高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

无人机辅助边缘计算网络的任务卸载与资源分配联合优化

周晓天 杨潇辉 张海霞 邓伊琴

周晓天, 杨潇辉, 张海霞, 邓伊琴. 无人机辅助边缘计算网络的任务卸载与资源分配联合优化[J]. 电子与信息学报. doi: 10.11999/JEIT240411
引用本文: 周晓天, 杨潇辉, 张海霞, 邓伊琴. 无人机辅助边缘计算网络的任务卸载与资源分配联合优化[J]. 电子与信息学报. doi: 10.11999/JEIT240411
ZHOU Xiaotian, YANG Xiaohui, ZHANG Haixia, DENG Yiqin. Joint Optimization of Task Offloading and Resource Allocation for Unmanned Aerial Vehicle-assisted Edge Computing Network[J]. Journal of Electronics & Information Technology. doi: 10.11999/JEIT240411
Citation: ZHOU Xiaotian, YANG Xiaohui, ZHANG Haixia, DENG Yiqin. Joint Optimization of Task Offloading and Resource Allocation for Unmanned Aerial Vehicle-assisted Edge Computing Network[J]. Journal of Electronics & Information Technology. doi: 10.11999/JEIT240411

无人机辅助边缘计算网络的任务卸载与资源分配联合优化

doi: 10.11999/JEIT240411
基金项目: 国家自然科学基金联合基金项目(U22A2003),山东省自然科学基金重大基础研究项目(ZR2022ZD02)
详细信息
    作者简介:

    周晓天:男,教授,研究方向为无线通信与网络、边缘计算与智能通信等

    杨潇辉:男,硕士生,研究方向为无人机、边缘计算等

    张海霞:女,教授,研究方向为无线通信与网络、无线资源管理、智能通信技术等

    邓伊琴:女,博士后,研究方向为边缘计算、车联网、无线资源优化等

    通讯作者:

    张海霞 haixia.zhang@sdu.edu.cn

  • 中图分类号: TN929.5; TP18

Joint Optimization of Task Offloading and Resource Allocation for Unmanned Aerial Vehicle-assisted Edge Computing Network

Funds: The Joint Funds of the National Natural Science Foundation of China (U22A2003), The Major Fundamental Research Project of Shandong Provincial Natural Science Foundation (ZR2022ZD02)
  • 摘要: 利用无人机(UAV)作为空中中继节点,构建空地一体化的边缘计算网络,可以有效克服地面环境局限,拓展网络覆盖范围,为用户提供便利计算服务。该文面向无人机中继辅助的多用户、多服务器边缘计算网络场景,以最大化任务完成量为目标,研究了无人机部署位置、用户-服务器关联策略、无人机带宽分配的联合优化问题。由于该问题包含连续与离散变量,故该文综合运用差分进化、粒子群优化等工具,提出了一种基于块坐标下降(BCD)的次优算法进行求解。所提算法将原问题解耦为3个子问题独立求解,并通过迭代逼近原始问题最优解。仿真实验表明,所提算法可在满足用户任务时延需求的前提下,最大化系统总任务完成量,优于其他对比算法。
  • 图  1  系统模型

    图  2  算法整体流程图

    图  3  算法收敛性能分析与UAV部署位置示意图

    图  4  不同方案及带宽资源对任务完成量的影响

    1  联合UAV位置、带宽分配、用户-边缘服务器关联算法

     (1) 初始化$ {{\boldsymbol{\varOmega}} ^0} $, $ {{\boldsymbol{B}}^0} $, $ {{\boldsymbol{A}}^0} $,置$ k $=0;
     (2) While 目标函数的增长值低于阈值$ \varepsilon $:
     (3)   给定{$ {{\boldsymbol{B}}^k},{{\boldsymbol{A}}^k} $},输入算法2,输出结果$ {{\boldsymbol{\varOmega}} ^{k + 1}} $;
     (4)   给定{$ {{\boldsymbol{\varOmega}} ^{k + 1}},{{\boldsymbol{A}}^k} $},输入算法3,输出结果$ {{\boldsymbol{B}}^{k + 1}} $;
     (5)   给定{$ {{\boldsymbol{\varOmega}} ^{k + 1}},{{\boldsymbol{B}}^{k + 1}} $},输入算法4,输出结果$ {{\boldsymbol{A}}^{k + 1}} $;
     (6)   更新$ k = k + 1 $;
     (7) End While
     (8) 得到最终$ {\boldsymbol{\varOmega}} $, $ {\boldsymbol{A}} $, $ {\boldsymbol{B}} $
    下载: 导出CSV

