基于多目标联合优化的多无人机布局与任务卸载决策方法

本发明涉及无人机部署与任务卸载领域，针对携带边缘计算机服务器的无人机完成地面用户任务卸载场景下，提出的一种基于多目标联合优化的多无人机布局与任务卸载决策方法。

背景技术：

1、第五代移动通信技术(5g)已经深入到人们的生活中。同时，技术在不断发展，第六代移动通信技术(6g)将在2030-2040时代的未来市场中蓬勃发展。新的智能终端和物联网(iot)设备的出现推动了计算密集型、延迟敏感型应用的兴起，例如虚拟现实(vr)应用、增强现实(ar)应用和自动驾驶。这些场景对数据流和信息的时效性要求很高，无法与计算资源有限的设备相匹配。移动边缘计算(mec)是为解决移动云计算面临的高延时、安全漏洞、低覆盖、数据传输滞后等挑战而提出的。移动边缘计算可以提供贴近移动用户的it服务环境和云计算功能，有助于改善用户体验。与传统云计算相比，mec不需要将计算任务发送到集中位置进行处理。然而，在一些特殊场景中，部署在固定位置的边缘服务器存在一些不足。当边缘服务器出现故障时，重新部署将需要很长时间。此外，一些偏远地区的技术发展滞后，短期内部署边缘服务器是不切实际的。

2、无人机由于其机动性和灵活性，近年来在许多领域得到了广泛的研究。有学者提出无人机配备计算和存储资源来帮助设备完成任务卸载。无人机在无线通信领域有其优势，无人机在大多数场景下可以建立短距离视距(los)通信链路，与地面设备保持稳定的无线连接，并以较高的速率传输。无人机短时间内的灵活部署，保证用户设备的正常卸载服务。

3、作为一种新型飞机，无人机对电能的要求和电池的容量决定了飞行时间有严格的限制。耐力的关键性能指标与能源消耗密切相关。目前无人机携带的电池容量仍然非常有限。虽然随着电池容量的增加，电池续航时间也有所提高，但超过续航能力的无人机存在坠机和造成财产损失的风险。在不同分布场景下，地面任务的分布性具有较大差异，现有方法中无人机不能够根据任务的聚集性调整高度，导致任务信息传输延迟较高。同时用户的任务在使用场景是多样的，任务具有不同延迟敏感度，在任务卸载时，现有的方法不能通过判断任务的延迟敏感度来调整任务卸载的优先级。

技术实现思路

1、本发明为了解决无人机辅助地面用户进行计算卸载的位置部署和卸载决策的问题，提供一种基于多目标联合优化的多无人机布局与任务卸载决策方法，以期能将用户任务卸载至无人机上执行，以减少任务的总延迟，在保证无人机安全性的前提下，实现所有任务执行的总延迟与系统能耗之间的平衡。

2、本发明为达到上述发明目的，采用如下技术方案：

3、本发明一种基于多目标联合优化的多无人机布局与任务卸载决策方法的特点在于，是应用于一个边长为l的正方形地面区域v中，将正方形地面区域v的一个顶点设为原点o，将与所述原点o相连的两条边分别设置为x轴和y轴，将垂直于xy面且过原点o的垂直线作为z轴，从而建立三维坐标系；

4、在所述正方形地面区域v中部署m架无人机的集合u＝{u1，u2，...，uj，...，um}以协助地面上的n个设备完成自身的一个任务，其中，uj表示第j架无人机；将第j架无人机uj的位置记为xj，yj表示第j架无人机uj投影到地面上的坐标，hj表示第j架无人机uj的高度；第j架无人机uj的最多同时执行c个任务；c<n；j∈[1，m]；第j架无人机uj的覆盖范围是以(xj，yj，0)为原心、以hj为半径所形成的圆形区域；

