1.一种基于联合优化的无人机轨迹规划与任务卸载决策方法,其特征在于,是应用于一个边长为的正方形地面区域V中,将正方形地面区域V的一个顶点设为原点o,将与所述原点o相连的两条边分别设置为X轴和Y轴,将垂直于XY面且过原点o的垂直线作为Z轴,从而建立三维坐标系;在所述正方形地面区域V中部署分布式无人机集合U={,,...,,...,}和一架飞行无人机以协助地面上的n个移动设备在T个时隙所组成的时隙集合中完成自身的计算任务,其中,表示第j架分布式无人机;[1,m];m表示分布式无人机的总数;将第j架分布式无人机的位置记为;其中,表示第j架分布式无人机投影到地面上的坐标,表示每个分布式无人机悬停位置的高度;将飞行无人机在第t个时隙中的位置记为,表示飞行无人机在第t个时隙中投影到地面上的坐标,表示飞行无人机的飞行高度,将飞行无人机在第t个时隙中的飞行角度记为,飞行距离记为;表示每个时隙中的飞行无人机的最大飞行距离;
将n个移动设备第t个时隙中的位置记为,其中,表示第i个移动设备第t个时隙中的X轴坐标和Y轴坐标,将n个移动设备上第t个时隙的任务集合记为={,,...,,...,},其中,表示第i个移动设备在t个时隙中的任务;若任务在移动设备上执行,则记为本地计算,若任务在无人机端执行,则记为边缘计算;[1,n];
令第t个时隙中第i个任务的属性记为=,其中,表示第i个移动设备在第t个时隙的数据量;表示处理所需要的CPU周期数;
所述基于联合优化的无人机轨迹规划与任务卸载决策方法是按如下步骤进行的:步骤一:根据移动设备的任务和无人机的位置,构建无人机轨迹规划与任务卸载决策模型:步骤1.1:利用式(1)计算第t个时隙中第i个移动设备的任务在本地计算的时延:(1)
式(1)中,表示为第i个移动设备的计算能力;
步骤1.2:利用式(2)计算第t个时隙中第i个移动设备的任务在本地计算的能耗:(2)
式(2)中,是与移动设备的CPU芯片性能的相关系数;
步骤1.3:计算第t个时隙中第个移动设备的任务从地面卸载到第个分布无人机的传输时延;
步骤1.4:计算不同分派决策下,第i个移动设备的任务在第j个分布式无人机上的分派处理时延;
步骤1.5:利用式(20)计算第t个时隙中第i个移动设备的任务在边缘端计算的时延;
=+ (20)
步骤1.6:计算边缘端计算中第t个时隙中第j个分布式无人机的总能耗和飞行无人机的总能耗;
步骤1.7:利用式(26)定义无人机轨迹规划与任务卸载决策模型的目标函数W: (26)式(36)中,T表示时隙总个数,为所有移动用户的任务卸载决策,为移动用户的任务分派决策,为飞行无人机的轨迹,表示完成第t个时隙中第i个移动设备的任务的时延,并由式(27)得到:(27)
式(27)中,是第i个移动设备的卸载决策,当=0表示第i个移动设备的任务在本地执行,当=j表示第i个移动设备的任务卸载到第j架分布式无人机上执行;是指示函数;
步骤1.8:利用式(28a)-式(28d)构建无人机轨迹规划与任务卸载决策模型的约束条件:(28a)
(28b)
(28c)
(28d)
式(28a)-式(28d)中,表示第i个移动设备的最大能量,表示第j个分布式无人机的最大能量,表示飞行无人机的最大能量;
步骤二:定义并初始化各个参数,包括:n个移动设备的位置,任务列表,m个分布式无人机的位置,飞行无人机的起始位置;
步骤三:利用基于Wolf-PHC的任务卸载算法产生第t个时隙中的所有移动设备的卸载策略(t);
步骤四:根据第t个时隙中所有移动设备的卸载策略(t),以及第t个时隙中飞行无人机的位置,从而利用基于博弈理论的分派算法得到第t个时隙中移动设备的分派策略;
步骤五:基于第t个时隙的状态,并利用DDPG算法得到飞行无人机在第t个时隙的动作,其中分别表示第t个时隙中第i个移动设备的剩余电量,第j个分布式无人机的剩余电量以及飞行无人机的剩余电量;
步骤六:计算第t个时隙的奖励以及第t+1个时隙的状态,其中,是第t个时隙飞行无人机飞出目标区域时产生的惩罚常数,是第t个时隙飞行无人机的电池容量损失惩罚系数;表示第t+1个时隙中第i个移动设备的剩余电量;表示第t+1个时隙中第j个分布式无人机的剩余电量;表示第t+1个时隙中飞行无人机的剩余电量;表示第t+1个时隙中第i个移动设备的位置,表示第t+1个时隙中第i个移动设备任务的数据量,表示处理第t+1个时隙中第i个移动设备任务的CPU周期数;
