无人机辅助边缘计算网络的多维资源管控方法

1.本发明属于通信技术领域，特别涉及一种多维资源管控方法，可用于无人机能耗受限条件下无人机辅助边缘计算网络的应急通信和计算服务。


背景技术：

2.随着第五代移动通信的发展，在线游戏、实时直播等新兴应用不断涌现，用户对计算资源以及网络基础设施的需求大幅提高。移动边缘计算可以有效缓解网络拥塞，提高用户体验和网络整体性能。无人机因其出色的机动性、灵活的部署、高质量的视距信道等优点而备受关注。利用无人机的灵活移动特性，配备有移动边缘计算服务器的无人机有望提供一个更可靠，时延更低和覆盖范围更广的网络。常规的边缘计算系统通常在地面的固定基础建设上部署边缘服务器，但为了更好地支持无人机辅助的边缘计算网络，必须更加灵活的部署无人机。因此，传统的边缘服务器部署方法并不能满足无人机辅助的边缘计算网络的需求，必须进行改进。并且无人机携带的电量有限，无法支撑长期的悬停和通信计算服务，所以相比较传统边缘计算系统，无人机辅助的边缘计算系统需要从用户与无人机的关联、计算卸载决策、无人机资源分配以及无人机部署位置这四个维度进行优化，降低能耗。
3.为了保障目标区域内用户的服务质量，避免出现通信中断的问题，需要基于用户的位置和计算任务合理部署无人机位置确定计算卸载方案。zhaohui yang在2019年于ieee transactions on wireless communications中发表了energy efficient resource allocation in uav-enabled mobile edge computing networks[j]，其考虑多无人机辅助移动边缘计算网络，通过联合优化用户关联、功率控制、计算资源分配和位置规划，从而最大限度地降低总功耗。该文章为了求解非凸问题，提出了一种复杂度低的算法，通过迭代依次优化变量。但由于该方案仅考虑通过多个无人机来辅助边缘计算网络为用户提供计算服务，而实际上无人机携带的边缘计算服务器计算能力有限，因而随着用户数增加这种固定个数的无人机来辅助边缘计算网络无法保证所有用户的计算任务都能在时延约束内完成。


技术实现要素：

[0004]
本发明的目的在于针对上述现有技术的不足，提出一种无人机辅助边缘计算网络的多维资源管控方法，以通过无人机与邻居基站的联合为服务受损地区用户提供通信和计算服务，并在满足计算任务的可容忍时延和无人机计算资源上限的约束条件下，根据用户的位置及计算任务信息优化卸载决策和部署方案，实现系统能耗的最小化，满足大量用户的服务需求。
[0005]
为实现上述目的，本发明的技术方案包括如下：
[0006]
(1)初始化参数：
[0007]
(1a)设在半径为l的圆形故障区域y内随机分布了n个地面用户，其集合为o＝{1,
…
,n,
…
,n}，用户n的位置为(xn,yn,0)，用户n需要完成的计算任务为an＝(fn,dn,t)，其
中fn表示计算所需的cpu转数，dn表示计算数据量，t为时延约束；
[0008]
(1b)设无人机集合为g＝{1,
…
,m,
…
,m}，m为无人机总数，第m个无人机的坐标为(xm,ym,hm)，俯角固定为θ，最大覆盖半径r为hmtanθ，接入用户数的最大值为um，其计算资源上限为f
m,max
；设邻居基站的坐标为(x0,y0,h0)；
[0009]
(2)根据上述初始化参数建立最小化能耗问题p：
[0010]
p:
[0011][0012][0013]
c3:u
mn
≤c
mn
,n∈o,m∈g，
[0014][0015]
c5:c
mndmn
≤r,n∈o,m∈g，
[0016]
c6:tn≤t,n∈o，
[0017]
c7:(xm,ym)∈y，
[0018]
其中，c为无人机与用户的关联矩阵，c
mn
为c中的第m行第n列元素；
[0019]
u为卸载矩阵，u
mn
为u中的第m行第n列元素；
[0020]
f为无人机计算资源分配矩阵，f
mn
为f中的第m行第n列元素，
[0021]
z为无人机的位置矩阵；
[0022]
为用户n将计算任务发送给无人机m的通信能耗；为无人机m完成用户n任务的计算能耗，为无人机m将用户n的计算任务中转给邻居基站的通信能耗；
[0023]
