一种多无人机协同算力网络的任务调度与资源分配方法

本发明涉及多无人机协同算力网络通信，具体为一种多无人机协同算力网络的任务调度与资源分配方法。

背景技术：

1、算力网络是中国信息通信产业响应国家政策导向、顺应产业发展趋势、适应市场新兴需求的体系创新、架构创新与能力创新，随着算力网络的发展，计算密集型和延迟关键型应用不断涌现。然而，资源有限的设备无法提供足够的计算能力来满足这些应用对低延迟、低功耗和巨大计算量的需求。降低能源消耗，提高资源利用率成为算力网络运营的迫切需求。

2、无人机辅助通信作为地面通信的补充，越来越受到学术界和工业界的关注。无人机作为典型的航段设备，具有航迹损失小、视距概率高的特点。因此，机载无人机基站可以为地面用户设备提供可靠、高质量的通信覆盖。此外，配备边缘服务器的无人机可以执行计算任务，并为地面用户设备卸载的任务提供边缘计算。利用航迹规划对无人机进行控制，提高热点地区终端接入和网络服务质量。

3、因此，针对多无人机协同的算力网络进行任务调度和资源分配的联合优化设计至关重要。该问题属于高度非凸的优化问题，且无人机任务调度和无人机资源分配变量之间的耦合关系复杂，当环境发生变化时，必须重新计算优化过程，计算复杂度呈指数级增长。对此，本发明提出一种多无人机协同算力网络的任务调度与资源分配方法。描述了以系统总能耗最小化为目标的联合任务调度和资源分配优化问题。此后，本发明利用lyapunov优化来处理长期队列延迟约束，将原问题进行分解，避免了直接解决耦合关系复杂且高度非凸的优化问题，之后采用拉格朗日对偶法来解决任务调度与资源分配的联合优化问题。

技术实现思路

1、本发明公开了一种多无人机协同算力网络的任务调度与资源分配方法，面向多无人机协同的算力网络，针对地面用户设备无法提供足够的计算能力来满足通信过程的低延迟、低功耗和巨大计算量需求的问题，提出联合任务调度与资源分配优化方法，目的是最小化系统总能耗，所述方法的步骤如下：步骤一、建立多无人机协同算力网络系统模型，考虑无人机的任务卸载能耗与任务计算能耗，推导协同算力网络系统总能耗；步骤二、描述以系统总能耗最小化为目标的联合任务调度与资源分配优化问题；步骤三、利用lyapunov优化来处理长期队列延迟约束，将原问题进行分解，之后采用拉格朗日对偶法来解决任务调度与资源分配的联合优化问题。本发明充分利用无人机的灵活机动性，有效保障网络通信的安全可靠。具体过程如下：

2、本发明提出的多无人机协同算力网络通信系统模型包含m架关联无人机、n架辅助无人机和1个地面基站，关联无人机和辅助无人机分别用集合和表示，其中关联无人机不断收集来自地面用户设备上传的计算任务，然而其与地面基站之间的无法保持有效的通信连接。辅助无人机协助关联无人机进行任务计算和卸载，同时可以进一步将任务卸载至地面基站进行计算。计算任务能够在关联无人机、辅助无人机和地面基站并行执行，从而降低处理时延。考虑系统工作在时隙模式下，整个优化时间段被平均划分为τ个时隙，每个时隙持续时间为t，整个时间段可以表示为{1,...,t,...,t}。设无人机处于固定高度h，关联无人机、辅助无人机和地面基站的水平坐标分别为和vs(t)。假设无人机按提前设计好的轨迹路径运行，和的距离可计算为同理可计算与地面基站的距离

3、此后，对关联无人机-辅助无人机和辅助无人机-地面基站的链路信道进行建模，考虑概率视距(los)路径损失模型来表征无线信道，由自由空间路径损失模型给出。关联无人机不断接收来自地面用户设备的计算任务，并选择辅助无人机进行任务卸载。关联无人机到辅助无人机的二元卸载策略表示为其中ym,n(t)＝1表示在第t个时隙关联无人机选择辅助无人机进行任务卸载。此后，到的可实现卸载率可表示为

4、rm,n(t)＝bm,nlog2(1+pm,ngm,n(t)/σ2)

5、其中，bm,n为到通信链路信道带宽，σ2为噪声功率，pm,n为无人机发射功率，gm,n(t)为信道增益，可由下式计算得到

6、

7、其中，ρ0为参考距离为1m时的信道增益。

8、辅助无人机接收来自关联无人机的任务后在进行本地计算的同时也将部分任务卸载至基站，由基站的服务器进行任务计算。到基站之间的信息传输速率为

9、rn,s(t)＝bn,slog2(1+pn,s(t)gn,s(t)/σ2)

