[发明专利]一种空地结合的移动边缘计算卸载优化方法

说明书

本发明公开了一种空地结合的移动边缘计算卸载优化方法，具体包括：S1，构建无人机辅助的移动边缘计算卸载模型；S2，根据通信节点与无人机之间的通道状态和通信节点与移动边缘计算服务器之间的通道状态计算无线传输速率；S3，计算所有设备节点任务的时延、能耗和带宽代价；S4，将系统全局代价最小化问题转化为马尔科夫决策过程MDP，设计模型的状态空间、动作空间和奖励函数；S5，基于Q学习方法构建神经网络模型，构建缓冲内存、智能体；S6，基于缓冲内存训练所述神经网络模型，即训练出获得最大平均累积奖励的最优的计算卸载决策，并验证模型的有效性。

技术领域

本发明涉及无线网络通信领域，特别是涉及一种空地结合的移动边缘计算卸载优化方法。

背景技术

当前随着5G无线通信的发展，无线终端(WT)产生了越来越多的与例如虚拟现实、增强现实或在线游戏相关的计算任务，其中一些任务是延迟敏感型或计算密集型。由于WT的计算能力和电池容量有限，因此大部分情况下WT无法本地处理此类任务。为了解决此类问题，存在一些利用云计算解决的方案。将计算数据卸载到云计算服务器上以处理。但是，云计算解决方案的最大问题是难以处理资源调度和回程延迟。当前，移动边缘计算(MEC)技术越来越受欢迎，被广泛应用在无线通信和无线网络中，因为它提供了较强的计算能力并更加靠近用户侧。这就避免了多用户的资源调度和远距离带来的回程延迟。但当前关于MEC的应用方案，大部分应用场景都是规定MEC服务器是静止不动的，这就大大减少了数据卸载的普适性。无人飞行器(UAV)由于其机动性以及计算和通信能力，已成为一种新兴的视频监视和计算卸载解决方案，UAV在飞行过程中灵活的处理WT产生大量的计算任务。因此，如何充分结合MEC强大的数据处理能力以及UAV的移动处理能力是急需解决的问题。

发明内容

本发明的目的是提供一种空地结合的移动边缘计算卸载优化方法，以解决上述现有技术存在的问题，得到最优的计算卸载决策。

为实现上述目的，本发明提供了如下方案：

本发明提供一种空地结合的移动边缘计算卸载优化方法，包括以下步骤：

S1，构建无人机辅助的移动边缘计算卸载模型，所述模型包括：若干个无线终端用户WT、若干个无人机UAV和一个移动边缘计算服务器群集的UAV辅助异构网络；

S2，根据通信节点与所述无人机UAV之间的通道状态和所述通信节点与移动边缘计算服务器之间的通道状态计算无线传输速率；

S3，计算所有设备节点任务的时延、能耗和带宽代价；

S4，将系统全局代价最小化问题转化为马尔科夫决策过程MDP，设计所述无人机辅助的移动边缘计算卸载模型的状态空间、动作空间和奖励函数、惩罚因子；

S5，基于Q学习方法构建神经网络模型，构建缓冲内存、智能体；

S6，基于缓冲内存训练所述神经网络模型，使其达到最优，即训练出获得最大平均累积奖励的最优的计算卸载决策，并验证模型的有效性。

进一步的，所述S1中的无人机UAV通过自身装配的无线充电设备进行充电，所述无线充电设备通过太阳能进行充电。

进一步的，所述无线传输速率的计算：所述S3中的带宽代价与带宽分配率和信道利用率有关。

进一步的，所述S4中的惩罚因子设置为3。

进一步的，所述S4中的MDP基于值迭代，所述值迭代的过程是需要所有状态的原始先验知识，且MDP需知道所有状态转移概率。

进一步的，所述S5中的缓冲内存使所述神经网络模型在整个内存中随机采样数据进行训练。

进一步的，所述S5中的神经网络模型包括主网络和目标网络，所述主网络和所述目标网络采用两层全连接结构。