1.一种用于应急通信中的高空基站集群辅助边缘计算方法,其特征在于:基于无人机集群、以及高空气球终端集群,实现对目标区域内各移动用户设备上计算任务的卸载计算;包括如下步骤:步骤S1 .基于目标区域中预设用于标记目标区域范围的各个固定地标对象,应用AK‑means方法,执行如下步骤S1‑1至步骤S1‑11,求解获得无人机布设数量、以及各无人机部署位置,构建无人机集群辅助边缘计算模型,然后进入步骤S2;
步骤S1‑1 .初始化大于2、且小于或等于供选择无人机总数MAX的聚类中心数量K,然后进入步骤S1‑2;其中,MAX小于固定地标对象的总数M;
步骤S1‑2.初始化kK=1,由各个固定地标对象中随机选择一个固定地标对象,作为K个聚类中心方案下的第kK个初始聚类中心,并针对kK的值进行加1更新,且定义未作为K个聚类中心方案下初始聚类中心的各个固定地标对象为K个聚类中心方案下的各个待选择固定地标对象,然后进入步骤S1‑3;
步骤S1‑3.基于各个固定地标对象分别对应水平面内的二维坐标,获得各个待选择固定地标对象分别与各初始聚类中心之间的最小欧几里得距离,并按如下公式:获得各个待选择固定地标对象分别作为下一个初始聚类中心的概率p(m '),然后进入步骤S1‑4;其中,1≤m'≤M',1≤m”≤M',M'表示待选择固定地标对象的数量,d(m')表示第m'个待选择固定地标对象与各初始聚类中心之间的最小欧几里得距离,d(m”)表示第m”个待选择固定地标对象与各初始聚类中心之间的最小欧几里得距离;
步骤S1‑4 .基于各个待选择固定地标对象分别作为下一个初始聚类中心的概率,按照轮盘法选择出作为下一个初始聚类中心的待选择固定地标对象,将该待选择固定地标对象更新作为K个聚类中心方案下的第kK个初始聚类中心,然后进入步骤S1‑5;
步骤S1‑5.判断kK+1是否大于K,是则K个聚类中心方案下初始聚类中心的选择结束,并进入步骤S1‑6,否则返回步骤S1‑3;
步骤S1‑6.基于各个固定地标对象分别对应水平面内的二维坐标,针对K个聚类中心方案下的各个待选择固定地标对象,将各个待选择固定地标对象分别分配至距离其最近的初始聚类中心,构成K个聚类中心方案下的各个簇,然后进入步骤S1‑7;
步骤S1‑7.分别针对K个聚类中心方案下的各个簇,获得簇中各个固定地标对象对应水平面内二维坐标的均值坐标,以该均值坐标位置更新作为该簇的初始聚类中心,进而获得K个聚类中心方案下各个簇的初始聚类中心的更新,然后进入步骤S1‑8;
步骤S1‑8.判断K个聚类中心方案下各个簇中更新后的初始聚类中心是否与更新之前的初始聚类中心均相同,是则K个聚类中心方案下各个簇的初始聚类中心即为各个簇的聚类中心,并进入步骤S1‑9,否则返回步骤S1‑6;
步骤S1‑9.分别针对K个聚类中心方案下的各个簇,计算获得簇中各个固定地标对象分别与其聚类中心的欧几里得距离并按获得该簇所对应的簇内误差平方和然后进入步骤S1‑10;其中,表示K个聚类中心方案下第kK个簇中第个固定地标对象与其对应聚类中心之间的欧几里得距离,表示K个聚类中心方案下第kK个簇中的固定地标对象数量;
步骤S1‑10.获得K个聚类中心方案下的各个簇所对应簇内误差平方和的最大值,记为并按获得K个聚类中心方案所对应的簇内误差平方和FSSEK,然后判断K+1是否大于MAX,是则进入步骤S1‑11,否则针对K的值进行加1更新,并返回步骤S1‑2;其中,U和a均表示预设参数,且U>1,a>1;
步骤S1‑11.根据各个聚类中心方案分别所对应的簇内误差平方和FSSEK,以K值作为横坐标、簇内误差平方和FSSEK作为纵坐标,绘制手肘图像,并按横坐标方向选择手肘图像中的第一个拐点,获得该拐点所对应的横坐标值,即由该横坐标值确定无人机布设数量,以及由该横坐标值所对应聚类中心方案中各聚类中心分别对应水平面内的二维坐标,结合预设无人机统一海拔高度,确定各无人机部署位置;
