figure BDA00041176780100000910
和/>
Figure BDA00041176780100000911
分别表示用户与基站的集合，k和m分别表示第k个用户和第m个搭载了移动边缘计算服务器的基站；
步骤b：将有限的任务完成时间T离散化为N个相等的时隙，令
Figure BDA0004117678010000101
表示N个时隙的集合。每个时隙的持续时间为τ＝T/N，其中τ足够小，使得无人机的位置可以假设在每个时隙期间不变。为了避免在卸载过程中用户之间的干扰，用户采用时分多址协议。每个时隙被进一步划分为K个相等的子时隙，每个子时隙的持续时间为δ＝T/(NK)，并且用户k在第k个子时隙中卸载其任务输入数据。为了更好地区分来自不同用户的卸载信号，无人机同样采用K个等时分的时分多址协议。由于无人机需要将每个用户的任务输入数据进一步部分卸载到多个搭载了移动边缘计算服务器的地面基站，因此无人机将每个子时隙又划分为M个小子时隙，每个小子时隙的大小由卸载决策变量αU,k,m[n]确定；
步骤c：为了便于说明，采用三维欧几里德坐标系，其坐标以米为单位测量。假设基站和所有用户的位置固定在零海拔的地面上，得到基站m和用户k的水平位置分别为bm＝(xm,ym)和wk＝(xk,yk)；假设无人机在任务完成时间T内以固定高度H(H＞0)飞行，并且飞行起点和终点分别设置为qI＝(xI,yI)和qF＝(xF,yF)；基于离散路径规划方法，得到在第n个时隙无人机的水平位置为q[n]＝q[nτ]＝(x[n],y[n])，其中q[0]＝qI，q[N]＝qF；假设无人机与基站以及无人机与用户之间的无线信道由视距链路主导，得到在时隙n内无人机与用户k之间以及无人机与基站m之间的信道功率增益分别为hU,k[n]和gU,m[n]：
Figure BDA0004117678010000102
Figure BDA0004117678010000103
其中，ρ为参考距离为1m时的信道功率增益，dk[n]和dm[n]分别表示无人机与用户k之间以及无人机与基站m之间的距离。
步骤d：假设每个用户均有一确定的计算任务待执行，计算任务由三元组
Figure BDA0004117678010000104
表示，其中Ik表示计算任务输入数据的大小，Ck表示输入1比特数据所需的计算资源，Tk为用户k的最大可容忍延迟，其中Tk≤T。假设所有用户k最大忍受时延相同，即Tk＝T。假设每个用户的任务完成率为μk；
步骤e：各个用户采用时分多址协议将计算任务的一部分卸载给无人机进行计算，另一部分进行用户本地计算；无人机通过优化飞行轨迹收集用户卸载的计算任务，并且同样采用时分多址协议将收集到的计算任务一部分卸载给地面的多个基站进行计算，另一部分进行无人机本地计算。
令
Figure BDA0004117678010000111
和/>
Figure BDA0004117678010000112
分别表示在时隙n内第k个用户的本地计算执行的任务数据量和能耗，具体表达式如下：
Figure BDA0004117678010000113
Figure BDA0004117678010000114
其中,fk[n]表示用户k在时隙n内的CPU时钟频率，κk为用户k的芯片电容系数。
令
Figure BDA0004117678010000115
和/>
Figure BDA0004117678010000116
表示在时隙n内第k个用户向无人机卸载的任务数据量和传输能耗，具体如下：
Figure BDA0004117678010000117
Figure BDA0004117678010000118
其中，pk[n]表示用户k在时隙n内的传输功率，B表示用户k到无人机的带宽，σ2表示无人机处的噪声功率。不失一般性，假设用户k到无人机的带宽与无人机到基站的带宽相同，并且***中任何节点的噪声功率被认为与σ2相同。
令
Figure BDA0004117678010000119
和/>
Figure BDA00041176780100001110
表示无人机本地计算执行第k个用户的任务数据量和能耗，具体表达式如下：
Figure BDA00041176780100001111
Figure BDA00041176780100001112
其中，fU,k[n]表示无人机在时隙n内为用户k分配的CPU时钟频率，CU表示无人机输入1比特数据所需的计算资源，κU为无人机的芯片电容系数。
令
Figure BDA0004117678010000121
和/>
Figure BDA0004117678010000122
表示无人机向基站m卸载第k个用户的任务数据量和传输能耗，具体如下：
Figure BDA0004117678010000123
Figure BDA0004117678010000124
其中，pU,k,m[n]表示无人机在时隙n内向基站m卸载用户k任务的传输功率。
令表示无人机的飞行能耗，具体表达式如下：
Figure BDA0004117678010000125
