智能反射面辅助的无人机移动边缘计算系统的卸载决策方法

1.本发明涉及智能反射面辅助通信技术领域，具体涉及一种智能反射面辅助的无人机移动边缘计算系统的卸载决策方法。


背景技术：

2.目前网络中由手机、计算机等终端产生的数据量日益增长，然而这些终端的计算能力是有限的，如何缓解终端针对海量数据的处理压力成为一大研究方向，对此，移动边缘计算(mobile edge computing，mec)被视为一项非常具备潜力的技术，在移动边缘计算网络架构中，可以通过计算卸载，将终端中计算密集或延迟敏感的应用的部分或全部的数据卸载到性能更强的边缘服务器或基站中进行计算，有效地缓解终端的计算压力、保证计算速度、降低计算成本。
3.传统的移动边缘计算仍有些许不足之处，如移动机动性以及延迟公平性等等，而将无人机与移动边缘计算相结合，借助无人机灵活性强的优点，可以为地面用户设备提供优质的通信和计算卸载服务。
4.而在某些复杂环境下，无人机和用户设备之间的直接链路经常受到阻挡，导致信道条件不良，因此智能反射面(reconfigurable intelligent surface，ris)被认为是一种可行的解决方案。智能反射面能够在无人机和用户设备之间对传输信号进行反射，改善无线环境。
5.结合智能反射面系统和无人机移动边缘计算系统的通信系统是一个非常前沿的方向，具有广泛的应用前景，但是目前针对这方面，尤其是针对优化卸载决策来最小化系统能耗的相关研究成果还比较少，且相关的解决思路还有较大的改进空间。


技术实现要素：

6.为了克服现有技术存在的缺陷与不足，本发明提供一种智能反射面辅助的无人机移动边缘计算系统的卸载决策方法，本发明采用复杂度较低的两层嵌套式算法，并采用块坐标下降方法，对信道分配决策变量，信道时间共享决策变量，卸载传输数据量，无人机水平轨迹变量定和智能反射面的相移向量进行迭代优化，实现在各项约束下系统能耗的最小化。
7.为了达到上述目的，本发明采用以下技术方案：
8.本发明提供一种智能反射面辅助的无人机移动边缘计算系统的卸载决策方法，包括下述步骤：
9.构建智能反射面的有效相移模型，基于智能反射面的有效相移模型构建用户设备和无人机之间的无线传输模型，基于所述无线传输模型构建用户设备和无人机之间的卸载计算能耗模型；
10.构建用户设备的本地计算能耗模型；
11.构建无人机的推动能耗模型；
12.预设约束条件，构建待优化通信系统的最小化系统总能耗优化问题，所述待优化通信系统包括搭载边缘服务器的无人机、智能反射面装置和若干用户设备；
13.将最小化系统总能耗优化问题划分为第一优化问题，第二优化问题和第三优化问题，所述第一优化问题包括优化卸载传输数据量，信道时间共享决策和信道分配，所述第二优化问题包括优化智能反射面装置的反射系数矩阵，所述第三优化问题包括优化无人机水平轨迹；
14.将第一优化问题转化为第一子问题和第二子问题，分离变量进行求解，将第一子问题转化为最小费用最大流问题，采用直接求导法和dijkstra算法求解第一子问题，得到初始的信道分配方案，应用于第二子问题，基于两层嵌套式算法求解第二子问题，两层嵌套式算法的第一层为卸载数据比例与信道时间份额求解算法，第二层为迭代信道分配决策算法，最终求解第一优化问题；
15.通过引入松弛变量和采用连续凸逼近法将第二优化问题转换为凸优化问题，采用cvx优化求解器进行求解；
16.通过局部点一阶泰勒展开将第三优化问题转换为凸二次约束二次规划问题，采用mosek优化求解器进行求解；
17.采取块坐标下降方法交替迭代地对第一优化问题、第二优化问题和第三优化问题进行求解，直至收敛到预设精度后停止，获得最佳卸载决策方案。
18.作为优选的技术方案，构建智能反射面的有效相移模型，具体表示为：
[0019][0020]
其中，θn∈[0,2π]，为智能反射面的相移；
[0021]
构建用户设备和无人机之间的无线传输模型，具体表示为：
[0022][0023][0024]
其中，r
m,k
为第m个用户设备通过信道k到无人机的瞬时传输速率，w为信道k的带宽，pm为第m个用户设备的传输功率，σ2为ap接收机处加性高斯白噪声的功率，gm，k表示第m个用户设备通过第k条信道到无人机的信道增益，表示从第m个用户设备到无人机的直接链路信道响应，表示从智能反射面到第m个用户设备的信道响应，h
u,r
表示从无人机到智能反射面的信道响应；
[0025]
构建用户设备和无人机之间的卸载计算能耗模型，具体表示为：
[0026][0027]
[0028]
其中，pm为第m个用户设备的传输功率，表示第m个用户设备通过第k条信道传输卸载数据的传输时间，d
m,k
为第m个用户设备通过第k条信道卸载到无人机的卸载数据量，y
m,k
表示第m个用户设备被允许使用第k条信道的时间份额，x
m,k
表示信道分配指示变量。
[0029]
作为优选的技术方案，构建用户设备的本地计算能耗模型，具体表示为：
[0030][0031][0032][0033]
其中，κ表示由芯片结构决定的有效电容系数，fm为第m个用户设备计算每个cpu周期所需的cpu频率，qm表示本地计算量，t表示为每个用户设备的最大延迟，αm是第m个用户设备本地计算时计算1位输入数据所需的cpu周期数，rm表示第m个用户设备需要计算的数据总量，表示根据用户设备与智能反射面之间的无线频谱划分的多个带宽相等的信道集合，x
m,k
表示信道分配指示变量，d
m,k
为第m个用户设备通过第k条信道卸载到无人机的卸载数据量。
[0034]
作为优选的技术方案，构建无人机的推动能耗模型，具体表示为：
[0035][0036][0037]
其中，tn表示无人机在无人机飞行路线的每个线段内花费的时间，p0、p1分别为悬停状态下的恒叶型功率和诱导功率，u
tip
为动叶的叶尖速度，表示无人机沿第n段的水平飞行速度，v0为停悬时平均转子诱导速度，d0,s分别为机身阻力比和转子固体度，ρ表示空气密度，为转子盘面积，r为转子半径，qn表示无人机在第n个路点的水平坐标，q
n+1
表示无人机在第n+1个路点的水平坐标。
[0038]
作为优选的技术方案，所述构建待优化通信系统的最小化系统总能耗优化问题，具体包括：
[0039]
构建优化变量，包括信道分配决策变量x、信道时间共享决策变量y、卸载传输数据量d、无人机水平轨迹变量q、智能反射面的相移向量θ，具体表示为：
[0040][0041]
[0042][0043][0044]
θ＝[θ1,...,θn]；
[0045]
最小化系统总能耗优化问题建模为：
[0046][0047]
基于预设约束条件得到：
[0048][0049][0050][0051][0052][0053][0054][0055][0056][0057]
q1＝q
n+1
[0058][0059]
其中，表示用户设备和无人机之间的卸载计算能耗模型，表示用户设备的本地计算能耗模型，表示无人机的推动能耗模型，∈1＝0，∈2为正值，满足0＜∈2＜＜1，αm是第m个用户设备本地计算时计算1位输入数据所需的cpu周期数，rm表示第m个用户设备需要计算的数据总量，x
m,k
表示信道分配指示变量，d
m,k
为第m个用户设备通过第k条信道卸载到无人机的卸载数据量，t表示为每个用户设备的最大延迟，pm为第m个用户设备的传输功率，y
m,k
表示第m个用户设备被允许使用第k条信道的时间份额，r
m,k