步骤S2.根据无人机集群辅助边缘计算模型,结合目标区域内的各移动用户设备,以及高度统一高于无人机集群高度、且通信范围覆盖目标区域的各个配备MEC服务器的高空气球终端所构成的高空气球终端集群,构建物理实体网络、以及其所对应的数字孪生网络,用于拟合各移动用户设备、各无人机、各高空气球终端的坐标位置、资源状态,然后进入步骤S3;
上述步骤S2包括如下步骤S2‑1至步骤S2‑3;步骤S2‑1.基于预设目标区域内所有移动用户设备分别在目标区域内的任务计算操作持续时长统一为T,获得各移动用户设备的坐标如下:Li(t)=(xi(t) ,yi(t) ,zi(t))以及获得各移动用户设备分别在各时隙t下所生成的计算任务如下:Ui(t)={Di(t) ,Ci(t) ,Ti(t)}然后进入步骤S2‑2;其中,1≤t≤T,1≤i≤I,I表示移动用户设备的数量,Li(t)表示第i移动用户设备在时隙t下的坐标,xi(t)表示第i移动用户设备在时隙t下坐标中对应X轴的坐标值,yi(t)表示第i移动用户设备在时隙t下坐标中对应Y轴的坐标值,zi(t)表示第i移动用户设备在时隙t下坐标中对应Z轴的坐标值,Ui(t)表示第i移动用户设备在时隙t下所产生的计算任务,Di(t)表示第i移动用户设备在时隙t下所产生计算任务的任务量大小,Ci(t)表示第i移动用户设备在时隙t下所产生计算任务中1比特任务量计算所需的CPU资源,Ti(t)表示第i移动用户设备在时隙t下所产生计算任务对应的预设最大时延;
步骤S2‑2.根据无人机集群辅助边缘计算模型,结合目标区域内的各移动用户设备,以及高度统一高于无人机集群高度、且通信范围覆盖目标区域的各个配备MEC服务器的高空气球终端所构成的高空气球终端集群,构建物理实体网络,然后进入步骤S2‑3;
步骤S2‑3.构建物理实体网络所对应的数字孪生网络,用于拟合各移动用户设备、各无人机、各高空气球终端的坐标位置、资源状态,其中,各移动用户设备分别所对应的数字孪生体如下:其中,DTi(t)表示第i移动用户设备在时隙t下所对应的数字孪生体,表示第i移动用户设备的最大CPU频率,fi(t)表示第i移动用户设备在时隙t下所对应数字孪生体的CPU频率,fi^(t)表示第i移动用户设备在时隙t下与其所对应数字孪生体之间的CPU频率估计误差;
各无人机分别所对应的数字孪生体如下:
其中,1≤q≤Q,Q表示无人机布设数量,DTq(t)表示第q无人机在时隙t下所对应的数字孪生体,表示第q无人机的最大CPU频率,Lq表示第q无人机的坐标,表示第q无人机在时隙t下所对应数字孪生体分配给第i移动用户设备的估计CPU频率,表示第q无人机在时隙t下分配给第i移动用户设备的实际CPU频率与该无人机在时隙t下所对应数字孪生体分配给第i移动用户设备的估计CPU频率之间的误差;
各高空气球终端分别所对应的数字孪生体如下:
其中,Q+1≤j≤Q+J,J表示高空气球终端的数量,DTj(t)表示第j高空气球终端在时隙t下所对应的数字孪生体,表示第j高空气球终端的最大CPU频率,Lj表示第j高空气球终端的坐标,表示第j高空气球终端在时隙t下所对应数字孪生体分配给第i移动用户设备的估计CPU频率,表示第j高空气球终端在时隙t下分配给第i移动用户设备的实际CPU频率与该高空气球终端在时隙t下所对应数字孪生体分配给第i移动用户设备的估计CPU频率之间的误差;
然后进入步骤S3;步骤S3.基于数字孪生网络反馈的物理实体网络信息,包括各移动用户设备的位置、全部计算任务,以及无人机集群的布设信息和高空气球终端集群的布设信息,构建移动用户设备卸载决策优化模型和计算任务资源分配优化模型,然后进入步骤S4;
步骤S4.基于步骤S3所构建的移动用户设备卸载决策优化模型和计算任务资源分配优化模型,应用深度强化学习中的DDQN算法求解移动用户设备卸载决策,然后进入步骤S5;上述步骤S4包括如下步骤S4‑1至步骤S4‑4;
