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

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

1.
山东大学控制科学与工程学院济南 250061
2.
山东省智能通信与感算融合重点实验室济南 250061

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
计量
- 文章访问数: 594
- HTML全文浏览量: 126
- PDF下载量: 115
- 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
- 刊出日期: 2025-12-01

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

1.
School of Control Science and Engineering, Shandong University, Jinan 250061, China
2.
Shandong Key Laboratory of Intelligent Communications and Sensing-Computation Integration, Shandong University, Jinan 250061, China

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

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。
- 无人机通信 /
- 多接入边缘计算 /
- 任务卸载 /
- 资源分配
Abstract: It can effectively overcome the limitations of the ground environment, expand the network coverage and provide users with convenient computing services, through constructing the air-ground integrated edge computing network with Unmanned Aerial Vehicle (UAV) as the relay. In this paper, with the objective of maximizing the task completion amount, the joint optimization problem of UAV deployment, user-server association and bandwidth allocation is investigated in the context of the UAV assisted multi-user and multi-server edge computing network. The formulated joint optimization problem contains both continuous and discrete variables, which makes itself hard to solve. To this end, a Block Coordinated Descent (BCD) based iterative algorithm is proposed in this paper, involving the optimization tools such as differential evolution and particle swarm optimization. The original problem is decomposed into three sub-problems with the proposed algorithm, which can be solved independently. The optimal solution of the original problem can be approached through the iteration among these three subproblems. Simulation results show that the proposed algorithm can greatly increase the amount of completed tasks, which outperforms other benchmark algorithms.
- Unmanned Aerial Vehicle (UAV) communication /
- Multi-access edge computing /
- Task offloading /
- Resource allocation

HTML全文

1. 引言

无线目标定位技术在军民领域都发挥着重要作用，近年来成为国内外研究热点。在定位理论研究中，以点源模型为基础的定位算法具有简单的计算方法和较高精度的定位结果^[1,2]。但在实际移动通信、雷达和声呐等应用领域中，受复杂环境下的散射、反射等因素影响，大量多径信号存在，导致信号源在空间发生一定的角度扩展，具有了比点源更复杂的空间分布特性，在这种情况下，需要将目标信源建立为一个分布源模型^[3]。如果此时仍使用点源模型进行定位，将导致算法性能恶化，甚至无法提供可靠的定位结果。

分布源定位作为复杂电磁环境下目标位置估计的重点和难点问题，近年来已得到较为广泛的研究，其中传统算法首先估计目标信号的AOA, TOA等定位参数，然后根据得到的定位参数计算目标位置。为便于分析分布源定位问题，角度密度函数概念被提出用于描述信号的空间分布特性，体现接收信号角度扩展状态^[4]。基于此理论，子空间类算法^[5]、波束形成类算法^[6]、最大似然类算法^[7]和稀疏重构类算法^[8]等分布源参数求解算法被相继提出。随着非圆信号的普遍应用，利用其特征提高分布源参数估计精度的方法也得到研究。其中，文献[9]给出了一种基于互相关矩阵的分布式非圆信号的1维角度估计算法。文献[10]给出了一种基于稀疏表示的非圆分布源角度估计算法。文献[11]给出了一种基于自动匹配的低维非圆分布源2维角度估计算法，上述算法在利用非圆特征后，均获得了更好的参数估计效果。

