CN116709290A - 一种基于无人机边缘计算的灾害地区应急通信方法及*** - Google Patents
一种基于无人机边缘计算的灾害地区应急通信方法及*** Download PDFInfo
- Publication number
- CN116709290A CN116709290A CN202310806569.6A CN202310806569A CN116709290A CN 116709290 A CN116709290 A CN 116709290A CN 202310806569 A CN202310806569 A CN 202310806569A CN 116709290 A CN116709290 A CN 116709290A
- Authority
- CN
- China
- Prior art keywords
- target
- unmanned aerial
- aerial vehicle
- task
- equipment
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000004364 calculation method Methods 0.000 title claims abstract description 58
- 238000004891 communication Methods 0.000 title claims abstract description 38
- 238000005265 energy consumption Methods 0.000 claims abstract description 105
- 239000011159 matrix material Substances 0.000 claims abstract description 69
- 230000005540 biological transmission Effects 0.000 claims abstract description 62
- 238000005457 optimization Methods 0.000 claims abstract description 55
- 230000008569 process Effects 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims description 175
- 230000006870 function Effects 0.000 claims description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 230000002068 genetic effect Effects 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 239000000463 material Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 208000011597 CGF1 Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000004039 social cognition Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/90—Services for handling of emergency or hazardous situations, e.g. earthquake and tsunami warning systems [ETWS]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- H04W28/0917—Management thereof based on the energy state of entities
-
- 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
-
- 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
- H04W28/0958—Management thereof based on metrics or performance parameters
- H04W28/0967—Quality of Service [QoS] parameters
- H04W28/0975—Quality of Service [QoS] parameters for reducing delays
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Emergency Management (AREA)
- Public Health (AREA)
- Environmental & Geological Engineering (AREA)
- Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种基于无人机边缘计算的灾害地区应急通信方法及***,方法包括如下步骤:基于灾害地区中所有目标设备的设备位置和初始无人机部署位置,计算得到目标设备与无人机之间的数据传输速率;生成无人机辅助执行目标设备中目标任务的任务执行矩阵;获取目标设备的设备信息和目标任务的任务数据量;构建目标任务执行过程的时延模型和能耗模型;构建多目标优化问题函数;求解多目标优化问题函数,得到最优无人机部署位置和最优任务分配策略集合;建立无人机与目标设备之间的通信连接,并基于最优任务分配策略集合处理所有目标设备中的目标任务。本发明可以获取帕累托最优的无人机部署位置集合,以起到降低整个应急通信***时延和能耗的效果。
Description
技术领域
本发明属于移动边缘计算技术领域,具体是涉及到一种基于无人机边缘计算的灾害地区应急通信方法及***。
背景技术
当地震、台风、洪涝等自然灾害发生后往往会造成灾害地区电力供应断绝,迫使灾害地区的本地服务器、移动通信基站关闭,导致灾区通信不畅,智能设备功能受限。而重新建设本地服务器与抢修电路均需耗费大量的人力、物力,阻碍救灾救援各项工作的进行。针对这种情况,移动边缘计算打开了解决问题的新途径。边缘计算(MEC)通过将边缘服务器部署在网络边缘,可替代云服务器的集中式计算功能。在受灾地区部署边缘服务器可达到恢复计算能力的目的,维持受灾地区智能设备的正常运转,提供大量计算资源。无人机凭借自身的灵活性、成本低、易部署等特点,成为搭载边缘服务器的首选,可实现短期的大范围服务覆盖。同时相较于原来的基站传输,移动边缘计算实现视距信号传输以提高信道增益,降低了用户计算任务卸载时的能耗,无人机的应用也提高了移动边缘计算的灵活性和鲁棒性。
