公开/公告号CN111884829B
专利类型发明专利
公开/公告日2022-07-29
原文格式PDF
申请/专利权人 西安电子科技大学;
申请/专利号CN202010566129.4
申请日2020-06-19
分类号H04L41/14(2022.01);H04B7/185(2006.01);H04W28/14(2009.01);H04L67/10(2022.01);H04L67/568(2022.01);G06F17/18(2006.01);G06N3/00(2006.01);
代理机构北京世誉鑫诚专利代理有限公司 11368;
代理人刘秀珍
地址 710071 陕西省西安市太白南路2号
入库时间 2022-09-06 00:36:09
法律状态公告日
法律状态信息
法律状态
2022-07-29
授权
发明专利权授予
技术领域
本发明涉及物联网的技术领域,特别是涉及一种最大化多无人机架构收益的方法。
背景技术
随着物联网的发展的多样性和复杂性,任务对物联网的计算需求达到了前所未有的水平。然而,由于物联网有限的计算和电池能力,很难在本地处理计算密集型任务,由于无人机的低成本、高灵活性以及空对地的可视通信信道连接,无人机已被广泛应用于为物联网提供增强信息覆盖和中继服务,无人机飞行在待服务的地区上,每个地区都有多个物联网设备,并且无人机将本地难以处理的任务从物联网设备上转发至移动边缘计算服务器上,通过移动边缘计算服务器进行计算处理,其中移动边缘计算是将计算资源部署在无线网络边缘从而为物联网提供就近服务的计算处理技术。
而现在缺乏关于无人机协助的移动边缘计算系统带来的收益的研究,因此急需在综合考虑用户的体验质量和运营商的运营成本的情况下,最大化无人机协助的移动边缘计算系统的净收益计算模型。
发明内容
为解决上述技术问题,本发明提供一种通过权衡用户的体验质量和运营商的运营成本,设计了参数化的净收益模型,共同优化通信、计算和缓存资源分配策略,在满足用户需求的同时最大化无人机协助的移动边缘计算的净收益,在此基础上,提出了多维混合自适应粒子群算法来求解联合优化问题的最大化多无人机架构收益的方法。
本发明的最大化多无人机架构收益的方法,包括:
步骤1、获取部署无人机协助的移动边缘计算UAMEC系统区域内的待服务地区集合与待服务地区内的物联网节点集合,获取待服务地区和物联网节点坐标,获取待服务地区内无人机的飞行高度,获取物联网节点产生的任务;
步骤2、依据步骤1获取的数据,建立通信模型;
步骤3、建立节点任务总处理时间计算模型;
步骤4、建立用户能源消耗计算模型和运营商的能源消耗计算模型;
步骤5、建立无人机协助的移动边缘计算UAMEC系统的净收益计算模型;
步骤6、共同优化卸载策略,缓存策略,带宽分配和计算资源分配来最大化运营商的净收益,并构建最大化多无人机架构收益方法的目标函数;
其中步骤2移动边缘计算MEC服务器将计算结果传回物联网节点的传输时延可忽略不计;因此,若任务
1)第一次传输:物联网节点→无人机当无人机盘旋在地区的中心时,无人机将和地区中心有相同的水平坐标;因此节点
考虑到障碍物的屏蔽,无人机与物联网节点之间的通信链路应是视线LOS和非视线NLOS信道的概率叠加;节点
其中η
其中δ和ε表示与环境相关的系数,并且
因此,节点
在物联网节点与无人机之间采用频分多址FDMA技术,位于同一区域的物联网节点共享带宽;假设无人机和物联网节点之间的带宽为B
其中
带宽分配策略必须满足
2)第二次传输:UAV→移动边缘计算MEC服务器无人机U
无人机和移动边缘计算MEC服务器之间的通信非常好,以至于NLOS链路的情况可以被忽略;与(2)相似,无人机U
无人机与MEC之间的链路采用时分多址TDMA方式;B是无人机和移动边缘计算MEC服务器之间的可用频谱带宽;无人机U
其中
其中步骤3根据本地和MEC计算方法的处理时间来建立模型;
1)本地计算:定义节点
2)MEC计算:对于MEC计算,节点
移动边缘计算MEC服务器的计算资源可由F(每秒转的周期数)表示,且
计算资源分配策略需要满足
总的来说,任务
为了在规定的时间内完成任务,任务的处理时延必须小于截止时间:
其中步骤4分别从用户的角度(即物联网节点)和运营商(即移动边缘计算MEC服务器和无人机)的角度建立能源消耗模型;
1)用户的能源消耗:对于物联网节点,能源消耗在本地计算任务时的计算,或者将任务卸载到移动边缘计算MEC服务器时的传输;
当任务
其中
2)运营商的能源消耗:移动边缘计算MEC服务器主要在接收和计算任务时消耗能量,而无人机的能耗主要消耗在转发任务上;
类似于式(19),当任务由移动边缘计算MEC服务器计算时,能源消耗为
类似于式(20),将任务
其中
其中步骤5根据用户的用户体验质量QoE和运营商的运营成本OPEX对无人机协助的移动边缘计算UAMEC的收入进行了研究;部署、配置和维护无人机协助的移动边缘计算UAMEC系统的成本不在本发明的研究范围之内,关注系统搭建完成后带来的收益;更明确地说,运营商向物联网节点提供通信,计算和缓存资源从而获得盈利,而移动边缘计算MEC服务器和无人机消耗的能源是成本;特别的是,把提高的QoS作为收费标准,由移动边缘计算MEC服务器和无人机消耗的能源价钱为运营商的运营成本OPEX;