为第m个用户设备通过信道k到无人机的瞬时传输速率，表示根据用户设备与智能反射面之间的无线频谱划分的多个带宽相等的信道集合，dm为卸载数据量的下界，f表示边缘服务器可提供的最大计算能力，qn表示无人机在第n个路点的水平坐标，q
n+1
表示无人机在第n+1个路点的水平坐
标，tn表示无人机在无人机飞行路线的每个线段内花费的时间，为无人机任意一段线段的最大切分距离，为无人机在时间段tn内第n条线段上的最大水平飞行速度。
[0060]
作为优选的技术方案，将最小化系统总能耗优化问题划分为第一优化问题，第二优化问题和第三优化问题，具体包括：
[0061]
构建无人机水平轨迹变量q、智能反射面的相移向量θ、优化信道分配决策变量x，信道时间共享决策变量y和卸载传输数据量d，表示为：
[0062][0063][0064][0065][0066]
θ＝[θ1,...,θn]；
[0067]
给定无人机水平轨迹变量q和智能反射面的相移向量θ，将优化信道分配决策变量x，信道时间共享决策变量y和卸载传输数据量d的第一优化问题表示为：
[0068][0069][0070][0071][0072][0073][0074][0075][0076][0077]
其中，αm是第m个用户设备本地计算时计算1位输入数据所需的cpu周期数，rm表示第m个用户设备需要计算的数据总量，x
m,k
表示信道分配指示变量，d
m,k
为第m个用户设备通过第k条信道卸载到无人机的卸载数据量，t表示为每个用户设备的最大延迟，pm为第m个用户设备的传输功率，y
m,k
表示第m个用户设备被允许使用第k条信道的时间份额，r
m,k
为第m个用户设备通过信道k到无人机的瞬时传输速率，表示根据用户设备与智能反射面之间的无线频谱划分的多个带宽相等的信道集合，dm为卸载数据量的下界，f表示边缘服务器可提
供的最大计算能力；
[0078]
给定无人机水平轨迹变量q，信道分配决策变量x，信道时间共享决策变量y和卸载传输数据量d，将优化智能反射面的相移向量θ的第二个优化问题表示为：
[0079][0080][0081]
其中，表示多个用户设备集合，θ表示智能反射面的有效相移模型，表示从第m个用户设备到无人机的直接链路信道响应，表示从智能反射面到第m个用户设备的信道响应，h
u,r
表示从无人机到智能反射面的信道响应，σ2为ap接收机处加性高斯白噪声的功率；
[0082]
给定信道分配决策变量x，信道时间共享决策变量y、卸载传输数据量d和智能反射面的相移向量θ，将优化无人机水平轨迹变量q的第三个优化问题表示为：
[0083][0084]
s.t.q1＝q
n+1
[0085][0086][0087]
其中，qn表示无人机在第n个路点的水平坐标，q
n+1
表示无人机在第n+1个路点的水平坐标，tn表示无人机在无人机飞行路线的每个线段内花费的时间，为推进能最小的最优水平速度，θ为松弛变量，为无人机任意一段线段的最大切分距离。
[0088]
作为优选的技术方案，将第一优化问题分解为第一子问题和第二子问题，具体包括：
[0089]
第一子问题表示为：
[0090][0091][0092][0093][0094]
[0095][0096][0097][0098]
其中，κ表示由芯片结构决定的有效电容系数，αm是第m个用户设备本地计算时计算1位输入数据所需的cpu周期数，rm表示第m个用户设备需要计算的数据总量，表示根据用户设备与智能反射面之间的无线频谱划分的多个带宽相等的信道集合，x
m,k
表示信道分配指示变量，d
m,k
为第m个用户设备通过第k条信道卸载到无人机的卸载数据量，t表示为每个用户设备的最大延迟，pm为第m个用户设备的传输功率，dm为卸载数据量的下界，f表示边缘服务器可提供的最大计算能力；
[0099]
第二子问题包含k个独立子问题，第二子问题的第k个子问题表示为：
[0100][0101][0102][0103][0104][0105][0106]
其中，为所有被分配到信道k的多个用户设备的集合，λ
m,k
表示第m个用户设备通过信道k卸载的计算数据量占总计算数据量的比例，表示本地执行能耗系数，y
m,k
表示第m个用户设备被允许使用第k条信道的时间份额，rs为边缘服务器每个cpu的处理速度。
[0107]
作为优选的技术方案，采用直接求导法和dijkstra算法求解第一子问题，具体包括：
[0108]
将第一子问题分解为mk个子问题和一个全局问题，子问题针对所有的用户设备m∈m和信道k∈k计算第m个用户设备通过信道k传输的最小能耗，全局问题根据子问题寻找最优的信道分配；
[0109]
子问题转换为：
[0110]
[0111]
定义系数以及表示为：
[0112][0113][0114]
将系数以及代入子问题得到：
[0115][0116][0117]dm
≤d
m,k
≤rm[0118]
给定x
m,k
＝1，
[0119]
计算数据通过信道k传输后在无人机搭载的边缘计算服务器上的执行时间：
[0120][0121]
计算第m个用户设备通过第k条信道传输卸载数据的传输时间为：
[0122][0123]
预设限定条件：
[0124]
基于限定条件得到：
[0125][0126]
计算d
m,k
的上界为：
[0127][0128]
定义关于变量d
m,k
的一元三次函数：
[0129][0130]
对一元三次函数进行求导，得到d
m,k
的两个极值点；
[0131]dm,k
的最优解表示为：
[0132]
其中，表示极小值点；
[0133]
对mk个子问题求解得到m个设备对k个信道共mk种卸载传输数据情况，将寻找最优信道分配x
m,k
的全局问题转换为一个最小费用最大流模型；
[0134]
构建网络其中，为网络所有点的集合，为网络所有有向弧的集合，为所有有向弧的容量的集合，为有向弧单位流量的费用集合；
[0135]
对网络进行物理参数的映射，将信道资源分配问题转化为最小费用最大流问题；
[0136]
设定网络中间点各路流量总和为f
∑
，则网络的最大流为：
[0137][0138]
设定z为网络所有可行流的费用总和，在满足最大流maxf
∑
的可行解中找一个最小费用minz的解，映射为求信道分配过程中的最小能耗总和，得到最优信道分配，表示为：
[0139][0140]
其中，f
m,j
表示实际流量，b
m,j
表示有向弧单位流量的费用。
[0141]
作为优选的技术方案，通过引入松弛变量和采用连续凸逼近法将第二优化问题转换为凸优化问题，具体包括：
[0142]
通过引入松弛变量，对第二优化问题的约束进行转换，转换为：
[0143][0144]
其中，h
u,m
表示从第m个用户设备到无人机的直接链路信道响应，h
r,m
表示从智能反射面到第m个用户设备的信道响应，
[0145]hu,r
表示从无人机到智能反射面的信道响应，θ表示智能反射面的有效相移模型；
[0146]
引入一个松弛变量η＝[η1…
ηm]，约束项满足：
[0147][0148]
设u
(r)
表示连续凸逼近法第r次迭代中的向量u，约束项近似为：
[0149][0150]
其中，ηm表示松弛变量η的第m维的值，基于第二优化问题约束的转换结果，利用连续凸逼近法将第二优化问题转化为凸问题，具体包括：
[0151]
第二优化问题初步转化为：
[0152][0153][0154]
[0155]
由于‖un‖＝1为非凸约束，采用罚函数法将第二优化问题表述为：
[0156][0157][0158][0159]
q是正系数，只有当(1-|un|2)＝0时，得到最优解，利用连续凸逼近法将第二优化问题近似为：
[0160][0161]
