1.一种莱斯信道下多无人机辅助MEC任务卸载的能效优化方法,其特征在于,包括如下步骤:步骤一、获取多无人机辅助MEC任务卸载系统中的无人机位置、地面用户位置、每个无人机和地面用户的传输时延和能耗;
步骤二、构建优化目标函数为:
以及确定优化约束条件为:
其中, 为系数; 为 时刻任务卸载系统的计算及传输能耗; 为 时刻任务卸载系统的时延; 为无人机飞行能耗; 为用户i与无人机j之间的卸载变量, 为用户i是否由无人机中继的判断变量, 为用户i与无人机j之间的传输时延, 用户i与基站BS之间的传输时延, 为基站的计算时延,为无人机的计算时延, 为最大时延, 为无人机的移动距离, 为无人机的最大移动距离, 为用户集合,为无人机集合,为时隙的集合, 为 坐标最小值, 为 坐标最大值, 为无人机q在 时刻的 坐标, 为无人机j在 时刻的 坐标, 为y坐标最小值、 为y坐标最大值, 为无人机q在 时刻的y坐标, 为无人机j在 时刻的y坐标, 为任意两无人机的 坐标之间的最小距离、 任意两无人机的y坐标之间的最小距离;
根据所述优化目标函数和所述优化约束条件确定任务卸载策略和每个无人机的下一步的最佳位置;
其中,所述任务卸载策略包括:将计算任务直接卸载至无人机、计算任务直接卸载至地面基站或以无人机作为中继将计算任务卸载至地面基站;
步骤三、无人机节点移动到最佳位置后,所述多无人机辅助MEC任务卸载系统按照所述任务卸载策略执行计算任务;
多无人机辅助MEC任务卸载系统的时延计算模型为:
其中, 为用户 到地面基站的传输时延, 为无人机 到地面基站的传输时延, 为用户与无人机的传输时延; 为地面基站的计算时延, 为无人机的计算时延, 为用户i与地面基站之间的卸载变量, 为用户i与无人机j之间的卸载变量, 为用户i是否由无人机中继的判断变量; 为用户编号, 为无人机编号;m为用户的数量, 为无人机的数量;
所述多无人机辅助MEC任务卸载系统的计算及传输能耗计算模型为:式中, 为用户 到地面基站的传输能耗, 为用户i到无人机j时的传输能耗;
为无人机j到基站BS的传输能耗; 为基站的计算能耗; 为无人机的计算能耗;
所述无人机飞行能耗的计算模型为:
其中, 为无人机的移动距离, 为最大移动距离, 为无人机悬停能耗; 为无人机移动到 时的能耗与悬停能耗的比值;
在所述步骤二中采用深度确定性策略梯度优化神经网络确定任务卸载策略和每个无人机的下一步的最佳位置,包括如下步骤:步骤a、构建深度确定性策略梯度优化神经网络,初始化神经网络参数;
步骤b、将无人机位置、地面用户位置、每个无人机和地面用户的传输速率整合成系统状态 ;
步骤c、将系统状态 输入到深度确定性策略梯度优化神经网络中进行训练,得到系统动作 ;
其中, 包括卸载策略和每个无人机的下一步的位置;
步骤d、确定系统动作 获得奖励值 和新的系统状态 ;并将存储到记忆内存 中;
其中,奖励函数设置为:
步骤e、以奖励值最大化为目标对神经网络进行迭代优化,直到达到设定的迭代次数,得到最优策略神经网络;
步骤f、获取当前无人机位置、地面用户位置、每个无人机和地面用户的传输速率通过所述最优策略神经网络得到任务卸载策略和每个无人机的下一步的最佳位置。
2.根据权利要求1所述的莱斯信道下多无人机辅助MEC任务卸载的能效优化方法,其特征在于,用户与无人机的传输时延的计算公式为:其中, 为可视信道概率; 表示地面用户到无人机之间的小尺寸衰落系数; 为地面用户的发射功率;为用户在每个时刻产生的任务量,为带宽; 为地面用户到无人机信道增益; 为噪声功率。
3.根据权利要求2所述的莱斯信道下多无人机辅助MEC任务卸载的能效优化方法,其特征在于,无人机到地面基站的传输时延的计算公式为:其中, 为无人机到地面基站的小尺寸衰落系数; 为无人机的发射功率; 为无人机到地面基站的信道增益。
4.根据权利要求3所述的莱斯信道下多无人机辅助MEC任务卸载的能效优化方法,其特征在于,还包括:判断系统动作 是否满足优化约束条件;如果不满足则给奖励值添加惩罚值;并以添加惩罚值后的奖励值作为最终奖励值。