移动边缘计算是将智能设备本地计算任务分配到边缘节点(无人机)进行计算的一种云计算方法,需要考虑整个***的任务运算时延、***总体能耗、数据传输安全等指标,实际应用中需要考虑无人机部署的位置、无人机运动轨迹、任务卸载策略、传输信道分配等众多问题。主要研究方向分为平均响应时间的优化、***能耗优化和综合优化,运用的方法有凸优化方法、博弈论方法、智能优化算法和强化学习等AI方法。
在移动边缘计算的现有技术中,通过一种边云协同的计算卸载策略,考虑任务之间的依赖关系和执行的先后顺序,优化卸载效率,基于改进混合粒子群算法,最小化***时延和能耗的加权和。在上述现有技术中,采用时延和能耗加权和的方式作为优化目标,虽然最终能得到较优的任务卸载策略,但未考虑时延与能耗的量纲不一致性,优化加权和的目标函数结果较为片面,在实际应用过程中,传统方法往往需要根据操作人员的经验提前进行无人机的位置部署,若无人机的位置部署偏差较大,将会增加整个应急通信***的时延和能耗。
发明内容
本发明提供一种基于无人机边缘计算的灾害地区应急通信方法及***,以解决人为部署无人机位置可能会增加整个应急通信***时延和能耗的问题。
第一方面,本发明提供一种基于无人机边缘计算的灾害地区应急通信方法,该方法包括如下步骤:
基于目标地区中所有目标设备的设备位置和初始无人机部署位置,并根据自由空间路径损耗模型计算得到所述目标设备与无人机之间的数据传输速率,所述无人机搭载有边缘服务器;
生成所述无人机辅助执行所述目标设备中目标任务的任务执行矩阵;
获取所述目标设备的设备信息和所述目标任务的任务数据量;
结合所述设备信息、所述任务数据量和所述数据传输速率构建所述目标任务执行过程的时延模型和能耗模型;
结合所述时延模型、所述能耗模型和所述任务执行矩阵构建多目标优化问题函数,所述多目标优化问题函数的优化目标为所述目标任务执行过程的响应时间最短且总能耗最少;
采用多目标遗传粒子群嵌套贪婪策略算法求解所述多目标优化问题函数,得到最优无人机部署位置和最优任务分配矩阵;
基于所述最优无人机部署位置在所述灾害地区部署所述无人机;
建立所述无人机与所述目标设备之间的通信连接,并基于所述最优任务分配矩阵处理所有所述目标设备中的所述目标任务。
可选的,所述基于灾害地区中所有目标设备的设备位置和初始无人机部署位置,并根据自由空间路径损耗模型计算得到所述目标设备与无人机之间的数据传输速率包括如下步骤:
根据自由空间路径损耗模型评估灾害地区中所有目标设备与无人机之间的无线信道链路,并结合所述目标设备的设备位置和所述初始无人机部署位置计算得到所述无线信道链路的功率增益;
基于所述功率增益并根据香农定理计算得到所述目标设备与所述无人机之间的数据传输速率。
可选的,所述设备信息包括所述目标设备的设备CPU频率、CPU资源计算周期和数据传输功率,所述时延模型包括所述目标设备本地执行所述目标任务时的设备时延模型和所述无人机辅助执行所述目标任务时的无人机时延模型,所述能耗模型包括所述目标设备本地执行所述目标任务时的设备能耗模型和所述无人机辅助执行所述目标任务时的无人机能耗模型;
所述结合所述设备信息、所述任务数据量和所述数据传输速率构建所述目标任务执行过程的时延模型和能耗模型包括如下步骤:
结合所述设备CPU频率、所述CPU资源计算周期和所述任务数据量构建所述设备时延模型,所述设备时延模型的表达公式如下:
式中:表示第i个所述目标设备本地执行所述目标任务的设备执行时间,Vi表示第i个所述目标设备的所述任务数据量,Ci表示第i个所述目标设备的所述CPU资源计算周期,/>表示第i个所述目标设备的所述设备CPU频率;
结合所述CPU资源计算周期、所述任务数据量和所述数据传输速率构建所述无人机时延模型,所述无人机时延模型的表达公式如下:
式中:表示第j个所述无人机辅助执行第i个所述目标设备中所述目标任务整体过程的无人机总执行时间,/>表示第j个所述无人机和第i个所述目标设备之间的数据传输时间,/>表示第j个所述无人机执行第i个所述目标任务的无人机执行时间,Ri,j表示所述数据传输速率,/>表示第j个所述无人机的无人机CPU频率;
结合所述设备CPU频率和所述设备时延模型构建所述设备能耗模型,所述设备能耗模型的表达公式如下:
式中:表示第i个所述目标设备本地执行所述目标任务的设备执行能耗,κ表示功耗因子;
结合所述数据传输功率和所述无人机时延模型构建所述无人机能耗模型,所述无人机能耗模型的表达公式如下:
式中:表示第j个所述无人机辅助执行第i个所述目标设备中所述目标任务整体过程的无人机总能耗,/>表示第i个所述目标设备中所述目标任务传输至第j个所述无人机的数据传输能耗,/>表示第j个所述无人机执行第i个所述目标任务的无人机执行能耗,Pi表示第i个所述目标设备的数据传输功率。
可选的,所述任务执行矩阵的表达式如下:
式中:Q表示所述任务执行矩阵,m表示所述目标设备的设备数量,n表示所述无人机的无人机数量,qi,j∈{0,1},当第j个所述无人机辅助执行第i个所述目标设备中的所述目标任务时,qi,j=1;当第j个所述无人机未辅助执行第i个所述目标设备中的所述目标任务时,qi,j=0;当第i个所述目标设备本地执行所述目标任务时,qi,n+1=1;当第i个所述目标设备未本地执行所述目标任务时,qi,n+1=0;n=n1+n2+n3,n1、n2和n3分别表示不同计算性能的所述无人机的所述无人机数量。
可选的,所述多目标优化问题函数的表达公式如下:
式中:P1表示使所述目标任务执行过程的响应时间最短的第一优化目标,P2表示使所述目标任务执行过程的总能耗最少的第二优化目标。
可选的,所述采用多目标遗传粒子群嵌套贪婪策略算法求解所述多目标优化问题函数,得到最优无人机部署位置和最优任务分配矩阵包括如下步骤:
将所述无人机的无人机部署位置编码为目标粒子,多个所述目标粒子汇集为目标粒子群;
基于所述多目标优化问题函数的优化目标确定多个适应度函数;
采用预设的更新策略更新迭代每个所述目标粒子的速度位置,并结合多个所述适应度函数确定所述目标粒子的个体最优解和所述目标粒子群中的非支配解集合;
基于所述非支配解集合并通过自适应网格法获取所述目标粒子群的种群最优解;
重复更新迭代所述目标粒子的速度位置,并同步更新所述个体最优解、所述种群最优解和所述非支配解集合,直至所述目标粒子的位置变化差值小于预设的差值阈值;
将最后一次更新迭代后的所述非支配解集合中所有目标粒子对应的所述无人机部署位置作为帕累托最优无人机部署位置集合;
