申请/专利权人：吉林大学

申请日：2023-12-08

公开（公告）日：2024-03-19

公开（公告）号：CN117376985B

主分类号：H04W28/08

分类号：H04W28/08;H04L41/16;H04W16/22;H04W24/02

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2024.01.26#实质审查的生效;2024.01.09#公开

摘要：本发明属于无线网络技术领域，公开了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，包括：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、构建优化目标函数以及确定优化约束条件；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。

主权项：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。

全文数据：

权利要求：

百度查询： 吉林大学 莱斯信道下多无人机辅助MEC任务卸载的能效优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD