无人机辅助的移动边缘计算任务调度算法研究

作     者：秦甜 

作者单位：大连理工大学 

学位级别：硕士

导师姓名：张强;汪文昌

授予年度：2024年

学科分类：080904[工学-电磁场与微波技术] 12[管理学] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 0810[工学-信息与通信工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 082503[工学-航空宇航制造工程] 081001[工学-通信与信息系统] 0835[工学-软件工程] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：移动边缘计算 无人机 无人机部署 无人机轨迹控制 任务分配 

摘      要：移动边缘计算(Mobile Edge Computing,MEC)被认为是一种前景广阔的计算模式,它将计算资源部署在靠近终端的边缘位置,以满足新兴应用对于高宽带和低延迟的服务需求。然而,MEC中的边缘服务器位置固定,其计算资源和处理范围相对有限,并且无法根据用户需求进行灵活调整,进而导致任务调度的效率和性能显著降低。无人机作为一种体积小、成本低的飞行器,具备高度的机动性和灵活性。因此,利用无人机作为边缘节点,可以为计算资源匮乏的区域提供充足的服务覆盖,从而辅助MEC进行高效的任务调度。 然而,当前无人机辅助的MEC任务调度主要面临两个问题:(1)针对热点区域内任务大量累积的情况,如何确定无人机的最佳部署数量和位置,以最大化无人机服务覆盖范围的同时优化系统能耗;(2)针对热点区域内任务动态变化的特点,如何设计合理的无人机飞行路径,以实现多架无人机之间协同控制的同时优化终端能耗。 针对问题(1),本文通过联合优化无人机部署和任务分配从而最小化系统能耗。为此,本文创新性地提出了一个基于差分进化算法的联合优化框架。该框架采用了一种新型编码机制,实现了无人机部署问题中决策变量的统一。同时还对传统的差分进化算法进行了领域内的针对性改进,通过引入删除和更新操作,实现了对无人机数量和位置的自适应调整,从而提升了算法的全局搜索能力。对于任务分配问题,本文通过深入推导,将问题简化为仅涉及卸载决策的二元优化问题,同时设计了一个低时间复杂度的算法对该问题进行求解。大量的实验证明,本文提出的无人机部署方案能够为任务分配方案提供可行解,同时任务分配方案又能够准确评估无人机部署方案的性能。与其他方法相比,本文提出的方法能够显著降低系统能耗和系统时间。 针对问题(2),本文通过优化无人机轨迹控制和任务分配从而最小化终端能耗。为此,本文创新性地将系统总体优化目标建模为马尔可夫决策过程,并提出了一个基于深度强化学习的快速决策模型。该模型利用参与者网络生成无人机的飞行方向和飞行距离,同时利用评论者网络评估参与者网络生成动作的合理性。此外,该模型改进了经验缓冲区中小批量样本的传统抽样方式,通过引入采样权重来评估样本经验的重要程度,从而提升了模型的稳定性。对于任务分配问题,本文考虑了任务的不同种类,并基于任务的类别为其制定相应的任务分配方案,进一步提高了任务的执行效率。大量实验证明,本文提出的方法能够适应无人机的任何起点位置。与其他方法相比,该方法能够显著降低终端能耗。