通过上述方法获得分布源定位参数估计结果后，需要通过Chan算法、泰勒级数展开等方法完成目标位置估计。虽然这种先进行参数估计然后再进行位置解算的两步定位方法简单便于实现，但仍存在几点不足：一是在参数估计阶段忽略了信号来自于同一目标这一先验信息，观测站之间缺乏限制和联系，损失了部分位置信息；二是分布源参数估计精度易受复杂环境影响，第1步引进的参数估计误差将影响第2步位置解算精度，误差的传递和累积不可避免。因此，这种两步定位方法是一种次优估计，不能获得最佳的定位精度^[12]。与两步定位算法相比，近些年被提出的数据域直接定位算法(Direct Position Determination, DPD)避免了参数估计和位置解算分布计算带来的缺陷，利用采样信号直接估计目标位置能够获得更好定位效果^[13,14]。由于DPD算法的优良性能，其在阵列信号处理中得到了广泛应用^[15]。由于DPD算法可以有效利用信号的波形特征，因此Wang等人^[16]提出了基于恒模信号特征的直接定位算法，Lu等人^[17]提出了基于OFDM信号特征的DPD算法，都取得了较好的定位效果。在针对非圆信号研究中，Yin等人^[18]给出了基于非圆信号特征的扩展子空间数据融合直接定位算法，定位性能较圆信号模型下具有较大提升。将直接定位思想引入到分布源定位中，Shalom等人^[19]提出了一种圆信号条件下分布源直接定位算法，给出了满足高斯扩展条件下的分布源定位模型，并通过最大似然方法求解，与两步定位方法相比，提升了分布源目标定位精度。然而算法计算复杂，且仅针对高斯分布模型的相干分布源适用，并缺少了对信号特征的利用，定位性能仍有提升空间。

综上所述，两步定位方法虽然利用非圆信号特征提高了参数估计精度，但受制于其固有缺陷，并不能获得最优的定位精度。而现有直接定位算法在解决分布源定位时，缺乏对信号特征的利用，依赖于分布模型，定位性能仍有待提高。为此，本文在现有算法基础上，针对相干分布源提出一种基于对称旋转不变性的非圆信号数据域融合直接定位算法，不需要依赖分布模型，且利用非圆信号特征进一步提高了定位精度，提升算法实用价值。

2. 直接定位模型

根据散射特性不同，分布源主要分为相干分布源和非相干分布源。由于在低仰角雷达、移动通信等环境下，信号一般是相干的，因此本文仅考虑相干分布源的定位问题。假设 $L$ 个观测站和 $P$ 个分布源目标均为静止状态，观测站由 $(2M + 1)$ 元直线阵组成，阵元间距为 ${d_m}$ ，且观测站已完成时间同步。观测站第1个阵元的坐标为 ${{{o}}_l} \!=\! ({o_{l,x}},{o_{l,y}}),l \!=\! 1,2,·\!·\!·,L$ ，目标坐标为 ${{u}}_p^{} = ({u_{p,x}},{u_{p,y}}),p = 1,2,·\!·\!·,P$ ，不同目标信号之间相互独立。第 $l$ 个观测站的接收信号 ${{{r}}_l}$ 可以表示为

$\begin{aligned} {{{r}}_l}\left( t \right) =& \sum\limits_{p = 1}^P {} \int_{ - {{π}}}^{{π}} {{{{b}}_l}\left( {\phi _{l,p}^{}({{u}}_p^{})} \right)} s_p^{}(\phi _{l,p}^{}({{u}}_p^{}) \\ & - \theta _{l,p}^{}({{u}}_p^{}),t){\rm d}\phi _{l,p}^{}({{u}}_p^{}) + {{{w}}_l}\left( t \right),0 \le t \le T \end{aligned}$

(1)

其中， ${{{b}}_l}\left( {\phi _{l,p}^{}({{u}}_p^{})} \right)$ 为阵列导向矢量， $\phi _{l,p}^{}({{u}}_p^{})$ 表示具有分布特性的入射角， $s_p^{}(\phi _{l,p}^{}({{u}}_p^{}) - \theta _{l,p}^{}({{u}}_p^{}),t)$ 为角信号密度函数， ${{{w}}_l}\left( t \right)$ 为零均值高斯白噪声。 $\theta _{l,p}^{}({{u}}_p^{})$ 为目标的中心波达方向，由 ${\theta _{l,p}}({{u}}_p^{}) =$ $\arctan ({u_{p,y}} - {o_{l,y}})/({u_{p,x}} - {o_{l,x}})$ 给出。

在相干分布源模型下，角信号密度函数可以写为

$\begin{align} & s_p^{}(\phi _{l,p}^{}({{u}}_p^{}) - \theta _{l,p}^{}({{u}}_p^{}),t) \\ & \quad = s_p^{}(t)g_p^{}(\phi _{l,p}^{}({{u}}_p^{}) - \theta _{l,p}^{}({{u}}_p^{})) \end{align}$

(2)