5、将n个设备上任务的集合记为t＝{t1，t2，...，ti，...，tn}，其中，ti表示第i个设备对应的任务；i∈[1，n]；

6、令第i个任务ti的属性记为qi，且qi＝(ci，di，si，pi)，其中，ci表示完成第i个任务ti所需的cpu周期总数，di表示第i个任务ti的数据量，si是第i个任务ti的延迟敏感度水平，良示携带第i个任务ti的设备在地面上的位置；

7、定义第i个任务ti的卸载决策变量记为oi，若oi＝0，表示第i个任务ti在第i个设备上执行；若oi≠0，表示第i个任务ti卸载到无人机上执行；第i个任务ti的卸载过程是将第i个任务ti的相关数据发送到对应的一个无人机，并在相应的无人机上执行后，将结果执行返回给第i个任务ti对应的设备；

8、定义第i个任务ti的任务执行模式包括：本地执行模式、m个架无人机的卸载执行模式；

9、所述多无人机布局与任务卸载决策方法是按如下步骤进行：

10、步骤一：根据任务集合t与无人机集合u构建多无人机布局与任务卸载决策模型：

11、步骤1.1：利用式(1)计算第i个任务ti在本地执行的计算时间ti0：

12、

13、式(1)中，fi0表示第i个任务ti在本地执行的计算资源；

14、步骤1.2：计算第i个任务ti卸载到第j架无人机uj的卸载时间：

15、步骤1.2.1：利用式(2)计算第i个任务ti与第j架无人机uj之间的水平投影距离

16、

17、步骤1.2.2：利用式(3)计算第i个任务ti与第j架无人机uj之间的三维距离

18、

19、式(3)中，hmax和hmin表示无人机飞行的高度上、下限；

20、步骤1.2.3：利用式(4)构建第j架无人机uj和第j′架无人机uj′之间的三维距离dj，j′：

21、

22、式(4)和式(5)中，dmin是安全距离；xj′，yj′表示第j′架无人机uj′投影到地面上的坐标，hj′表示第j′架无人机uj′的高度；

23、步骤1.3：计算第i个任务ti从地面传输到第j架无人机uj的时间

24、步骤1.3.1：利用式(5)构建第i个任务ti从地面传输到第j架无人机uj的路径损失li，j：

25、

26、式(5)中，llos表示视距链路路径损失，lnlos，表示第i个任务ti与第j架无人机uj之间的视距链路连接概率，并有：

27、

28、式(6)中，α，β为两个环境参数；θij表示第i个任务ti与第j架无人机uj之间的仰角；

29、步骤1.3.2：利用式(7)和式(8)分别构建第i个任务ti与第j架无人机uj之间的视距链路路径损耗以及第i个任务ti与第j架无人机uj之间的非视距链路路径损耗