在移动边缘计算MEC服务器的协助下,借助于移动边缘计算MEC服务器,可以为将任务
对能够节约的时间和能源进行收费,且对节点
当任务
能源的单位价格为γ,因此运营商的运营成本OPEX为
总而言之,无人机协助的移动边缘计算UAMEC系统的净收益为
其中步骤6通过共同优化卸载策略O,缓存策略H,带宽分配R和计算资源分配F来最大化运营商的净收益,本发明的目标函数为
本发明的最大化多无人机架构收益的方法,步骤1:定义第k个待服务的地区为DR
设在地区DR
无人机盘旋在地区的中心时,无人机可以为这个地区内的节点提供转发服务,无人机按照预定的轨迹飞行,且飞行高度为H,并且将盘旋在地区DR
设定K={1,2,...,K}作为地区的指示下标,设定N
应用了3D欧几里得坐标系,且它的原点为基站的坐标,则地区DR
假设每个物联网节点都有一个待执行的任务,物联网节点既可以本地执行任务也可以将任务卸载到移动边缘计算MEC服务器上执行;节点
在第一次传输某些特定的数据时,移动边缘计算MEC服务器可以选择是否存储数据;如果数据被存储,那么在未来它就可以不经过传输直接被使用;因此,数据的缓存策略可以由
本发明的最大化多无人机架构收益的方法,还包括:建立缓存模型,若数据
而且,由于移动边缘计算MEC服务器的缓存资源有限,假设MEC的缓存资源为Ce,为了保障数据缓存不超过最大缓存能力,缓存策略应该满足
本发明的最大化多无人机架构收益的方法,问题P是包含离散和连续变量的高维混合优化问题优化问题,因此确定性算法很难去求解;为了在限制下得到问题P的最优解,本发明构建了高维混合自适应粒子群MHAPSO算法;定义MaxI为最大迭代次数,MaxP为总的粒子数,群体中的每一个粒子都代表问题P的一个可行解,第u个粒子在t代的位置和飞行速度为
其中
评估粒子位置的适应度函数为
其中
其中,
第u个粒子的速度更新公式为
其中
采用自适应更新权重的方式,权重的更新为
其中,
粒子的更新为
其中,A(:)代表矩阵A中的每一个元素,ξ
与现有技术相比本发明的有益效果为:通过权衡用户的体验质量和运营商的运营成本,设计了参数化的净收益模型,共同优化通信、计算和缓存资源分配策略,在满足用户需求的同时最大化无人机协助的移动边缘计算的净收益,在此基础上,提出了多维混合自适应粒子群算法来求解联合优化问题。
附图说明
图1是本发明的系统架构图;
图2是必要参数汇总表;
图3是不同用户之间的收益对比图;
图4是不同用户密度的收益对比图;
图5是不同类型任务之间的收益对比图;
图6是本发明的详细算法。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
为了验证本发明所提机制的有效性,本发明进行了大量的实验。本发明的仿真是基于MATLAB平台,且必要的参数都总结在图2中。特别的,根据中国实时电价设置了能源单价。本发明考虑共有9个待服务的地区,它们随机分布在500*500m
不同的用户有不同的要求,例如,具有时延敏感型任务的用户关注无人机协助的移动边缘计算UAMEC系统能为它减少的时延,然而能源受限的用户更关注无人机协助的移动边缘计算UAMEC能为它缓解的能耗压力。为了响应不同的需求,将用户分为4类,包括都不敏感,时延不敏感&能耗敏感,时延敏感&能耗不敏感以及都敏感。相对应地,制定了四种收费价格,如图3所示,当用户有更高的要求时,运营商可以赚取更多的收益,从现实的角度来看这是合理的。
如图4所示,图4为不同用户密度(即,每个地区的用户数目)下的净收益,其中输入数据的均值为10Mb,随着用户密度的增加,收益都在急剧增加。但是当用户密度到达大约20时,收益的增加速度明显的减慢了。主要原因是无人机协助的移动边缘计算UAMEC系统资源有限,算法自动拒绝了一些由物联网节点产生的卸载请求。
不同的计算任务有不同的计算复杂度,如图5所示,图5为不同计算任务的净收益,其中输入数据的均值为2Mb。随着计算复杂度的升高,即使用户不同,收益也是在增加的。受限于它们的计算资源,物联网节点倾向于将高计算复杂度的任务卸载至移动边缘计算MEC服务器,然而移动边缘计算MEC服务器处理高计算复杂度任务时也消耗大量的能源,因此当用户有高计算复杂度任务时收取更高的费用是合理的。
在本发明中,研究了基于用户的用户体验质量QoE和运营商的运营成本OPEX的无人机协助的移动边缘计算UAMEC系统的净收益。此外。联合分配计算资源、通信资源和缓存资源,以最大限度地提高无人机协助的移动边缘计算UAMEC系统的净收益。为了解决联合优化问题,设计了MHAPSO算法。最后实施例表明,MHAPSO能够在满足用户需求的基础上最大限度地提高无人机协助的移动边缘计算UAMEC系统的净收益。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
机译: 基于PSO的无人机定位以最大化传感器网络中无人机数据信息的方法和装置
机译: 最大化广告收益的屏幕管理系统,终端,屏幕曝光方法和屏幕曝光设置方法
机译: 使网络运营收益最大化的装置方法和程序