本研究提出了一种无人机部署与计算卸载的联合优化方法,该方法基于凸优化理论,旨在减少无人机辅助移动边缘计算场景下的任务平均响应时间。该方法首先利用块坐标下降法将复杂问题分解为无人机部署、地面设备接入和计算任务卸载三个子问题,并通过交替求解这些子问题来逼近全局最优解。通过仿真实验评估了该算法的性能,结果显示,该算法能在数秒内快速生成解决方案,并在性能上优于传统方法,提升幅度介于4.37%至43.04%。
背景技术
随着移动设备(例如智能手机、平板和可穿戴设备)的普及,越来越多新式的移动应用涌现出来。其中,越来越多的应用程序是资源密集型和延迟敏感的,例如人脸识别和增强现实应用程序。然而,由于CPU、电池寿命等物理限制,移动设备不断增长的容量仍然落后于人们的需求。因此,在移动设备上执行资源密集型和延迟敏感的任务是一项非常具有挑战性的任务。
移动边缘计算是解决上述挑战的有效计算范式,它通过在网络边缘部署边缘服务器的方式将云中心的计算能力下沉到网络边缘,利用边缘服务器较为丰富的计算资源弥补移动设备的不足。无人机高机动性的特点使其不仅可以进入救援人员无法进入的危险场景中执行搜救任务,还可以在无基础通信设施或者基础通信设施受损的区域充当临时通信基站的角色,为救援设备提供通信和计算服务。集合移动边缘计算和无人机的特点和优势,将无人机作为边缘服务器应用于移动边缘计算范式形成无人机使能的移动边缘计算系统可以一定程度上解决特殊场景中移动设备计算资源不足的问题。在该类系统中,多台无人机协同部署,每台移动设备选择合适的无人机并按需进行计算卸载。为了提升对移动设备的服务质量,需要对无人机部署和计算卸载进行联合优化。考虑到移动设备位置、计算需求经常发生变化,上述联合部署和卸载方案也需要随之调整,选择合适的联合优化方案面临组合爆炸问题。因此,需要寻找高效的联合优化方案生成方法,以满足计算卸载的实时性需求。
在已有研究工作中,作者通常采用启发式算法或搜索算法求解边缘部署问题,需要数十秒、甚至上百秒才能找到合适的边缘部署方案,难以满足无人机使能移动边缘计算系统中无人机需要快速部署的需求。近年来,一些研究工作采用了深度强化学习方法解决无人机使能移动边缘计算系统中无人机部署和计算卸载优化问题,但此类方法在解决问题前需要大量数据进行模型训练,在缺乏数据的情况下优化效果有限。此外,也有一些研究工作采用凸优化相关方法进行求解无人机使能移动边缘计算系统中无人机部署和计算卸载优化问题,但在这些研究工作所考虑的场景中,计算任务仅能进行完全卸载,无法进行按需卸载以充分利用边缘和移动设备的计算资源,资源利用率较低。
实现思路