30、

31、

32、式(7)和式(8)中，fc是通信的载波频率；c是光速，ηlos，ηnlos是视距链路和非视距链路的平均附加损耗；

33、步骤1.3.3：利用式(9)构建第i个任务ti与第j架无人机uj的上行链路数据速率rij：

34、

35、式(9)中，b为通信上行链路的信道带宽，p为各设备的发射功率；n0是信道的噪声功率谱密度；

36、步骤1.3.4：利用式(10)计算第i个任务ti从地面传输到第j架无人机uj的时间

37、

38、

39、式(11)中，pt表示任务的数据传输功率；

40、步骤1.4：计算多无人机布局与任务卸载决策模型的能量消耗；

41、步骤1.4.1：利用式(12a)构建第i个任务ti的本地设备上执行的任务能耗

42、

43、式(12a)中，η1是有效开关电容，v是常数；

44、利用式(12b)构建第i个任务ti卸载到第j架无人机uj上执行的任务能耗

45、

46、式(12b)中，η2是另一个有效开关电容；

47、步骤1.4.2：利用式(13a)计算第i个任务ti卸载到第j架无人机uj上的执行时间

48、

49、步骤1.4.3：利用式(13b)计算第i个任务本地执行时间

50、

51、步骤1.4.4：根据先来先服务的原则计算无人机上第i个任务ti的等待时间

52、步骤1.4.5：利用式(14)计算第j架无人机uj的悬停时间

53、

54、式(15)中，表示第i个任务ti在下行链路的数据传输时间；

55、步骤1.4.6：利用式(15)计算第j架无人机uj的悬停能耗

56、

57、式(15)中，p0是无人机的悬停功率；

58、步骤1.5：利用式(16)计算第i个任务ti在第j架无人机uj上的总延迟

59、

60、式(16)中，tmax是每个任务的最大延迟时间；

61、步骤1.6：利用式(17)计算第j架无人机uj的卸载总能耗ej：

62、

63、步骤1.7：利用式(18)得到第i个任务ti卸载到第j架无人机uj上执行的布尔变量ai，j，若ai，j＝1，表示第i个任务ti卸载到第j架无人机uj上执行；若ai，j＝0，表示第i个任务ti本地执行：

64、

65、步骤1.8：利用式(19)和式(20)构建以总能耗最小为目标的第一目标函数f1以及以所有任务时延之和最小为目标的第一目标函数f2：

66、

67、

68、利用式(21)构建多无人机布局与任务卸载决策模型的总目标函数

69、

70、利用式(22a)-式(22e)构建多无人机布局与任务卸载决策模型的约束条件：

71、

72、hmin≤hj≤hmax (22b)

73、djj′≥dmin (22c)

74、

75、

76、式(22a)-式(22e)中，rj表示第j架无人机uj卸载覆盖圆形区域的半径，dmin表示无人机的最小安全距离；tmax表示任务的最长时间延迟，emax表示无人机的最大能量；

77、步骤二：定义并初始化各个参数，包括：第g代种群记为pop(g)，第g代非支配种群记为npop(g)，种群规模记为z，当前进化代数记为g，最大进化代数记为gmax，并初始化g＝1；

78、步骤三：利用网格法产生初始化第g代种群pop(g)；

79、步骤四：计算任务之间的卸载相关性矩阵并构建第g代种群pop(g)中第w个个体执行每个任务的数据样本；

80、步骤五：选取数据样本作为聚类中心，利用模糊c均值聚类方法更新第g代种群pop(g)中z个个体的无人机位置；

81、步骤六：更新任务的卸载决策，利用上一步的无人机的部署位置结合蚁群算法得到任务的卸载决策；

82、步骤6.1：初始化矩阵第g代种群pop(g)中第w个个体的可行性矩阵其中，表示第g代种群pop(g)中第w个个体执行第i个任务ti在第j架无人机上的可行性，若表示第g代种群pop(g)中第w个个体中执行第i个任务ti时卸载到第j架无人机uj是可行的，若表示第g代种群pop(g)中第w个个体中执行第i个任务ti时卸载到第j架无人机uj是不可行的；

83、步骤6.2：定义蚁群算法的迭代次数γ，并初始化γ＝1，令γmax为蚁群算法的最大迭代次数；定义蚁群的规模也为z；

84、步骤6.3：定义第g代蚁群中的第w个蚂蚁在第γ迭代下的信息素矩阵其中，表示第g代蚁群中的第w个蚂蚁在第γ迭代下执行第i个任务ti卸载到第j架无人机uj的信息素浓度，并初始化

85、步骤6.4：利用式(28)计算第g代蚁群中第w个蚂蚁在第γ迭代下的启发式信息矩阵其中，表示第g代蚁群中第w个蚂蚁在第γ迭代下执行第i个任务ti卸载到第j架无人机uj的启发式信息素浓度，并通过式(28)得到：