其中，表示连续凸逼近法的第r次迭代中的un；
[0162]
通过去掉常数项第二优化问题转化为：
[0163][0164][0165][0166]
最终第二优化问题转化为一个凸问题。
[0167]
作为优选的技术方案，通过局部点一阶泰勒展开将第三优化问题转换为凸二次约束二次规划问题，具体包括：
[0168]
第三优化问题的约束条件表示为：
[0169][0170]qn
表示无人机在第n个路点的水平坐标，q
n+1
表示无人机在第n+1个路点的水平坐标，tn表示无人机在无人机飞行路线的每个线段内花费的时间，为推进能最小的最优水平速度，θ为松弛变量；
[0171]
设定约束项的局部点作为待更新的水平轨迹，将约束条件转换为：
[0172][0173]
将第三优化问题重新定义为凸二次约束二次规划问题。
[0174]
本发明与现有技术相比，具有如下优点和有益效果：
[0175]
(1)本发明采用的卸载决策方法有助于在设施条件较差的自然灾害地区、直接链
路通信环境较差的复杂地形等应用场景下快速部署移动边缘计算系统；
[0176]
(2)本发明涉及的智能反射面辅助的无人机移动边缘计算系统能够在直接链路受阻挡的情况下有效改善信道条件，更好地提升链路性能；
[0177]
(3)本发明采用的卸载决策方法有助于降低系统能耗，同时兼顾多用户执行任务的延迟公平性，能够有效提升系统的性能；
[0178]
(4)本发明采用复杂度较低的两层嵌套式算法，并采用块坐标下降方法，对信道分配决策变量，信道时间共享决策变量，卸载传输数据量，无人机水平轨迹变量定和智能反射面的相移向量进行迭代优化，实现在各项约束下系统能耗的最小化。
附图说明
[0179]
图1为本发明智能反射面辅助的无人机移动边缘计算系统的卸载决策方法的流程示意图；
[0180]
图2为本发明智能反射面辅助的无人机移动边缘计算系统的架构示意图；
[0181]
图3为本发明智能反射面辅助的无人机移动边缘计算系统的卸载决策方法中时分复用的时隙分割示意图；
[0182]
图4为本发明智能反射面辅助的无人机移动边缘计算系统的卸载决策方法中求解第一优化问题的第一子问题使用的最小费用最大流模型示意图；
[0183]
图5为本发明智能反射面辅助的无人机移动边缘计算系统的卸载决策方法中两层嵌套式算法的流程示意图。
具体实施方式
[0184]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0185]
实施例
[0186]
如图1所示，本实施例提供一种智能反射面辅助的无人机移动边缘计算系统的卸载决策方法，部署智能反射面，用于多用户设备与无人机之间的辅助通信；建立智能反射面辅助的无人机移动边缘计算系统，如图2所示，空中设置了一个搭载了边缘计算服务器的旋翼无人机，地面有m个用户设备，以及一个有助于用户设备与无人机之间通信的智能反射面，组成一个智能反射面辅助的无人机移动边缘计算系统；用户设备将部分或全部计算任务卸载到无人机搭载的边缘服务器进行计算，由其搭载的边缘服务器来满足任务计算的需求，智能反射面被部署在用户设备和无人机之间辅助通信，改善传输环境，具体步骤包括：
[0187]
s1：建立智能反射面的有效相移模型，用户设备和无人机之间的无线传输模型，用户设备和无人机之间的卸载计算能耗模型；
[0188]
在步骤s1中，智能反射面的有效相移模型，用户设备和无人机之间的无线传输模型，用户设备和无人机之间的卸载计算能耗模型的构建方法，包括：
[0189]
智能反射面具有n个低成本无源反射元件来对入射信号进行反射，更改了发射/接收端的无线信道，对n个反射原件所施加的有效相移进行建模，智能反射面的有效相移模型为：
[0190][0191]
其中，θn∈[0,2π]，为智能反射面的相移。
[0192]
多个用户设备集合表示，用户设备与智能反射面之间的无线频谱被分为多个带宽相等的信道，表示为集合其中k为信道数目，表示第k个信道。
[0193]
定义第m个用户设备通过第k条信道到无人机的信道增益g
m,k
为：
[0194][0195]
其中，表示从第m个用户设备到无人机的直接链路信道响应，表示从智能反射面到第m个用户设备的信道响应，表示从无人机到智能反射面的信道响应；
[0196]
定义pm为第m个用户设备的传输功率，σ2为ap接收机处加性高斯白噪声(additive white gaussian noise,awgn)的功率，则根据香农公式，得到第m个用户设备通过第k条信道到无人机的瞬时传输速率，即用户设备和无人机之间的无线传输模型为：
[0197][0198]
其中，r
m,k
为第m个用户设备通过信道k到无人机的瞬时传输速率，w为信道k的带宽；
[0199]
定义信道分配指示变量为x
m,k
∈{0,1}。若第k条信道被分配到第m个用户设备，则x
m,k
＝1；否则，x
m,k
＝0。每个用户设备最多占用一个信道进行，即
[0200]
如图3所示，假设多个用户设备可以通过时分复用共享同一信道资源，定义第m个用户设备被允许使用第j条信道的时间份额为y
m,k
，所有用户设备使用第k条信道的时间份额总和最多为1，即当信道时间份额切分程度足够大时，可以近似将y
m,k
看作0到1的连续变量，即y
m,k
∈[0,1]。当第m个用户设备被分配一定的信道时间份额，即满足y
m,k
∈(0,1]时，必然将第m个用户设备分配到信道k；而第m个用户设备没有被分配到信道k，即x
m,k
＝0时，则第m个用户设备必然没有被分配信道时间份额，即y
m,k
＝0。可知x
m,k
与y
m,k
必定满足∈1≤y
m,k
≤x
m,k
+(1-x
m,k
)∈1。
[0201]
假设第m个用户设备需要计算的数据总量为rm，第m个用户设备通过信道k进行边缘卸载的数据量为d
m,k
。当第m个用户设备通过信道k进行卸载，即d
m,k
∈(0,rm]时，第m个用户设备必然被分配到信道k，即x
m,k
＝1；反之，当第m个用户设备没有通过信道k进行卸载，即d
m,k
＝0时，则有x
m,k
＝0。可知x
m,k
与d
m,k
必定满足∈2x
m,k
≤d
m,k
≤x
m,krm
。
[0202]
因此在第k条信道上第m个用户设备的平均数据传输速率为y
m,krm,k
，定义d
m,k
为第m个用户设备通过第k条信道卸载到无人机的卸载数据量，则第m个用户设备通过第k条信道传输卸载数据的传输时间为：
[0203]
[0204]
则用户设备和无人机之间的卸载计算能耗模型为：
[0205][0206]
其中，pm为第m个用户设备的传输功率；
[0207]
s2：建立用户设备的本地计算能耗模型；
[0208]
在步骤s2中，用户设备的本地计算能耗模型为：
[0209]
定义第m个用户设备需要计算的数据总量为rm，则本地计算的数据量为r
m-d
m,k
，αm是第m个用户设备本地计算时计算1位(bit)输入数据所需的cpu周期数，则本地计算量(以cpu周期数为单位)为：
[0210][0211]
定义fm为第m个用户设备计算每个cpu周期所需的cpu频率，用t表示为每个用户设备的最大延迟，则fm满足：
[0212][0213]
用户设备的本地计算能耗模型为：
[0214][0215]
其中，κ代表由芯片结构决定的有效电容系数；
[0216]
s3：建立无人机的推动能耗模型；
[0217]
在步骤s3中，无人机的推动能耗模型具体构建方法为：
[0218]