其中， $g_p^{}(\phi _{l,p}^{}({{u}}_p^{}) - \theta _{l,p}^{}({{u}}_p^{}))$ 是一个以 $\theta _{l,p}^{}({{u}}_p^{})$ 为对称中心的单峰确定性分布函数，且满足

$\int_{ - {{π}}}^{{π}} {g_p^{}(\phi _{l,p}^{}({{u}}_p^{}) - \theta _{l,p}^{}({{u}}_p^{})){\rm d}\phi _{l,p}^{}({{u}}_p^{})} = 1$

(3)

设扩展阵列矢量 ${{{c}}_l}$ 为

$\begin{align} {{{c}}_{l,p}}({{u}}_p^{}) =& \int_{ - {{π}}}^{{π}} {{{b}}_{l,p}}\left( {\phi _{l,p}^{}({{u}}_p^{})} \right)g_p^{}(\phi _{l,p}^{}({{u}}_p^{}) \\ &- \theta _{l,p}^{}({{u}}_p^{})){\rm d}\phi _{l,p}^{}({{u}}_p^{}) \end{align}$

(4)

则经过离散采样后，观测信号可以表示为

${{{r}}_l}[n] \!= \sum\limits_{p = 1}^P {} {{{c}}_{l,p}}({{u}}_p^{})s_p^{}[n] + {{{w}}_l}[n],\;\;\;n = 1,2, ·\!·\!· ,N$

(5)

其中， $N$ 表示采样点数。令 ${{s}} \!=\! [s_1^{},s_2^{},·\!·\!·,s_P^{}]_{}^{\rm{T}}$ , ${{{C}}_l}({\tilde{ u}}) \!=$ $[{{{c}}_{l,1}}({{u}}_1^{}),{{{c}}_{l,2}}({{u}}_2^{}),·\!·\!·,{{{c}}_{l,P}}({{u}}_P^{})]$ ，其中 ${\tilde{ u}} = [{{u}}_1^{\rm{T}},{{u}}_2^{\rm{T}},·\!·\!·,$ ${{u}}_P^{\rm{T}}]_{}^{\rm{T}}$ 代表 $P$ 个目标的位置参数矢量。则 ${{{r}}_l}$ 可以表示为

${{{r}}_l} = {{{C}}_l}({\tilde{ u}}){{s}} + {{{w}}_l}$

(6)

根据统计特性是否具有旋转不变性，信号可分圆信号与非圆信号。其中非圆信号有式(7)的性质

${\rm{E}}\left[ {s_p^2} \right] = \rho e_{}^{{\rm j}\varphi _p^{}}{\rm{E}}\left[ {\left| {s_p^{}} \right|_{}^2} \right]$

(7)

其中， $0 \le \rho \le 1$ 为非圆率， $\varphi _p^{}$ 为非圆相位。由于BPSK, MASK, AM等常用信号的非圆率均为1，因此本文主要研究 $\rho = 1$ 的非圆信号定位问题。结合式(7)，由于信号之间互相独立，可以得到

${\overset{\frown}{ R}}_s^{} = {\rm{E}}\left[{{ss}}_{}^{\rm{T}}\right] = \varPhi _\varphi ^{}{{R}}_s^{}$

(8)

其中， $\Phi _\varphi ^{} = {\rm{diag\{ }}[e_{}^{{\rm j}\varphi _1^{}},e_{}^{{\rm j}\varphi _2^{}}, ·\!·\!· ,e_{}^{{\rm j}\varphi _P^{}}]\}$ ，对角线元素由各个目标非圆相位组成。相应地可以得到

${\overset{\frown}{ R}}_l^{} = {\rm{E}}[{{r}}_l^{}{{r}}_l^{\rm{T}}] = {{{C}}_l}({\tilde{ u}}){\overset{\frown}{ R}}_s^{}{{C}}_l^{\rm{H}}({\tilde{ u}})$

(9)

为了利用上述非圆信息，令 ${\tilde{ r}}_l^{} = \left[{{r}}_l^{\rm{T}},{{r}}_l^{\rm{H}}\right]^{\rm{T}}$ ，则有

