【技术实现步骤摘要】
本专利技术涉及一种卸载决策与资源分配联合优化方法就系统，属于通信。
技术介绍
1、在移动边缘计算(mec)环境中，无人机(uav)作为灵活可调度的移动节点，为边缘计算任务的执行提供了独特的解决方案。
2、在无人机辅助的移动边缘计算任务卸载中，用户可以有三种方式对资源进行处理：本地执行、卸载到无人机执行、通过无人机中继卸载到基站执行。尽管通过无人机中继之后基站的大量资源可以缩短计算时延，但是传输成本与代价无疑大大增加。与此同时，本地计算无需传输，但也给本地计算资源和能耗带来了难题。随着任务需求和网络拓扑的变化，如何有效地决策无人机的任务卸载策略以及资源分配，以最小化任务执行的总时延成为了一个关键问题。
技术实现思路
1、专利技术目的：针对如何有效地决策无人机的任务卸载策略以及资源分配，以最小化任务执行的总时延的问题，本专利技术提供一种无人机辅助卸载决策与资源分配方法，目的是通过优化无人机的决策变量和资源分配以最小化任务执行的总时延。在终端的计算能力和无人机资源限制条件下，建立了任务完成时延最小化优化问题。采用遗传算法对问题进行求解，综合考虑无人机、基站的计算资源限制，构建了适应度函数，用于评估每个决策变量和资源分配方案的执行效果。在每一代进化过程中，遗传算法根据适应度函数评估候选解的质量，并结合交叉、变异等遗传操作，生成新一代的解，直到收敛获得最优决策变量和资源分配。。
2、技术方案：为实现上述目的，本专利技术采用的技术方案为：
3、一种无人机辅助
4、s1、检测用户位置、任务复杂度、任务数据量、用户计算能力。
5、s2、基于用户位置对用户进行分簇，并根据分簇结果确定计算无人机位置，将中继无人机位置设置在用户平均位置的中心和基站的中点处。
6、s3、根据用户位置、任务复杂度、任务数据量、用户计算能力分别计算出每个任务在本地计算、卸载到计算无人机计算、通过中继无人机卸载到基站计算的时延，再根据计算无人机位置、中继无人机位置计算出通信时延。
7、s4、根据通信时延建立多基站多无人机多用户场景下卸载决策和资源分配的优化模型，其中优化目标是最小化总时延。
8、s5、构造出适应度函数，利用遗传算法对步骤s4建立的多基站多无人机多用户场景下卸载决策和资源分配的优化模型进行求解，获得最终的用户决策、总时延和资源分配矩阵，其中无人机的计算资源按照卸载至该无人机的任务大小进行分配。
9、优选的，多基站多无人机多用户场景下卸载决策和资源分配的优化模型表示为：
10、
11、其中，x表示用户的卸载决策，由xi,和组成，xi表示用户i的任务是否在本地执行，表示用户i的任务是否卸载到计算无人机执行，表示用户i的任务是否通过无人机卸载到基站执行，表示用户i的执行时延，表示用户i选择卸载到计算无人机m执行时的总时延，表示用户i选择通过中继无人机r中继再卸载到基站j执行的总时延，表示用户终端集合，表示计算无人机集合，表示基站集合，约束c1表示每个用户有三种可以选择的卸载决策，c2表示用户只能在三种卸载决策中选择其中一种，c3表示无人机分配给用户的资源不超过用户的总资源，c4表示基站分配给用户的资源不超过用户总资源，fi,m表示计算无人机m分配给用户终端i的计算资源，fi,j表示基站j分配给用户终端i的计算资源，ym表示每个计算无人机的计算资源量，xj表示每个基站的计算资源量。
12、优选的，适应度函数如下所示：
13、
14、其中，totaldealy表示适应度值，n表示用户数量，xi,xi+n,xi+2n均为决策变量，分别表示用户是否进行本地处理、是否选择卸载至计算无人机处理和是否选择通过中继无人机中继给基站处理，ci,di,fi分别表示用户任务复杂度，用户任务数据量和用户计算能力，ri,1,ri,2分别表示计算无人机分配给用户的资源和基站分配给用户的资源。local(),unload().relay()分别表示本地时延、计算无人机时延和中继到基站的时延函数。
15、优选的：所述步骤s3中，根据用户位置、任务复杂度、任务数据量、用户计算能力分别计算出每个任务在本地计算、卸载到计算无人机计算、通过中继无人机卸载到基站计算的时延，再根据计算无人机位置、中继无人机位置计算出通信时延，包括：
16、s3.1、用户采用oma多址接入方式，用户传输相互之间没有干扰，且信道带宽均为b，得到用户i到计算无人机m、用户i到中继无人机r、中继无人机r到基站j的通信速率。
17、s3.2、根据用户的选择将时延分成三种情况进行计算。