将无人机的路线离散为n个线段，无人机的飞行轨迹可以由n+1个路点决定,用2d坐标qn＝{xn,yn}表示无人机在第n个路点的水平坐标，假设无人机飞行轨迹为固定高度h，且用等式q1＝q
n+1
表示无人机在每次任务后飞回初始位置。设为任意一段线段的最大切分距离，约定下式来约束无人机以恒定水平速度飞行:
[0219][0220]
无人机完成任务的时间为：
[0221][0222]
其中表示无人机在每个线段内花费的时间，当n取得足够大时，在每个时间段tn中，无人机的位置改变量与第m个用户设备的直接链路距离而言非常小,因此我们可将无人机在时间段tn中的位置改变量近似为直线距离，则无人机沿第n段的水平飞行速度可表示为：
[0223]
[0224]
为了更易于分析，忽略无人机在加速或减速过程中引起的额外或更少能耗，则在每个时隙tn中，旋翼无人机的推进能耗模型为：
[0225][0226]
其中，p0、p1分别为悬停状态下的恒叶型功率和诱导功率；u
tip
为动叶的叶尖速度；v0为停悬时平均转子诱导速度；d0,s分别为机身阻力比和转子固体度；ρ表示空气密度，单位为kg/m3,为转子盘面积，单位为m2,r为转子半径；
[0227]
s4：根据用户设备和无人机之间的无线传输模型，智能反射面的有效相移模型，用户设备和无人机之间的卸载计算能耗模型，用户设备的本地计算能耗模型和无人机的推动能耗模型，在满足约束条件的情况下，提出待优化通信系统的最小化系统总能耗优化问题，其中待优化通信系统包括搭载边缘服务器的无人机、智能反射面装置和若干用户设备；
[0228]
在步骤s4中，提出待优化通信系统的最小化系统总能耗优化问题的过程包括：
[0229]
将信道分配决策变量定义为信道时间共享决策变量定义为卸载传输数据量定义为卸载传输数据量定义为无人机水平轨迹变量定义为智能反射面的相移向量定义为θ＝[θ1,...,θn]；
[0230]
则最小化系统总能耗优化问题建模为：
[0231][0232]
根据用户设备和无人机之间的卸载计算能耗模型，用户设备的本地计算能耗模型和无人机的推动能耗模型，可以进一步得到：
[0233][0234][0235][0236][0237][0238]
[0239][0240][0241][0242]
q1＝q
n+1
ꢀꢀ
(14i)
[0243][0244]
其中，x,y,d,q,θ是优化变量。约束(14a)表示用户设备的卸载传输时间与传输完成后在边缘服务器的执行时间之和应小于卸载计算的最大完成时间t，约束(14b)表示当y
m,k
∈(0,1]时，必须将第k个信道分配给第m个用户设备；而当将第k个信道没有被分配给第m个用户设备时，第m个用户设备占用信道k的时间份额应为零，其中，∈1＝0，∈2为一个很小的正值，满足0＜∈2＜＜1，
[0245]
约束(14c)表示每个用户设备最多占用一个信道进行卸载，约束(14d)表示所有用户设备占用的第k个信道的时间份额最多为1(即信道k的全部份额)，约束(14e)的前式表示指示变量x
m,k
的取值只能是二元，后式表示时间份额变量y
m,k
满足y
m,k
∈[0,1]的限制，约束(14f)表示每个用户设备对卸载数据量的最大要求和最小要求，其中rm为定义的总数据量，dm为卸载数据量的下界，约束(14g)表示当第m个用户设备通过第k个信道进行卸载，即d
m,k
∈(0,rm]时，第m个用户设备必然被分配到信道k，即x
m,k
＝1；反之，当第m个用户设备没有通过信道k进行卸载，即d
m,k
＝0时，则有x
m,k
＝0，约束(14h)表示卸载的数据计算量不能超过边缘服务器可提供的最大计算能力，约束(14i)表示无人机在每次任务结束后飞回初始位置，约束(14j)表示无人机的水平飞行速度处于一个合理的恒定值。
[0246]
s5：将优化问题划分为第一优化问题，第二优化问题和第三优化问题，第一优化问题包括优化卸载传输数据量，信道时间共享决策和信道分配，第二优化问题包括优化智能反射面装置的反射系数矩阵，第三优化问题包括优化无人机水平轨迹；
[0247]
在步骤s5中，将优化问题划分为第一优化问题，第二优化问题和第三优化问题的过程包括以下步骤：
[0248]
s51、给定无人机水平轨迹变量q和智能反射面的相移向量θ，将优化信道分配决策变量x，信道时间共享决策变量y和卸载传输数据量d的第一优化问题表示为：
[0249][0250][0251][0252]
[0253][0254][0255][0256][0257][0258]
s52、给定无人机水平轨迹变量q，信道分配决策变量x，信道时间共享决策变量y和卸载传输数据量d，将优化智能反射面的相移向量θ的第二个优化问题表示为：
[0259][0260][0261]
s53、给定信道分配决策变量x，信道时间共享决策变量y、卸载传输数据量d和智能反射面的相移向量θ，将优化无人机水平轨迹变量q的第三个优化问题表示为：
[0262][0263]
s.t.q1＝q
n+1
ꢀꢀ
(17a)
[0264][0265][0266]
其中，为推进能最小的最优水平速度，θ为引入的松弛变量，允许无人机在以及之间采用水平速度的轨迹。
[0267]
s6：第一优化问题被进一步转化为第一子问题和第二子问题进行求解，分离变量进行求解，其中可将第一子问题转化为最小费用最大流问题，采用直接求导法和dijkstra算法求解第一子问题，得到初始的信道分配方案，应用于第二子问题，提出两层嵌套式算法求解第二子问题，最终求解第一优化问题；
[0268]
在步骤s6中，第一优化问题被分解为两个子问题的过程包括以下步骤：
[0269]
s61：为了得到初始信道分配，考虑一种特殊情况，当且仅当x
m,k
＝1时，y
m,k
＝1，即每个信道只被一个用户设备占用，此时同一信道时间份额全部分配给一个用户设备，不再需要考虑多个用户设备对同一信道的时间份额分配，即给定信道时间共享决策变量y，那么第一子问题可表示为：
[0270]
[0271][0272][0273][0274][0275][0276][0277][0278]
由于每个信道只被一个用户设备占用，需要增加式(18c)加以约束。
[0279]
s62：假设信道分配完成，即给定信道分配决策变量x，对于设为所有被分配到信道k的多个用户设备的集合，则定义为第m个用户设备通过信道k卸载的计算数据量占总计算数据量的比例，对本地执行能耗表达式进行简单恒等变换可得：
[0280][0281]
定义本地执行能耗系数
[0282][0283]
则式(19)可写为：
[0284][0285]
同理，第m个用户设备传输能耗表达式(5)可写为：
[0286][0287]
定义卸载能耗系数
[0288]
[0289]
则式(22)可写为：
[0290][0291]
假设信道分配完成，即给定信道分配决策变量x，对于设为所有被分配到信道k的多个用户设备的集合，则
[0292]
那么第一优化问题可转换为第二子问题，包含k个独立子问题，每个子问题需要找到最优的和第二子问题的第k个子问题为：
[0293][0294][0295][0296][0297][0298][0299]
其中，
[0300]
在本实施例中，第一子问题求解过程包括以下步骤：
[0301]
(1)将第一子问题分解为mk个子问题和一个全局问题。子问题首先解决第m个用户设备通过信道k传输的最小能耗，子问题针对所有的用户设备m∈m和信道k∈k进行，而全局问题根据子问题找到最佳的信道分配。在mk个子问题中，子问题解决第m个用户设备在卸载计算和本地计算时间约束下的最优卸载传输数据量。
[0302]