    2  基于PSO的UAV 3维位置优化算法

     输入:用户位置$ ({\boldsymbol{w}}_m^{\text{T}},0) $、边缘服务器位置$ ({\boldsymbol{w}}_s^{\text{T}},0) $、任务参数
     $ ({l_i},{c_i},{\tau _i}) $;其他基本参数$ {A_1},{A_2},{\beta _0},N,\gamma ,{c_1},{c_2},{r_1},{r_2},{k_{{\text{max}}}} $;
     输出:无人机3维位置$ {\boldsymbol{\varOmega}} $
     (1) 初始化迭代次数$ k $=1;
     (2) For 每个粒子$ i $:
     (3)  For 每个维度$ d $:
     (4)   在允许范围内随机初始化粒子位置$ {{\boldsymbol{X}}_{id}} $;
     (5)   在允许范围内随机初始化粒子位置$ {{\boldsymbol{V}}_{id}} $;
     (6)  End For
     (7) End For
     (9) While $ k \le {k_{{\text{max}}}} $:
     (10)   For 每个粒子$ i $:
     (11)    计算每个粒子能够完成的系统任务量;
     (12)    If $ f({\boldsymbol{X}}_{id}^k) < f({\bf{pbest}}_{id}^{k - 1}) $
     (13)     选择当前粒子位置作为该粒子的最优位置$ {\bf{pbest}}_{id}^k $;
     (14)    End If
     (15) End For
     (16) For 每个粒子$ i $:
     (17)   For 每个维度$ d $:
     (18)    根据式(6)计算粒子新速度;
     (19)    根据$ {\boldsymbol{X}}_{id}^{k + 1} = {\boldsymbol{X}}_{id}^k + {\mkern 1mu} {\mkern 1mu} {\boldsymbol{V}}_{id}^{k + 1} $更新粒子新位置;
     (20)   End For
     (21) End For
     (22) $ k = k + 1 $;
     (23) End While
    下载: 导出CSV

    3  基于DE的带宽分配优化算法

     输入:用户位置$ ({\boldsymbol{w}}_m^{\text{T}},0) $、边缘服务器位置$ ({\boldsymbol{w}}_s^{\text{T}},0) $、任务参数
     $ ({l_i},{c_i},{\tau _i}) $;其他基本参数$ {A_1},{A_2},{\beta _0},N,{\text{CR}},{k_{{\text{max}}}} $;
     输出:带宽分配比例$ {\boldsymbol{B}} $
     (1) 初始化迭代次数$ k $=1;
     (2) For 每个个体$ i $:
     (3)  For 每个维度$ d $:
     (4)   在允许范围内随机初始化个体位置$ {{\boldsymbol{x}}_{n,1}} $;
     (5)   计算每个个体能完成的系统任务量;
     (6)  End For
     (7) End For
     (8) While $ k \le {k_{{\text{max}}}} $:
     (9)  For 每个个体$ i $:
     (10)   从当前$ {{\boldsymbol{x}}_{n,k}} $中选择3个不同个体 $ {{\boldsymbol{x}}_{r1,k}} $, $ {{\boldsymbol{x}}_{r2,k}} $, $ {{\boldsymbol{x}}_{r3,k}} $;
     (11)   计算得到变异个体;
     (12) End For
     (13) For 每个个体$ i $:
     (14)  生成当前个体的交叉概率$ {\text{CR}} $;
     (15)  根据式(8)计算得到试验个体;
     (16) End For
     (17) For 每个个体$ i $:
     (18)  根据式(9)择优选出最优个体;
     (19) End For
     (20) $ k = k + 1 $;
     (21) End While
    下载: 导出CSV

