1.一种面向爆发性流量的移动边缘计算无人机群辅助通信方法，其特征在于，包括下述步骤：步骤一，预测地面计算需求分布情况；

引入模式搜索算法改进PSO-BP神经网络，结合模式搜索算法的局部搜索能力，将其作为局部搜索算子融入PSO-BP算法中；改进的PSO-BP基站流量预测算法中，在利用PSO算法的全局搜索能力的基础上，加入判断早熟停滞机制，一旦检索到早熟迹象，便利用模式搜索算法对当前粒子群的历史最优位置进行模式搜索，使其跳出局部最优；从移动网络运营商的服务器获取目标区域用户信息，分别统计每天不同时段内，在目标区域内的移动用户数和卸载数据量以及他们的位置信息，由于人类活动周期性，因此合并不同天数同一时间的数据，将数据分成48个数据集；用数据集做训练样本训练改进后的神经网络，预测得到每个时间点目标区域内卸载计算数据量和数据分布模型；

其中所述改进的PSO-BP基站流量预测算法具体如下：

(1)初始化BP神经网络结构并决定该结构下相关参数的初始取值，决定网络的具体层数W及各层节点的数量；

(2)粒子群粒子编码，建立粒子群与权值和阀值之间的对应关系，假设前一步创建的网络结构为M-N-1，则粒子维度D就是权值和阈值的个数之和，即D＝M*N+2N+1；

(3)初始粒子群，包括对粒子个数、粒子速度和位置的初始化，并设置粒子群算法的相关参数，如惯性权重W、学习因子；

(4)计算适应度函数值，改进的PSO-BP算法是利用改进的PSO算法来优化BP神经网络的权值和阈值，所以适应度函数是网络训练计算所得到的均方误差；

(5)判断结束条件，如果不符合则进入下一步骤，判断粒子陷入局部最优的机制；若符合结束条件，将粒子群的种群极值作为最优解；

(6)根据判断粒子陷入局部最优的机制判断粒子是否早熟停滞，若不是，则更新粒子的位置和速度，然后跳转到(4)开始下一轮循环；若是，则对当前粒子群进行模式搜索，更新粒子群的位置和速度，然后跳转到(4)开始下一轮循环；

(7)将(5)获得的解还原成相对应的权值和阈值，使用它们对网络的相关参数进行赋值处理；

(8)进行BP网络的二次学习训练直到达到性能指标要求，最终获得预测模型；

步骤二，计算需求分区；

要能有效部署支持移动边缘计算的无人机群为地面用户提供计算服务，则需要根据预测模型得到每个时间点的地面计算需求分布模型，由地面用户计算需求分布模型划分出合理的单个无人机服务子区域；根据当前无人机群中各个无人机所在位置、各个无人机所剩能量、用户数和用户分布模型，将所有用户所在区域划分为若干个小区，每个小区由一个无人机提供服务，每个小区互不重叠，且每个小区内的计算需求与当前对应无人机的能量成正比，该无人机所剩能量越多，则所服务小区内划分的计算需求也越多；部署的无人机群中，每个无人机为自己对应的服务小区中的地面用户提供计算服务；生成分区后，无人机随即在小区内飞行并为用户提供服务；每隔30分钟随着预测计算需求分布模型的变化，重新划分小区；

步骤三，子区域内无人机的能量优化；

由于无人机电池寿命有限，在无人机满足所有用户计算需求的前提下，对无人机计算频率、无人机飞行轨迹进行联合优化，使无人机耗能最小；使用优化目标函数是凸的，可以用替代优化算法分别求出最优的无人机的CPU频率和无人机飞行轨迹，以最小化单个无人机的能耗，进而最小化无人机群的能耗，延长无人机群的服务时长；

对于分区后的任一服务小区：

假设小区内有计算卸载需求的地面用户数为k，服务时间为T，被划分为n个时隙；

地面第k个用户的位置用zk表示，zk＝[xk,yk],k∈K,K＝{1,2,...,K}；

n时隙UAV水平面坐标：zu[n]＝[xu[n],yu[n]]；

n时隙第k个用户的卸载比特数和CPU频率分别为：lk[n],fk[n]；

n时隙UAV的CPU频率为：fu[n]；

n时隙UAV计算卸载任务能耗为：

3

Eu,o[n]＝γcKλ[fu[n]]，

其中γc是CPU的有效开关电容；

其中λ＝T/(NK)，采用TDMA技术，使得所有用户将计算位一个一个卸载到无人机，故将时隙T/N再划分为k个时隙；

UAV飞行能耗模型：

E[n]＝κ||vu[n]||2,

其中κ＝0.5WT/N，W是无人机质量；

在服务小区内UAV能耗最小化目标函数：

C6:zu[1]＝z0,zu[N+1]＝zF,

其中C1表示第k个用户的所有计算比特数等于本地计算比特数和卸载比特数之和；C2表示在n时隙的UAV的计算位数不能高于n-1时隙的前所有用户的卸载计算位总数；C3表示UAV计算的总位数应该等于用户的总卸载位数；C4表示UAV不在第一个时隙执行计算任务，并且所有用户都不在最后一个时隙卸载他们的计算任务；C5表示飞行速度约束；C6表示与无人机相关的初始和最终位置约束；

给定飞行轨迹优化UAV的CPU频率：

s.t C1-C4 and C7.

给定UAV的CPU频率优化飞行轨迹：

s.t C2 C5 and C7.

可见P2是凸的，可以用拉格朗日对偶法求解；P3也是凸的，可以用CVX求解。