α表示与用户能耗相比无人机能耗的权重系数，tn为用户n计算任务完成的总时间，d
mn
是无人机m与用户n之间的水平距离；
[0024]
(3)确定问题p的四个变量c、u、f、z：
[0025]
(3a)借助kmeans++算法求解无人机与用户的初始关联矩阵c0和无人机的初始位置z0；
[0026]
(3b)根据c0和z0确定初始卸载策略矩阵u0，根据u0确定最初的资源分配方案f0；
[0027]
(3c)设初始化迭代次数k＝1，最大迭代次数为k
max
，利用块坐标下降法依次迭代求解出四个变量c、u、f、z的值；
[0028]
(4)根据c、u、f、z的值实施多维资源管控方案：
[0029]
(4a)无人机按照部署矩阵z确定自己的位置；
[0030]
(4b)根据关联矩阵c确定用户与无人机的关联性：
[0031]
若关联矩阵c中的元素c
mn
＝1时，则将用户n与无人机m关联，并将用户n的计算任务传输至无人机m处；
[0032]
否则，用户n与无人机m不进行关联；
[0033]
(4c)根据卸载决策矩阵u中的元素值u
mn
，确定用户计算任务的执行对象：
[0034]
若u
mn
＝1时，则由无人机m按照资源分配矩阵f中的元素f
mn
给用户分配计算资源，完成用户n的计算任务；
[0035]
否则，由关联无人机将用户n的计算任务中转给邻居基站，由邻居基站完成计算任务。
[0036]
本发明与现有技术相比，具有如下优点：
[0037]
第一，本发明由于将计算能力更强的邻居基站与无人机联合为服务受损地区的用户提供通信和计算服务，提高了网络的稳定性，满足大量用户的服务需求。
[0038]
第二，本发明采用基于块坐标下降法的联合优化方法，将原本无法在多项式时间内求解的混合整数非线性规划问题转化成三个子问题，迭代求解出用户与无人机的关联矩阵、计算卸载矩阵、资源分配矩阵以及无人机部署位置矩阵，得到无人机辅助边缘计算网络的多维资源管控方案，可降低系统能耗，解决用户服务受阻的问题。
[0039]
仿真结果证明，本发明在满足用户任务时延约束的前提下，减小了能耗，能为用户提供稳定的服务。
附图说明
[0040]
图1为本发明的系统场景图；
[0041]
图2为本发明的实现流程图；
[0042]
图3为本发明和现有技术在用户的可容忍时延分别取1-1.5s的系统能耗的对比图；
[0043]
图4为本发明和现有技术当可容忍时延为1s时，在不同时间点的任务完成率对比图。
具体实施方式
[0044]
以下结合附图对本发明的实施例和效果作进一步详细描述。
[0045]
参照图1，本实例使用的场景为两个相邻蜂窝网，其中一个蜂窝网区域基站出现故障无法为用户提供服务，本实例将配备有移动边缘计算服务器的无人机作为临时应急基站，由无人机和邻居基站联合为故障区域用户服务。用户将计算任务转发给关联无人机，无人机可以本地计算，也可以将任务中继给邻居基站，以保证网络的稳定性。根据控制中心保存的各个基站服务区域内地面用户的位置及计算任务等信息，确定无人机网络的个数、部署位置及计算任务执行的方案，整个过程在控制中心完成，并在得到实施方案后由控制中心驱动无人机执行任务。
[0046]
参照图2，本实例的实现步骤包括如下：
[0047]
步骤1，初始化参数。
[0048]
针对图1的使用场景，初始化如下网络参数：
[0049]
(1.1)用户相关参数设置：
[0050]
设在半径为l的圆形故障区域y内随机分布n个地面用户，其集合为o＝{1,
…
,n,
…
,n}，用户n的位置为(xn,yn,0)；
[0051]
设业务需求用户n需要完成计算任务an＝(fn,dn,t)，其中fn表示计算所需的cpu转数，单位为cycles；dn表示计算数据量，单位为bit；t为时延约束，不失一般性，设所有用户
均须在t内执行完任务，假设地面用户设备不具有处理计算任务的能力；
[0052]
(1.2)无人机辅助网络相关参数设置：
[0053]
设m个配备有边缘计算服务器的无人机以及邻居基站一起为故障区域用户提供计算服务，无人机集合为g＝{1,
…
,m,
…
,m}，第m个无人机的坐标为(xm,ym,hm)，俯角固定为θ，最大覆盖半径r为hmtanθ；
[0054]
设um为无人机m能够接入用户数的最大值，f
m,max
为无人机m的计算资源上限；