式中，P(||v[n]||)表示旋翼无人机飞行功耗，具体如下：
Figure BDA0004117678010000126
其中，P0和PH分别为悬停状态下的叶型功率和诱导功率，Utip、v0、d0、g、s和A与空气动力学相关，分别表示旋翼叶片叶尖速度，悬停时平均旋翼诱导速度，机身阻力比，空气密度，旋翼固体度，旋翼面积。
步骤f：根据下式获取用户k在每个时隙n的总能量消耗Ek[n]和无人机在每个时隙n的总能量消耗EU[n]：
Figure BDA0004117678010000127
Figure BDA0004117678010000128
步骤g：建立无人机辅助多移动边缘计算服务器场景的最优化问题，表达式如下：
Figure BDA0004117678010000129
其中，优化变量为α＝{αU,k,m[n]}，μ＝{μk}，F＝{fk[n],fU,k[n]}，P＝{pk[n],pU,k,m[n]}，Q＝{q[n]}；ωU和ωE分别表示无人机的能耗权重和总的能耗权重；任务完成约束为
Figure BDA0004117678010000131
和/>
Figure BDA0004117678010000132
信息因果约束为/>
Figure BDA0004117678010000133
式中，/>
Figure BDA0004117678010000134
其中，/>
Figure BDA0004117678010000135
任务完成率约束为0≤μk≤1；用户的计算任务约束为0≤fk[n]≤fk,max，/>
Figure BDA0004117678010000136
0≤pk[n]≤pk,max，
Figure BDA0004117678010000137
pk[N-1]＝pk[N]＝0，其中/>
Figure BDA0004117678010000138
fk,max和pk,max分别为第k个用户的最大可用CPU频率和最大发送功率；无人机的计算任务约束为0≤fU,k[n]≤fU,max，/>
Figure BDA0004117678010000139
fU,k[1]＝fU,k[N]＝0，0≤pU,k,m[n]≤pU,max，/>
Figure BDA00041176780100001310
pU,k,m[1]＝pU,k,m[N]＝0，其中，fU,max和pU,max分别为无人机的最大可用CPU频率和最大发送功率；无人机进一步卸载给不同基站的卸载决策变量约束为0≤αU,k,m[n]≤1，/>
Figure BDA00041176780100001311
αU,k,m[1]＝αU,k,m[N]＝0；无人机初始和最终水平位置约束为q[0]＝qI，q[N]＝qF；无人机最大速度约束为||q[n]-q[n-1]||≤τVmax，/>
Figure BDA00041176780100001312
步骤h：利用交替迭代、变量替换、拉格朗日对偶分解算法、次梯度算法以及连续凸近似算法对公式<1.1>进行求解，获取最优参数。
(8.1)由于目标函数中变量αU,k,m[n]与pU,k,m[n]之间存在非线性耦合，并且该变量还与无人机的轨迹q[n]强耦合，公式<1.1>为一个复杂的非凸表达式。为对其进行求解，提出了一种两步交替优化算法来求解该表达式。第一步，在给定无人机轨迹Q的情况下，通过求解表达式中的卸载决策变量α、任务完成率变量μ以及计算和通信资源调度变量F和P；
(8.1.1)考虑目标函数和约束变量存在耦合，公式<1.1>为非凸表达式。为对其进行求解，引入辅助变量βU,k,m[n]，使得βU,k,m[n]＝αU,k,m[n]pU,k,m[n]，从而消除变量耦合，于是公式<1.1>转化为：
Figure BDA0004117678010000141
式中，p＝{pk[n]}，β＝{βU,k,m[n]}；约束
Figure BDA0004117678010000142
变成了
Figure BDA0004117678010000143
约束
Figure BDA0004117678010000144
变成了
Figure BDA0004117678010000145
约束0≤pU,k,m[n]≤pU,max，/>
Figure BDA0004117678010000146
变成了0≤βU,k,m[n]≤αU,k,m[n]pU,max，/>
Figure BDA0004117678010000147
约束pU,k,m[1]＝pU,k,m[N]＝0变成了βU,k,m[1]＝βU,k,m[N]＝0，其中，/>
Figure BDA0004117678010000148
Figure BDA0004117678010000149
/>
(8.1.2)令
Figure BDA00041176780100001410
显然φU,k,m[i]为ζU,k,m[i]的透视函数。此时，ζU,k,m[i]为凹函数，那么φU,k,m[i]也为凹函数。注意到，用φU,k,m[i]近似后，约束
Figure BDA00041176780100001411
