本技术涉及一种多无人机支持的移动边缘计算优化技术,包括以下步骤:步骤一、确定无人机节点数量、初始位置以及通信用户数量和位置;步骤二、基于通信需求配置无人机节点;步骤三、优化无人机节点的移动路径以提升通信效率;步骤四、动态调整无人机节点以适应变化的通信需求。
背景技术
随着6G和物联网的快速发展,智能移动设备的数量出现了前所未有的增长,导致各种创新移动应用的激增,大多数这些应用,如人脸识别、自动导航和图像处理,都需要大量的计算资源和低延迟,然而,由于移动设备的资源有限,处理这些应用程序生成的计算量大的实时数据是具有挑战性的;在这种情况下,移动边缘计算被认为是一种很有前途的解决方案,它允许移动设备将计算密集型和延迟敏感的任务卸载到邻近的边缘服务器,从而减少设备的计算负担、执行延迟和能耗,然而,传统的移动边缘计算网络依赖于地面基础设施,由于安装成本和环境限制,部署不灵活,为了克服传统地面移动边缘计算系统的物理限制,由于无人机的高机动性、灵活性、快速部署和视距链接,无人机辅助移动边缘计算正在兴起,以提供灵活和低成本的卸载服务。通过将计算任务卸载到附近的无人机,移动用户可以随时随地灵活地享受云计算服务,然而,在多无人机辅助移动边缘计算系统中设计一种有效的任务卸载方法仍然面临着一些挑战;首先,地面MEC服务器通常部署在覆盖范围有限的固定位置,可能导致服务中断;此外,单个无人机辅助MEC的部署具有有限的计算资源和电池容量,可能使其难以处理大量数据或维持长期运行;其次,从问题表述的角度来看,目前的研究面临的一个重大挑战是,大多数研究倾向于集中在优化单个性能指标,如延迟或能耗,或这两个指标的组合,而忽略了多目标优化,这可能进一步损害该制度的总体效力和效率,另外,无人机辅助MEC系统具有用户要求严格多样、无人机资源受限等诸多现实特点,这些特点对满足用户需求和无人机资源约束的联合优化提出了挑战;最后,在算法设计方面,博弈论等理论方法可能因计算复杂度和空间复杂度高而面临挑战,传统的启发式方法如群体智能算法可能会遇到迭代过程长和受局部最优影响的问题;特别是在大规模场景中,机器学习方法如深度强化学习可能会遇到难以收敛和长训练周期的问题。
实现思路