[0055]
设邻居基站的坐标为(x0,y0,h0)。
[0056]
步骤2，根据上述初始化参数建立最小化能耗问题p。
[0057]
(2.1)根据用户n与无人机m的位置坐标，得到两者之间的水平距离d
mn
和无人机m与邻居基站之间的水平距离d
mb
：
[0058][0059][0060]
(2.2)根据(2.1)中的水平距离d
mn
和无人机m与邻居基站之间的水平距离d
mb
，建立基于自由空间路径损耗的信道模型，即用户n到无人机m的信道功率增益h
mn
及无人机m到邻居基站之间的信道功率增益h
mb
：
[0061][0062][0063]
其中β
g2a
和β
a2a
分别表示参考距离为一米时的空地信道增益和空空信道增益；
[0064]
(2.3)根据(2.2)中用户n到无人机m的信道功率增益h
mn
及无人机m到邻居基站之间的信道功率增益h
mb
，利用香农定理得到用户n到无人机m的传输速率r
mn
及无人机m到邻居基站之间的传输速率r
mb
：
[0065][0066][0067]
其中，b1表示用户与无人机之间的传输带宽，b2表示无人机与邻居基站之间的传输带宽，pn为用户n设备的发射功率，为无人机m的发射功率，n0为噪声功率谱密度；
[0068]
(2.4)计算用户n将计算任务发送给无人机m的通信传输时间及通信能耗
[0069][0070][0071]
(2.5)计算无人机m将用户n的计算任务中转给邻居基站的通信传输时间及通信能耗
[0072][0073][0074]
(2.6)计算无人机m完成用户n的任务所需处理时间及计算能耗
[0075][0076][0077]
其中，f
mn
表示无人机m用于计算用户n任务的cpu频率，ε表示无人机机载服务器芯片的有效电容系数，反映设备计算能力强弱；
[0078]
本实例中取但不限于l＝300米，n＝200，fn＝100～200cycles/bit，dn＝[10,800]kb，m＝16，hm＝100m，θ＝π4，r＝hmtanθ＝100m，β
g2a
＝β
a2a
＝1.42
×
10-4
，b1＝b2＝1mhz，ε＝10-28
，n0＝10-20
w/hz，um＝20，f
m,max
＝2ghz，(x0,y0,h0)＝(600,300,100)。
[0079]
(2.7)设置如下相关矩阵和变量：
[0080]
设c＝[c
mn
]m×n为无人机与用户的关联矩阵，c
mn
＝1表示用户n与无人机m关联，否则为0；
[0081]
设u＝[u
mn
]m×n为用户的计算卸载决策矩阵，当c
mn
＝1且u
mn
＝1表示无人机m为用户n提供服务，c
mn
＝1且u
mn
＝0表示关联无人机m将用户n的计算任务中转给邻居基站，由邻居基站完成计算任务；
[0082]
设f＝[f
mn
]m×n为计算资源分配矩阵；
[0083]
设z＝[(xm,ym)]m×1为无人机的位置矩阵；
[0084]
设用户的计算任务完成总时间为：
[0085]
(2.8)设置约束条件：
[0086]
根据一个用户只能与一个无人机关联且所有用户需要被覆盖的特性，设第一个有约束条件：
[0087]
根据每个无人机接入的用户数不能超过最大接入用户数的限制，设置第二个约束条件
[0088]
根据无人机只能为其关联的用户提供服务的特性，设置第三个约束条件u
mn
≤c
mn
；
[0089]
根据无人机m分配给覆盖范围内用户的计算资源之和不超过其计算资源最大值的限制，设置第四个约束
[0090]
根据无人机关联的用户需在其覆盖范围内的情况，设置第五个约束c
mndmn
≤r；
[0091]
根据用户n的任务完成时间不超过最大容忍时延的限制，设置第六个约束tn≤t；
[0092]
根据无人机的水平位置需在故障基站范围内的限制，得到第七个约束条件(xm,ym)∈y；
[0093]
(2.9)结合上述约束条件和参数，将能耗最小化问题p表示如下：
[0094]
p:
[0095][0096][0097]
c3:u
mn
≤c
mn
,n∈o,m∈g，
[0098][0099]
c5:c
mndmn
≤r,n∈o,m∈g，
[0100]
c6:tn≤t,n∈o，
[0101]
c7:(xm,ym)∈y，
[0102]