左边是一个关于βU,k,m[i]的非凸约束。因此，利用连续凸近似算法将不等式左边对数项的凹函数转化为局部凸近似形式。具体而言，对于给定的局部可行点/>
Figure BDA00041176780100001412
其中j表示连续凸近似算法的迭代次数，约束左边对数项用近似表示为：
Figure BDA00041176780100001413
其中，
Figure BDA0004117678010000151
于是，公式<1.2>转化为：
Figure BDA0004117678010000152
其中，约束
Figure BDA0004117678010000153
变成了
Figure BDA0004117678010000154
(8.1.3)公式<1.3>为凸表达式，采用拉格朗日对偶法对其进行求解。公式<1.3>的拉格朗日函数为：
Figure BDA0004117678010000155
式中，ο＝{οk}，λ＝{λk,n}，η＝{ηk}，
Figure BDA0004117678010000156
公式<1.3>的对偶函数为：
Figure BDA0004117678010000157
其中约束为0≤μk≤1，0≤fk[n]≤fk,max，
Figure BDA0004117678010000158
0≤pk[n]≤pk,max，/>
Figure BDA0004117678010000159
pk[N-1]＝pk[N]＝0，0≤fU,k[n]≤fU,max，/>
Figure BDA00041176780100001510
fU,k[1]＝fU,k[N]＝0，0≤βU,k,m[n]≤αU,k,m[n]pU,max，/>
Figure BDA0004117678010000161
βU,k,m[1]＝βU,k,m[N]＝0，0≤αU,k,m[n]≤1，
Figure BDA0004117678010000162
αU,k,m[1]＝αU,k,m[N]＝0。
(8.1.4)采用对偶分解法将公式<1.4>分解为下列多个子公式，具体如下：
对于变量fk[n]，对应子公式为：
Figure BDA0004117678010000163
其中约束为0≤fk[n]≤fk,max,
Figure BDA0004117678010000164
公式<1.4.1>为凸表达式，利用KKT条件可得其最优解为：
Figure BDA0004117678010000165
对于变量fU,k[n]，对应子公式为：
Figure BDA0004117678010000166
其中约束为fU,k[1]＝fU,k[N]＝0，0≤βU,k,m[n]≤αU,k,m[n]pU,max，
Figure BDA0004117678010000167
公式<1.4.2>为凸表达式，利用KKT条件可得其最优解为：/>
Figure BDA0004117678010000168
对于变量pk[n]，对应子公式为：
Figure BDA0004117678010000169
其中约束为0≤pk[n]≤pk,max,
Figure BDA00041176780100001610
pk[N-1]＝pk[N]＝0。公式<1.4.3>为凸表达式，利用KKT条件可得其最优解为：
Figure BDA0004117678010000171
对于变量αU,k,m[n]和βU,k,m[n]，对应子公式为：
Figure BDA0004117678010000172
其中约束为0≤βU,k,m[n]≤αU,k,m[n]pU,max，
Figure BDA0004117678010000173
βU,k,m[1]＝βU,k,m[N]＝0，0≤αU,k,m[n]≤1，/>
Figure BDA0004117678010000174
αU,k,m[1]＝αU,k,m[N]＝0。公式<1.4.4>难以给出闭式表达式，可以用分块迭代算法求解，首先初始化αU,k,m[n]为一可行解，那么公式<1.4.4>变为：
Figure BDA0004117678010000175
其中约束为0≤βU,k,m[n]≤αU,k,m[n]pU,max，
Figure BDA0004117678010000176
βU,k,m[1]＝βU,k,m[N]＝0。公式<1.4.4.1>为凸表达式，利用KKT条件可得其最优解为：
Figure BDA0004117678010000177
令
Figure BDA0004117678010000178
求解变量αU,k,m[n]，公式<1.4.4>变为：
Figure BDA0004117678010000179
/>
其中约束为0≤αU,k,m[n]≤1，
Figure BDA00041176780100001710
αU,k,m[1]＝αU,k,m[N]＝0。公式<1.4.4.2>仍难以给出闭式解，使用标准的凸优化工具求解αU,k,m[n]的最优解。
获取
Figure BDA00041176780100001711
后，令/>
Figure BDA00041176780100001712