步骤七:判断是否达到,若是,则由所有时隙下的坐标构成飞行无人机的轨迹,否则,返回步骤三继续执行。
2.根据权利要求1所述的基于联合优化的无人机轨迹规划与任务卸载决策方法,其特征在于,所述步骤1.3包括:步骤1.3.1:利用式(3)计算在第t个时隙中第个移动设备与第个分布无人机之间的视距连接概率:(3)
式(3)中,C,D是与传播环境类型相关的2个常数,是第t个时隙中第i个移动设备与第j个分布式无人机的欧式距离,并由式(4)获得:(4)
步骤1.3.2:利用式(5)计算第t个时隙中第个移动设备与第j个分布式无人机的非视距连接的概率:(5)
步骤1.3.3:分别利用式(6)和式(7)计算第t个时隙中第个移动设备与第j个分布式无人机之间的视距链路的损失和非视距链路的损失:(6)
(7)
式(6)和式(7)中,是路径损失指数,且,代表载波频率,是光速,和是视距链路和非视距链路的平均附加损耗;
步骤1.3.4:利用式(8)计算第t个时隙中第i个移动设备与第j个分布式无人机的之间的路径损失:(8)
步骤1.3.5:利用式(9)计算第t个时隙中第i个移动设备与第j个分布式无人机之间的信道增益:(9)
步骤1.3.6:利用式(10)计算第t个时隙中第i个移动设备与第j个分布式无人机之间的上行链路传输速度:(10)
式(10)中,表示平均分配给第i个移动设备的带宽,是第i个移动设备的发射功率,是高斯白噪声功率;
步骤1.3.7:利用式(11)计算第t个时隙中第个移动设备的任务从地面卸载到第个分布无人机的传输时延:(11)。
3.根据权利要求2所述的基于联合优化的无人机轨迹规划与任务卸载决策方法,其特征在于,所述步骤1.4包括:步骤1.4.1:利用式(12)计算第t个时隙中第j个分布式无人机与飞行无人机之间的信道增益:(12)
式(12)中,是第t个时隙中第j个分布式无人机与飞行无人机之间的路径损失,且= +,其中,是视距链路的附加衰减系数,表示第t个时隙中第j个分布式无人机与飞行无人机之间自由空间路径损耗,并由式(13)得到:(13)
式(13)中,是载波频率,是光速,是第t时隙中第j个分布式无人机和飞行无人机之间的欧式距离,并由式(14)获得:(14)
步骤1.4.2:利用式(15)计算在第t个时隙中第j个分布式无人机和飞行无人机之间的上行链路传输速度:(15)
式(15)中,表示平均分配给第j个分布式无人机的带宽,是第j个分布式无人机的发射功率;
步骤1.4.3:定义在第t个时隙中第个移动设备的分派决策为,其中,表示第个移动设备的任务分派给分布式无人机执行;表示将分派给飞行无人机执行;表示将第个移动设备的任务分派给飞行无人机;其中,表示第t个时隙中分派的最优分派比例;
步骤1.4.4:当时,利用式(16)计算第t个时隙中第i个移动设备的任务在第j个分布式无人机上的分派处理时延;
(16)
式(16)中,是第t个时隙中第j个分布式无人机分配给第i个移动设备的计算资源,并由式(17)得到:(17)
式(17)中, 是第j个分布式无人机最大的可用计算资源,表示卸载到第j个分布式无人机上的任务集合;表示处理第j个分布式无人机上的第个移动设备的任务所需要的CPU周期数;
当时,利用式(18)计算第t个时隙中第i个移动设备的任务在第j个分布式无人机上的分派处理时延;
(18)
式(18)中,是第t个时隙中飞行无人机分配给第j个分布式无人机的计算资源;
当时,利用式(19)计算第t个时隙中第i个移动设备的任务在第j个分布式无人机上的分派处理时延;
+ (19)。
4.根据权利要求3所述的基于联合优化的无人机轨迹规划与任务卸载决策方法,其特征在于,所述步骤1.6包括:步骤1.6.1:利用式(21)计算第t个时隙中第j个分布式无人机的总能量消耗:(21)
式(21)中,表示第t个时隙中第j个分布式无人机处理第i个移动设备任务的计算能耗,表示第t个时隙中第j个分布式无人机将第i个移动设备的任务分派给飞行无人机的传输能耗,表示第t个时隙中第j个分布式无人机的悬停能耗,并由式(22a)-式(22c)获得:(22a)
(22b)
(22c)