结合所述帕累托最优无人机部署位置集合和所述数据传输速率并通过贪婪算法确定最优任务分配矩阵。
可选的,所述采用预设的更新策略更新迭代每个所述目标粒子的速度位置,并结合多个所述适应度函数确定所述目标粒子的个体最优解和所述目标粒子群中的非支配解集合包括如下步骤:
采用预设的更新策略更新每个所述目标粒子的粒子速度;
基于所述粒子速度更新对应所述目标粒子的粒子位置;
基于多个所述适应度函数分别分析各个所述目标粒子的位置变化,得到每个所述目标粒子的个体最优解;
基于多个所述适应度函数比较所有所述目标粒子的所述个体最优解,得到所述目标粒子群中的非支配解集合。
可选的,所述重复更新迭代所述目标粒子的速度位置的计算公式如下:
式中:表示第k个所述目标粒子第t次更新迭代后的粒子速度,/>表示第k个所述目标粒子在第t次更新迭代时的初始粒子速度,/>表示第k个所述目标粒子第t次更新迭代后的粒子位置,/>表示第k个所述目标粒子在第t次更新迭代时的初始粒子位置,ω表示惯性因子,c1表示局部速度因子,c2表示全局速度因子。
可选的,所述结合所述最优无人机部署位置和所述数据传输速率并通过贪婪算法确定最优任务分配策略集合包括如下步骤:
根据所述时延模型和所述能耗模型分别计算各个所述目标设备本地执行所述目标任务时设备执行时延和设备执行能耗;
结合所述最优无人机部署位置和所述数据传输速率分别为各个所述目标设备筛选出对应的最优无人机;
根据所述时延模型和所述能耗模型分别计算各个所述最优无人机辅助执行对应所述目标设备的所述目标任务时的无人机执行时延和无人机执行能耗;
对于任意一组所述目标设备和对应的所述最优无人机,判断所述设备执行时延是否小于所述无人机执行时延;
若所述设备执行时延小于所述无人机执行时延,则判断所述设备执行能耗是否小于所述无人机执行能耗;
若所述设备执行能耗小于所述无人机执行能耗,则确定所述目标设备与对应所述最优无人机之间的最优任务分配矩阵为第一任务分配矩阵,所述第一任务分配矩阵表示为所述目标任务在所述目标设备本地执行;
若所述设备执行能耗大于等于所述无人机执行能耗和/或所述设备执行时延大于等于所述无人机执行时延,则将所述目标任务卸载至所述最优无人机;
统计所述最优无人机中已有任务的任务数量,并判断所述任务数量是否大于所述最优无人机预设的最大可运行任务量;
若所述任务数量小于等于所述最大可运行任务量,则确定所述目标设备与对应所述最优无人机之间的所述最优任务分配矩阵为第二任务分配矩阵,所述第二任务分配矩阵表示为所述最优无人机辅助执行所述目标任务;
若所述任务数量大于所述最优无人机预设的最大可运行任务量,则确定所述目标设备与对应所述最优无人机之间的所述最优任务分配矩阵为第三任务分配矩阵,所述第三任务分配矩阵表示为将所述目标任务中所述数据传输速率最小的任务在所述目标设备本地执行,且所述最优无人机辅助执行所述目标任务中的其他任务。
第二方面,本发明还提供一种基于无人机边缘计算的灾害地区应急通信***,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面中所述的方法。
本发明的有益效果是:
首先计算得到灾害地区中目标设备与无人机之间的数据传输速率,并生成所述无人机辅助执行所述目标设备中目标任务的任务执行矩阵。再构建目标设备中目标任务执行过程的时延模型和能耗模型,进一步构建以目标任务执行过程的响应时间最短且总能耗最少为优化目标的多目标优化问题函数。采用多目标遗传粒子群嵌套贪婪策略算法求解所述多目标优化问题函数,得到最优无人机部署位置和最优任务分配矩阵。最后基于所述最优无人机部署位置在所述灾害地区部署所述无人机,建立所述无人机与所述目标设备之间的通信连接,并基于所述最优任务分配矩阵处理所有所述目标设备中的所述目标任务。相较于人工确定无人机的部署位置,无人机位置部署的性能更高、效果更好,从而可以尽可能避免因无人机部署位置的偏差导致整个应急通信***时延和能耗的增加。
附图说明
图1为本发明中基于无人机边缘计算的灾害地区应急通信方法的流程示意图。
图2为本发明中基于无人机移动边缘计算进行应急通信的模型示意图。
具体实施方式
本发明公开一种基于无人机边缘计算的灾害地区应急通信方法。
参照图1,基于无人机边缘计算的灾害地区应急通信方法具体包括如下步骤:
S101.基于目标地区中所有目标设备的设备位置和初始无人机部署位置,并根据自由空间路径损耗模型计算得到目标设备与无人机之间的数据传输速率。
其中,目标地区是指遭遇自然灾害或其他特殊情况导致地区内电力供应断绝,且本地服务器、移动通信基站均关闭的地区,目标地区往往通信不畅,智能设备功能受限,而目标地区中的各种智能设备,如手机、电脑、物联网设备等即为目标地区中的目标设备。在目标地区重新建设本地服务器与抢修电路均需耗费大量的人力、物力,针对这种情况,移动边缘计算打开了解决问题的新途径。边缘计算(MEC)通过将边缘服务器部署在网络边缘,可替代云服务器的集中式计算功能。在目标地区部署边缘服务器可达到恢复计算能力的目的,维持目标地区中目标设备的正常运转,提供大量计算资源。通过无人机搭载边缘服务器可实现短期的大范围服务覆盖。同时相较于原来的基站传输,移动边缘计算实现视距信号传输以提高信道增益,降低了用户计算任务卸载时的能耗,无人机的应用也提高了移动边缘计算的灵活性和鲁棒性。
参照图2,目标设备(MD1,MD2,...,MDn)与无人机(UAV1,UAV2,...,UAVn)的坐标定义采用三维笛卡尔坐标系,不考虑目标设备的海拔高度,同时假设无人机在同一水平高度飞行。由于MD与UAV之间信号采取视距(LoS)传播,因此可以使用自由空间路径损耗(FSPL)模型对无人机与智能设备之间的无线信道进行评估。
S102.生成无人机辅助执行目标设备中目标任务的任务执行矩阵。
其中,假设所有目标设备中的目标任务都是可卸载的,因此目标任务的任务执行有两种完成途径。第一种方式是通过目标设备本身的计算能力执行任务,称之为本地执行。本地执行的速率存在限制,单纯依靠本地执行会导致任务完成过慢,产生时间延迟从而影响服务质量。因此,在基站损坏的情况下,一般通过依靠无人机边缘计算服务器辅助执行任务,即第二种执行方式:无人机辅助执行。无人机协助过程存在数据的传输与处理过程。
在本实施方式中,生成任务执行矩阵Q∈{0,1}m×(n+1)来表示目标任务的任务执行情况,若为无人机辅助执行,则表示将目标设备中的所有目标任务完全卸载至无人机。任务执行矩阵具体的表达式如下:
