[发明专利]基于任务预测的多无人机辅助边缘计算资源分配方法

说明书

一种基于任务预测的多无人机辅助边缘计算资源分配方法，首先对无人机辅助边缘计算卸载场景中的通信模型、计算模型和能量损耗模型进行建模；将无人机辅助边缘计算卸载网络的系统总能耗最小化问题建模为终端设备任务可预测过程；通过接入终端设备的历史数据，采用集中训练得到不同终端设备的预测模型参数；基于当前接入终端设备的任务信息，利用预测模型得到下一时隙的预测任务集；基于预测任务集，将原问题分解为无人机部署问题和任务调度问题进行联合优化。本发明通过深度学习算法能够有效减少任务的响应时延和完成时延，从而减少计算能耗；引入进化算法解决联合无人机部署和任务调度优化问题，极大减少无人机的悬停能耗和提高了计算资源利用率。

技术领域

本发明涉及无线通信技术领域，特别涉及一种基于任务预测的多无人机辅助边缘计算资源分配方法。

背景技术

联网技术的飞速发展使得物联网设备爆发式增长，网络边缘产生的海量数据将会给传输网络和云计算中心带来巨大压力。为了解决这些问题，提出移动边缘计算，有效的打破了云计算发展的瓶颈，又释放了终端的压力，实现边缘智能、低延时和大带宽处理数据。现有研究移动边缘计算时服务器的位置都是固定，不能根据移动用户的需求灵活改变。由于无人飞行器UAV的可控制、易部署和低成本等特点，无人飞行器在无线通信中受到了广泛的关注。尽管无人机可以为移动边缘计算网络提供计算和存储功能，但是由于电池容量和硬件限制，往往无法长时间保持飞行状态、覆盖范围以及无法布置具有高计算资源的边缘服务器。因此，如何根据动态改变的业务数据流的动态调整无人机的部署方案和任务调度方案从而最小化系统能耗是目前研究的关键难点。

2019年，Xiaoyan Hu等人在论文《UAV-Assisted Relaying and Edge ComputingScheduling and Trajectory Optimization》提出一种单无人机辅助边缘计算的部署与任务调度联合优化方案，利用三步交替优化算法来联合优化计算资源调度、带宽分配和无人机的轨迹，从而最小化UAV和终端用户的加权能耗。2020年，Hongzhi Guo等人在论文《UAV-Enhanced Intelligent Offloading for Internet of Things at the Edge》提出在无人机-边缘物联网智能卸载方面研究了无人机增强边缘的能量减少问题，提出了最优任务卸载方案。利用块坐标下降法对卸载决策、位分配和无人机轨迹等问题进行联合交替优化，从而最小化智能移动设备上的计算任务所需的总能耗。

综上所述，现有的研究成果都是考虑单无人机辅助移动边缘计算系统，这对移动边缘计算性能的提高十分有限。因此，研究多无人机辅助边缘计算十分必要。在针对多无人机辅助边缘计算时，需要考虑联合优化无人机部署和任务调度，从而减少无人机机械能耗和完成任务所需能耗，以确保无人机集群能够尽可能地为物联网设备服务。并且由于业务数据流的动态改变，对网络资源进行分析和预测十分必要。人工智能(AI)技术是当前通信领域中动态组织网络资源的强大工具。它使用机器学习，深度学习和其他算法优化用于计算，通信和存储资源的方案，并为通信网络提供认知信息服务。为了将现有的移动边缘计算升级为更强大的平台，以解决未来网络的延迟，拥塞和低容量问题，本发明考虑将多无人机辅助边缘计算系统和AI技术结合，通过智能资源分配实现多无人机辅助边缘计算网络能效优化。

发明内容

本发明为了克服上述现有技术的不足，提出一种基于任务预测的多无人机辅助边缘计算资源分配方法，利用任务预测模型解决不同时隙业务数据流动态改变问题以及通过无人机部署和任务调度联合优化，基于预测任务集得到下一时隙最优无人机部署方案和任务调度方案，以此降低系统总能耗。

本发明的技术方案：

一种基于任务预测的多无人机辅助边缘计算资源分配方法，步骤如下：

(1)建立多无人机辅助边缘计算卸载模型，主要包括以下4个步骤：