无人机使能的边缘计算优化问题

Joint Deployment and Task Scheduling Optimization for Large-Scale Mobile Users in Multi-UAV-Enabled Mobile Edge Computing论文阅读笔记

  • Background
  • Contributions
  • System Model and Problem Formulation
    • Local Execution Model
    • MEC Execution Model
    • UAV Hover Model
  • Proposed Approach
    • Motivation
    • ToDeTas
  • Experimental Study
    • Settings
    • Effectiveness of Two-Layer Optimization
    • Effectiveness of Upper-Layer Optimization
    • Effectiveness of Lower-Layer Optimization
    • Effectiveness of Our Multi-UAV-Enabled MEC System
  • mind

Background

  在移动边缘计算中,用户常常将会产生大量对计算能力和时延要求高的任务,这些任务通过卸载到边缘服务器上,能够迅速完成计算从而满足用户QoS。对于普通的MEC服务器来说,它们的位置总是固定的,无法根据移动用户的需要进行灵活改变,这限制了MEC的能力。近年来,无人机在通信领受到了广泛的关注。将无人机作为可移动的边缘服务器,不仅能够提供更好的通信链路(LoS),而且能够灵活进行部署,从而缩短通信的距离。所以,本文讨论了多个无人机使能的MEC系统,在这个系统中,多个无人机被部署服务大规模的移动用户。无人机作为可移动边缘服务器,提供着任务卸载的服务,那么本文将着重探讨联合无人机部署和任务调用优化问题。

  本文的创新点有以下几个:

  1. 考虑多个UAV使能的MEC系统,多个无人机用于服务大规模的移动用户。
  2. 联合优化无人机部署和任务调度问题。
  3. 提出两层架构算法,算法简化了决策变量空间,通过计算推导保证了计算时间复杂度和运行时间,适用于大规模的移动用户。

Contributions

本文的贡献为以下五点:

  • 在大规模移动用户场景中构建了多无人机使能的移动边缘计算系统,无人机充当MEC服务器。
  • 提出两层优化方法ToDeTaS,用于解决无人机部署和任务调度联合优化问题,最小化系统的能量消耗。优化四个方面:无人机的部署数量、无人机的部署位置、卸载决策变量、资源分配变量。
  • 在算法的上层,使用带有消除算子( elimination operator)的差分进化(differential evolution, DE)算法来优化UAV部署问题。将UAV的位置编码进一个个体(individual)中,整个UAV的部署就是种群(population)。为了最小化系统的能量消耗,首先确定UAV的最大数量,接着逐渐减小消除算子的数量如果所有的任务都可以完成。UAV的数量根据消除算子自适应调整,UAV的部署位置根据DE算法进行优化。
  • 确定了UAV的部署后,那么下层的算法主要解决任务调度的问题。通过分析该问题能够转化为一个0-1整数规划问题。为了减少大规模0-1整数规划问题的计算时间,本文提出一种贪心算法来求得近似解。
  • 扩展实验从移动用户数100增加至1000,实验结果有效证明了提出ToDeTaS的有效性和多UAV-enabled系统的有效性。

System Model and Problem Formulation

在这里插入图片描述
  系统模型如上图所示,共有M个移动用户,N个无人机,每个无人机能够服务通信范围内的用户。假设每个用户产生一个待执行的任务U,任务U=(C,D),其中C为计算所需CPU频率,D为用户输入的数据量。系统中移动用户的数量M、移动用户的位置(x,y,0)、任务的CPU频率C、任务的数据量D都是已知的,而无人机数量N、无人机位置(X,Y,H)是未知的。其中高度H是固定已知的。
  由于联合优化问题的目标是最小化能量消耗,所以需要考虑无人机在计算执行、悬停情况下的能耗。将系统分为三个模型:(1)本地执行 (2)MEC 执行 (3)悬停