其中，α表示与用户能耗相比无人机能耗的权重系数。
[0103]
步骤3，确定问题p的四个变量c、u、f、z。
[0104]
(3.1)借助kmeans++算法求解无人机与用户的初始关联矩阵c0和无人机的初始位置z0：
[0105]
(3.1.1)设初始迭代次数b＝1，最大迭代次数为b
max
＝1000；
[0106]
(3.1.2)根据用户位置和无人机个数m，使用kmeans++算法将n个用户分为m类，每个类的簇心即为无人机的部署位置，并将用户与所属类的簇心无人机关联；
[0107]
(3.1.3)判断步骤(3.1.2)中得出的关联结果和无人机位置是否满足问题p的约束条件：
[0108]
如果满足，则得到c0和z0，执行(3.2)；
[0109]
如果不满足，则更新b＝b+1，执行(3.1.4)；
[0110]
(3.1.4)判断b＜b
max
是否成立：
[0111]
若成立，则返回到步骤(3.1.2)；
[0112]
否则，初始化失败，算法结束；
[0113]
(3.2)根据c0和z0确定初始卸载策略矩阵u0，根据u0确定最初的资源分配方案f0；
[0114]
(3.2.1)根据c0和z0的值，计算通信时延
[0115]
其中，r
mn
为用户n到无人机m的传输速率；
[0116]
(3.2.2)计算任务的时延最大值推导得到用户n在无人机m处计算所需的最小cpu频率为
[0117]
(3.2.3)将无人机m关联的用户f
mn,min
进行升序排序，由无人机m执行前l个和不超过f
m,max
的用户的计算任务，并将无人机m与这l个用户的卸载决策u
mn
设置为1，其余u
mn
＝0，得到初始卸载策略矩阵u0＝[u
mn
]m×n；
[0118]
(3.2.4)根据u0中的元素u
mn
计算f0中的元素：f
mn
＝u
mnfmn,min
，最终得到计算资源分配矩阵f0＝[f
mn
]m×n；
[0119]
(3.3)设初始化迭代次数k＝1，最大迭代次数为k
max
＝50，利用块坐标下降法依次
迭代求解出四个变量c、u、f、z的值；
[0120]
(3.3.1)求解第k次迭代无人机与用户的关联矩阵ck：
[0121]
根据第k-1次迭代的卸载矩阵u
k-1
、资源分配矩阵u
k-1
、无人机位置矩阵z
k-1
，将问题p化简为关于关联矩阵ck的0-1规划问题p1：
[0122][0123]
其中，利用分枝定界法对p1进行求解得到ck，即用仿真软件中关于分支定界法的库函数进行求解，本实例采用但不限于matlab中的intlinprog函数；
[0124]
(3.3.2)求解第k次迭代的卸载矩阵uk：
[0125]
(3.3.2.1)根据ck、z
k-1
计算通信时延计算用户n在无人机m处计算所需的最小cpu频率将问题p化简为关于卸载矩阵uk的0-1规划问题p2：
[0126][0127]
(3.3.2.2)利用分枝定界法求解p2，即仿真软件中关于分支定界法的库函数进行求解，本实例采用但不限于matlab中的intlinprog函数，得到第k次迭代的卸载矩阵uk；
[0128]
(3.3.3)求解第k次迭代资源分配矩阵fk：
[0129]
根据uk中的元素u
mn
求得fk中的元素：f
mn
＝u
mnfmn,min
，得到fk＝[f
mn
]m×n；
[0130]
(3.3.4)求解第k次迭代无人机的位置矩阵zk：
[0131]
(3.3.4.1)根据ck、uk、fk，将问题p化简为关于位置矩阵zk的非线性规划问题p3：
[0132][0133]
(3.3.4.2)将p3解耦为m个子问题，其中第m个子问题是关于无人机m部署位置的问题p4：
[0134][0135]
(3.3.4.3)利用粒子群算法求解p4得到无人机m的位置(xm,ym)，最终求得所有无人机的位置矩阵zk＝[(xm,ym)]m×1：
[0136]
第一步，粒子群算法初始化：
[0137]
首先，定义粒子群算法的种群大小np＝50，初始化迭代次数e＝0，最大迭代次数为e
max
＝200；
[0138]
其次，根据下式初始化粒子i的位置向量和速度向量
[0139][0140][0141]
其中i＝1,2,,np，x
min
,x
max
分别表示无人机m关联用户横坐标的最小值和最大值，y