返回求解问题公式<1.4.4.1>，依次循环上述步骤直至收敛可获得最终的最优解/>
Figure BDA00041176780100001713
和/>
Figure BDA00041176780100001714
(8.1.5)各子公式求解后，需求解公式<1.4>的对偶问题，对偶问题为：
Figure BDA0004117678010000181
其中约束为
Figure BDA0004117678010000182
由于满足Salter条件，公式<1.5>最优值与公式<1.4>最优值相同。因此，可采用次梯度法对对偶问题进行求解，优化对偶变量，针对对偶变量οk，/>
Figure BDA0004117678010000183
以及ηk次梯度分别为：
Figure BDA0004117678010000184
Figure BDA0004117678010000185
Figure BDA0004117678010000186
Figure BDA0004117678010000187
(8.2)第二步，集中于用优化的变量α，μ，F和P设计无人机轨迹Q。
(8.2.1)通过固定先前优化的卸载决策、任务完成率以及计算和通信资源。于是，无人机轨迹设计问题可以表示如下：
Figure BDA0004117678010000188
其中约束为
Figure BDA0004117678010000189
Figure BDA00041176780100001810
Figure BDA00041176780100001811
q[0]＝qI,q[N]＝qF，||q[n]-q[n-1]||≤τVmax，/>
Figure BDA00041176780100001812
其中，/>
Figure BDA00041176780100001813
Figure BDA00041176780100001814
(8.2.2)显然，公式<1.5>为非凸表达式。为此，利用连续凸近似算法，对公式<1.5>中的非凸项进行优化得到其近似的表达。首先，针对目标函数中的非凸项P(||v[n]||)，引入变量v1[n]与v2[n]，满足：
v1[n]≥||v[n]||
Figure BDA0004117678010000191
因此，可以得到：
Figure BDA0004117678010000192
利用连续凸近似算法，给定v1[n]，v2[n]的任意可行解
Figure BDA0004117678010000193
和/>
Figure BDA0004117678010000194
公式<1.6>用以下凸约束近似：
Figure BDA0004117678010000195
其中，
Figure BDA0004117678010000196
从而，非凸项P(||v[n]||)由以下凸近似代替
Figure BDA0004117678010000197
(8.2.3)在公式<1.5>的约束中，ξ1[n]和ξ2[n]对q[n]非凸，但对||q[n]-bm||2和||q[n]-wk||2整体为凸函数。基于此，利用连续凸近似算法，给定q[n]的任意可行点q(j)[n]有
Figure BDA0004117678010000198
Figure BDA0004117678010000201
其中，
Figure BDA0004117678010000202
/>
然而，约束
Figure BDA0004117678010000203
左边的ξ1[n]利用
Figure BDA0004117678010000204
近似后，仍为一个关于q[n]的非凸约束。因此，令pU,k,m[n]gU,m[n]|/σ2≥1/Q[n]，对其进行一阶泰勒展开有
Figure BDA0004117678010000205
(8.2.4)基于连续凸近似算法，原始问题的次优解可以通过求解以下凸近似表达式得到：
Figure BDA0004117678010000206
其中约束为
Figure BDA0004117678010000207
Figure BDA0004117678010000208
Figure BDA0004117678010000209
q[0]＝qI,q[N]＝qF，||q[n]-q[n-1]||≤τVmax，/>
Figure BDA00041176780100002010
v1[n]≥||v[n]||，/>
Figure BDA00041176780100002011
Figure BDA00041176780100002012
式中，
Figure BDA00041176780100002013
其中，/>
Figure BDA00041176780100002014
公式<1.7>为一个标准的凸表达式。然而，无人机在不同时隙中的位置示是相互耦合的，因此很难得到q[n]的闭式解。在这种情况下，求助于标准的凸优化工具来解决公式<1.7>的近似表达式。
(8.3)重复步骤(8.1)-(8.2)，直至算法收敛，得到最优优化变量，即最优用户卸载决策α*、最优用户任务完成率μ*、最优用户与无人机的本地计算CPU频率F*、最优用户与无人机的发送功率P*和最优无人机轨迹Q*。
