欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024101664037
申请人: 南京信息工程大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种多UAV-RIS辅助移动边缘计算的任务卸载方法,其特征在于,所述任务卸载方法包括以下步骤:S1,根据第三方收集的数据,构建多UAV-RIS辅助的大规模移动边缘计算卸载场景;

S2,分别建立用户卸载决策、卸载比例、UAV轨迹、RIS相位偏移、用户和UAV计算资源分配的通信模型、计算模型、时延模型和能耗模型,基于通信模型、计算模型、时延模型和能耗模型构建优化模型;通信模型用于计算网络平均吞吐量,计算模型用于计算任务的表示、任务量以及计算所需的CPU数量,时延模型用于UAV服务器计算时延、用户计算时延和卸载时延,能耗模型用于UAV飞行能耗计算、双向传输能耗计算、UAV和用户本地能耗计算;

S3,设定相关优化变量的初始值;

S4,依据当前最优RIS相位偏移和UAV轨迹,求解用户卸载决策、卸载比例、用户和UAV计算资源分配;

S5,依据当前最优用户卸载决策、卸载比例、用户和UAV计算资源分配以及UAV轨迹,采用解析法求解RIS相位偏移矩阵;

S6,依据当前最优用户卸载决策、卸载比例、用户和UAV计算资源分配以及RIS相位偏移,应用深度强化学习算法求解UAV轨迹;

S7,使用交替优化算法,循环执行步骤S4、步骤S5和步骤S6,直到相邻两次迭代间整个网络消耗的能量或时延绝对值小于预设阈值,或达到最大预设迭代次数时,迭代结束,获得用户设备和UAV的计算资源最优分配策略,获得用户设备的计算任务最优卸载决策和卸载比例,获得RIS相位偏移和最优UAV的轨迹;

S8,基于整个移动边缘计算网络的当前状态,应用UAV轨迹、计算任务最优卸载决策和卸载比例、RIS相位偏移、以及计算资源最优分配策略,以最大化整个网络平均吞吐量为目标,对大规模目标区域内各用户设备计算任务进行卸载和计算;

步骤S1中,根据第三方收集的数据,构建多UAV-RIS辅助的大规模移动边缘计算卸载场景的过程包括以下步骤:设定在连续周期G

设定计算任务卸载约束条件,包括:

定义一个新的集合

当a

设定飞行约束,包括:

令第m个UAV在时隙t的3D坐标设为q步骤S2中,构建用户卸载决策、卸载比例、UAV轨迹、RIS相位偏移、用户和UAV计算资源分配的通信模型过程如下:根据欧几里得公式,计算时隙t内不同设备之间的距离:式中,d

在时隙t从第k个用户设备到第m个UAV为视距链路,其信道增益g其中,α

在时隙t内,从第k个用户设备到第n个RIS的信道增益g其中,d是反射元件之间的间距,λ是载波波长;

在时隙t,θ

其中,θ

如果用户k在时隙t被第m个UAV服务,即a其中,P

用户k在时隙t的卸载速率R

如果用户k在时隙t获得基站服务,即a

用户k在时隙t的卸载速率R

其中,P

步骤S2中,构建用户卸载决策、卸载比例、UAV轨迹、RIS相位偏移、用户和UAV计算资源分配的计算模型过程如下:每个时隙都有一个用户面临一个计算密集型任务S其中,D

将t时隙用户k本地计算的比例设为ρ

步骤S2中,构建用户卸载决策、卸载比例、UAV轨迹、RIS相位偏移、用户和UAV计算资源分配的时延模型过程如下:将用户k本地计算比例设为ρ

其中,

每个用户在时隙t内的计算能力为:

其中,

如果用户k决定在时隙t中将其部分计算任务卸载给第m个UAV,则卸载所需时间其中,

每个UAV在时隙t内的计算能力

其中,

如果用户k决定在时隙t将其部分任务卸载给基站,则卸载所需时间其中,f

步骤S2中,构建用户卸载决策、卸载比例、UAV轨迹、RIS相位偏移、用户和UAV计算资源分配的能耗模型过程如下:如果时隙t内用户k决定在本地执行计算任务,则用户k本地计算消耗的能量其中,

如果时隙t内用户k决定将其部分计算任务卸载给第m个UAV,则卸载消耗的能量如果时隙t内用户k决定将其部分计算任务卸载给基站,则卸载消耗的能量步骤S2中,所述优化模型为:

定义卸载决策

以最大化整个网络的平均吞吐量为优化目标,将优化问题建模为:C1.7:q

C1.8:‖q

约束C1.1用于限制每个用户本地计算的比例;约束C1.2和C1.3用于保证每个时隙最多只有一个用户正在卸载计算任务到边缘服务器,以避免任务冲突和资源竞争;约束C1.4和C1.5用于限制每个用户和UAV的最大计算资源,以确保网络中的计算资源分配在可接受的范围内;约束C1.6用于表示RIS相移的调整范围;约束C1.7用于表示UAV的初始位置和最终位置,以确保UAV在时隙内的飞行轨迹合理;约束C1.8用于限制每个时隙UAV的最大移动距离,以确保飞行路径的可行性和安全性;约束C1.9用于保证UAV之间的最小安全距离,以避免碰撞和冲突;约束C1.10用于表示每个任务要在一个时隙内完成,以确保任务完成的时效性和可靠性;约束C1.11用于表示一个时隙内的能耗限制,通过限制整个网络可用的能量,以确保计算和通信任务能够在能耗约束下完成;

步骤S4中,依据当前最优RIS相位偏移和UAV轨迹,求解用户卸载决策、卸载比例、用户和UAV计算资源分配的过程包括以下步骤:给定RIS相位偏移ψ和UAV轨迹Q,求解卸载决策A、卸载比例ρ、UAV和用户设备计算资源分配f,构建的问题表示为:对于优化问题P2,将其中C2.2的二元变量放宽为连续变量,产生以下凸问题:对于凸优化问题P3,使用凸优化工具CVX求解卸载决策A、卸载比例ρ、UAV和用户设备计算资源分配f;

步骤S5中,依据当前最优用户卸载决策、卸载比例、用户和UAV计算资源分配以及UAV轨迹,采用解析法求解RIS相位偏移矩阵的过程包括以下步骤:在时隙t,为了最大化用户k到基站的卸载速率,在信号接收端对接收信号进行相位对齐,得到第t个时隙第n个RIS第z个反射元件的相位偏移θRIS相位偏移

步骤S6中,依据当前最优用户卸载决策、卸载比例、用户和UAV计算资源分配以及RIS相位偏移,应用深度强化学习算法求解UAV轨迹的过程包括以下步骤:构建以下问题:

s.t.C4.7:q

C4.8:‖q

构建两个深度神经网络:演员网络和评论家网络,演员网络的所有参数记为θ,评论家网络的所有参数记为ω;当前网络状态S(t)表示为:当在某个时隙t下的状态S(t)时,深度强化学习算法根据当前的状态不断更新动作,在时隙t下,动作空间A(t)表示为:奖励函数R(t)表示为:

R(t)=(1-ρ

在时隙t,演员网络的输入是当前网络的状态S(t),输出是下一个状态S(t+1)、动作A(t)、奖励R(t)以及状态S(t)下各个用户设备完成卸载动作选择后整个网络的平均吞吐量,其中动作A(t)使用ε-greedy贪婪算法进行选择;将状态S(t)和S(t+1)分别输入到评论家网络,并计算时差g=V