由于子问题考虑第m个用户设备通过信道k传输的最小能耗，也即x
m,k
＝1，那么y
m,k
＝1，不需再考虑与两者有关的约束条件。子问题针对特定设备m进行讨论，暂且不需要考虑讨论所有设备在边缘服务器的最大计算能力f下的约束，故舍去约束项(18g)。
[0303]
(2)子问题转换为：
[0304][0305]
为了表示的方便，定义系数以及
[0306][0307][0308]
则将式(27)、(28)代入问题(26)可得：
[0309][0310][0311]dm
≤d
m,k
≤rmꢀꢀ
(29b)
[0312]
由于给定x
m,k
＝1，
[0313]
定义为数据通过信道k传输后在无人机搭载的边缘计算服务器上的执行时间，rs为边缘服务器每个cpu的处理速度。
[0314][0315]
对于所有的m∈m和k∈k，需满足：
[0316][0317]
将(4)、(30)代入式(31)得到：
[0318][0319]
若x
m,k
＝0，上式始终成立；若x
m,k
＝1，则可推出
[0320][0321]
以及
[0322][0323]
由(33)，d
m,k
的上界为
[0324][0325]
其中，t表示udm卸载任务完成的最大时间限度。uav的完成任务的时间tu应等于应用程序数据的传输时间与远端执行时间之和，即
[0326]
由(35)，d
m,k
的上界为：
[0327]
[0328]
由于子问题是仅关于d
m,k
单一变量,定义函数：
[0329][0330]
该函数为关于变量d
m,k
的一元三次函数，可对其进行直接求导优化，得到d
m,k
的两个极值点：
[0331]
极小值点：
[0332]
极大值点:而根据(29b)，不合理，故舍去。
[0333]
当即原函数g(d
m,k
)在区间内先递增再递减，即为最小值点，在该点取得总能耗最小。
[0334]
当即则在d
m,k
的定义域范围[dm,rm]内，原函数g(d
m,k
)单调递增，也即在d
m,k
＝dm这点取得总能耗最小。
[0335]
综上所述：d
m,k
的最优解：
[0336][0337]
(3)如图4所示，构建最小费用最大流模型。根据步骤(1)中对mk个子问题的求解，能够得到m个设备对k个信道共mk种卸载传输数据情况，基于此结果可以将寻找最优信道分配x
m,k
的全局问题转换为一个最小费用最大流模型。
[0338]
已知集合表示所有的设备，集合表示所有的信道。定义网络其中为网络所有点的集合，在中定义两组点集vm∈{v1,v2,v3,
…
,vm}，vj∈{v1,v2,
…
,vm,v1,v2,
…
,vk}，并且定义两个点vs、v
t
分别作为源点、汇点，则vm与vj统称为网络的中间点；为网络所有有向弧的集合，是一组从vm到vj的有向弧，另外定义有向弧集合将源点vs与所有vm点相连，有向弧集合将所有vj点与汇点v
t
相连；定义为所有有向弧的容量的集合，其中有向弧(vm,vj)的容量为c
m,j
，有向弧(vs,vm)的容量为c
s,m
，有向弧(vj,v
t
)的容量为c
j,t
；定义有向弧(vm,vj)具有流f
m,j
，它表示通过有向弧
[0339]
(vm,vj)的实际流量，且每个f
m,j
不会超过弧的容量c
m,j
，即有f
m,j
≤c
m,j
，则称f
m,j
为弧(vm,vj)的可行流；定义为有向弧(vm,vj)单位流量的费用集合，最终网络称为一个带源点vs和汇点v
t
的容量——费用网络。
[0340]
接下来，对网络进行物理参数的映射，将信道资源分配问题转化为最小费用最大流问题。设为当时问题p
(m,k)
的目标函数值。有向弧(vm,vj)的费用b
m,j
可映射为能耗。
[0341]
解决子问题后，可以得到使得当前子问题能耗最小的最优卸载传输数据量
而全局问题讨论能耗总和最小的目标下的最优卸载传输数据量，则全局问题的实际卸载传输数据量因此在本网络模型中，有向弧的容量实际流量f
m,j
＝d
m,j
。而对于源点处，有向弧
[0342]
(vs,vm)的费用b
s,m
＝0，容量对于汇点处，有向弧(vj,v
t
)的费用b
j,t
＝0，容量
[0343]
定义网络中间点各路流量总和为f
∑
，则网络的最大流为：
[0344][0345]
求网络的最大流等效为求信道分配过程中的最大卸载传输数据量，最大流的值是唯一的，但满足最大流的有向弧集有多个。定义z为网络所有可行流的费用总和，则在满足最大流maxf
∑
的可行解中找一个最小费用minz的解，映射为求信道分配过程中的最小能耗总和，从而找到最优信道分配：
[0346][0347]
综上，求解寻找最优xm，k的全局问题转化为求解网络的最小费用最大流量问题，由于网络为非负权值的网络，可利用dijkstra算法来求解，从而得到初步的信道分配方案。
[0348]
如图5所示，两层嵌套式算法构建过程包括以下步骤：
[0349]
(1)提出算法1，卸载数据比例与信道时间份额求解算法，为集合中的用户设备确定卸载比例和信道时间分配方案，并且该算法将被打包为一个函数，可以由外层算法调用。为了能近似地连续评估各个用户设备能耗随信道时间的变化，将总信道时间份额(即1)划分为大小为τ的多个部分。每个τ的信道时间总是被分给可以节省更多能耗的用户设备。向算法1输入被分配到信道k的用户设备集合进行循环求解，最终循环结束时输出最小的用户设备总能耗以及所对应的卸载数据比例λk与信道时间份额yk，具体步骤如下：
[0350]
步骤a、对于所有的用户设备首先初始化λ
m,k
＝0，y
m,k
＝0。定义变量yr为尚未分配给任何用户设备的剩余信道时间份额，并将其初始化为1。是集合中所有用户设备的总能耗，其初始值为这些用户设备在本地执行任务时整个应用程序时的总能耗。定义两个集合，集合中包含中所有已被分配非零信道时间的用户设备，集合包含中所有尚未被分配任何信道时间的用户设备。信道时间的分配过程一直持续，直到yr＝0。由于τ是一次分配过程的最小时间份额，实际上可以认为τtf是一个时隙的长度，其中tf是一个帧的持续时间。
[0351]
步骤b、将剩余时间份额yr分配给尚未被分配任何信道时间的用户设备在这部分中，首先将通过从集合中挑选出利用当前剩余时间份额yr进行卸载的可节省能耗的所有用户设备m，定义为集合并在每次循环进行更新；若集合非空，即成功挑选
出进行卸载后能够节省能耗的用户设备，则在集合中寻找能够节省最多能耗的最佳用户设备m
*
；接下来，计算用户设备m
*
占用的信道时间份额。如果剩余的时间份额yr大于用户设备m传输所有数据所需的时间，那么用户设备m
*
占用的信道时间份额仅等于其所需的最小时间份额。否则将会剩余时间份额全部分配给用户设备m
*
，即根据上述信道时间分配方案，可计算所有的用户设备的总能耗若集合为空，即寻找不到进行卸载后能够节省能耗的用户设备，则将设为无穷大。
[0352]
步骤c、将剩余时间份额yr重新分配给已被分配信道时间的用户设备其中，剩余的时间份额yr将会被分为多个时隙τ，并且循环地逐个时隙地分配给
[0353]
中的用户设备，每次循环都会选出加上该时间份额τ后能耗节省最多的用户设备n
*
。若干个大小为τ的时间份额分配完成后，会计算出集合中单个用户设备的能耗，最后会计算出集合中所有的用户设备的总能耗
[0354]
步骤d、比较与进行最终的信道时间分配决策，若则说明将剩余时间份额yr分配给尚未被分配任何信道时间的用户设备时能够节省更多能耗，则将时间份额分配给用户设备m
*
，将其卸载比例λ