步骤i：***根据最优优化变量选取工作参数，使得***性能最优。
本发明解决了传统移动边缘计算网络中存在严重信道衰落以及单一移动边缘计算服务器计算资源有限的问题。首先利用无人机易于部署、灵活移动和视距链路连接等优势，建立与地面用户的可靠信道连接；其次，利用多移动边缘计算服务器提升网络计算资源以实现在计算任务高发环境下的稳定性，同时降低无人机与用户的能耗，可用于边缘计算***提高任务完成率。
下面结合仿真实验对本发明的效果进一步说明：
A.仿真条件
使用计算机仿真软件进行模拟，设置无人机的飞行起点和终点分别为(0,0)和(40,50)，考虑基站个数分别为1、2、3的三种场景。当基站个数为1时，设置基站位置为(0,0)；当基站个数为2时，设置基站位置为(0,0)和(40,50)；当基站个数为3时，设置基站位置为(0,0)、(20,25)和(40,50)；仿真将分析关键参数的影响，包括用户的计算任务量Ik、基站个数M、***带宽B、任务完成时间T、无人机的能耗权重ωU和总的能耗权重ωE。除非另有说明，基本仿真参数列于表1中。
表1仿真参数
Figure BDA0004117678010000211
Figure BDA0004117678010000221
B.仿真内容
仿真1：不同任务完成时间对应的无人机轨迹，仿真结果如图4所示；
仿真2：不同任务完成时间对应的无人机速度，仿真结果如图5所示；
仿真3：任务量与基站个数对任务完成率和能耗加权和的影响，仿真结果如图6所示；
仿真4：任务量与基站个数分别对任务完成率和能耗的影响，仿真结果如图7所示；
仿真5：无人机权重与***带宽对任务完成率和能耗加权和的影响，仿真结果如图8所示；
仿真6：无人机权重与***带宽分别对任务完成率和能耗的影响，仿真结果如图9所示；
仿真7：无人机权重与能耗权重对任务完成率和能耗加权和的影响，仿真结果如图10所示；
仿真8：无人机权重与能耗权重分别对任务完成率和能耗的影响，仿真结果如图11所示；
C.仿真结果
由图4可见，随着任务完成时间T值的增加，无人机可以利用其机动性更加趋近于用户位置。这是因为无人机飞得更靠近用户可以减少路径损耗。结合图5还可以观察到，对于较长的任务完成时间(例如，T＝7.5s和T＝10.5s)，无人机轨迹将趋于稳定，先以最大速度飞行，然后减速，甚至趋于悬停在一个固定点上，该点可以最佳地使用户执行任务卸载传输从而减小用户的计算能耗。此外，在第图4第11和第12两个时隙可以发现，随着无人机逐渐靠近基站，速度开始下降甚至悬停。这是因为无人机通过靠近基站可以减少自身的计算和卸载能耗。
由图6可见，随着用户任务量的增大，任务完成率和能耗加权和也不断增大。此外，随着基站个数的增多，任务完成率和能耗加权和随之减小，并且随着任务量的增多，效果更加显著。
由图7可见，当用户计算任务量较小时(例如，Ik＝12Mbit)，在三个基站的情况下，反而增加了无人机与用户的能耗和。这是因为无人机需要向更多的基站卸载用户的任务输入数据，这增加了无人机的通信能耗。但是当任务量较大时，无人机向更多的基站卸载用户的任务输入数据来减小自身的计算能耗。因此，无人机需要在自身计算能耗和通信能耗这两个因素之间找到平衡点。此外，与单基站场景相比，多基站场景可以明显提高用户的完成率。
由图8可见，任务完成率和能耗加权和随着无人机权重的增大而增大，随着***带宽的增大而减小。由图9可见，无人机权重的增大，无人机和用户的能耗和不断减小。这是因为无人机能耗主要为飞行能耗，无人机权重的增大使优化目标函数更注重无人机的飞行能耗。因此，无人机会减少靠近用户的飞行和悬停，这也使得任务完成率随着无人机权重的增大而减小。此外，***带宽的增加，用户可以给无人机卸载更多的任务输入数据，增加了无人机的计算和通信能耗。但是随着***带宽的增加，无人机可以给地面基站卸载更多的数据，提升任务完成率。
由图10可见，随着无人机权重和能耗权重的增大，任务完成率和能耗加权和增大。由图11可见，能耗权重的增大，使优化目标函数注重无人机能耗的同时，也更加注重用户的能耗。由于带宽增加，用户与无人机在功率方面有更多的决策空间，无人机减少飞行能耗的同时，用户也会减少自身的计算和通信能耗，所以任务完成率随着能耗权重的增大而减小。因此，目标函数需要在能耗权重和任务完成率这两个因素之间找到平衡点。
上述仿真分析证明了本发明所提方法的正确性与有效性。
本发明未详细说明部分属于本领域技术人员公知常识。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (3)

1.一种无人机辅助多MEC服务器的任务完成率最大化方法，其特征在于，包括如下步骤：
(1)搭建边缘计算网络模型：
搭建由一个无人机、K个用户以及M个搭载了移动边缘计算MEC服务器的基站构成的边缘计算网络模型；令
Figure FDA0004117678000000011
和/>
Figure FDA0004117678000000012
分别表示用户与基站的集合，其中k和m分别表示第k个用户和第m个搭载了移动边缘计算服务器的基站；
(2)划分用户和无人机的时隙结构：
将有限的任务完成时间T离散化为N个相等的时隙，令
Figure FDA0004117678000000013
表示N个时隙的集合；每个时隙的持续时间为τ＝T/N，假设无人机的位置在每个时隙期间不变；用户采用时分多址协议，将每个时隙划分为K'个相等的子时隙，K'＝K，每个子时隙的持续时间为δ＝T/(NK')，且用户k在与其相应的第k'个子时隙中卸载其任务输入数据；无人机同样采用K'个等时分的时分多址协议，将每个子时隙又划分为M个小子时隙，每个小子时隙的大小由卸载决策变量αU,k,m[n]确定；
(3)获取无人机辅助多移动边缘计算服务器场景下的最优优化变量：
(3.1)采用三维欧几里德坐标系，假设基站和所有用户的位置固定在零海拔的地面上，得到基站m和用户k的水平位置分别为bm和wk；假设无人机在任务完成时间T内以固定高度H飞行，H＞0；且将飞行起点和终点分别设置为qI和qF；基于离散路径规划方法，得到在第n个时隙无人机的水平位置q[n]＝q[nτ]，其中q[0]＝qI，q[N]＝qF；假设无人机与基站以及无人机与用户之间的无线信道均由视距链路主导，得到在时隙n内无人机与用户k之间以及无人机与基站m之间的信道功率增益hU,k[n]和gU,m[n]；
(3.2)假设每个用户均有一确定的计算任务待执行，计算任务由三元组
Figure FDA0004117678000000014
表示，其中Ik表示计算任务输入数据的大小，Ck表示输入1比特数据所需的计算资源，Tk为用户k的最大可容忍延迟；令所有用户最大忍受时延相同，即Tk＝T；假设每个用户的任务完成率为μk；
(3.3)各个用户采用时分多址协议将计算任务的一部分卸载给无人机进行计算，另一部分进行用户本地计算；无人机通过优化飞行轨迹收集用户卸载的计算任务，并同样采用时分多址协议将收集到的计算任务一部分卸载给地面的多个基站进行计算，另一部分进行无人机本地计算；得到在时隙n内第k个用户的本地计算执行的任务数据量
Figure FDA0004117678000000021
和能耗
Figure FDA0004117678000000022
第k个用户向无人机卸载的任务数据量/>
Figure FDA0004117678000000023
和传输能耗/>
Figure FDA0004117678000000024
无人机本地计算执行第k个用户的任务数据量/>
Figure FDA0004117678000000025
和能耗/>
Figure FDA0004117678000000026
无人机向基站m卸载第k个用户的任务数据量/>
Figure FDA0004117678000000027
和传输能耗/>
Figure FDA0004117678000000028
以及无人机的飞行能耗/>
Figure FDA0004117678000000029
(3.4)根据下式获取用户k在每个时隙n的总能量消耗Ek[n]和无人机在每个时隙n的总能量消耗EU[n]：
Figure FDA00041176780000000210
Figure FDA00041176780000000211
(3.5)构建最优任务完成率μmax及用户与无人机加权能耗Emin的表达式：
Figure FDA00041176780000000212
其中，优化变量为用户卸载决策α＝{αU,k,m[n]}、用户任务完成率μ＝{μk}、用户与无人机的本地计算CPU频率F＝{fk[n],fU,k[n]}、用户与无人机的发送功率P＝{pk[n],pU,k,m[n]}以及无人机轨迹Q＝{q[n]}；ωU和ωE分别表示无人机的能耗权重和总的能耗权重；
设定用户和无人机满足如下约束条件：
Figure FDA00041176780000000213
表示任务完成约束；/>
Figure FDA00041176780000000214
表示信息因果约束，式中，/>
Figure FDA00041176780000000215
其中，
Figure FDA00041176780000000216
0≤μk≤1，0≤fk[n]≤fk,max，/>
Figure FDA00041176780000000217
0≤pk[n]≤pk,max，/>
Figure FDA00041176780000000218
pk[N-1]＝pk[N]＝0，0≤fU,k[n]≤fU,max，/>
Figure FDA00041176780000000219
fU,k[1]＝fU,k[N]＝0，0≤pU,k,m[n]≤pU,max，
Figure FDA00041176780000000220
pU,k,m[1]＝pU,k,m[N]＝0，0≤αU,k,m[n]≤1，/>
Figure FDA0004117678000000031
Figure FDA0004117678000000032