10、其中，bn,s为到基站通信链路信道带宽，pn,s(t)为到基站的发射功率，为信道增益，ln,s(t)为到基站的路径损耗，由下式计算得到

11、

12、其中，fc和c分别表示载频和光速，和分别表示自由空间传播损耗对视距链路和非视距链路造成的附加损耗，是到基站链路的视距概率，由下式计算得到

13、

14、其中，ρ1、ρ2、和由环境决定。

15、假设关联无人机一个时隙从地面用户设备收集来的计算任务表示为wm(t)，并且将其切分为由其自身处理器计算的任务以及进一步卸载至辅助无人机的任务即

16、

17、与此同时，关联无人机维持队列缓存用户上传的任务。定义为任务在自身处理器的积压，为卸载队列的任务积压，其更新为

18、

19、

20、其中，为t时隙被处理并离开缓存队列的任务，计算为

21、

22、其中，λm为的任务每比特所需的cpu周期数，fm(t)表示的计算资源。此外，为卸载到辅助无人机的任务量，计算为

23、

24、在处，其在时隙t接收到的来自的任务为这些任务在辅助无人机处理的量表达为

25、

26、其中，fm,n(t)为给分配的计算资源。为确保用户的服务质量，其卸载到辅助无人机的任务不再缓存，而是及时处理。为保证辅助无人机将未处理的任务卸载到基站，其发射功率需要满足

27、

28、考虑到基站由稳定的电网供电并且配备强大的处理器，任务在基站处的处理时延被忽略。此外，由于计算结果的数据量较小，我们认为结果反馈时延忽略不计。

29、整个优化过程中，系统能耗由传输能耗和计算能耗组成。关联无人机能耗包括计算能耗和任务卸载能耗。计算能耗表示为

30、

31、其中κ为取决于芯片架构的计算能力参数。此外，任务传输能耗可表示为

32、

33、辅助无人机的能耗表达为

34、

35、因此，每个时隙系统总能耗表示如下

36、

37、在此基础上，以系统总能耗最小为目标的联合任务卸载决策y(t)、任务切分和计算资源分配优化问题描述为

38、p1:

39、

40、

41、

42、

43、

44、

45、

46、

47、其中约束1到约束2分别表示关联无人机的任务卸载决策为二元变量和一架关联无人机至多选择一架辅助无人机，约束3指关联无人机的服务质量约束，确保计算密集任务的有效上传，其中rmin为每时隙的最低传输速率，约束4表示任务切分约束，约束5表示因果约束，即辅助无人机处理的任务不大于关联无人机对其卸载的任务，约束6为计算资源约束，其中和分别为关联无人机和辅助无人机的可用资源，约束7约束了关联无人机和辅助无人机的发射功率，约束8表示关联无人机的队列积压保持长期稳定，保证所有到达关联无人机的计算任务都及时处理或进一步卸载。

48、针对问题p1中目标函数和约束8的棘手的时间平均稳态形式，我们采用李雅普诺夫优化对问题进行转换。具体而言，队列积压集合表示为定义李雅普诺夫函数如下

49、

50、李雅普诺夫漂移定义为李雅普诺夫函数在连续两个时点上的变化的期望，表示为

51、δ(θ(t))＝e[l(θ(t+1))-l(θ(t))|θ(t)]

52、为了在保证队列稳定性的同时最小化系统的长期平均总能耗，将李雅普诺夫漂移加惩罚定义为李雅普诺夫漂移加长期平均总能耗期望乘以权重参数，即

53、δvl(θ(t))＝δ(θ(t))+ve{etotal(t)|θ(t)}

54、其中v是非负的，用于权衡惩罚最小化和队列稳定性。

55、δvl(θ(t))的上界可以如下推导：

56、

57、其中，为有上界的常数。

58、根据李雅普诺夫优化方法，可以在约束1到约束7下，在每个时隙中最小化定义的漂移加惩罚函数δvl(θ(t))的上界。此外，我们通过区分优化变量的方式将问题分解为两个子问题。在子问题1中优化关联无人机的任务卸载决策，描述为

59、sp1:

60、

61、s.t.c1～c3

62、该子问题为离散的卸载关联变量优化问题，可用在线搜索方法进行求解。

63、在子问题2中，我们优化任务切分与计算资源分配，写作sp2:

64、

65、s.t.c5～c7

66、

67、sp2的目标函数及约束7非凸，导致其难于求解。

68、为解决非凸问题sp2，我们引入辅助变量将目标函数重构为

69、

70、并且满足

71、

72、可以重新整理为

73、

74、并且功率约束7转化为

75、此后，定义与约束5,约束6,约束9和约束10对应的拉格朗日乘子为ωm,n(t),和νn(t)，构造拉格朗日函数为

76、

77、根据karush-kuhn-tucker(kkt)条件，我们可以推导出优化变量及辅助变量的最优闭式解如下：

78、

79、

80、

81、

82、其中，此外，拉格朗日乘子采用sub-gradient方法更新。

83、本发明的技术方法具有以下优点：

84、本发明公开了一种多无人机协同算力网络的任务调度与资源分配方法。所述方法包括：首先，建立多无人机协同算力网络系统模型，充分利用无人机的灵活机动性，有效保障网络通信的安全可靠。其次，考虑无人机的任务卸载能耗与任务计算能耗，推导协同算力网络系统总能耗，描述以系统总能耗最小化为目标的联合任务调度与资源分配优化问题，从而提高系统能效。最后，本发明利用lyapunov优化来处理长期队列延迟约束，将原问题进行分解，并采用拉格朗日对偶法来解决任务调度与资源分配的联合优化问题，因此所提技术方法具有较强的可实施性。

85、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。