min
,y
max
分别表示无人机m关联用户纵坐标的最小值和最大值，v
min
,v
max
分别表示粒子速度的最小值和最大值，分别为-1和1；
[0142]
再次，计算第i个粒子位置向量的适应度值
[0143][0144]
最后，初始化个体历史最佳位置pbesti以及群体历史最佳位置gbest，即令粒子i的个体历史最佳位置pbesti为粒子的初始位置向量选择种群中适应度值最小的粒子j，令群体历史最佳位置gbest为
[0145]
第二步，令e＝e+1，开始第e次粒子群算法迭代：
[0146]
首先，计算当前的惯性权重w，个体学习因子η1，全局学习因子η2：
[0147][0148][0149][0150]
其中，w
min
和w
max
分别是最小惯性权重和最大惯性权重，分别取0.4和0.9；分别是最小惯性权重和最大惯性权重，分别取0.4和0.9；分别是个体学习因子η1和全局学习因子η2的初始值和最终值，这四个值分别取2.5、0.5、1、2.25；
[0151]
其次，将当前的三个参数w、η1、η2带入下式，计算第e次迭代粒子i的速度向量和位置向量
[0152][0153][0154]
再次，计算第i个粒子位置向量的适应度值
[0155][0156]
最后，更新个体历史最佳位置pbesti以及群体历史最佳位置gbest：
[0157]
比较每个粒子i第e次迭代位置向量的适应度值与个体历史最佳位置pbesti的适应度值fit(pbesti)：如果前者更小，则更新个体历史最佳位置pbesti为：
[0158]
选出整个种群中适应度值最小的粒子j，并判断粒子j的适应度值是否小于种群历史最佳位置gbest的适应度值fit(gbest)：若是，则将群体历史最佳位置gbest更新为：
[0159]
第三步，判断e《e
max
是否成立：
[0160]
若是，则返回第二步继续迭代；
[0161]
否则，gbest为无人机m的位置(xm,ym)；
[0162]
(3.3.5)更新k＝k+1，判断k是否大于k
max
：
[0163]
若是，则结束坐标交替迭代，ck、uk、fk、zk的即为所求的c、u、f、z；
[0164]
否则，返回步骤(3.3.1)继续求解。
[0165]
步骤4，根据c、u、f、z的值实施多维资源管控。
[0166]
(4.1)无人机按照部署矩阵z确定自己的位置；
[0167]
(4.2)根据关联矩阵c确定用户与无人机的关联性：
[0168]
若关联矩阵c中的元素c
mn
＝1时，则将用户n与无人机m关联，并将用户n的计算任务传输至无人机m处；
[0169]
否则，用户n与无人机m不进行关联；
[0170]
(4.3)根据卸载决策矩阵u中的元素值u
mn
，确定用户计算任务的执行对象：
[0171]
若u
mn
＝1时，则由无人机m按照资源分配矩阵f中的元素f
mn
给用户分配计算资源，完成对用户n的计算任务；
[0172]
否则，由关联无人机将用户n的计算任务中转给邻居基站，由邻居基站完成计算任务。
[0173]
以下结合仿真实验对本发明的技术效果作进一步说明：
[0174]
一、仿真条件
[0175]
仿真采用matlab2019软件平台进行，在一个半径为300m的圆形区域中，200个用户随机的分布在区域当中。
[0176]
由于本发明考虑的是一个新的场景，没有现有方法能够直接求解，因此将求解本场景问题中的关联矩阵c，卸载矩阵u，无人机位置z这三个参数的不同方法进行组合，得到的三种仿真对比方法如下表：
[0177]
表1仿真使用的三种方法
[0178][0179]
表中rssi为接受信号强度指示，pso为粒子群优化算法，其中rssi-c表示，在求解关联矩阵c时，将用户与rssi值大的无人机关联；prior uav-u表示在求解卸载矩阵u时，优先将计算任务卸载至uav处，由uav计算；even-z表示在求解无人机位置z时，将无人机均匀
分布在故障区域。
[0180]
二.仿真和内容：
[0181]
仿真1，分别取可容忍时延为1-1.5s，对本发明和表1中的对比方法分别为指定区域中用户提供服务消耗的系统能量进行仿真，其结果如图3所示。
[0182]