Figure FDA0004117678000000033
αU,k,m[1]＝αU,k,m[N]＝0，q[0]＝qI，q[N]＝qF，其中fk,max，fU,max，pk,max和pU,max分别为第k个用户和无人机的最大可用CPU频率和最大发送功率，/>
Figure FDA0004117678000000034
||q[n]-q[n-1]||≤τVmax，/>
Figure FDA0004117678000000035
表示无人机最大速度约束；
(3.6)最大化任务完成率以及最小化无人机与用户的加权能耗，通过交替优化算法获取任务完成率μmax以及用户与无人机的加权能耗Emin所对应的最优优化变量；
(4)根据步骤(3.6)得到的最优任务完成率μmax以及用户与无人机的加权能耗Emin所对应的最优优化变量设定***工作参数，并使***在该参数下运行，实现***任务完成率与能耗优化。
2.根据权利要求1所述的方法，其特征在于：步骤(3.3)中所述在时隙n内第k个用户的本地计算执行的任务数据量
Figure FDA0004117678000000036
和能耗/>
Figure FDA0004117678000000037
第k个用户向无人机卸载的任务数据量
Figure FDA0004117678000000038
和传输能耗/>
Figure FDA0004117678000000039
无人机本地计算执行第k个用户的任务数据量/>
Figure FDA00041176780000000310
和能耗
Figure FDA00041176780000000311
无人机向基站m卸载第k个用户的任务数据量/>
Figure FDA00041176780000000312
和传输能耗/>
Figure FDA00041176780000000313
以及无人机的飞行能耗/>
Figure FDA00041176780000000314
分别根据如下计算得到
Figure FDA00041176780000000315
Figure FDA00041176780000000316
Figure FDA00041176780000000317
Figure FDA00041176780000000318
Figure FDA00041176780000000319
Figure FDA00041176780000000320
Figure FDA00041176780000000321
Figure FDA0004117678000000041
Figure FDA0004117678000000042
其中，B表示用户k到无人机的带宽以及无人机到基站的带宽，σ2表示***中任何节点的噪声功率，κk和κU分别表示用户k和无人机的芯片电容系数，CU表示无人机输入1比特数据所需的计算资源，P(||v[n]||)表示旋翼无人机飞行功耗，具体如下：
Figure FDA0004117678000000043
其中，P0和PH分别为悬停状态下的叶型功率和诱导功率，Utip、v0、d0、g、s和A分别表示旋翼叶片叶尖速度、悬停时平均旋翼诱导速度、机身阻力比、空气密度、旋翼固体度和旋翼面积。
3.根据权利要求1所述的方法，其特征在于：步骤(3.6)中所述通过交替优化算法获取任务完成率μmax以及用户与无人机的加权能耗Emin所对应的最优优化变量，实现如下：
(3.6.1)固定无人机轨迹，利用变量替换将步骤(3.5)中构建的表达式转换为凸表达式；
(3.6.2)使用拉格朗日对偶分解算法以及次梯度算法对转换后的凸表达式进行迭代求解，得到最优用户卸载决策α*、最优用户任务完成率μ*、最优用户与无人机的本地计算CPU频率F*以及最优用户与无人机的发送功率P*；
(3.6.3)固定α*、μ*、F*和P*，通过连续凸近似算法求解无人机轨迹，得到最优无人机轨迹Q*。
CN202310223494.9A 2023-03-09 2023-03-09 无人机辅助多mec服务器的任务完成率最大化方法 Pending CN116366127A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310223494.9A CN116366127A (zh) 2023-03-09 2023-03-09 无人机辅助多mec服务器的任务完成率最大化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310223494.9A CN116366127A (zh) 2023-03-09 2023-03-09 无人机辅助多mec服务器的任务完成率最大化方法

Publications (1)

Publication Number Publication Date
CN116366127A true CN116366127A (zh) 2023-06-30

Family