86、

87、式(28)中，表示第g代蚁群中第w个蚂蚁在第γ迭代下第j个无人机uj的覆盖半径；

88、步骤6.5：利用式(29)计算第g代蚁群中第w个蚂蚁在第γ迭代下的状态转移矩阵

89、

90、式(29)中，表示第g代蚁群中第w个蚂蚁在第γ迭代下执行第i个任务ti卸载到第j架无人机uj的状态转移量；

91、步骤6.6：利用式(30)得到第g代蚁群中的第w个蚂蚁在第γ+1迭代下的信息素矩阵信息素矩阵

92、

93、式(30)中，ρ为常数，表第g代蚁群中的第w个蚂蚁在第γ迭代下执行第i个任务ti卸载到第j架无人机uj时释放的信息素浓度，并有：

94、

95、式(31)中，θ表示无人机定向天线的覆盖范围俯角；

96、步骤6.7：将γ+1赋值给γ后，判断γ＞γmax是否成立，若成立，则表示得到第g代蚁群中第w个蚂蚁在第γmax迭代下的状态转移矩阵并从中选取最大值所对应的无人机作为第g代种群pop(g)中第w个个体的第i个任务的卸载决策从而得到第g代种群pop(g)中第w个个体的任务卸载决策否则，返回步骤6.4顺序执行；

97、步骤6.8：调整第g代种群pop(g)中第w个个体的第j架无人机uj的高度

98、步骤6.9：判断g+1＞gmax是否成立，若成立，则表示第gmax代种群中z个个体所对应的无人机布局与任务卸载决策方案，否则，将g+1赋值给g后，返回步骤四顺序执行。

99、本发明所述的基于多目标联合优化的多无人机布局与任务卸载决策方法的特点也在于，所述步骤三包括：

100、步骤3.1：将正方形地面区域v划分为边长为l′的s个网格，v＝{v1，v2，...，vk，...，vs}，其中，vk表示第k个网格；s是网格的数量；

101、步骤3.2：以每个网格为中心，并与其中心的周围八个网格共同形成九宫格vs＝{vs1，vs2，...，vsk，...，vss}，其中，vsk表示第k个九宫格；

102、步骤3.3：统计以每个网格为中心的九宫格中任务的数量nv＝{nv1，nv2，...，nvk，...，nvs}，其中，nvk表示第k个九宫格vsk中任务的数量；

103、步骤3.4：对nv进行降序排序，得到排序后的任务数量nv′；

104、步骤3.5：根据排序后的任务数量nv′，选出前m×z个任务数量所对应的九宫格的中心网格的中心点；

105、步骤3.6：前m×z个九宫格的中心点分别作为z个个体的m个无人机位置，其中，第g代种群pop(g)中第w个个体的m个无人机位置记为表示第g代种群pop(g)中第w个个体的第j个无人机位置，且其中，分别表示第g代种群pop(g)中第w个个体的第j个无人机位置在三维坐标系中的x坐标，y坐标和z坐标；

106、步骤3.7：在满足约束式(22a)的条件下随机生成第g代种群pop(g)中第w个个体对应任务的卸载决策并与组合成第g代种群pop(g)中第w个个体基因变量集合w∈[1，z]，其中，表示第g代种群pop(g)中第w个个体的第i个任务的卸载决策，从而得到第g代种群pop(g)。

107、所述步骤四包括：

108、步骤4.1：当j＝0时，计算第g代种群pop(g)中第w个个体执行第i个任务ti所花费的时间若表示第i个任务ti只能卸载到第j个无人机uj上执行，若表示第i个任务ti在本地执行或卸载到第j个无人机uj上执行；

109、步骤4.2：初始化第g代种群pop(g)中第w个个体的卸载相关性矩阵为n×n的零矩阵；

110、步骤4.3：当第i个任务ti与第i′个任务ti′均卸载到第j个无人机uj上执行时，将中第i行第i′列的元素自加1，i′∈[1，n]；

111、步骤4.4：将矩阵中每行每列元素均除以个体数量z，从而得到处理后的卸载相关性矩阵再赋值给

112、步骤4.5：构建第g代种群pop(g)中第w个个体执行第i个任务ti的数据样本

113、所述步骤五包括：

114、步骤5.1：定义迭代允许的误差为ε，定义并初始化当前迭代次数ω＝0；

115、步骤5.2：从中随机选择m个数据并作为第g代种群pop(g)中第w个个体在第ω次迭代下的聚类中心其中，表示第g代种群pop(g)中第w个个体在第ω次迭代下的第j个聚类中心；