${\tilde{ R}}_l^{} = {\rm{E}}\left[{\tilde{ r}}_l^{}{\tilde{ r}}_l^{\rm{H}}\right] = \left[ {\begin{array}{*{20}{c}} \begin{gathered} {{R}}_l^{} \\ {\overset{\frown}{ R}}_l' \\ \end{gathered} &\begin{gathered} {\overset{\frown}{ R}}_l^{} \\ {{R}}_l' \\ \end{gathered} \end{array}} \right]$

(10)

其中， ${{R}}_l^{} = {\rm{E}}[{{r}}_l^{}{{r}}_l^{\rm{H}}] = {{{C}}_l}({\tilde{ u}}){{R}}_s^{}{{C}}_l^{\rm{H}}({\tilde{ u}})$ , $[ \cdot ]_{}^{\rm{H}}$ 表示共轭转置矩阵， $[ \cdot ]_{}'$ 表示共轭矩阵。对 ${\tilde{ R}}_l^{}$ 进行子空间分解，得到

${\tilde{ R}}_l^{} = {{U}}_{l,s}^{}{Σ} _{l,s}^{}{{U}}_{l,s}^{\rm{H}} + \sigma _{l,w}^2{{U}}_{l,w}^{}{{U}}_{l,w}^{\rm{H}}$

(11)

其中， ${{U}}_{l,s}^{}$ 为信号子空间， ${{U}}_{l,w}^{}$ 为噪声子空间。下面将基于 ${\tilde{ R}}_l^{}$ 给出联合多个观测站接收信号的直接定位方法。

3. 基于旋转不变性的直接定位算法

根据第2节提出的定位模型，文献[19]基于高斯分布模型给出了一种最大似然直接定位算法，计算复杂度较高。文献[20]给出了一种基于子空间数据融合直接定位算法，但并未避免对模型的依赖。为了提升算法实用性，避免对分布模型的依赖，本节将提出一种基于旋转不变性的数据域融合直接定位算法，可以处理未知分布模型的目标定位问题，下面详细介绍算法原理。

首先根据阵列理论，对于任意的中心对称阵列，以中心阵元为参考，阵列导向矢量 ${{{b}}_{l,p}}$ 具有旋转不变性，即满足式(12)

${{Γ}}{{{b}}_{l,p}} = {{Π}}_p^{}{{{b}}_{l,p}}$

(12)

其中， ${{Γ}}$ 为反转矩阵，其反对角线元素全为1，其余元素为0，即

${{Γ}} = \left[ {\begin{array}{*{20}{c}} {{0}}&{{0}}&1 \\ {{0}}& \vdots &{{0}} \\ 1&{{0}}&{{0}} \end{array}} \right]$

(13)

其中， ${{0}}$ 表示全0矩阵。 ${{Π}}_p^{}$ 为对角矩阵

$\begin{align} & {{Π}}_p^{} = {\rm{diag}}\left\{ \exp\Big( - {\rm j}4{{π}}{d}{{m}}\cos \Big(\theta _{l,p}^{}({{u}}_p^{})\Big)\Big)\right\} ,\\ & {{m}} = [ - M, - M + 1, ·\!·\!· ,0,1, ·\!·\!· ,M - 1,M] \end{align}$

(14)

由于分布函数 $g_p^{}$ 是一个以 $\theta _{l,p}^{}({{u}}_p^{})$ 为对称中心的单峰确定性分布函数，在小角度扩展条件下，设 $\phi _{l,p}^{}({{u}}_p^{}) = \theta _{l,p}^{}({{u}}_p^{}) + \tilde \theta$ ，其中 $\tilde \theta$ 为到达角相对于中心角的偏移量。则式(4)可以表示为

${{{c}}_{l,p}}({{u}}_p^{},{\sigma _p}) = \int_{ - {{π}}}^{{π}} {{{{b}}_{l,p}}\left( {\theta _{l,p}^{}({{u}}_p^{}) + \tilde \theta } \right)g_p^{}(\tilde \theta ,{{u}}_p^{}){\rm d}\tilde \theta }$

(15)