m*,
k更新为并相应地更新yr、以及集合准备回到步骤b进行下一次循环求解；否则说明剩余时间份额yr分给未被分配的用户设备s反而能耗更多，则应该不进行更多的卸载，将按照第二部分的信道时间份额分配方案作为最终的分配决策，即然后更新最后令yr＝0，结束算法1的循环，输出此时最小的用户设备总能耗以及所对应的卸载数据比例λk与信道时间份额yk。
[0355]
(2)提出算法2，迭代信道分配决策算法，对用户设备进行迭代信道分配。首先根据第一优化问题的第一子问题的求解结果，得到初始的信道分配，确定在初始分配情况下被分配到信道k的用户设备，定义为集合向算法2输入用户设备集合并调用算法1进行求解，最终算法2结束时输出信道分配决策变量x，信道时间共享决策变量y和卸载传输数据量d的优化结果，具体步骤如下：
[0356]
步骤a、设置用户设备的初始参数y
m,k
、λ
m,k
、当集合非空时，需要将集合中每个用户设备的信道时间份额y
m，k
设置为1以及传输数据量d
m，k
设置为其上界值。设集合中所有被分配到信道k的用户设备的总能耗为则可计算出集合中的用户设备的总能耗。
[0357]
步骤b、设为所有未被分配到任何信道的用户设备的集合，通过调用算法1迭代地对这些用户设备进行卸载决策和信道分配。具体而言，定义一个矩阵y，并定义其第m行第k列的元素y
m,k
可作为做出决策的依据，当y
m,k
较小，说明用户设备m相比于其他用户设备通过信道k卸载可以节省更多的能量。每次迭代中，通过比较集合的用户设备在各信道k卸载时的系数y
m,k
，挑选出节省能量最多的组合(m
*
,k
*
)，即将用户设备m
*
分配到信
道k
*
中。选出了(m
*
,k
*
)对后，将会把用户设备m
*
添加到集合中，从而形成一个新的集合接着调用算法得到该集合中所有用户设备的卸载比例信道时间份额以及总能耗
[0358]
步骤c、若将用户设备m
*
分配到信道k
*
后能够保证卸载数据量满足最小约束且降低总能耗，即满足与则用户设备m
*
的信道分配完成，即并且设置矩阵y中第m
*
行的其他元素为无穷大，避免用户设备m
*
分配到其他信道的情况。若用户设备m
*
分配到信道k
*
后无法保证卸载数据量满足最小约束或降低总能耗，则用户设备m
*
不应该被分配到信道k
*
，此情况下将设置为无穷大，基于更新的矩阵y找到下一个(m
*
,k
*
)对，不断重复上述过程，直至矩阵y中所有元素都为无穷大时算法2结束。
[0359]
在本实施例中，采用两层嵌套式算法求解第二子问题，最终求解第一优化问题的过程具体如下：
[0360]
步骤a、通过调用两层嵌套式算法的第一层算法解决第二子问题；
[0361]
步骤b、两层嵌套式算法的第二层算法调用第一层算法并基于第一层算法求解第二子问题的结果解决第一优化问题。
[0362]
s7：通过引入松弛变量和采用连续凸逼近法将第二优化问题转换为凸优化问题，采用cvx优化求解器进行求解，具体步骤包括：
[0363]
s71、通过引入松弛变量，对第二优化问题的约束(16a)进行转换。其中，定义u＝[u1.......un]h,其中将(16a)展开进行如下转换：
[0364][0365]
其中，h
u,m
表示从第m个用户设备到无人机的直接链路信道响应，h
r,m
表示从智能反射面到第m个用户设备的信道响应，h
u,r
表示从无人机到智能反射面的信道响应，θ表示智能反射面的有效相移模型，每个粗体字母的上标h表示进行矩阵的共轭转置；
[0366]
引入一个松弛变量η＝[η1…
ηm]，满足：
[0367][0368]
这个约束相对于η和u是非凸的，使用连续凸逼近法通过凸约束来近似它。设u
(r)
表示连续凸逼近法第r次迭代中的向量u。约束项(42)可近似为：
[0369][0370]
s72、基于步骤s71的约束(16a)的转换结果，利用连续凸逼近法将第二优化问题转化为凸问题，可以利用cvx优化求解器来求得问题的最优解；
[0371]
根据(43)，第二优化问题可以初步转化为：
[0372][0373][0374][0375]
由于‖un‖＝1为非凸约束，所以采用罚函数法将问题(44)表述为：
[0376][0377][0378][0379]
q是一个大的正系数，只有当(1-|un|2)＝0时，得到最优解，为了处理问题的非凸性，利用连续凸逼近法将问题(45)近似为：
[0380][0381]
其中，表示连续凸逼近法的第r次迭代中的un。
[0382]
基于上述近似，通过去掉常数项问题(46)转化为：
[0383][0384][0385][0386]
最终第二优化问题转化为一个凸问题，可以利用cvx优化求解器来求得问题的最优解，此外，智能反射面的相移向量θ的解可以基于u进行更新。
[0387]
s8：通过局部点一阶泰勒展开将第三优化问题转换为凸二次约束二次规划问题，采用mosek优化求解器进行求解，具体步骤包括：
[0388]
由于第三优化问题的约束(17b)的非凸性，第三优化问题是一个非凸问题，为了释放约束(17b)的非凸性，给定约束项的局部点作为待更新的水平轨迹，对其左边进行一阶泰勒展开：
[0389]
[0390]
那么该约束条件转换为：
[0391][0392]
则第三优化问题最终可以重新定义为凸二次约束二次规划问题，并直接用mosek优化求解器进行求解。
[0393]
s9：采取块坐标下降方法交替迭代地对第一优化问题、第二优化问题和第三优化问题进行求解，直至收敛到预设精度后停止，获得最佳卸载决策方案。
[0394]
在本实施例中，采取块坐标下降方法交替迭代地对第一优化问题、第二优化问题和第三优化问题进行求解的过程包括以下步骤：
[0395]
s91、对信道分配决策变量x、信道时间共享决策变量y、卸载传输数据量d、智能反射面的相移向量θ和无人机水平轨迹变量q进行初始化，得到x0、y0、d0、θ0、q0，迭代次数初始值i＝0；
[0396]
s92、计算所述最小化系统总能耗优化问题的目标函数值v0＝obj(x0，y0，d0，θ0，q0)；
[0397]
s93、给定yi、θi、qi，解决问题(18)，得到d
i+1
、x
i+1
；
[0398]
s94、给定d
i+1
、x
i+1
、θi，利用算法1解决问题(19)，进而利用算法2解决第一优化问题得到xi+1*、y
i+1
、di+1*；
[0399]
s95、给定xi+1*、yi+1、di+1*、qi，解决第二优化问题得到θ
i+1
；
[0400]
s96、给定x
i+1
*、y
i+1
、d
i+1
*、θ
i+1
，解决第三优化问题得到q
i+1
；
[0401]
s97、计算vi＝obj(x
i+1
*，y
i+1
，d
i+1
*，θ
i+1
，qi
+1
)；
[0402]
s98、改变迭代次数i＝i+1；
[0403]
s99、重复s93至s98直到收敛到规定的精度；
[0404]
s910、返回最佳决策方案：x
i+1*
、y
i+1
、d
i+1*
、θ
i+1
、q
i+1
。
[0405]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

技术特征：