18、(1)情况一：当用户i选择将任务本地执行时，用户i的执行时延表示为：
19、
20、其中，表示用户i的执行时延，ci表示任务执行所需要的cpu周期数，fi表示用户终端i的计算能力。
21、(2)情况二：当用户i选择卸载到计算无人机m执行时，则用户i选择卸载到计算无人机m执行时的总时延为：
22、
23、其中，表示用户i选择卸载到计算无人机m执行时的总时延，di表示用户终端i的任务数据量，表示用户i的任务是否卸载到计算无人机执行，b表示信道带宽，pi表示用户i的传输功率，hi,m表示用户i和计算无人机m之间的信道增益，σ表示噪声功率，ci表示任务执行所需要的cpu周期数，fi,m表示计算无人机m分配给用户终端i的计算资源，
24、(3)情况三：当用户i选择通过中继无人机r中继再卸载到基站j执行时，则用户i选择通过中继无人机r中继再卸载到基站j执行的总时延为：
25、
26、其中，表示用户i选择通过中继无人机r中继再卸载到基站j执行的总时延，di表示用户终端i的任务数据量，表示用户i的任务是否通过无人机卸载到基站执行，b表示信道带宽，pi表示用户i的传输功率，hi,r表示用户i和中继无人机r之间的信道增益，σ表示噪声功率，hr,j表示中继无人机r和基站j之间的信道增益，ci表示任务执行所需要的cpu周期数，fi,m表示计算无人机m分配给用户终端i的计算资源。
27、优选的：用户i到计算无人机m、用户i到中继无人机r、中继无人机r到基站j的通信速率分别为：
28、
29、
30、
31、其中，ri,m表示用户i到计算无人机m的通信速率，ri,r表示用户i到中继无人机r的通信速率，rr,j表示中继无人机r到基站j的通信速率，表示用户i的任务是否卸载到计算无人机执行，表示用户i的任务是否通过无人机卸载到基站执行，b表示信道带宽，pi表示用户i的传输功率,pr表示中继无人机r的传输功率，hi,m表示用户i和计算无人机m之间的信道增益，hi,r表示用户i和中继无人机r之间的信道增益，hr,j表示中继无人机r和基站j之间的信道增益，σ表示噪声功率。
<本文档来自技高网...【技术保护点】
1.一种无人机辅助卸载决策与资源分配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述无人机辅助卸载决策与资源分配方法，其特征在于：多基站多无人机多用户场景下卸载决策和资源分配的优化模型表示为：
3.根据权利要求2所述无人机辅助卸载决策与资源分配方法，其特征在于：适应度函数如下所示：
4.根据权利要求3所述无人机辅助卸载决策与资源分配方法，其特征在于：所述步骤S3中，根据用户位置、任务复杂度、任务数据量、用户计算能力分别计算出每个任务在本地计算、卸载到计算无人机计算、通过中继无人机卸载到基站计算的时延，再根据计算无人机位置、中继无人机位置计算出通信时延，包括：
5.根据权利要求4所述无人机辅助卸载决策与资源分配方法，其特征在于：用户i到计算无人机m、用户i到中继无人机R、中继无人机R到基站j的通信速率分别为：
6.根据权利要求5所述无人机辅助卸载决策与资源分配方法，其特征在于：所述步骤S5中，构造出适应度函数，利用遗传算法对步骤S4建立的多基站多无人机多用户场景下卸载决策和资源分配的优化模型进行求解，包括：
...【技术特征摘要】
1.一种无人机辅助卸载决策与资源分配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述无人机辅助卸载决策与资源分配方法，其特征在于：多基站多无人机多用户场景下卸载决策和资源分配的优化模型表示为：
3.根据权利要求2所述无人机辅助卸载决策与资源分配方法，其特征在于：适应度函数如下所示：
4.根据权利要求3所述无人机辅助卸载决策与资源分配方法，其特征在于：所述步骤s3中，根据用户位置、任务复杂度、任务数据量、用户计算能力分别计算出每个任务在本地计算、卸载到计算无人机计算、通过中继无人机卸载到基站计算的时延，再根据计算无人机位置、中继无人机位置计算出通信时延，包括：
5.根据权利要求4所述无人机辅助卸载决策与资源分配方法，其特征在于：用户i到计算无人机m、用户i到中继无人机r、中继无人机r到基站j的通信速率分别为：
6.根据权利要求5所述无人机辅助卸载决策与资源...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。