面向大规模IoT系统的多无人机部署与协作卸载

作     者：黄智钦 卢恬英 陈哲毅 Huang Zhiqin;Lu Tianying;Chen Zheyi

作者机构：福州大学计算机与大数据学院福建福州350116 大数据智能教育部工程研究中心福建福州350002 福建省网络计算与智能信息处理重点实验室(福州大学)福建福州350116 

出 版 物：《系统仿真学报》 (Journal of System Simulation)

年 卷 期：2025年第37卷第1期

页      面：25-39页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(62202103) 中央引导地方科技发展资金(2022L3004) 福建省科技经济融合服务平台(2023XRH001) 福厦泉国家自主创新示范区协同创新平台(2022FX5) 

主　　题：物联网 移动边缘计算 无人机部署 计算卸载 K-Means聚类 多智能体强化学习 

摘      要：在大规模物联网(internet-of-things,IoT)系统中,无人机使能的移动边缘计算(mobile edge computing,MEC)可缓解终端IoT设备的性能限制。然而,由于不均匀的IoT设备分布与低效的问题求解效率,如何在大规模IoT系统中高效执行计算卸载面临着巨大的挑战。现有解决方案通常无法适应动态多变的多无人机场景,导致了低效的资源利用与过度的响应延迟。为解决这些重要挑战,提出了一种新型的面向大规模IoT系统的多无人机部署与协作卸载(multi-UAV deployment and collaborative offloading,MUCO)方法。设计了一种基于约束K-Means聚类的无人机部署方案,在提升服务覆盖率的同时保证覆盖均衡。设计了一种基于多智能体强化学习(multi-agent reinforcement learning,MARL)的多无人机协作卸载策略,将来自IoT设备的卸载请求进行拆分与分布式执行,进而实现高效的协作卸载。大量仿真实验验证了MUCO方法的有效性。与基准方法相比,MUCO方法在不同场景中平均可以取得约23.82%和28.13%的无人机部署性能提升,且能取得更低的时延和能耗。