1.一种智能反射面辅助的无人机移动边缘计算系统的卸载决策方法，其特征在于，包括下述步骤：构建智能反射面的有效相移模型，基于智能反射面的有效相移模型构建用户设备和无人机之间的无线传输模型，基于所述无线传输模型构建用户设备和无人机之间的卸载计算能耗模型；构建用户设备的本地计算能耗模型；构建无人机的推动能耗模型；预设约束条件，构建待优化通信系统的最小化系统总能耗优化问题，所述待优化通信系统包括搭载边缘服务器的无人机、智能反射面装置和若干用户设备；将最小化系统总能耗优化问题划分为第一优化问题，第二优化问题和第三优化问题，所述第一优化问题包括优化卸载传输数据量，信道时间共享决策和信道分配，所述第二优化问题包括优化智能反射面装置的反射系数矩阵，所述第三优化问题包括优化无人机水平轨迹；将第一优化问题转化为第一子问题和第二子问题，分离变量进行求解，将第一子问题转化为最小费用最大流问题，采用直接求导法和dijkstra算法求解第一子问题，得到初始的信道分配方案，应用于第二子问题，基于两层嵌套式算法求解第二子问题，两层嵌套式算法的第一层为卸载数据比例与信道时间份额求解算法，第二层为迭代信道分配决策算法，最终求解第一优化问题；通过引入松弛变量和采用连续凸逼近法将第二优化问题转换为凸优化问题，采用cvx优化求解器进行求解；通过局部点一阶泰勒展开将第三优化问题转换为凸二次约束二次规划问题，采用mosek优化求解器进行求解；采取块坐标下降方法交替迭代地对第一优化问题、第二优化问题和第三优化问题进行求解，直至收敛到预设精度后停止，获得最佳卸载决策方案。2.根据权利要求1所述的智能反射面辅助的无人机移动边缘计算系统的卸载决策方法，其特征在于，构建智能反射面的有效相移模型，具体表示为：其中，为智能反射面的相移；构建用户设备和无人机之间的无线传输模型，具体表示为：构建用户设备和无人机之间的无线传输模型，具体表示为：其中，r
m,k
为第m个用户设备通过信道到无人机的瞬时传输速率，w为信道k的带宽，p
m
为第m个用户设备的传输功率，σ2为ap接收机处加性高斯白噪声的功率，g
m,k
表示第m个用户设备通过第k条信道到无人机的信道增益，表示从第m个用户设备到无人机的直接链路
信道响应，表示从智能反射面到第m个用户设备的信道响应，
u,r
表示从无人机到智能反射面的信道响应；构建用户设备和无人机之间的卸载计算能耗模型，具体表示为：构建用户设备和无人机之间的卸载计算能耗模型，具体表示为：其中，p
m
为第m个用户设备的传输功率，表示第m个用户设备通过第k条信道传输卸载数据的传输时间，d
m,k
为第m个用户设备通过第k条信道卸载到无人机的卸载数据量，y
m,k
表示第m个用户设备被允许使用第k条信道的时间份额，x
m,k
表示信道分配指示变量。3.根据权利要求1所述的智能反射面辅助的无人机移动边缘计算系统的卸载决策方法，其特征在于，构建用户设备的本地计算能耗模型，具体表示为：法，其特征在于，构建用户设备的本地计算能耗模型，具体表示为：法，其特征在于，构建用户设备的本地计算能耗模型，具体表示为：其中，κ表示由芯片结构决定的有效电容系数，f
m
为第m个用户设备计算每个cpu周期所需的cpu频率，q
m
表示本地计算量，t表示为每个用户设备的最大延迟，α
m
是第m个用户设备本地计算时计算1位输入数据所需的cpu周期数，r
m
表示第m个用户设备需要计算的数据总量，表示根据用户设备与智能反射面之间的无线频谱划分的多个带宽相等的信道集合，x
m,k
表示信道分配指示变量，d
m,k
为第m个用户设备通过第k条信道卸载到无人机的卸载数据量。4.根据权利要求1所述的智能反射面辅助的无人机移动边缘计算系统的卸载决策方法，其特征在于，构建无人机的推动能耗模型，具体表示为：法，其特征在于，构建无人机的推动能耗模型，具体表示为：其中，t
n
表示无人机在无人机飞行路线的每个线段内花费的时间，p0、p1分别为悬停状态下的恒叶型功率和诱导功率，u
tip
为动叶的叶尖速度，表示无人机沿第n段的水平飞行速度，v0为停悬时平均转子诱导速度，d0,s分别为机身阻力比和转子固体度，ρ表示空气密
度，为转子盘面积，r为转子半径，q
n
表示无人机在第n个路点的水平坐标，q
n+1
表示无人机在第n+1个路点的水平坐标。5.根据权利要求1所述的智能反射面辅助的无人机移动边缘计算系统的卸载决策方法，其特征在于，所述构建待优化通信系统的最小化系统总能耗优化问题，具体包括：构建优化变量，包括信道分配决策变量x、信道时间共享决策变量y、卸载传输数据量d、无人机水平轨迹变量q、智能反射面的相移向量θ，具体表示为：无人机水平轨迹变量q、智能反射面的相移向量θ，具体表示为：无人机水平轨迹变量q、智能反射面的相移向量θ，具体表示为：无人机水平轨迹变量q、智能反射面的相移向量θ，具体表示为：θ＝[θ1,...,
n
]；最小化系统总能耗优化问题建模为：基于预设约束条件得到：基于预设约束条件得到：基于预设约束条件得到：基于预设约束条件得到：基于预设约束条件得到：基于预设约束条件得到：基于预设约束条件得到：基于预设约束条件得到：基于预设约束条件得到：基于预设约束条件得到：q1＝q
n+1
其中，表示用户设备和无人机之间的卸载计算能耗模型，表示用户设备的本地计算能耗模型，表示无人机的推动能耗模型，∈1＝0，∈2为正值，满足0＜∈2＜＜1，α
m
是第m个用户设备本地计算时计算1位输入数据所需的cpu周期数，r
m
表示第m个用户设备需要计算的数据总量，x
m，k
表示信道分配指示变量，d
m，k
为第m个用户设备通过第k条信道卸载到无人机的卸载数据量，t表示为每个用户设备的最大延迟，p
m
为第m个用户设备的传输功率，y
m，k
表示第m个用户设备被允许使用第k条信道的时间份额，r
m，k
为第m个用户设备通过信道k到无人机的瞬时传输速率，表示根据用户设备与智能反射面之间的无线频谱划分的多个带宽相等的信道集合，d
m
为卸载数据量的下界，f表示边缘服务器可提供的最大计算能力，q
n
表示无人机在第n个路点的水平坐标，q
n+1
表示无人机在第n+1个路点的水平坐标，t
n
表示无人机在无人机飞行路线的每个线段内花费的时间，为无人机任意一段线段的最大切分距离，为无人机在时间段t
n
内第n条线段上的最大水平飞行速度。6.根据权利要求1所述的智能反射面辅助的无人机移动边缘计算系统的卸载决策方法，其特征在于，将最小化系统总能耗优化问题划分为第一优化问题，第二优化问题和第三优化问题，具体包括：构建无人机水平轨迹变量q、智能反射面的相移向量θ、优化信道分配决策变量x，信道时间共享决策变量y和卸载传输数据量d，表示为：时间共享决策变量y和卸载传输数据量d，表示为：时间共享决策变量y和卸载传输数据量d，表示为：时间共享决策变量y和卸载传输数据量d，表示为：θ＝[θ1，...，θ
n
]；给定无人机水平轨迹变量q和智能反射面的相移向量θ，将优化信道分配决策变量x，信道时间共享决策变量y和卸载传输数据量d的第一优化问题表示为：道时间共享决策变量y和卸载传输数据量d的第一优化问题表示为：道时间共享决策变量y和卸载传输数据量d的第一优化问题表示为：道时间共享决策变量y和卸载传输数据量d的第一优化问题表示为：道时间共享决策变量y和卸载传输数据量d的第一优化问题表示为：道时间共享决策变量y和卸载传输数据量d的第一优化问题表示为：道时间共享决策变量y和卸载传输数据量d的第一优化问题表示为：
其中，α
m
是第m个用户设备本地计算时计算1位输入数据所需的cpu周期数，r
m
表示第m个用户设备需要计算的数据总量，x
m，k
表示信道分配指示变量，d
m，k
为第m个用户设备通过第k条信道卸载到无人机的卸载数据量，t表示为每个用户设备的最大延迟，p
m
为第m个用户设备的传输功率，y
m，k
表示第m个用户设备被允许使用第k条信道的时间份额，r