116、步骤5.3：通过式(24)计算第g代种群pop(g)中第w个个体在第ω次迭代下的隶属矩阵

117、

118、式(24)中，表示第g代种群pop(g)的第w个个体在第ω次迭代下到第j个聚类中心的隶属度；

119、步骤5.4：通过式(25)计算第g代种群pop(g)中第w个个体在第ω+1次迭代下的聚类中心

120、

121、式(25)中，表示第g代种群pop(g)中第w个个体在第ω+1次迭代下的第j个聚类中心；

122、步骤5.5：通过式(26)得到第g代种群pop(g)中第w个个体在第ω+1代迭代下的隶属矩阵

123、

124、式(26)中，表示第g代种群pop(g)的第w个个体在第ω+1次迭代下到第j个聚类中心的隶属度；

125、步骤5.6：判断是否满足式(27)，若满足，则将ω+1赋值给ω后，返回步骤5.4顺序执行，否则，表示得到第g代种群pop(g)中第w个个体在第ω+1次迭代下的聚类中心并作为第g代种群pop(g)中第w个个体的m个无人机的位置

126、

127、所述步骤6.8包括：

128、步骤6.8.1：根据得到第g代种群pop(g)中的第w个个体利用第j架无人机uj所卸载的任务集合从而得到第g代种群pop(g)中第w个个体利用所有无人机所卸载的任务集合

129、步骤6.8.2：计算所在的外接圆的半径并赋值给从而得到更新后的第g代种群pop′(g)中第w个个体的第j个无人机位置从而得到更新后的第g代种群pop′(g)中第w个个体的m个无人机位置并与组成第g代种群pop′(g)中第w个个体基因变量集合

130、步骤6.8.3：将pop(g)和pop′(g)合并后，通过非支配排序法得到第g+1代种群pop(g+1)。

131、本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行任一所述多无人机布局与任务卸载决策方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

132、本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行任一所述多无人机布局与任务卸载决策方法的步骤。

133、与现有技术相比，本发明的有益效果在于：

134、1、本发明能够在相同的任务规模和场景相同的情况下，获得更多的无人机的部署与任务卸载决策的解决方案，同时利用任务的相关属性信息进行分析，作为解决无人机部署和任务卸载的公共有利信息，从而减少了在解的搜索过程中的盲目性，能够在更少的迭代次数中找到更多适合不同场景解决方案，当任务的延迟敏感度高，提供的解决方案会将更多的任务卸载到无人机上执行。当无人机的电量低时，提供的解决方案会之将延迟敏感度最高的任务优先卸载到无人机上执行。

135、2、现有技术中一般考虑的是无人机飞行高度固定的情况，而本发明中考虑到了每一架无人机的高度是不固定的，并根据每一架无人机负责卸载任务的位置属性，调整无人机高度更加符合实际场景，在地面任务分散的场景中，通过上升无人机的高度可以覆盖更多的任务；地面任务十分聚集的场景下，通过降低无人机的高度可以减少信息传输延迟，从而提高了每一个任务所分配到的计算资源。

136、3.本发明在问题的场景中考虑到任务的多样性，不仅仅是考虑任务的计算量和数据量，也添加了任务延迟敏感度属性，并设计三种延迟敏感度等级，能针对不同类型延迟敏感度的任务，分配任务执行卸载的优先级，并在任务延迟要求高的场景中，将延迟敏感度高的任务优先卸载到无人机上执行，从而满足了用户对任务卸载延迟要求，提高了方案的实用性。