无人机辅助的计算卸载方法、系统与计算机存储介质

1.一种无人机辅助的计算卸载方法，其特征在于，所述方法包括如下步骤：步骤S1，建立无人机辅助的计算卸载模型，所述模型包括物联网设备层、边缘层和云层；其中，在物联网设备层包括若干不同电池电量的物联网设备，且物联网设备是不可移动的，用k＝{1，2，……K}表示，在时隙t内，物联网设备k持续生成计算任务m，由如下公式表达：m＝{1，2，……M}，并向无人机报告计算请求；任务m的大小由 表示；所述边缘层包括一组无人机，用u＝{1，2，……U}表示，为物联网设备提供通信中继和在途计算；所述无人机上布署有边缘计算服务器，所述边缘计算服务器用于确定卸载场景并提供边缘层计算场景下的计算卸载；所述云层包括高性能服务器、超级计算中心和/或人工智能计算组群，接收来自无人机转发的物联网数据，为计算密集型任务提供高质量的服务，并通过基站将计算结果传回给无人机；步骤S2，在所述无人机辅助的计算卸载模型中，采用 表示在时隙t内是否由无人机u为物联网设备k提供服务；如果物联网设备k连接到无人机u，则有 否则 对于无人机和物联网设备的连接，存在以下限定：i)时隙t结束时没有剩余的待处理任务；ii)每个物联网设备在同一时隙只能连接到一个无人机；用公式表示为：式(1)中，U为无人机总数； 表示任意值；步骤S3，在无人机辅助的计算卸载模型下，建立三种任务计算卸载场景，包括：本地物联网设备计算场景、无人机辅助边缘计算场景和云-边-端计算场景；且单个计算任务完全在一种场景下处理；步骤S4，基于所建立的三种任务计算卸载场景，以最小化所有任务的延迟和能耗的加权总和为目标，联合物联网设备发射功率及任务处理参数、无人机发射功率及任务处理参数、无人机和物联网设备可用能量、待处理任务大小和可容忍延迟，得到最适合为物联网设备服务的无人机，并由无人机计算出最佳计算卸载场景；步骤S5，在最佳卸载场景下，完成计算卸载。 2.根据权利要求1所述的无人机辅助的计算卸载方法，其特征在于，步骤S2中，为了实现每个物联网设备在同一时隙只能连接到一个无人机，设无人机u的三维坐标表示为L u (t)＝{X u (t),Y u (t),H u }，X u (t)、Y u (t)和H u 是无人机u的X、Y、Z坐标；物联网设备是不可移动的，三维坐标表示为L k (t)＝{X k ,Y k ,H k }；其中，X k 、Y k 、H u 和H k 是常数；且：‖L u (t)-L k (t)‖≤d max (2)式(2)中，d max 是物联网设备与无人机之间的距离阈值；如果物联网设备与无人机之间的距离超过d max ，无人机将拒绝物联网设备访问。 3.根据权利要求1所述的无人机辅助的计算卸载方法，其特征在于，步骤S3中本地物联网设备计算场景下的计算过程如下：设 表示任务m是否在本地物联网设备k处理；如果在本地物联网设备处理任务m，则 否则 任务m从生成到完成的延迟只考虑计算延迟，如公式(3)所示：式(3)中， 是本地物联网设备k处理任务m的总延迟， 是本地物联网设备k处理任务m所消耗的时间，f k 表示本地物联网设备k的CPU频率，C k 表示处理1bit数据所需的CPU周期；整个过程的加权能耗 为：式(4)中，Ω k 是物联网设备k的有效开关电容，ω k 是物联网设备k的重要性系数，且所有本地物联网设备在模型中共享相同的参数。 4.根据权利要求1所述的无人机辅助的计算卸载方法，其特征在于，步骤S3中无人机辅助边缘计算场景下的计算过程如下：设 表示任务m是否在无人机处理；如果在无人机处理任务m，则 否则 该场景下，计算任务由部署在无人机上的边缘计算服务器处理；物联网设备k生成任务m，并将原始数据 传输给对应的无人机u，无人机u随后对数据进行处理，并在时隙t内将结果数据 返回给物联网设备，因此，无人机辅助边缘计算模型 的总延迟由下式给出式(5)中， 和 分别表示任务m在物联网设备k的发送数据时延、接收结果时延和无人机处理时延；无人机处理时延 表示为：式(6)中，C u 