式中:Q表示任务执行矩阵,m表示目标设备的设备数量,n表示无人机的无人机数量,qi,j∈{0,1},当第j个无人机辅助执行第i个目标设备中的目标任务时,qi,j=1;当第j个无人机未辅助执行第i个目标设备中的目标任务时,qi,j=0;当第i个目标设备本地执行目标任务时,qi,n+1=1;当第i个目标设备未本地执行目标任务时,qi,n+1=0;n=n1+n2+n3,n1、n2和n3分别表示不同计算性能的无人机的无人机数量,具体而言,n1表示A级无人机的无人机数量,n2表示B级无人机的无人机数量,n3表示C级无人机的无人机数量。无人机的级别越高则表示无人机的计算性能越强。
S103.获取目标设备的设备信息和目标任务的任务数据量。
其中,设备信息包括目标设备的设备CPU频率、CPU资源计算周期、数据传输功率、设备电量等。
S104.结合设备信息、任务数据量和数据传输速率构建目标任务执行过程的时延模型和能耗模型。
其中,可以通过时延模型来计算任务执行的时间延迟情况。目标任务执行需要的时间与任务自身的任务数据量、执行设备中CPU资源计算周期有关,也与执行设备的CPU计算频率相关。任务执行能耗的计算需要借助计算时间,同时考虑执行设备的功率。且由于目标任务执行方式存在本地执行和无人机辅助执行两种方式。因此需要根据执行设备的构建两种时延模型和两种能耗模型。
S105.结合时延模型、能耗模型和任务执行矩阵构建多目标优化问题函数。
其中,多目标优化问题函数的优化目标为目标任务执行过程的响应时间最短且总能耗最少。
S106.采用多目标遗传粒子群嵌套贪婪策略算法求解多目标优化问题函数,得到最优无人机部署位置和最优任务分配矩阵。
其中,由于多目标优化问题函数需要考虑的变量有无人机部署位置以及最优任务分配策略两个变量,两个变量若同时进行优化计算,问题的解空间将变得十分庞大,难以迭代得到帕累托最优解。因此,可以利用多目标遗传粒子群嵌套贪婪策略(MOGAPSO-G)算法对多目标优化问题函数求解。在利用多目标遗传粒子群嵌套贪婪策略算法的求解过程中,外层为多目标遗传粒子群算法,用于求解无人机部署位置。内层为贪婪算法,用于得到最优任务分配矩阵。
S107.基于最优无人机部署位置在灾害地区部署无人机。
S108.建立无人机与目标设备之间的通信连接,并基于最优任务分配矩阵处理所有目标设备中的目标任务。
其中,最优任务分配矩阵中包含所有目标设备中目标任务的最优执行方式,因此可以联合无人机与目标设备遍历最优任务分配矩阵,使得每个目标设备中的目标任务均具有最优的执行方式。
本实施方式的实施原理为:
首先计算得到灾害地区中目标设备与无人机之间的数据传输速率,并生成所述无人机辅助执行所述目标设备中目标任务的任务执行矩阵。再构建目标设备中目标任务执行过程的时延模型和能耗模型,进一步构建以目标任务执行过程的响应时间最短且总能耗最少为优化目标的多目标优化问题函数。采用多目标遗传粒子群嵌套贪婪策略算法求解所述多目标优化问题函数,得到最优无人机部署位置和最优任务分配矩阵。最后基于所述最优无人机部署位置在所述灾害地区部署所述无人机,建立所述无人机与所述目标设备之间的通信连接,并基于所述最优任务分配矩阵处理所有所述目标设备中的所述目标任务。相较于人工确定无人机的部署位置,无人机位置部署的性能更高、效果更好,从而可以尽可能避免因无人机部署位置的偏差导致整个应急通信***时延和能耗的增加。
在其中一种实施方式中,步骤S101即基于灾害地区中所有目标设备的设备位置和初始无人机部署位置,并根据自由空间路径损耗模型计算得到目标设备与无人机之间的数据传输速率具体包括如下步骤:
根据自由空间路径损耗模型评估灾害地区中所有目标设备与无人机之间的无线信道链路,并结合目标设备的设备位置和初始无人机部署位置计算得到无线信道链路的功率增益;
基于功率增益并根据香农定理计算得到目标设备与无人机之间的数据传输速率。
在本实施方式中,目标设备(MD1,MD2,...,MDn)与无人机(UAV1,UAV2,...,UAVn)的坐标定义采用三维笛卡尔坐标系,不考虑目标设备的海拔高度,同时假设无人机在同一水平高度飞行。得到第i个MD的位置坐标为第j个UAV的位置坐标为由于MD与UAV之间信号采取视距(LoS)传播,因此使用自由空间路径损耗(FSPL)模型对无人机与智能设备之间的无线信道进行评估。无线信道链路的功率增益的计算公式为:
式中:hi,j表示功率增益,G0为单位空间距离的信道功率增益,表示无线信道链路自身的传输能力特性,与输入输出无关,会随时间或者频率变化。di,j表示第i个MD与第j个UAV之间的欧式三维空间距离。
为了最快完成数据传输以改善无线信道链路的信噪比,假设第i个MD的数据传输功率恒定为Pi。因此,根据香农定理计算第i个MD与第j个UAV之间的数据传输速率的计算公式如下:
式中:Ri,j表示第i个MD与第j个UAV之间的数据传输速率,B表示信道带宽(单位为MHz),σ2表示无线信道链路中的高斯白噪声功率。
在其中一种实施方式中,设备信息包括目标设备的设备CPU频率、CPU资源计算周期和数据传输功率,时延模型包括目标设备本地执行目标任务时的设备时延模型和无人机辅助执行目标任务时的无人机时延模型,能耗模型包括目标设备本地执行目标任务时的设备能耗模型和无人机辅助执行目标任务时的无人机能耗模型。
在本实施方式中,步骤S104即结合设备信息、任务数据量和数据传输速率构建目标任务执行过程的时延模型和能耗模型具体包括如下步骤:
结合设备CPU频率、CPU资源计算周期和任务数据量构建设备时延模型,设备时延模型的表达公式如下:
式中:表示第i个目标设备本地执行目标任务的设备执行时间,Vi表示第i个目标设备的任务数据量,Ci表示第i个目标设备的CPU资源计算周期,/>表示第i个目标设备的设备CPU频率;
无人机辅助执行的过程如下:目标设备通过无线信道链路将目标任务传输至无人机,由无人机携带的边缘计算服务器执行完成任务后,将结果数据传输回目标设备。因此无人机辅助执行所需要的时间分为三个部分:数据传输时间、无人机执行时间以及数据传回时间。由于传回的数据量极小并且可以进行压缩处理,这部分所需要的时间和能耗都极低,因此可以忽略处理。综上,可以结合CPU资源计算周期、任务数据量和数据传输速率构建无人机时延模型,无人机时延模型的表达公式如下:
式中:表示第j个无人机辅助执行第i个目标设备中目标任务整体过程的无人机总执行时间,/>表示第j个无人机和第i个目标设备之间的数据传输时间,/>表示第j个无人机执行第i个目标任务的无人机执行时间,Ri,j表示数据传输速率,/>表示第j个无人机的无人机CPU频率;
频率为f的CPU的功耗可以近似为κf3,功耗因子κ由CPU的结构决定。因此结合设备CPU频率和设备时延模型构建设备能耗模型,设备能耗模型的表达公式如下:
式中:表示第i个目标设备本地执行目标任务的设备执行能耗,κ表示功耗因子;
结合数据传输功率和无人机时延模型构建无人机能耗模型,无人机能耗模型的表达公式如下:
式中:表示第j个无人机辅助执行第i个目标设备中目标任务整体过程的无人机总能耗,/>表示第i个目标设备中目标任务传输至第j个无人机的数据传输能耗,/>表示第j个无人机执行第i个目标任务的无人机执行能耗,Pi表示第i个目标设备的数据传输功率。
在本实施方式中,多目标优化问题函数的表达公式如下:
式中:P1表示使目标任务执行过程的响应时间最短的第一优化目标,P2表示使目标任务执行过程的总能耗最少的第二优化目标。
多目标优化问题函数的约束条件如下:
式中:C1、C2、C3、C4和C5均为约束条件,其中约束条件C1和约束条件C2为无人机的位置约束,xmax和ymax分别表示无人机能够部署的最大横纵坐标。约束条件C3表示任务执行矩阵Q为0-1矩阵,只有执行与否两种情况。约束条件C4对任务执行情况进行约束,表示每一项任务只能被执行一次,且必须执行。约束条件C5对无人机执行情况进行约束,每架无人机辅助执行的任务数量不能超过无人机最大任务并发数Nmax。
在其中一种实施方式中,步骤S106即采用多目标遗传粒子群嵌套贪婪策略算法求解多目标优化问题函数,得到最优无人机部署位置和最优任务分配矩阵具体包括如下步骤:
将无人机的无人机部署位置编码为目标粒子,多个目标粒子汇集为目标粒子群;
基于多目标优化问题函数的优化目标确定多个适应度函数;
采用预设的更新策略更新迭代每个目标粒子的速度位置,并结合多个适应度函数确定目标粒子的个体最优解和目标粒子群中的非支配解集合;
基于非支配解集合并通过自适应网格法获取目标粒子群的种群最优解;
重复更新迭代目标粒子的速度位置,并同步更新个体最优解、种群最优解和非支配解集合,直至目标粒子的位置变化差值小于预设的差值阈值;
将最后一次更新迭代后的非支配解集合中所有目标粒子对应的无人机部署位置作为帕累托最优无人机部署位置集合;
结合最优帕累托最优无人机部署位置集合和数据传输速率并通过贪婪算法确定最优任务分配策略集合。
在本实施方式中,多目标遗传粒子群嵌套贪婪策略算法的外层算法为多目标遗传粒子群算法,用于求解无人机部署位置,内层算法为贪婪算法,用于得到最优任务分配矩阵。多目标遗传粒子群算法是一种模拟鸟类觅食的群智能算法,是生物个体智能与群体智能的体现。算法通过个体惯性、自我认知和社会认知三个方面信息,对粒子的速度和位置进行更新,从而使得粒子群体最终收敛到最优解上。粒子群算法搜索空间具有连续性,适用于解决连续优化问题。多目标遗传粒子群算法需要构造一个外部储存区来保留所有的非支配解,以外部储存区中的精英个体引导整个粒子群体不断朝着帕累托前沿逼近。
参照表1,为了得到无人机部署坐标的帕累托最优解,故将无人机的位置坐标编码为一个目标粒子。每台无人机的实际坐标为(xi,yi,z0),每个粒子代表一种无人机部署策略。无人机的编号也对应着不同计算能力的异构无人机(A、B、C三级),实现多层级计算。
表1将无人机的位置坐标编码为粒子的编码对照表
多目标优化问题函数中含有多个适应度函数。本实施方式中的两个适应度函数分别为模型中的时延和能耗两个优化目标函数值。当一个目标粒子的时延和能耗都不高于其他粒子时,称为目标该粒子不被其他目标粒子所支配。
在其中一种实施方式中,步骤采用预设的更新策略更新迭代每个目标粒子的速度位置,并结合多个适应度函数确定目标粒子的个体最优解和目标粒子群中的非支配解集合具体包括如下步骤:
采用预设的更新策略更新每个目标粒子的粒子速度;
基于粒子速度更新对应目标粒子的粒子位置;
基于多个适应度函数分别分析各个目标粒子的位置变化,得到每个目标粒子的个体最优解;
基于多个适应度函数比较所有目标粒子的个体最优解,得到目标粒子群中的非支配解集
在本实施方式中,由于存在两个适应度函数,个体最优解pBest并不是简单的一个目标粒子,而是包含多个目标粒子的集合。个体最优解的集合中包含的目标粒子不被该目标粒子经历过的历史位置所构成的目标粒子所支配,个体最优解的集合中目标粒子数目为p。
对于单个粒子来说,在每一轮的更新迭代过程中,更新后的粒子位置需要与本轮更新之前的个体最优解pBest0进行比较。如果更新后的粒子位置支配更新之前的个体最优解pBest0,则本轮更新之后的个体最优解更新为更新后的粒子位置;如果更新之前的个体最优解pBest0粒子支配更新后的粒子位置,则个体最优解仍为pBest0不变。如果更新后的粒子位置与pBest0互不支配,则为更新后的粒子位置与pBest0各赋予50%的选取概率,并基于选取概率随机选取更新后的粒子位置或pBest0作为本轮更新之后的个体最优解。并且在每一次迭代中,比较所有目标粒子的个体最优解,得到非支配解集合。
在其中一种实施方式中,在步骤重复更新迭代目标粒子的速度位置,并同步更新个体最优解、种群最优解和非支配解集合,直至目标粒子的位置变化差值小于预设的差值阈值中,重复更新迭代目标粒子的速度位置的计算公式如下:
式中:表示第k个目标粒子第t次更新迭代后的粒子速度,/>表示第k个目标粒子在第t次更新迭代时的初始粒子速度,/>表示第k个目标粒子第t次更新迭代后的粒子位置,/>表示第k个目标粒子在第t次更新迭代时的初始粒子位置,ω表示惯性因子,c1表示局部速度因子,c2表示全局速度因子。
在本实施方式中,种群最优解gBest的集合中包含的目标粒子不被整个目标粒子群体经历过的所有历史位置所构成的目标粒子所支配,种群最优解gBest的集合中目标粒子数目为q。多目标遗传粒子群算法无法对比集合中的目标粒子的最优性,需要在每次群体更新时选取个体最优解pBest与种群最优解gBest中的领导者保留。
外部储存区中存档的为目标粒子群体目前所搜索得到的帕累托最优解集,可以通过自适应网格法得到种群最优解gBest。粒子空间是2n维,将空间缩小为外部储存区中的粒子空间并划分为L×L层。即找出每个维度上外部储存区中目标粒子的最大值max与最小值min,将坐标轴在[min,max]平均分为L段。在外部储存区的L2n层粒子空间中,粒子拥挤密度即为粒子个数,个数越少代表越不拥挤。通过轮盘赌法从外部储存区中选取到种群最优解gBest。
在其中一种实施方式中,在每轮更新得到的目标粒子群体中,如果某一目标粒子不为外部储存区中的所有目标粒子所支配,则将它补充进入外部储存区中。为了解决外部储存区溢出问题,需要对外部储存区进行剪切操作。当外部储存区中目标粒子个数超出数量限制时,则需要根据自适应网格法计算外部储存区中的每个目标粒子拥挤密度,随机删除拥挤密度最大的网格中的一个目标粒子并更新拥挤密度,反复剪切外部储存区直到达到规模要求。这样在保持外部储存区存档规模的同时可以增加对拥挤程度低的区域的搜索。在不断的更新迭代后,所有的粒子群体最终会收敛到几个不同的位置,这些粒子不被搜索过的空间的其他粒子所支配,称作问题的帕累托最优解集。