步骤S4‑1 .基于表示第i移动用户设备在时隙t下计算任务未在对象l上执行,表示第i移动用户设备在时隙t下计算任务在对象l上执行,以及所布设无人机集合{1、…、Q}、高空气球终端集合{Q+1、…、Q+J}、l=0表示本地,若第i移动用户设备在时隙t下针对计算任务执行本地计算,则如下:若第i移动用户设备在时隙t下将计算任务卸载至无人机上时,则如下:
若第i移动用户设备在时隙t下将计算任务卸载至高空气球终端上时,则如下:
然后进入步骤S4‑2;步骤S4‑2.获得各移动用户设备分别在时隙t下针对计算任务进行卸载的约束条件如下:然后进入步骤S4‑3;步骤S4‑3.构建两个参数完全相同的深度神经网络,并对其中一个网络记为G网络,且G网络的所有参数记为另一个网络记为目标G网络,且目标G网络的所有参数记为然后进入步骤S4‑4;
步骤S4‑4.在时隙t下,G网络的输入是当前系统的状态S(t),输出是全部卸载动作构成的动作空间A(t)、以及状态S(t)下各个移动用户设备完成卸载动作选择后整个系统能量消耗值的负值和惩罚值之和Q值,其中应用ε‑greedy贪婪算法进行最终动作的选择,在执行选择的动作后进入下一个状态S (t+ 1) ,得到奖励函数R (t+ 1) ,并将这条记录约束
约束其中,表示在时隙t下为完成第i移动用户设备的计算任务,τ表示相邻两个时隙之间的持续时间大小,整个系统的能量消耗表示如下:约束C1‑约束C3表示在时隙t下第i移动用户设备的计算CPU频率、第q无人机的计算CPU频率、第j高空气球终端的计算CPU频率不能超过各自的最大CPU频率;
约束C4‑约束C6表示在时隙t下第i移动用户设备的计算任务无论是在本地计算、无人机计算,还是高空气球终端计算,完成的时间均不能超过第i移动用户设备关于该计算任务对应的预设最大时延;其中,约束C4中,表示在时隙t下第i移动用户设备本地计算实际消耗的时间,包含第i移动用户设备的数字孪生体估计的计算时间以及第i移动用户设备的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙第i移动用户设备的数字孪生体估计的计算时间表示为:第i移动用户设备的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙表示如下:
则在时隙t下第i移动用户设备本地计算实际消耗的时间表示如下:
约束C5中,表示在时隙t下第q无人机完成第i移动用户设备的计算任务实际消耗的时间,包含第q无人机的数字孪生体估计的计算时间以及第q无人机的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙第q无人机的数字孪生体估计的计算时间表示如下:第q无人机的真实计算时间消耗值与其数字孪生体估计值之间的计算延迟间隙
S(t)={Li(t) ,Ui(t) ,Lq,Lj}则基于当前系统的状态S(t),第i移动用户设备完成计算任务地点的卸载后,在时隙t下,全部卸载动作构成的动作空间A(t)表示如下:则获得奖励函数R(t+1)表示如下:
其中,
其中,β0表示信道功率增益,B表示信道带宽,σ表示高斯白噪声;
2)第q无人机因为计算来自第i移动用户设备的计算任务消耗的能耗为:
其中,kq表示对应第q无人机芯片结构的预设参数值;
步骤S4‑4‑3.在时隙t下,若第i移动用户设备计算任务选择高空气球终端计算模式,则相对应的能量消耗如下:
1)第i移动用户设备在时隙t下传输计算任务到第j高空气球终端消耗的传输能耗为:
其中,表示第i移动用户设备在时隙t下向第j高空气球终端传输计算任务的发射功率;表示第i移动用户设备在时隙t下向第j高空气球终端传输计算任务的传输时间,表示为:
2)第j高空气球终端计算来自第i移动用户设备的计算任务消耗的能耗为:
其中,kj表示对应第j高空气球终端芯片结构的预设参数值。