从而可以得到 ${{{c}}_{l,p}}({{u}}_p^{},{\sigma _p})$ 的近似表达式为

$\begin{aligned} [{{{c}}_{l,p}}({{u}}_p^{},{\sigma _p})]_m^{} \approx & \exp \left( - {\rm j}2{{π}}{d}m\cos \Big(\theta _{l,p}^{}({{u}}_p^{})\Big)\right)\\ &\int_{ - {{π}}}^{{π}} \exp \left({\rm j}2{{π}}{d}m\tilde \theta \sin \Big(\theta _{l,p}^{}({{u}}_p^{})\Big)\right)\\ & \cdot g_p^{}(\tilde \theta ,{{u}}_p^{}){\rm d}\tilde \theta \\ = & [{{{b}}_{l,p}}\Big( {\theta _{l,p}^{}({{u}}_p^{})} \Big)]_m^{}[{{y}}_p^{}\left({{u}}_p^{}\right)]_m \end{aligned}$

(16)

其中，

$\begin{align} [{{y}}_p^{}({{u}}_p^{})]_m^{} =& \int_{ - {{π}}}^{{π}} \exp \left({\rm j}2{{π}}{d}m\tilde \theta \sin \Big(\theta _{l,p}^{}({{u}}_p^{})\Big)\right)\\ & \cdot g_p^{}\left(\tilde \theta ,{{u}}_p^{}\right){\rm d}\tilde \theta \end{align}$

(17)

由于 $g_p^{}(\tilde \theta ,{{u}}_p^{})$ 为单峰对称函数，关于 $\tilde \theta$ 偶对称，因此可以得到如式(18)的对称性

$[{{y}}_p^{}({{u}}_p^{})]_m^{} = [{{y}}_p^{}({{u}}_p^{})]_{( - m)}^{}$

(18)

结合 ${{{b}}_{l,p}}$ 的旋转不变性，可以得到 ${{{c}}_{l,p}}({{u}}_p^{},{\sigma _p})$ 具有相同的性质，即 ${{Γ}}{{{c}}_{l,p}} = {{Π}}_p^{}{{{c}}_{l,p}}$ 。根据式(10)，由于利用非圆特性后，协方差矩阵维度得到了扩展，令

${{c}}_{l,p}^{{\rm{NC}}}({{u}}_p^{},{\sigma _p},\varphi _p^{}) = \left[ \begin{gathered} {{c}}_{l,p}^{}({{u}}_p^{},{\sigma _p}) \\ {{c}}_{l,p}'({{u}}_p^{},{\sigma _p})e_{}^{ - j\varphi _p^{}} \\ \end{gathered} \right]$

(19)

则 ${{c}}_{l,p}^{{\rm{NC}}}({{u}}_p^{},{\sigma _p},\varphi _p^{})$ 具有如 ${{{b}}_{l,p}}$ 同样的旋转不变关系，即满足

${\tilde{{{Γ}}}{{c}}}_{l,p}^{{\rm{NC}}} = {\tilde{{{Π}}}}_p^{}{{c}}_{l,p}^{{\rm{NC}}}$

(20)

其中，

${\tilde{{{Γ}}}} = \left[ \begin{gathered} \begin{array}{*{20}{c}} {{Γ}}&{{0}} \end{array} \\ \begin{array}{*{20}{c}} {{0}}&{{Γ}} \end{array} \\ \end{gathered} \right],{\tilde{{{Π}}}}_p^{} = \left[ \begin{gathered} \begin{array}{*{20}{c}} {{{Π}}_p^{}}&{{0}} \end{array} \\ \begin{array}{*{20}{c}} {{0}}&{{{Π}}_p'} \end{array} \\ \end{gathered} \right]$

(21)

设 ${{{C}}_{{\rm{NC,l}}}} = [{{c}}_{l,1}^{{\rm{NC}}},{{c}}_{l,2}^{{\rm{NC}}}, ·\!·\!· ,{{c}}_{l,P}^{{\rm{NC}}}]$ ，从而式(10)可以表示为

${\tilde{ R}}_l^{} = {\rm{E}}[{\tilde{ r}}_l^{}{\tilde{ r}}_l^{\rm{H}}] = {{{C}}_{{\rm{NC,}}l}}{{R}}_s^{}{{C}}_{{\rm{NC,}}l}^{\rm{H}} + \sigma _{l,w}^2{{I}}_{2M}^{}$

(22)

根据子空间特性，信号子空间 ${{U}}_{l,x}^{}$ 的列向量张成的空间与 ${{{C}}_{{\rm{NC}},l}}$ 的列向量张成的空间相同，因此存在 $P$ 阶非奇异矩阵 ${{D}}$ 使式(23)成立

${{U}}_{l,x}^{} = {{{C}}_{{\rm{NC,}}l}}{{D}}$

(23)

为利用 ${{c}}_{l,p}^{{\rm{NC}}}$ 的旋转不变性，构造函数

${{F}}({{u}}) = {{\tilde{{{Γ}}} {{U}}}_{l,x}^{} - {{Q}}({{u}}){{U}}_{l,x}^{}$

(24)

其中， ${{Q}}({{u}})$ 为

$\begin{aligned} &{{Q}}({{u}}) \\ & = \left[\! \begin{gathered} {{\rm{diag}}\left\{ \exp \Big( - {\rm j}4{{π}}{d}{{m}}\cos \Big(\theta _{l,p}^{}\Big({{u}}\Big)\Big)\Big)\right\} } { \; \; \; \; \; {{0}}} \\ {\; \; \; \; \; {{0}}} {\; \; \; \; {\rm{diag}}\left\{ \exp \Big({\rm j}4{{π}}{d}{{m}}\cos \Big(\theta _{l,p}^{}\Big({{u}}\Big)\Big)\Big)\right\} } \end{gathered} \right],\\ &{{m}} = [ - M, - M + 1,·\!·\!·,0,1,·\!·\!·,M - 1,M] \end{aligned}$

(25)

根据式(20)，式(24)可以表示为

$\begin{align} {{F}}({{u}}) =& {\tilde{{{Γ}}}}{{{C}}_{{\rm{NC,l}}}}{{D}} - {{Q}}({{u}}){{{C}}_{{\rm{NC,l}}}}{{D}} \\ =& \left[ \left({\tilde{{{Π}}}}_1^{} - {{Q}}({{u}})\right)\!\!{{c}}_{l,1}^{{\rm{NC}}},\!\left({\tilde{{{Π}}}}_2^{} - {{Q}}({{u}})\right)\!{{c}}_{l,2}^{{\rm{NC}}}, ·\!·\!· ,\right.\\ & \left. \left({\tilde{{{Π}}}}_P^{} - {{Q}}({{u}})\right){{c}}_{l,P}^{{\rm{NC}}} \right]{{D}} \end{align}$

(26)

根据式(26)，如果 ${{Q}}({{u}}) = {\tilde{{{Π}}}}_p^{}$ ，则 ${{F}}({{u}})$ 的第 $p$ 列为0，从而 ${{F}}({{u}})$ 为缺秩矩阵，此时 $\det \{ {{F}}_{}^{\rm{H}}({{u}}){{F}}({{u}})\}$ = 0，因此可以利用此特点得到目标的位置估计为

${{{{\hat}}^\!\!\!\!\!\!\, { u}}} = \mathop {\arg \min }\limits_{({{u}})} \; \; \; 1 \biggr/\sum\limits_{l = 1}^L {\det \{ {{F}}_{}^{\rm{H}}({{u}}){{F}}({{u}})\}}$

(27)

综上所述，在利用式(27)估计目标位置时，由于利用了旋转不变关系，所以并不需要已知分布源的具体分布模型，避免了对分布模型的依赖，提高了算法的适用范围，同时通过利用非圆信号特征扩展了子空间维度，在同样阵列条件下，可以同时对更多目标展开定位。仿真实验中将会对算法性能进一步验证。由于利用了非圆特性和旋转不变性，为便于描述，简称本文算法为SSI-DPD算法。根据上述原理分析，SSI-DPD算法流程为

输入: 观测站接收数据： ${{r}}_l^{},l = 1,2,·\!·\!·,L$ ；其他参数： ${{{u}}_l},{f_c},N,M,P\,$

步骤1　构造接收数据 ${\tilde{ r}}_l^{} = [{{r}}_l^{\rm{T}},{{r}}_l^{\rm{H}}]_{}^{\rm{T}}$ ，计算自相关矩阵 ${\hat \tilde{ R}}_l^{} = 1\Bigr/N \displaystyle\sum\nolimits_{n = 1}^N {{\tilde{ r}}_l^{}(n){\tilde{ r}}_l^{\rm{H}}(n)}$ ；

步骤2　对 ${\hat \tilde{ R}}_l^{}$ 进行特征值分解，获得信号子空间 ${{U}}_{l,{{w}}}^{}$ ；

步骤3　确定位置的搜索区间和搜索间隔，根据式(25)计算每一个位置对应矩阵 ${{Q}}({{u}})$ ；

步骤4　根据式(24)计算 ${{F}}({{u}})$ ；

步骤5　融合所有观测站数据，利用式(27)估计目标位置 ${\hat{u}}$ 。

4. 仿真实验

为了显示与现有算法的性能差异，本节实验的对比算法主要包括：(1)本文提出的利用旋转不变关系的非圆相干分布源直接定位算法(简称SSI-DPD算法)；(2)文献[20]给出的在已知高斯分布模型下的相干分布源子空间类直接定位算法(为做对比，加入非圆信息，简称GSDF-DPD算法)；(3)文献[18]提出的点源模型下非圆信号子空间直接定位算法(简称ESDF-DPD算法)；(4)基于圆信号的相干分布源直接定位算法(简称CSDF-DPD算法)。

假设观测站和目标均位于2维平面内，观测站个数 $L = 4$ ，每个观测站由 $M = 7$ 元均匀线阵组成，阵元间距为半波长，观测站坐标分别为 ${{{o}}_1} =$ $( - 1500, - 2000)$ m, ${{{o}}_2} = ( - 1500,2000)$ m, ${{{o}}_3} =$ $(1500,2000)$ m, ${{{o}}_4} = (1500, - 2000)$ m。目标发送信号采用高斯随机信号，载波频率 ${f_p} = 1\ {\rm GHz}$ 。观测站采样频率为 ${f_s} = 1\ {\rm MHz}$ ，采样点数为 $N = 200$ 。假设存在两个分布源，分别位于 ${{u}}_1^{} =$ $( - 1000,0)$ m和 ${{u}}_2^{} = ( - 500,0)$ m，空间散射体扩展半径方差为 ${{{c}}_\sigma } = [200,200]$ m，非圆信号相位为 ${{g}}_\varphi ^{} = [{{π}}/3,{{π}}/5]$ 。

为了验证所提算法对分布源的定位性能，首先假设两个分布源均满足高斯分布。在信噪比SNR=10 dB条件下，得到各算法的空间谱图如图1所示，其中x轴和y轴为位置坐标，z轴为归一化的目标函数值。从图1可以看出，虽然ESDF-DPD算法利用了非圆信号特征，但是基于点源模型，因此峰值不够尖锐。CSDF-DPD基于分布源模型，算法能够对两个目标进行有效定位，但是没有利用非圆特性，谱峰平缓。与之相比，GSDF-DPD算法利用了非圆特性，且基于高斯分布源模型获得，因此定位精度得到提升。与GSDF-DPD算法相比，SSI-DPD算法不需已知分布源模型，达到了与其相同的定位效果，证明了算法的有效性。

图 1 各算法空间谱图

下载: 全尺寸图片幻灯片

为了进一步说明算法的定位性能，进行100次蒙特卡洛仿真实验，将不同算法的定位均方根误差(Root Mean Square Error, RMSE)随信噪比的变化趋势进行对比，结果如图2所示。从图中可以看出，在低信噪比下，由于噪声是影响定位精度的主要因素，基于非圆信号特征的3种算法性能基本相同。随着信噪比的提高，由于ESDF-DPD算法基于点源模型，存在固有的系统误差，因此定位性能不会随信噪比的提升有显著提高。CSDF-DPD算法虽然基于分布源模型，但是未利用非圆特征，性能较差。与之相比，GSDF-DPD和SSI-DPD算法定位精度更高，且性能基本一致，随信噪比的提高，定位精度不断提升。图1和图2的仿真结果说明本文给出的SSI-DPD算法不仅能够解决分布源定位问题，而且达到了与已知分布模型算法一致的定位性能，证明了本文算法的正确性。