    4  基于交换的用户-边缘服务器关联矩阵优化算法

     输入:用户位置$ ({\boldsymbol{w}}_m^{\text{T}},0) $、边缘服务器位置$ ({\boldsymbol{w}}_s^{\text{T}},0) $、任务参数
     $ ({l_i},{c_i},{\tau _i}) $;其他基本参数$ \mathcal{H},\mathcal{F},{A_1},{A_2},{\beta _0} $;
     输出:用户-边缘服务器关联矩阵$ {\boldsymbol{A}} $
     (1) 初始化迭代次数$ k $=1;
     (2) 根据式(10)计算得到当前系统完成任务量$ \varPhi $;
     (3) 根据用户集合计算得到用户组合个数$ {{C}}_M^2 $;
     (4) While $ k \le {{C}}_M^2 $:
     (5)  计算此连接方式下系统完成任务量$ {\varPhi ^ * } $;
     (6)  If $ {\varPhi ^ * } > \varPhi $:
     (7)   交换此用户组合的连接方式,更新$ {{{a}}_{{{m}},{{s}}}} $;
     (8)  End If
     (9)  $ k = k + 1 $;
     (10) End While
    下载: 导出CSV

    表  1  仿真参数设置

    参数名 参数值 参数名 参数值
    边缘服务器计算能力fs [1, 9] GHz 无人机传输功率$ {P_{\mathrm{u}}} $ 2 W
    边缘服务器最大用户服务数$ {\eta _s} $ 3 噪声功率谱密度$ {N_0} $ –169 dBm/Hz
    任务的数据量$ {l_i} $ [100, 900] kB 路径损耗系数$ \alpha $ 2.5
    用户-UAV上行链路带宽W 6 MHz 平均信道功率增益$ {\beta _0} $ –60 dB
    UAV-服务器下行链路带宽W 6 MHz Rician因子最小值$ {K_{{\text{min}}}} $ 0 dB
    用户设备传输功率$ {P_m} $ 15 dBm Rician因子最大值$ {K_{{\text{max}}}} $ 30 dB
    下载: 导出CSV

    表  2  PSO, DE子算法参数设置

    算法参数名参数值算法参数名参数值
    PSO种群规模大小40DE种群规模大小60
    粒子维度3粒子维度14
    最大迭代次数300最大迭代次数300
    个体学习因子2缩放因子0.5
    群体学习因子2交叉因子0.4
    下载: 导出CSV

    表  3  仿真对比算法

    算法类型 算法序号 算法简介
    随机分配 对比算法1 随机给定UAV位置、用户-服务器关联矩阵、带宽分配比例。
    对比算法2 随机给定UAV位置、用户-服务器关联矩阵,平均分配带宽比例。
    1维资源
    独立优化
    对比算法3 单独优化用户-服务器关联矩阵;随机给定UAV位置、带宽分配比例。
    对比算法4 单独优化UAV位置;随机给定带宽分配比例、用户-服务器关联矩阵。
    对比算法5 单独优化带宽分配比例;随机给定UAV位置、用户-服务器关联矩阵。
    2维资源
    联合优化
    对比算法6 联合优化用户-服务器关联矩阵、UAV位置;随机给定带宽分配比例。
    对比算法7 联合优化UAV位置、带宽分配比例,随机给定用户-服务器关联矩阵。
    对比算法8 联合优化用户-服务器关联矩阵、带宽分配比例,随机给定UAV位置。
    下载: 导出CSV
  • [1] DJIGAL H, XU Jia, LIU Linfeng, et al. Machine and deep learning for resource allocation in multi-access edge computing: A survey[J]. IEEE Communications Surveys & Tutorials, 2022, 24(4): 2449–2494. doi: 10.1109/COMST.2022.3199544.
    [2] 周晓天, 孙上, 张海霞, 等. 多接入边缘计算赋能的AI质检系统任务实时调度策略[J]. 电子与信息学报, 2024, 46(2): 662–670. doi: 10.11999/JEIT230129.

    ZHOU Xiaotian, SUN Shang, ZHANG Haixia, et al. Real-time task scheduling for multi-access edge computing-enabled AI quality inspection systems[J]. Journal of Electronics & Information Technology, 2024, 46(2): 662–670. doi: 10.11999/JEIT230129.
    [3] 陈新颖, 盛敏, 李博, 等. 面向6G的无人机通信综述[J]. 电子与信息学报, 2022, 44(3): 781–789. doi: 10.11999/JEIT210789.