从图3可见，随着可容忍时延的增加，用户能接受的任务完成时间增加，计算资源也随之增加，任务的完成方式有了更多的可能性，因此能耗随着可容忍时延增加而减少。其中：本发明能耗低于其余几个对比算法；
[0183]
even-z的能耗最大，主要是由于该算法的无人机是均匀分布的，没有根据用户位置以及计算任务大小优化部署位置；其次是prior uav-u算法；
[0184]
rssi-c的能耗与本发明能耗最为接近，这是因为当无人机位置固定之后，受通信半径的影响，用户与无人机的关联基本就可以确定了，只有极个别用户同时在多个无人机的覆盖半径内，此时才需要决定具体关联到那个无人机能更加节能。
[0185]
将even-z和prior uav-u与本发明能耗曲线进行对比，可以发现合理优化卸载以及无人机位置能够大幅度降低能耗。
[0186]
仿真2，当可容忍时延为1s时，在不同时间点对本发明和表1中的对比方法为指定区域中用户提供服务的任务率进行仿真，其结果如图4所示。
[0187]
从图4可见，在可容忍时延内的不同时间点，本发明的任务完成率均优于或等于其他对比方法，在可容忍时延为0.6s时最为明显，本发明的任务完成率最高，其次是rssi-c，然后是prior uav-u，even-z的任务完成率最低。
[0188]
综合图3和图4可以看出本发明在保证能耗小的同时还能尽快完成用户的任务，给用户提供好的服务体验。

技术特征：
1.一种无人机辅助边缘计算网络的多维资源管控方法，其特征在于，包括如下：(1)初始化参数：(1a)设在半径为l的圆形故障区域y内随机分布了n个地面用户，其集合为o＝{1,
…
,n,
…
,n}，用户n的位置为(x
n
,y
n
,0)，用户n需要完成的计算任务为a
n
＝(f
n
,d
n
,t)，其中f
n
表示计算所需的cpu转数，d
n
表示计算数据量，t为时延约束；(1b)设无人机集合为g＝{1,
…
,m,
…
,m}，m为无人机总数，第m个无人机的坐标为(x
m
,y
m
,h
m
)，俯角固定为θ，最大覆盖半径r为h
m
tanθ，接入用户数的最大值为u
m
，其计算资源上限为f
m,max
；设邻居基站的坐标为(x0,y0,h0)；(2)根据上述初始化参数建立最小化能耗问题p：p:p:p:c3:u
mn
≤c
mn
,n∈o,m∈g，c5:c
mn
d
mn
≤r,n∈o,m∈g，c6:t
n
≤t,n∈o，c7:(x
m
,y
m
)∈y，其中，c为无人机与用户的关联矩阵，c
mn
为c中的第m行第n列元素；u为卸载矩阵，u
mn
为u中的第m行第n列元素；f为无人机计算资源分配矩阵，f
mn
为f中的第m行第n列元素，z为无人机的位置矩阵；为用户n将计算任务发送给无人机m的通信能耗；为无人机m完成用户n任务的计算能耗，为无人机m将用户n的计算任务中转给邻居基站的通信能耗；α表示与用户能耗相比无人机能耗的权重系数，t
n
为用户n计算任务完成的总时间，d
mn
是无人机m与用户n之间的水平距离；(3)确定问题p的四个变量c、u、f、z：(3a)借助kmeans++算法求解无人机与用户的初始关联矩阵c0和无人机的初始位置z0；(3b)根据c0和z0确定初始卸载策略矩阵u0，根据u0确定最初的资源分配方案f0；(3c)设初始化迭代次数k＝1，最大迭代次数为k
max
，利用块坐标下降法依次迭代求解出四个变量c、u、f、z的值；(4)根据c、u、f、z的值实施多维资源管控方案：(4a)无人机按照部署矩阵z确定自己的位置；(4b)根据关联矩阵c确定用户与无人机的关联性：若关联矩阵c中的元素c
mn
＝1时，则将用户n与无人机m关联，并将用户n的计算任务传输
至无人机m处；否则，用户n与无人机m不进行关联；(4c)根据卸载决策矩阵u中的元素值u
mn
，确定用户计算任务的执行对象：若u
mn
＝1时，则由无人机m按照资源分配矩阵f中的元素f
mn
给用户分配计算资源，完成用户n的计算任务；否则，由关联无人机将用户n的计算任务中转给邻居基站，由邻居基站完成计算任务。2.根据权利要求1所述的方法，其特征在于，步骤(2)中根据初始化参数建立最小化能耗问题p，实现如下：(2a)根据用户n与无人机m的位置坐标，得到两者之间的水平距离d
mn
和无人机m与邻居基站之间的水平距离d
mb