式(22a)-式(22c)中,是与分布式无人机中CPU芯片相关系数,是与无人机质量成比例的推力,是第j个分布式无人机的功率效率,是每个分布式无人机旋翼的数量,是旋翼的直径,是空气密度,是第j个分布式无人机的悬停时间,并由式(23)计算:(23)
式(23)中,表示第t个时隙中第个移动设备的任务在边缘端计算的时延;
步骤1.6.2:用式(24)计算第t个时隙中飞行无人机的总能量消耗:(24)
式(24)中,表示第t个时隙中飞行无人机待处理的任务集合;表示第t个时隙中第j个分布式无人机将第个移动设备的任务分派到飞行无人机处理的计算能耗,表示第t个时隙中飞行无人机的飞行能耗,并由式(25)计算:(25)
式(25)中,是飞行无人机的质量,是飞行无人机的飞行时间,是第t个时隙中飞行无人机的飞行速度。
5.根据权利要求4所述的基于联合优化的无人机轨迹规划与任务卸载决策方法,其特征在于,所述步骤三包括:步骤3.1:初始化i=1,当前迭代次数为,初始化=1;
步骤3.2:为第t个时隙中第次迭代下第i个移动设备的卸载决策关联一个对应的Q值,记为,并初始化=0;
步骤3.3:利用式(29)得到第t个时隙中第次迭代下第i个移动设备的卸载决策关联的Q值:(29)
式(29)中,表示第第t个时隙中第次迭代下第i个移动设备完成任务的总时延;表示第t个时隙中第次迭代下第i个移动设备的学习率,并由式(30)得到:(30)
式(30)中,表示第i个移动设备的可行卸载决策空间;是较低学习率,是较高学习率,且<,表示第t个时隙中第次迭代下第i个移动设备执行卸载策略的概率,当=1时,令=1/(m+1),表示第t个时隙中第次迭代下第i个移动设备执行卸载策略的平均概率,当=1时,令=1/(m+1);
步骤3.4:利用式(31a)、式(31b)和式(32)得到第t个时隙中第次迭代下第i个移动设备执行卸载策略的概率和第t个时隙中第+1次迭代下第i个移动设备执行卸载策略的平均概率:(31a)
(31b)
(32)
式(31a)、式(31b)和式(32)中,是表示第t个时隙中第i个移动设备在第次迭代之前做出卸载决策的次数;表示第t个时隙中第次迭代下第i个移动设备的卸载决策的策略调整参数,表示第i个移动设备的可行卸载决策空间中除之外的一个卸载决策,表示第t个时隙中第次迭代下第i个移动设备的另一卸载决策关联一个对应的Q值,表示第t个时隙中第次迭代下第i个移动设备执行另一卸载策略的概率;
步骤3.5:根据得到第t个时隙中第+1次迭代下第i个移动设备卸载决策,并将i+1赋值给i后,返回步骤3.2顺序执行,直至i>n为止;从而得到第t个时隙中所有移动用户第+1次迭代中的卸载决策,判断与是否相等,若相等,则表示将作为得到第t个时隙中所有移动设备的卸载决策(t。
6.根据权利要求5所述的基于联合优化的无人机轨迹规划与任务卸载决策方法,其特征在于,所述步骤四包括:步骤4.1:利用式(33)计算第t个时隙中分派的最优分派比例:(33)
步骤4.2:根据第t个时隙中分派的最优分派比例,得到第t个时隙中第i个移动设备的分派决策;
步骤4.3:初始化i=1,随机初始化所有移动设备的分派决策,并将当前的分派决策记为第t个时隙中第i个移动设备的最优分派决策;
步骤4.4:在固定第t个时隙的卸载决策的前提下,由式(27)计算第t个时隙中所有移动设备的分派决策为时对应的的成本函数值,并将其记为最优成本;
步骤4.5:在第t个时隙中其他移动设备的分派决策不改变时,改变第t个时隙中第i个移动设备的分派决策,得到第t个时隙中第i个移动设备改变后的分派策略,并计算其对应的成本函数值;
步骤4.6:若<,则将第i个移动设备改变后的分派决策赋值给最优分派决策;否则,最优分派决策保持不变;
步骤4.7:将i+1赋值给i后,返回步骤4.5,直至i>n为止;从而得到第t个时隙中所有移动设备的最佳分派决策并赋值给。
7.一种电子设备,包括存储器以及处理器,其特征在于,所述存储器用于存储支持处理器执行权利要求1-6中任一项所述的基于联合优化的无人机轨迹规划与任务卸载决策方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
8.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行权利要求1-6中任一项所述的基于联合优化的无人机轨迹规划与任务卸载决策方法的步骤。