    CHEN Xinying, SHENG Min, LI Bo, et al. Survey on unmanned aerial vehicle communications for 6G[J]. Journal of Electronics & Information Technology, 2022, 44(3): 781–789. doi: 10.11999/JEIT210789.
    [4] YAN Xuezhen, FANG Xuming, DENG Cailian, et al. Joint optimization of resource allocation and trajectory control for mobile group users in fixed-wing UAV-enabled wireless network[J]. IEEE Transactions on Wireless Communications, 2024, 23(2): 1608–1621. doi: 10.1109/TWC.2023.3290748.
    [5] LI Mushu, CHENG Nan, GAO Jie, et al. Energy-efficient UAV-assisted mobile edge computing: Resource allocation and trajectory optimization[J]. IEEE Transactions on Vehicular Technology, 2020, 69(3): 3424–3438. doi: 10.1109/TVT.2020.2968343.
    [6] LUO Weiran, SHEN Yanyan, YANG Bo, et al. Joint 3-D trajectory and resource optimization in multi-UAV-enabled IoT networks with wireless power transfer[J]. IEEE Internet of Things Journal, 2021, 8(10): 7833–7848. doi: 10.1109/JIOT.2020.3041303.
    [7] NASIR A A. Latency optimization of UAV-enabled MEC system for virtual reality applications under Rician fading channels[J]. IEEE Wireless Communications Letters, 2021, 10(8): 1633–1637. doi: 10.1109/LWC.2021.3075762.
    [8] LIU Boyang, WAN Yiyao, ZHOU Fuhui, et al. Resource allocation and trajectory design for MISO UAV-assisted MEC networks[J]. IEEE Transactions on Vehicular Technology, 2022, 71(5): 4933–4948. doi: 10.1109/TVT.2022.3140833.
    [9] CHENG Kaijun, FANG Xuming, WANG Xianbin, et al. Energy efficient edge computing and data compression collaboration scheme for UAV-assisted network[J]. IEEE Transactions on Vehicular Technology, 2023, 72(12): 16395–16408. doi: 10.1109/TVT.2023.3289962.
    [10] WANG Yong, RU Zhiyang, WANG Kezhi, et al. Joint deployment and task scheduling optimization for large-scale mobile users in multi-UAV-enabled mobile edge computing[J]. IEEE Transactions on Cybernetics, 2020, 50(9): 3984–3997. doi: 10.1109/TCYB.2019.2935466.
    [11] MEI Haibo, YANG Kun, LIU Qiang, et al. Joint trajectory-resource optimization in UAV-enabled edge-cloud system with virtualized mobile clone[J]. IEEE Internet of Things Journal, 2020, 7(7): 5906–5921. doi: 10.1109/JIOT.2019.2952677.
    [12] LIU Tianyu, ZHANG Guangchi, CUI Miao, et al. Task completion time minimization for UAV-enabled data collection in Rician fading channels[J]. IEEE Internet of Things Journal, 2023, 10(2): 1134–1148. doi: 10.1109/JIOT.2022.3204658.
    [13] YOU Changsheng and ZHANG Rui. 3D trajectory optimization in Rician fading for UAV-enabled data harvesting[J]. IEEE Transactions on Wireless Communications, 2019, 18(6): 3192–3207. doi: 10.1109/TWC.2019.2911939.
    [14] MONDAL A, MISHRA D, PRASAD G, et al. Joint optimization framework for minimization of device energy consumption in transmission rate constrained UAV-assisted IoT network[J]. IEEE Internet of Things Journal, 2022, 9(12): 9591–9607. doi: 10.1109/JIOT.2021.3128883.
    [15] LI Jianyu, DU Kejing, ZHAN Zhiui, et al. Distributed differential evolution with adaptive resource allocation[J]. IEEE Transactions on Cybernetics, 2023, 53(5): 2791–2804. doi: 10.1109/TCYB.2022.3153964.
    [16] MILNER S, DAVIS C, ZHANG Haijun, et al. Nature-inspired self-organization, control, and optimization in heterogeneous wireless networks[J]. IEEE Transactions on Mobile Computing, 2012, 11(7): 1207–1222. doi: 10.1109/TMC.2011.141.
    [17] LIU Jialei, ZHOU Ao, LIU Chunhong, et al. Reliability-enhanced task offloading in mobile edge computing environments[J]. IEEE Internet of Things Journal, 2022, 9(13): 10382–10396. doi: 10.1109/JIOT.2021.3115807.
  • 加载中
图(4) / 表(7)
计量
  • 文章访问数:  185
  • HTML全文浏览量:  32
  • PDF下载量:  18
  • 被引次数: 0
出版历程
  • 收稿日期:  2024-05-25
  • 修回日期:  2024-11-07
  • 网络出版日期:  2024-11-13

目录

    /

    返回文章
    返回