m，k
为第m个用户设备通过信道k到无人机的瞬时传输速率，表示根据用户设备与智能反射面之间的无线频谱划分的多个带宽相等的信道集合，d
m
为卸载数据量的下界，f表示边缘服务器可提供的最大计算能力；给定无人机水平轨迹变量q，信道分配决策变量x，信道时间共享决策变量y和卸载传输数据量d，将优化智能反射面的相移向量θ的第二个优化问题表示为：数据量d，将优化智能反射面的相移向量θ的第二个优化问题表示为：数据量d，将优化智能反射面的相移向量θ的第二个优化问题表示为：其中，表示多个用户设备集合，θ表示智能反射面的有效相移模型，表示从第m个用户设备到无人机的直接链路信道响应，表示从智能反射面到第m个用户设备的信道响应，h
u，r
表示从无人机到智能反射面的信道响应，σ2为ap接收机处加性高斯白噪声的功率；给定信道分配决策变量x，信道时间共享决策变量y、卸载传输数据量d和智能反射面的相移向量θ，将优化无人机水平轨迹变量q的第三个优化问题表示为：相移向量θ，将优化无人机水平轨迹变量q的第三个优化问题表示为：s.t.q1＝q
n+1n+1
其中，q
n
表示无人机在第n个路点的水平坐标，q
n+1
表示无人机在第n+1个路点的水平坐标，t
n
表示无人机在无人机飞行路线的每个线段内花费的时间，为推进能最小的最优水平速度，θ为松弛变量，为无人机任意一段线段的最大切分距离。7.根据权利要求1所述的智能反射面辅助的无人机移动边缘计算系统的卸载决策方法，其特征在于，将第一优化问题分解为第一子问题和第二子问题，具体包括：第一子问题表示为：
其中，k表示由芯片结构决定的有效电容系数，α
m
是第m个用户设备本地计算时计算1位输入数据所需的cpu周期数，r
m
表示第m个用户设备需要计算的数据总量，表示根据用户设备与智能反射面之间的无线频谱划分的多个带宽相等的信道集合，x
m，k
表示信道分配指示变量，d
m，k
为第m个用户设备通过第k条信道卸载到无人机的卸载数据量，t表示为每个用户设备的最大延迟，p
m
为第m个用户设备的传输功率，d
m
为卸载数据量的下界，f表示边缘服务器可提供的最大计算能力；第二子问题包含k个独立子问题，第二子问题的第k个子问题表示为：第二子问题包含k个独立子问题，第二子问题的第k个子问题表示为：第二子问题包含k个独立子问题，第二子问题的第k个子问题表示为：第二子问题包含k个独立子问题，第二子问题的第k个子问题表示为：第二子问题包含k个独立子问题，第二子问题的第k个子问题表示为：第二子问题包含k个独立子问题，第二子问题的第k个子问题表示为：其中，为所有被分配到信道k的多个用户设备的集合，λ
m，k
表示第m个用户设备通过信道k卸载的计算数据量占总计算数据量的比例，表示本地执行能耗系数，y
m，k
表示第m个
用户设备被允许使用第k条信道的时间份额，r
s
为边缘服务器每个cpu的处理速度。8.根据权利要求1所述的智能反射面辅助的无人机移动边缘计算系统的卸载决策方法，其特征在于，采用直接求导法和dijkstra算法求解第一子问题，具体包括：将第一子问题分解为mk个子问题和一个全局问题，子问题针对所有的用户设备m∈m和信道k∈k计算第m个用户设备通过信道k传输的最小能耗，全局问题根据子问题寻找最优的信道分配；子问题转换为：定义系数以及表示为：表示为：将系数以及代入子问题得到：得到：d
m
≤d
m，k
≤r
m
给定x
m，k
＝1，计算数据通过信道k传输后在无人机搭载的边缘计算服务器上的执行时间：计算第m个用户设备通过第k条信道传输卸载数据的传输时间为：预设限定条件：基于限定条件得到：计算d
m，k
的上界为：
定义关于变量d
m，k
的一元三次函数：对一元三次函数进行求导，得到d
m，k
的两个极值点；d
m，k
的最优解表示为：其中，表示极小值点；对mk个子问题求解得到m个设备对k个信道共mk种卸载传输数据情况，将寻找最优信道分配x
m，k
的全局问题转换为一个最小费用最大流模型；构建网络其中，为网络所有点的集合，为网络所有有向弧的集合，为所有有向弧的容量的集合，为有向弧单位流量的费用集合；对网络进行物理参数的映射，将信道资源分配问题转化为最小费用最大流问题；设定网络中间点各路流量总和为f
∑
，则网络的最大流为：设定z为网络所有可行流的费用总和，在满足最大流maxf
∑
的可行解中找一个最小费用min z的解，映射为求信道分配过程中的最小能耗总和，得到最优信道分配，表示为：其中，f
m，j
表示实际流量，b
m，j
表示有向弧单位流量的费用。9.根据权利要求1所述的智能反射面辅助的无人机移动边缘计算系统的卸载决策方法，其特征在于，通过引入松弛变量和采用连续凸逼近法将第二优化问题转换为凸优化问题，具体包括：通过引入松弛变量，对第二优化问题的约束进行转换，转换为：其中，h
u，m
表示从第m个用户设备到无人机的直接链路信道响应，h
r，m
表示从智能反射面到第m个用户设备的信道响应，h
u，r
表示从无人机到智能反射面的信道响应，θ表示智能反射面的有效相移模型；引入一个松弛变量η＝[η
1 ... η
m
]，约束项满足：设u
(r)
表示连续凸逼近法第r次迭代中的向量u，约束项近似为：
其中，η
m
表示松弛变量η的第m维的值，基于第二优化问题约束的转换结果，利用连续凸逼近法将第二优化问题转化为凸问题，具体包括：第二优化问题初步转化为：第二优化问题初步转化为：第二优化问题初步转化为：由于||u
n
||＝1为非凸约束，采用罚函数法将第二优化问题表述为：||＝1为非凸约束，采用罚函数法将第二优化问题表述为：||＝1为非凸约束，采用罚函数法将第二优化问题表述为：q是正系数，只有当(1-|u
n
|2)＝0时，得到最优解，利用连续凸逼近法将第二优化问题近似为：近法将第二优化问题近似为：其中，表示连续凸逼近法的第r次迭代中的u
n
；通过去掉常数项第二优化问题转化为：第二优化问题转化为：第二优化问题转化为：最终第二优化问题转化为一个凸问题。10.根据权利要求1所述的智能反射面辅助的无人机移动边缘计算系统的卸载决策方法，其特征在于，通过局部点一阶泰勒展开将第三优化问题转换为凸二次约束二次规划问题，具体包括：第三优化问题的约束条件表示为：
q
n
表示无人机在第n个路点的水平坐标，q
n+1
表示无人机在第n+1个路点的水平坐标，t
n
表示无人机在无人机飞行路线的每个线段内花费的时间，为推进能最小的最优水平速度，θ为松弛变量；设定约束项的局部点作为待更新的水平轨迹，将约束条件转换为：将第三优化问题重新定义为凸二次约束二次规划问题。

技术总结
本发明公开了一种智能反射面辅助的无人机移动边缘计算系统的卸载决策方法，该方法包括下述步骤：构建智能反射面的有效相移模型，以及用户设备和无人机之间的无线传输模型、卸载计算能耗模型；构建用户设备的本地计算能耗模型；构建无人机的推动能耗模型；构建待优化通信系统的最小化系统总能耗优化问题，并划分为第一优化问题，第二优化问题和第三优化问题进行求解；交替迭代地对第一优化问题、第二优化问题和第三优化问题进行求解，直至收敛到预设精度后停止，获得最佳卸载决策方案。本发明有助于在自然灾害地区、复杂地形等应用场景下快速部署移动边缘计算系统，更好地提升链路性能，同时兼顾多用户执行任务的延迟公平性。同时兼顾多用户执行任务的延迟公平性。同时兼顾多用户执行任务的延迟公平性。


技术研发人员：陈真 邓智鸿 黄雨帆
受保护的技术使用者：华南理工大学
技术研发日：2023.06.27
技术公布日：2023/9/22