ID=86911856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310223494.9A Pending CN116366127A (zh) 2023-03-09 2023-03-09 无人机辅助多mec服务器的任务完成率最大化方法

Country Status (1)

Country Link
CN (1) CN116366127A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117177306A (zh) * 2023-11-03 2023-12-05 中国人民解放军国防科技大学 基于nfv和sdn的无人机mec网络***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117177306A (zh) * 2023-11-03 2023-12-05 中国人民解放军国防科技大学 基于nfv和sdn的无人机mec网络***
CN117177306B (zh) * 2023-11-03 2024-01-02 中国人民解放军国防科技大学 基于nfv和sdn的无人机mec网络***

Similar Documents

Publication Publication Date Title
Cao et al. Mobile edge computing for cellular-connected UAV: Computation offloading and trajectory optimization
CN110730031B (zh) 一种用于多载波通信的无人机轨迹与资源分配联合优化方法
CN114051254B (zh) 一种基于星地融合网络的绿色云边协同计算卸载方法
CN113377533B (zh) 无人机协助移动边缘计算中的动态计算卸载和服务器部署方法
CN110730495A (zh) 能量约束下的无人机数据分发优化方法
Hua et al. Energy optimization for cellular-connected UAV mobile edge computing systems
CN114880046B (zh) 联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法
CN116366127A (zh) 无人机辅助多mec服务器的任务完成率最大化方法
CN113627013B (zh) 基于无人机二元卸载边缘计算的***吞吐量最大化方法
CN116634544A (zh) 反向散射ris辅助无人机使能的mec能效最大化方法
CN116436512A (zh) 一种ris辅助通信的多目标优化方法、***及设备
Tang et al. Completed tasks number maximization in UAV-assisted mobile relay communication system
CN114866979A (zh) 一种无人机辅助的边缘计算时延最小化方法
CN112996121B (zh) 一种面向集群内通信的u2u分布式动态资源分配方法
Fu et al. Joint speed and bandwidth optimized strategy of UAV-assisted data collection in post-disaster areas
CN115664486B (zh) 一种ris辅助uav边缘计算***中无线供能的能效优化方法
CN116737391A (zh) 一种联邦模式下基于混合策略的边缘计算协作方法
Cho et al. IRS-aided energy efficient UAV communication
CN114979135B (zh) 基于移动边缘计算的无人机飞行高度和任务分配控制方法
Zhang et al. Joint optimization of uav trajectory and relay ratio in uav-aided mobile edge computation network
CN114980205A (zh) 多天线无人机视频传输***QoE最大化方法和装置
Xiang et al. UAV-Assisted MEC System Considering UAV Trajectory and Task Offloading Strategy
Song et al. Personalized Federated Deep Reinforcement Learning-based Trajectory Optimization for Multi-UAV Assisted Edge Computing
CN114500533B (zh) 基于用户协作的无人机辅助移动边缘计算***优化方法
CN116339994A (zh) 一种基于用户协作与无线功率传输的无人机辅助移动边缘计算***的优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination