空地协同下移动边缘计算系统的联合多无人机轨迹和卸载策略优化.docx

空地协同下移动边缘计算系统的联合多无人机轨迹和卸载策略优化
空地协同下移动边缘计算系统的联合多无人机轨迹和卸载策略优化
摘要：随着物联网和边缘计算的快速发展，移动设备普及率和数据量的指数级增长，使得传统的云计算模式无法满足海量数据的处理需求。移动边缘计算系统作为一种新兴的处理模式，通过在靠近数据源的边缘设备上进行计算和存储，提供了低延迟和高带宽的服务。本文针对移动边缘计算系统中的联合多无人机轨迹和卸载策略优化问题展开研究，进一步提高系统的性能和效率。
1.引言
移动边缘计算是一种将计算和存储资源移到离用户更近的边缘设备上的新型计算模式，可以有效降低数据传输的延迟和网络负载。而无人机作为移动边缘计算系统的重要组成部分，具有高灵活性和可操控性，可以在空中建立临时的计算和通信基站，为用户提供边缘计算服务。然而，如何合理规划多无人机的轨迹和卸载策略成为优化移动边缘计算系统性能的关键问题。
2.相关工作
已有的研究主要集中在单无人机轨迹规划和单无人机卸载策略优化上，在多无人机情况下的联合优化问题尚未得到充分研究。其中，无人机轨迹规划算法包括遗传算法、粒子群优化算法和基于优化模型的求解等，而无人机卸载策略优化方法包括基于任务分配和资源优化的策略等。然而，上述算法和方法针对的是单一目标或局部优化，缺乏对联合问题的综合考虑。
3.系统模型
3.1无人机轨迹模型
采用二维坐标系，将移动边缘计算区域划分为网格结构，并将无人机的轨迹规划问题转化为网格路径规划问题。利用动态规划算法，以最小化路径长度和最均匀的网格覆盖为目标，设计无人机的最优轨迹。
3.2无人机卸载模型
考虑无人机的计算能力和传感器资源，将边缘设备间的任务划分为无人机卸载任务和本地处理任务。将无人机卸载任务视为有向无环图的最小费用流问题，通过最小化总体成本（包括计算和通信成本）为目标，设计无人机的最优卸载策略。
4.多无人机轨迹和卸载策略联合优化
4.1问题建模
将多无人机轨迹规划和卸载策略优化问题建模为复杂优化问题，考虑各个无人机的协同工作和路径交叉等约束条件，以最小化系统总体成本和最大化任务完成效率为目标。
4.2求解算法
设计基于遗传算法的优化方法，将无人机轨迹和卸载策略的参数进行编码，通过交叉和变异操作引入随机性，进一步优化系统性能。采用适应度函数来评估优化结果，不断迭代并更新最优解，最终得到最优的多无人机轨迹和卸载策略。
5.模拟实验与结果分析
借助仿真软件，在真实的场景中对所提出的方法进行模拟实验。通过对比不同算法，包括单一无人机轨迹规划算法、单一无人机卸载策略优化方法和联合优化算法，评估系统性能的提升和优势。
6.结论
本文针对移动边缘计算系统中的联合多无人机轨迹和卸载策略优化问题进行了深入研究，设计了基于遗传算法的优化方法。通过模拟实验验证，证明了所提出方法的有效性和性能优势。未来的研究可进一步考虑动态环境下的优化问题，并将所提出的方法应用到实际移动边缘计算系统中。
参考文献：
[1]H.Liu,W.Zhang,andK.Zhou,“Jointoptimizationoftaskallocationandresourceallocationinmobile-edgecomputingsystem,”IEEETrans.Veh.Technol.,vol.66,no.8,pp.7504-7518,Aug.2017.
[2]L.Chen,Z.Wu,andJ.Zhang,“Anefficientparticleswarmoptimizationformulti-objectiveUAVpathplanningindynamicenvironment,”SwarmandEvolutionaryComputation,vol.57,Oct.2020.
[3]J.Zheng,H.Xu,andH.L.Liang,“Ahybridalgorithmbasedongeneticalgorithmandparticleswarmoptimizationforcapacitatedmulticastroutingproblem,”InternationalJournalofComputerMathematics,vol.96,no.3,pp.554-568,Mar.2019.