为无人机u处理1bit的数据所需CPU周期，f u 为无人机CPU的频率；发送数据时延和接收结果时延表示为：式(7)中， 和 是无人机u和物联网设备k之间的上行传输速率和下行传输速率，且：式(8)中，B up 和B down 分别用于表示上行链路和下行链路的带宽；h m (t)表示传播损耗， 和 分别表示物联网设备和无人机的发射功率； 和 分别表示无人机和物联网设备的终端高斯噪声功率；整个过程的加权能耗 由物联网设备的传输能量 无人机传输能量 和处理能量 组成，并通过以下方式获得：式(9)中，Ω u 为无人机u的有效开关电容，ω u 是无人机u的重要性系数，且所有无人机共享相同的参数；ω k 是物联网设备k的重要性系数。 5.根据权利要求1所述的无人机辅助的计算卸载方法，其特征在于，步骤S3中云-边-端计算场景下的计算过程如下：设 表示任务m是否在云端服务器处理；如果在云端服务器处理任务m，则 否则 该场景下，物联网设备k创建计算任务m并将原始数据发送给无人机u；然后，无人机通过基站将数据中继到云服务器；一旦云服务器完成任务处理，就将结果发送回无人机，无人机最终在时隙t内将结果返回给物联网设备k；整个过程的总延迟 可以通过下式获得：式(10)中， 和 是数据从物联网设备到云服务器的端到端总发送延迟和总接收延迟；云服务器的处理延迟 被视为0， 和 由下式给出式(11)中，ξ m 是从云端到基站的传播延迟， 表示云服务器返回的计算结果大小； 和 是无人机u和物联网设备k之间的上行传输速率和下行传输速率， 和 表示无人机和基站之间的上行传输速率和下行传输速率；该过程的加权能耗 通过以下公式得出式(12)中， 和 分别是无人机和物联网设备在发送原始数据和接收结果时的加性传输能耗；云端的能耗 被视为0，其余的通过下式获得：式(13)中， 和 分别表示物联网设备和无人机的发射功率， 是无人机向基站的发射功率，ω k 是物联网设备k的重要性系数，ω u 是无人机u的重要性系数。 6.根据权利要求2所述的无人机辅助的计算卸载方法，其特征在于，步骤S4通过将物联网设备连接到适当的无人机完成组网并由无人机决策合适的任务卸载位置，以最小化所有任务的延迟和能耗的加权总和，用公式表示为问题P 0 ： 式(14)中， 和 分别表示任务m是否在本地物联网设备、无人机或云端服务器处理； 和 分别表示本地物联网设备、无人机、云端服务器的总延迟； 和 分别表示本地物联网设备、无人机、云端服务器的加权能耗；ω t 表示延迟系数；在问题P 0 中，物联网设备选择接入的无人机和任务卸载决策是相互耦合的，并将问题P 0 分解为多个无人机选择子问题P 1 和任务卸载决策子问题P 2 ；且，所述子问题P 1 ，通过在每个时隙t内将物联网设备连接到适当的无人机来最小化物联网设备和无人机的加权发射功率和，公式为s.t.(1),(2)(15)式(15)中，P u,k (t)表示无人机发射功率，P k,u (t)表示物联网设备的发射功率，且在给定时隙t内保持不变；子问题P 1 输出结果为集合 显示确定物联网设备与无人机连接情况；所述子问题P 2 ，将同一无人机u在时隙t内执行的所有任务的能耗和延迟的加权和最小化，其公式为：物联网设备聚类阶段的结果 显著影响子问题P 2 的输入；子问题P 2 输出结果为 或 表示任务m是在本地物联网设备、无人机还是云端服务器处理。 7.根据权利要求6所述的无人机辅助的计算卸载方法，其特征在于，所述子问题P 1 ，采用基于模拟退火的物联网设备聚类算法进行求解；求解过程包括：步骤S411，建立优化函数，将优化函数与子问题P 1 对齐，即步骤S412，输入无人机集合U、物联网设备集合K、无人机位置L u (t)和物联网设备位置L k (t)；步骤S413，随机初始化随机集合 退火温度T 0 和冷却系数α，得到初始优化函数 步骤S414，产生新的 得到新的优化函数 并计算 步骤S415，如果ΔF 1 <0，则接收更改；否则，根据Metropolis规则，接受更改的概率由以下公式决定：步骤S416，更新退火温度T 1 ，使得最新温度T 1 ＝α*T 1 ；α表示冷却速率；步骤S417，判断退火温度T 1 是否降到指定的冷却阈值以下；若是，则进入步骤S418；若否，则返回步骤S415；步骤S418，输出得到优化结果集合 确定无人机u将在时隙t内处理哪些物联网设备及其相关任务。 