在其中一种实施方式中,由于多目标优化问题函数的帕累托最优解较多,采用多目标遗传粒子群算法的搜索过程中可能会漏过部分帕累托最优解。为了增加算法搜索的多样性,可以引入了交叉变异算子:在种群最优解gBest中随机选取目标粒子作为父代粒子,随机选择父代粒子的点位,根据点位将父代粒子与目标粒子群中对应的目标粒子进行交叉替换,基于预设的变异概率使目标粒子群中替换后的目标粒子数值变异,数值变异的值为目标粒子最小值与最大值之间的随机数。
在其中一种实施方式中,步骤结合最优无人机部署位置和数据传输速率并通过贪婪算法确定最优任务分配矩阵具体包括如下步骤:
根据时延模型和能耗模型分别计算各个目标设备本地执行目标任务时设备执行时延和设备执行能耗;
结合最优无人机部署位置和数据传输速率分别为各个目标设备筛选出对应的最优无人机;
根据时延模型和能耗模型分别计算各个最优无人机辅助执行对应目标设备的目标任务时的无人机执行时延和无人机执行能耗;
对于任意一组目标设备和对应的最优无人机,判断设备执行时延是否小于无人机执行时延;
若设备执行时延小于无人机执行时延,则判断设备执行能耗是否小于无人机执行能耗;
若设备执行能耗小于无人机执行能耗,则确定目标设备与对应最优无人机之间的最优任务分配矩阵为第一任务分配矩阵,第一任务分配矩阵表示为目标任务在目标设备本地执行;
若设备执行能耗大于等于无人机执行能耗和/或设备执行时延大于等于无人机执行时延,则将目标任务卸载至最优无人机;
统计最优无人机中已有任务的任务数量,并判断任务数量是否大于最优无人机预设的最大可运行任务量;
若任务数量小于等于最大可运行任务量,则确定目标设备与对应最优无人机之间的最优任务分配矩阵为第二任务分配矩阵,第二任务分配矩阵表示为最优无人机辅助执行目标任务;
若任务数量大于最优无人机预设的最大可运行任务量,则确定目标设备与对应最优无人机之间的最优任务分配矩阵为第三任务分配矩阵,第三任务分配矩阵表示为将目标任务中数据传输速率最小的任务在目标设备本地执行,且最优无人机辅助执行目标任务中的其他任务。
在本实施方式中,通过多目标遗传粒子群嵌套贪婪策略算法的外层算法已经获取到最优无人机部署位置,故可以进一步通过内层算法(贪婪算法)确定目标设备中目标任务执行过程的最优任务分配矩阵。首先对每台目标设备寻找数据传输速率最大的最优无人机,然后假设将目标设备中的目标任务分配给最优无人机后,计算最优无人机辅助执行目标任务卸载的时延和能耗,若目标设备本地执行目标设备的时延和能耗均小于最优无人机辅助执行时的时延和能耗,则该组目标设备与最优无人机的最优任务分配矩阵表示为目标任务在目标设备本地执行。另外,由于无人机的任务处理量存在限制,因此,若目标设备进行任务卸载的无人机已有任务数量大于最大可运行任务量,则找出无人机上已卸载任务中数据传输速率最小的目标任务,让此目标任务在目标设备本地执行,而不卸载到无人机上。
本发明还公开一种基于无人机边缘计算的灾害地区应急通信***,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述任意一种实施方式中基于无人机边缘计算的灾害地区应急通信方法。
本实施方式的实施原理为:
通过程序的调取,首先计算得到灾害地区中目标设备与无人机之间的数据传输速率,并生成无人机辅助执行目标设备中目标任务的任务执行矩阵。再构建目标设备中目标任务执行过程的时延模型和能耗模型,进一步构建以目标任务执行过程的响应时间最短且总能耗最少为优化目标的多目标优化问题函数。采用多目标遗传粒子群嵌套贪婪策略算法求解多目标优化问题函数,得到最优无人机部署位置和最优任务分配策略集合。最后基于最优无人机部署位置在灾害地区部署无人机,建立无人机与目标设备之间的通信连接,并基于最优任务分配策略集合处理所有目标设备中的目标任务。相较于人工确定无人机的部署位置,无人机位置部署的准确性更高,从而可以尽可能避免因无人机部署位置的偏差导致整个应急通信***时延和能耗的增加。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的保护范围限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上的本申请中一个或多个实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本申请中一个或多个实施例旨在涵盖落入本申请的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请中一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于无人机边缘计算的灾害地区应急通信方法,其特征在于,包括如下步骤:
基于目标地区中所有目标设备的设备位置和初始无人机部署位置,并根据自由空间路径损耗模型计算得到所述目标设备与无人机之间的数据传输速率,所述无人机搭载有边缘服务器;
生成所述无人机辅助执行所述目标设备中目标任务的任务执行矩阵;
获取所述目标设备的设备信息和所述目标任务的任务数据量;
结合所述设备信息、所述任务数据量和所述数据传输速率构建所述目标任务执行过程的时延模型和能耗模型;
结合所述时延模型、所述能耗模型和所述任务执行矩阵构建多目标优化问题函数,所述多目标优化问题函数的优化目标为所述目标任务执行过程的响应时间最短且总能耗最少;
采用多目标遗传粒子群嵌套贪婪策略算法求解所述多目标优化问题函数,得到最优无人机部署位置和最优任务分配矩阵;
基于所述最优无人机部署位置在所述灾害地区部署所述无人机;
建立所述无人机与所述目标设备之间的通信连接,并基于所述最优任务分配矩阵处理所有所述目标设备中的所述目标任务。
2.根据权利要求1所述的基于无人机边缘计算的灾害地区应急通信方法,其特征在于,所述基于灾害地区中所有目标设备的设备位置和初始无人机部署位置,并根据自由空间路径损耗模型计算得到所述目标设备与无人机之间的数据传输速率包括如下步骤:
根据自由空间路径损耗模型评估灾害地区中所有目标设备与无人机之间的无线信道链路,并结合所述目标设备的设备位置和所述初始无人机部署位置计算得到所述无线信道链路的功率增益;
基于所述功率增益并根据香农定理计算得到所述目标设备与所述无人机之间的数据传输速率。
3.根据权利要求1所述的基于无人机边缘计算的灾害地区应急通信方法,其特征在于,所述设备信息包括所述目标设备的设备CPU频率、CPU资源计算周期和数据传输功率,所述时延模型包括所述目标设备本地执行所述目标任务时的设备时延模型和所述无人机辅助执行所述目标任务时的无人机时延模型,所述能耗模型包括所述目标设备本地执行所述目标任务时的设备能耗模型和所述无人机辅助执行所述目标任务时的无人机能耗模型;
所述结合所述设备信息、所述任务数据量和所述数据传输速率构建所述目标任务执行过程的时延模型和能耗模型包括如下步骤:
结合所述设备CPU频率、所述CPU资源计算周期和所述任务数据量构建所述设备时延模型,所述设备时延模型的表达公式如下:
式中:表示第i个所述目标设备本地执行所述目标任务的设备执行时间,Vi表示第i个所述目标设备的所述任务数据量,Ci表示第i个所述目标设备的所述CPU资源计算周期,表示第i个所述目标设备的所述设备CPU频率;
结合所述CPU资源计算周期、所述任务数据量和所述数据传输速率构建所述无人机时延模型,所述无人机时延模型的表达公式如下:
式中: 表示第j个所述无人机辅助执行第i个所述目标设备中所述目标任务整体过程的无人机总执行时间,/>表示第j个所述无人机和第i个所述目标设备之间的数据传输时间,/>表示第j个所述无人机执行第i个所述目标任务的无人机执行时间,Ri,j表示所述数据传输速率,/>表示第j个所述无人机的无人机CPU频率;
结合所述设备CPU频率和所述设备时延模型构建所述设备能耗模型,所述设备能耗模型的表达公式如下:
式中:表示第i个所述目标设备本地执行所述目标任务的设备执行能耗,k表示功耗因子;
结合所述数据传输功率和所述无人机时延模型构建所述无人机能耗模型,所述无人机能耗模型的表达公式如下:
式中: 表示第j个所述无人机辅助执行第i个所述目标设备中所述目标任务整体过程的无人机总能耗,/>表示第i个所述目标设备中所述目标任务传输至第j个所述无人机的数据传输能耗,/>表示第j个所述无人机执行第i个所述目标任务的无人机执行能耗,Pi表示第i个所述目标设备的数据传输功率。
4.根据权利要求3所述的基于无人机边缘计算的灾害地区应急通信方法,其特征在于,所述任务执行矩阵的表达式如下:
式中:Q表示所述任务执行矩阵,m表示所述目标设备的设备数量,n表示所述无人机的无人机数量,qi,j∈{0,1},当第j个所述无人机辅助执行第i个所述目标设备中的所述目标任务时,qi,j=1;当第j个所述无人机未辅助执行第i个所述目标设备中的所述目标任务时,qi,j=0;当第i个所述目标设备本地执行所述目标任务时,qi,n+1=1;当第i个所述目标设备未本地执行所述目标任务时,qi,n+1=0;n=n1+n2+n3,n1、n2和n3分别表示不同计算性能的所述无人机的所述无人机数量。
5.根据权利要求4所述的基于无人机边缘计算的灾害地区应急通信方法,其特征在于,所述多目标优化问题函数的表达公式如下:
式中:P1表示使所述目标任务执行过程的响应时间最短的第一优化目标,P2表示使所述目标任务执行过程的总能耗最少的第二优化目标。
6.根据权利要求1所述的基于无人机边缘计算的灾害地区应急通信方法,其特征在于,所述采用多目标遗传粒子群嵌套贪婪策略算法求解所述多目标优化问题函数,得到最优无人机部署位置和最优任务分配矩阵包括如下步骤:
将所述无人机的无人机部署位置编码为目标粒子,多个所述目标粒子汇集为目标粒子群;
基于所述多目标优化问题函数的优化目标确定多个适应度函数;
采用预设的更新策略更新迭代每个所述目标粒子的速度位置,并结合多个所述适应度函数确定所述目标粒子的个体最优解和所述目标粒子群中的非支配解集合;
基于所述非支配解集合并通过自适应网格法获取所述目标粒子群的种群最优解;
重复更新迭代所述目标粒子的速度位置,并同步更新所述个体最优解、所述种群最优解和所述非支配解集合,直至所述目标粒子的位置变化差值小于预设的差值阈值;
将最后一次更新迭代后的所述非支配解集合中所有目标粒子对应的所述无人机部署位置作为帕累托最优无人机部署位置集合;
结合所述帕累托最优无人机部署位置集合和所述数据传输速率并通过贪婪算法确定最优任务分配矩阵。
7.根据权利要求6所述的基于无人机边缘计算的灾害地区应急通信方法,其特征在于,所述采用预设的更新策略更新迭代每个所述目标粒子的速度位置,并结合多个所述适应度函数确定所述目标粒子的个体最优解和所述目标粒子群中的非支配解集合包括如下步骤:
采用预设的更新策略更新每个所述目标粒子的粒子速度;
基于所述粒子速度更新对应所述目标粒子的粒子位置;
基于多个所述适应度函数分别分析各个所述目标粒子的位置变化,得到每个所述目标粒子的个体最优解;
基于多个所述适应度函数比较所有所述目标粒子的所述个体最优解,得到所述目标粒子群中的非支配解集合。
8.根据权利要求6所述的基于无人机边缘计算的灾害地区应急通信方法,其特征在于,所述重复更新迭代所述目标粒子的速度位置的计算公式如下:
式中:表示第k个所述目标粒子第t次更新迭代后的粒子速度,/>表示第k个所述目标粒子在第t次更新迭代时的初始粒子速度,/>表示第k个所述目标粒子第t次更新迭代后的粒子位置,/>表示第k个所述目标粒子在第t次更新迭代时的初始粒子位置,ω表示惯性因子,c1表示局部速度因子,c2表示全局速度因子。
9.根据权利要求6所述的基于无人机边缘计算的灾害地区应急通信方法,其特征在于,所述结合所述最优无人机部署位置和所述数据传输速率并通过贪婪算法确定最优任务分配矩阵包括如下步骤:
根据所述时延模型和所述能耗模型分别计算各个所述目标设备本地执行所述目标任务时设备执行时延和设备执行能耗;
结合所述最优无人机部署位置和所述数据传输速率分别为各个所述目标设备筛选出对应的最优无人机;
根据所述时延模型和所述能耗模型分别计算各个所述最优无人机辅助执行对应所述目标设备的所述目标任务时的无人机执行时延和无人机执行能耗;
对于任意一组所述目标设备和对应的所述最优无人机,判断所述设备执行时延是否小于所述无人机执行时延;
若所述设备执行时延小于所述无人机执行时延,则判断所述设备执行能耗是否小于所述无人机执行能耗;
若所述设备执行能耗小于所述无人机执行能耗,则确定所述目标设备与对应所述最优无人机之间的最优任务分配矩阵为第一任务分配矩阵,所述第一任务分配矩阵表示为所述目标任务在所述目标设备本地执行;
若所述设备执行能耗大于等于所述无人机执行能耗和/或所述设备执行时延大于等于所述无人机执行时延,则将所述目标任务卸载至所述最优无人机;
统计所述最优无人机中已有任务的任务数量,并判断所述任务数量是否大于所述最优无人机预设的最大可运行任务量;
若所述任务数量小于等于所述最大可运行任务量,则确定所述目标设备与对应所述最优无人机之间的所述最优任务分配矩阵为第二任务分配矩阵,所述第二任务分配矩阵表示为所述最优无人机辅助执行所述目标任务;
若所述任务数量大于所述最优无人机预设的最大可运行任务量,则确定所述目标设备与对应所述最优无人机之间的所述最优任务分配矩阵为第三任务分配矩阵,所述第三任务分配矩阵表示为将所述目标任务中所述数据传输速率最小的任务在所述目标设备本地执行,且所述最优无人机辅助执行所述目标任务中的其他任务。