图 2 算法定位均方根误差随信噪比的变化趋势

下载: 全尺寸图片幻灯片

为了验证算法在多类型分布源混合场景下的定位性能，假设目标1为高斯分布源，目标2为均匀分布源，在SNR=10 dB条件下，得到GSDF-DPD和SSI-DPD算法的空间谱图如图3所示，进行100次蒙特卡洛仿真实验，得到估计误差随信噪比的变化趋势如图4所示。从仿真结果可以看出，由于GSDF-DPD算法根据高斯分布模型得到，因此只能解决高斯分布源定位问题，而针对均匀分布源，GSDF-DPD算法由于存在模型误差，定位性能较差。而SSI-DPD算法定位性能明显优于GSDF-DPD算法，对两种分布模型目标均能得到高精度定位结果。上述两个仿真说明，本文所提SSI-DPD算法不再依赖分布模型，针对分布源混合存在场景，依然能够有效定位，且具有较高的定位精度，提升了算法实用价值。

图 3 算法空间谱图

下载: 全尺寸图片幻灯片

图 4 算法定位性能随信噪比的变化趋势

下载: 全尺寸图片幻灯片

信号采样点数对算法定位性能有较大影响，在 ${\rm SNR} = 5 \ {\rm dB}$ 条件下，图5给出了算法定位误差随采样点数的变化趋势，其中两个目标均为高斯分布源。从图中可以看到，受限于模型误差，ESDF-DPD算法定位误差随采样点数的增加性能提升有限。SSI-DPD算法定位误差随采样点数的增加下降明显，与GSDF-DPD算法性能一致，且一直好于CSDF-DPD和ESDF-DPD算法。仿真结果表明，低采样点条件下SSI-DPD算法可以达到高采样点条件下CSDF-DPD算法的定位性能，即实际应用中缩短了观测时间，可以增加目标定位的时效性。

图 5 算法定位性能随快拍数的变化趋势

下载: 全尺寸图片幻灯片

5. 结论

相干分布源定位是复杂环境下的难点问题，为了进一步提高分布源定位精度，本文提出了基于对称旋转不变关系的直接定位算法，并结合了非圆信号特征提高目标定位性能。仿真实验给出了所提算法与其他定位算法的性能对比分析，证明所提算法定位精度更高，具有一定实用价值。

图 1 系统模型

下载: 全尺寸图片幻灯片

图 2 算法整体流程图

下载: 全尺寸图片幻灯片

图 3 算法收敛性能分析与UAV部署位置示意图

下载: 全尺寸图片幻灯片

图 4 不同方案及带宽资源对任务完成量的影响

下载: 全尺寸图片幻灯片

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速度 ${{\boldsymbol{V}}_{id}}$ ;
(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 ${\rm{C}}_M^2$ ；
(4) While $k \le {\rm{C}}_M^2$ ：
(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f_s	[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	Rice因子最小值 ${K_{{\text{min}}}}$	0 dB
用户设备传输功率 ${P_m}$	15 dBm	Rice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	40	DE	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。
随机分配	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

参考文献(17)

[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.

施引文献

资源附件(0)

访问统计

图(4) / 表(7)

计量

文章访问数: 594
HTML全文浏览量: 126
PDF下载量: 115
被引次数: 0

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

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

通讯作者:
张海霞　haixia.zhang@sdu.edu.cn

计量

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

1. 引言

2. 直接定位模型

3. 基于旋转不变性的直接定位算法

4. 仿真实验

5. 结论

计量

目录

1. 引言

2. 直接定位模型

3. 基于旋转不变性的直接定位算法

4. 仿真实验

5. 结论

留言板

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

通讯作者: 张海霞 haixia.zhang@sdu.edu.cn

计量

出版历程

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

1. 引言

2. 直接定位模型

3. 基于旋转不变性的直接定位算法

4. 仿真实验

5. 结论

计量

出版历程

目录

1. 引言

2. 直接定位模型

3. 基于旋转不变性的直接定位算法

4. 仿真实验

5. 结论

通讯作者:
张海霞　haixia.zhang@sdu.edu.cn