8.根据权利要求6所述的无人机辅助的计算卸载方法，其特征在于，所述子问题P 2 ，采用基于基于近端策略优化算法PPO的任务卸载决策算法进行求解；求解过程包括：步骤S421，输入无人机u和物联网设备的可用能量ζ u (q), 演员网络学习率 评论员网络学习率 CLIP参数ε、折扣因子γ以及所有任务的计算需求G，总片段次数为W，每个片段演员网络迭代N次，评论员网络迭代I次；步骤S422，初始化演员网络参数θ以及评论员网络参数 步骤S423，收集轨迹(s q ,a q ,r q ,done q ,s q+1 ,…,s Q ,r Q )，使用当前策略π(a|s；θ ω )，令π old ＝π(a|s；θ ω )；步骤S424，为了提高学习稳定性并减少方差，为每个状态s(q)计算优势函数 且由下式给出：式(21)中，r q 表示轨迹在状态s q 下获得的奖励；γ q′-q 表示从状态q到状态q′的折扣因子；r q′ 表示轨迹在状态s q′ 下获得的奖励；V π (s q ；φ)表示由使用参数φ的神经网络所估计的关于状态s q 的价值函数；步骤S425，演员网络随机从当前状态的活动集中随机选取一个动作，环境进行交互并获取下一状态及奖励函数；步骤S426，计算演员网络采样速率，且由下式获得：式(23)中， 表示第n次训练中关于状态s q 的采样速率比值，π(a q |s q ,θ n )表示使用参数θ n 的新演员网络，π(a q |s q ,θ old )表示仍使用参数θ ω 的原演员网络；步骤S427，计算演员网络损失函数，其目标函数是使用Adam优化器更新与θ相关的参数；损失 由下式获得：更新演员网络参数θ，π(a|s；θ ω )＝π(a|s；θ n )；步骤S428，评论员网络使用Adam优化器更新其参数 以提高其评估演员网络行为的准确性；其损失函数 的计算依赖于由环境提供的长期奖励：通过使用损失函数更新评论员网络的参数 步骤S429，判断是否达到最大迭代次数W；若否，则返回步骤S423；若是，则输出结果任务计算卸载场景 9.一种无人机辅助的计算卸载系统，其特征在于，所述系统包括：物联网设备层、边缘层、云层、无人机连接模块和场景选择模块；其中，所述物联网设备层包括若干不同电池电量的物联网设备，且物联网设备是不可移动的，用k＝{1，2，……K}表示，在时隙t内，物联网设备k持续生成计算任务m，由如下公式表达：m＝{1，2，……M}，并向无人机报告计算请求；任务m的大小由 表示；还用于本地物联网设备计算场景下的计算卸载；所述边缘层包括一组无人机，用u＝{1，2，……U}表示，为物联网设备提供通信中继和在途计算；所述无人机上布署有边缘计算服务器，所述边缘计算服务器用于确定卸载场景并提供边缘层计算场景下的计算卸载；所述云层包括高性能服务器、超级计算中心和/或人工智能计算组群，用于接收来自无人机转发的物联网数据，执行云-边-端计算场景下的计算卸载，并通过基站将计算结果传回给无人机；所述无人机连接模块中定义 表示在时隙t内是否由无人机u为物联网设备k提供服务；如果物联网设备k连接到无人机u，则有 否则 所述场景选择模块用于基于所建立的三种任务计算卸载场景，以最小化所有任务的延迟和能耗的加权总和为目标，联合物联网设备发射功率及任务处理参数、无人机发射功率及任务处理参数、无人机和物联网设备可用能量、待处理任务大小和可容忍延迟，联合无人机连接模块得到最适合为物联网设备服务的无人机，并由无人机计算出最佳计算卸载场景；再依据所选择的最佳计算卸载场景，启动对应的联网设备层、边缘层或云层中的计算卸载功能。 10.一种计算存储介质，其特征在于，所述介质存储有如权利要求9所述的无人机辅助的计算卸载系统。