10.一种基于无人机边缘计算的灾害地区应急通信***,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至9中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310806569.6A CN116709290A (zh) | 2023-07-03 | 2023-07-03 | 一种基于无人机边缘计算的灾害地区应急通信方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310806569.6A CN116709290A (zh) | 2023-07-03 | 2023-07-03 | 一种基于无人机边缘计算的灾害地区应急通信方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116709290A true CN116709290A (zh) | 2023-09-05 |
Family
ID=87827587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310806569.6A Pending CN116709290A (zh) | 2023-07-03 | 2023-07-03 | 一种基于无人机边缘计算的灾害地区应急通信方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116709290A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117631615A (zh) * | 2023-10-12 | 2024-03-01 | 中国电建集团山东电力管道工程有限公司 | 基于物联网设备的生产车间数据采集与处理方法及*** |
-
2023
- 2023-07-03 CN CN202310806569.6A patent/CN116709290A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117631615A (zh) * | 2023-10-12 | 2024-03-01 | 中国电建集团山东电力管道工程有限公司 | 基于物联网设备的生产车间数据采集与处理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112351503B (zh) | 基于任务预测的多无人机辅助边缘计算资源分配方法 | |
CN111625361B (zh) | 一种基于云端服务器和IoT设备协同的联合学习框架 | |
Zhou et al. | Task allocation for multi-agent systems based on distributed many-objective evolutionary algorithm and greedy algorithm | |
CN113794494B (zh) | 一种面向低轨卫星网络的边缘计算***及计算卸载优化方法 | |
CN112784362A (zh) | 一种用于无人机辅助边缘计算的混合优化方法及*** | |
CN112902969B (zh) | 一种无人机在数据收集过程中的路径规划方法 | |
CN108111335B (zh) | 一种调度和链接虚拟网络功能的方法及*** | |
CN110531996B (zh) | 一种多微云环境下基于粒子群优化的计算任务卸载方法 | |
CN113254188B (zh) | 调度优化方法和装置、电子设备及存储介质 | |
EP4024212B1 (en) | Method for scheduling inference workloads on edge network resources | |
CN116709290A (zh) | 一种基于无人机边缘计算的灾害地区应急通信方法及*** | |
Ebrahim et al. | A deep learning approach for task offloading in multi-UAV aided mobile edge computing | |
CN116980852A (zh) | 一种多无人机辅助mec***部署卸载策略联合优化方法 | |
Parvaresh et al. | A continuous actor–critic deep Q-learning-enabled deployment of UAV base stations: Toward 6G small cells in the skies of smart cities | |
CN115278698A (zh) | 基于动态用户分布预测的无人机基站动态部署方法及装置 | |
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 | |
CN112415959B (zh) | 边云协同的工业信息物理***主动安全响应方法及架构 | |
CN112217558B (zh) | 一种基于资源互换的空间信息网络任务规划方法 | |
Gad et al. | Communication-efficient federated learning in drone-assisted IoT networks: Path planning and enhanced knowledge distillation techniques | |
CN116546421A (zh) | 基于边缘计算的无人机位置部署和最低能耗的awaq算法 | |
CN113157344B (zh) | 移动边缘计算环境下基于drl的能耗感知任务卸载方法 | |
Ouyang et al. | Large-scale mobile users deployment optimization based on a two-stage hybrid global HS-DE algorithm in multi-UAV-enabled mobile edge computing | |
CN112234599B (zh) | 一种多元复杂城市电网超前动态自适应分区方法及其*** | |
Wang | Optimization of wireless network node deployment in smart city based on adaptive particle swarm optimization | |
CN114916013A (zh) | 基于车辆轨迹预测的边缘任务卸载时延优化方法、***及介质 |
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 |