：(2b)建立基于自由空间路径损耗的信道模型，得到用户n到无人机m的信道功率增益h
mn
以及无人机m到邻居基站之间的信道功率增益h
mb
：其中β
g2a
和β
a2a
分别表示参考距离为一米时的空地和空空信道增益；(2c)根据(2b)中的信道功率增益，利用香农定理得到用户n到无人机m的传输速率r
mn
以及无人机m到邻居基站之间的传输速率r
mb
：其中b1表示用户与无人机之间的传输带宽，b2表示无人机与邻居基站之间的传输带宽，p
n
为用户n设备的发射功率，为无人机m的发射功率，n0为噪声功率谱密度；(2d)计算用户n将计算任务发送给无人机m的通信传输时间及通信能耗及通信能耗(2e)计算无人机m将用户n的计算任务中转给邻居基站的通信传输时间及通信能耗及通信能耗(2c)计算无人机m计算用户n的任务所需要处理的时间及计算能耗及计算能耗其中，f
mn
表示无人机m分给用户n的cpu频率，ε表示无人机机载服务器芯片的有效电容系数；(2e)设置如下相关矩阵和变量：设c＝[c
mn
]
m
×
n
为无人机与用户的关联矩阵，c
mn
＝1表示用户n与无人机m关联，否则为0；设u＝[u
mn
]
m
×
n
为用户的计算卸载决策矩阵，当c
mn
＝1且u
mn
＝1表示无人机m为用户n提供服务，c
mn
＝1且u
mn
＝0表示关联无人机m将用户n的计算任务中转给邻居基站，由邻居基站完
成计算任务；设f＝[f
mn
]
m
×
n
为计算资源分配矩阵；设z＝[(x
m
,y
m
)]
m
×1为无人机的位置矩阵；设用户的计算任务完成总时间为：(2f)结合上述参数将能耗最小化问题表示为p：p:p:p:c3:u
mn
≤c
mn
,n∈o,m∈g，c5:c
mn
d
mn
≤r,n∈o,m∈g，c6:t
n
≤t,n∈o，c7:(x
m
,y
m
)∈y，其中，α表示与用户能耗相比无人机能耗的权重系数。3.根据权利要求1所述的方法，其特征在于，步骤(3a)中利用kmeans++算法求解无人机与用户的初始关联矩阵c0和无人机的初始位置矩阵z0，实现如下：(3a1)设初始迭代次数b＝1，最大迭代次数为b
max
；(3a2)根据用户位置和无人机个数m，使用kmeans++算法将n个用户分为m类，每个类的簇心即为无人机的部署位置，并将用户与所属类的簇心无人机关联；(3a3)判断步骤(3a2)中得出的关联结果和无人机位置是否满足问题p的约束条件：如果满足，则得到c0和z0；如果不满足，则更新b＝b+1，执行(3a4)；(3a4)判断b＜b
max
是否成立：若成立，则返回到步骤(3a2)；否则，初始化失败，算法结束。4.根据权利要求1所述的方法，其特征在于，步骤(3b)中根据c0和z0确定初始卸载策略矩阵u0，实现如下：(3b1)根据c0和z0的值，计算通信时延的值，计算通信时延其中，r
mn
为用户n到无人机m的传输速率；(3b2)计算任务的时延最大值推导得到用户n在无人机m处计算所需的最小cpu频率为
(3b3)将无人机m关联用户的f
mn,min
进行升序排序，由无人机m执行前l个和不超过f
m,max
的用户的计算任务，并将无人机m与这l个用户的卸载决策u
mn
设置为1，其余u
mn
＝0，得到初始卸载策略矩阵u0＝[u
mn
]
m
×
n
。5.根据权利要求1所述的方法，其特征在于，步骤(3b)中根据u0确定最初的资源分配矩阵f0，实现如下：(3b1)根据u0中的元素u
mn
计算f0中的元素f
mn
：f
mn
＝u
mn
f
mn,min
，其中，f
mn,min
为用户n在无人机m处计算所需的最小cpu频率；(3b2)根据f
mn
最终得到计算资源分配矩阵f0＝[f
mn
]
m
×
n
。6.根据权利要求1所述的方法，其特征在于，步骤(3c)中利用块坐标下降法依次迭代求解出四个变量c、u、f、z的值，实现如下：(3c1)求解第k次迭代无人机与用户的关联矩阵c
k
：(3c1a)根据第k-1次迭代的卸载矩阵u
k-1
、资源分配矩阵u
k-1
、无人机位置矩阵z
k-1
，将问题p化简为关于关联矩阵c
k
的0-1规划问题p1：其中，(3c1b)利用分枝定界法对p1进行求解得到c
k
；(3c2)求解第k次迭代的卸载矩阵u
k
：(3c2a)根据c
k
、z
k-1
计算通信时延计算将问题p化简为关于卸载矩阵u
k
的0-1规划问题p2：(3c2b)利用分枝定界法求解p2得到u
k
；(3c3)求解第k次迭代资源分配矩阵f
k
：根据u
k
中的元素u
mn
求得f
k
中的元素f
mn
f
mn
＝u
mn
f
mn,min
，得到f
k
＝[f
mn
]
m
×
n
；(3c4)求解第k次迭代无人机的位置矩阵z
k
：(3c4a)根据c
k
、u
k
、f
k
，将问题p化简为关于位置矩阵z
k
的非线性规划问题p3：(3c4b)将p3解耦为m个子问题，其中第m个子问题是关于无人机m部署位置的问题p4：
(3c4c)利用粒子群算法求解p4得到无人机m的位置(x
m
,y
m
)，最终求得所有无人机的位置矩阵z
k
＝[(x
m
,y
m
)]
m
×1；(3c5)更新k＝k+1，判断k是否大于k
max
：若是，则结束坐标交替迭代，得到c
k
、u
k
、f
k
、z
k
的最优解；否则，返回步骤(3c1)继续求解。7.根据权利要求6所述的方法，其特征在于，步骤(3c4c)中利用粒子群算法求解p4得到无人机m的位置(x
m
,y
m
)，实现如下：第一步，粒子群算法初始化：首先，定义粒子群算法的种群大小np＝50，初始化迭代次数e＝0，最大迭代次数为e
max
；其次，根据下式初始化粒子i的位置向量和速度向量和速度向量和速度向量其中i＝1,2,
…
,np，x
min
,x
max
分别表示无人机m关联用户横坐标的最小值和最大值，y
min
,y
max
分别表示无人机m关联用户纵坐标的最小值和最大值，v
min
,v
max
分别表示粒子速度的最小值和最大值；再次，计算第i个粒子位置向量的适应度值的适应度值最后，初始化个体历史最佳位置pbest
i
以及群体历史最佳位置gbest，即令粒子i的个体历史最佳位置pbest
i
为粒子的初始位置向量选择种群中适应度值最小的粒子j，令群体历史最佳位置gbest为第二步，令e＝e+1，开始第e次粒子群算法迭代：首先，计算当前的惯性权重w，个体学习因子η1，全局学习因子η2：：：其中，w
min
和w
max
分别是最小惯性权重和最大惯性权重，分别是个
体学习因子η1和全局学习因子η2的初始值和最终值；其次，将当前的三个参数w、η1、η2带入下式，计算第e次迭代粒子i的速度向量和位置向量向量向量再次，计算第i个粒子位置向量的适应度值的适应度值最后，更新个体历史最佳位置pbest
i
以及群体历史最佳位置gbest：比较每个粒子i第e次迭代位置向量的适应度值与个体历史最佳位置pbest
i
的适应度值fit(pbest
i
)：如果前者更小，则更新个体历史最佳位置pbest
i
为：选出整个种群中适应度值最小的粒子j，并判断粒子j的适应度值是否小于种群历史最佳位置gbest的适应度值fit(gbest)：若是，则将群体历史最佳位置gbest更新为：第三步，判断e<e
max
是否成立：若是，则返回第二步继续迭代；否则，gbest为无人机m的位置(x
m
,y
m
)。8.根据权利要求6所述的方法，其特征在于，步骤(3c1b)利用分枝定界法对p1进行求解和(3c2b)利用分枝定界法对p2求解，均采用仿真软件中关于分支定界法的库函数进行求解。

技术总结
本发明公开了一种无人机辅助边缘计算网络的多维资源管控方法，主要解决现有配备有边缘计算服务器的无人机无法为大量用户提供稳定服务的问题，其实现方案为：1)初始化网络参数；2)根据网络特性设置约束条件；3)根据初始化网络参数和约束条件建立最小化能耗问题P；3)利用块坐标下降法确定问题P中的关联矩阵C、卸载矩阵U、计算资源矩阵及无人机位置矩阵Z；4)根据得到的C、U、F、Z值进行多维资源管控。本发明能在满足计算任务的可容忍时延和无人机计算资源上限的约束条件下，根据用户的位置及计算任务信息优化卸载决策和部署方案，降低系统能耗，解决用户服务受阻的问题，可用于无人机能耗受限条件下无人机辅助边缘计算网络的应急通信和计算服务。应急通信和计算服务。应急通信和计算服务。


技术研发人员：赵林靖 王文秀 张岗山 马建鹏 刘勤
受保护的技术使用者：西安电子科技大学
技术研发日：2023.06.15
技术公布日：2023/8/31