Local Execution Model

本地执行,时间为
在这里插入图片描述
能量消耗为
在这里插入图片描述

MEC Execution Model

若是卸载到无人机上,任务首先得从移动用户传输到UAV上,然后在UAV上进行计算。定义 a i , k a_{i,k} ai,k为卸载决策,即移动用户i的任务是否卸载到UAV k上(k=0表示本地执行)。若 a i , k = 1 a_{i,k}=1 ai,k=1,则移动用户i的任务卸载到UAV k上,否则不然。定义 f i , k f_{i,k} fi,k为资源分配决策,即UAV k分配给用户i的任务的CPU频率。
首先,用户需要在UAV的通信范围之内:
在这里插入图片描述
在这里插入图片描述
其次,两个UAV之间的距离不能过近,否则会产生冲突:
在这里插入图片描述
在这里插入图片描述
再者,每个UAV的资源是有限的,所以这里假设UAV最多能够执行 n m a x n_{max} nmax个任务【疑问:资源的分配通过任务执行数来界定有一定偏颇,若任务种类相似可以这样定义,若任务种类不相似,任务大小的方差太大,对于资源的分配利用并非高效的】
在这里插入图片描述
MEC上执行时间分为两部分:卸载传输时间和卸载计算时间
在这里插入图片描述
上式为传输速率,下式为总的执行时间
在这里插入图片描述
MEC上的能量消耗为
在这里插入图片描述

UAV Hover Model

悬停的时间为T,悬停的能耗为
在这里插入图片描述

对于整个系统,优化目标为最小化能耗,那么优化问题建模为
在这里插入图片描述
优化目标:根据决策变量a得到计算卸载的总能耗,无人机悬停也需要能耗。
C1: 通信范围约束,移动用户i不能超出无人机j(k)的服务范围
C2: 无人机通信干扰约束,无人机之间需要保持最小冲突距离
C3: 资源分配约束,无人机可计算任务的数量有限
C4: 卸载决策约束,对于移动用户i产生的任务,只能卸载到一个无人机上(二进制卸载)
C5、C6: 联合资源分配与任务卸载约束,可卸载才分配资源,否则不分配
C7、C8: 时间约束,任务必须在无人机悬停时间内计算完毕

Proposed Approach

Motivation

分析可知,该问题是一个非凸的非线性优化问题,考虑使用启发式搜索算法——进化算法求解。
通过分析可知:
(1)需要进行优化的变量有2(N+M)+1个
UAV的数量(1个)、UAV的位置信息(2N)个、卸载决策变量(M个)、资源分配决策变量(M个)
而对于大规模的移动用户场景来说,这是一个相当大的优化决策变量数量。
(2)优化变量的类型不同
离散变量:UAV的数量、卸载决策变量
连续变量:UAV的位置信息、资源分配决策变量
(3)UAV部署和任务调度是耦合的优化问题,确定了UAV的部署能够通过任务调度评价部署的好坏;而确定了任务调度能够反馈UAV向能耗更少的方向部署。

因此,本文提出了ToDeTaS算法,将优化问题进行解耦,分为两层,进行交替优化。上层负责优化UAV的部署,下层负责优化任务调度。在上层中,通过编码方式将优化变量转化为2N个;在下层中,通过严密计算能够求出最优资源分配决策变量,从而使得优化变量只剩下卸载决策变量。所以,在上层中,只有连续变量;在下层中,只有离散变量,不存在混合变量。

ToDeTas

算法的整体流程如下:
在这里插入图片描述

在上层中,UAV的部署问题是一个可变长度的优化问题,在进化算法中引入一种新的编码机制,使得每个individual都有固定长度(2维,位置的x坐标和y坐标)
算法2,3,4用于优化UAV的部署:
在这里插入图片描述
上层优化中,通过证明分析可知,在满足所有任务执行完成与时延约束的条件下,UAV的数量越少越好。
在这里插入图片描述
在这里插入图片描述
在下层优化中,由于前面已经计算出UAV的部署,那么下层的优化问题可以表述为:
在这里插入图片描述
根据约束C7、C8可知:
在这里插入图片描述
而总的优化目标要尽可能减少能耗,所以资源分配决策的最优解可以求出:
在这里插入图片描述
那么优化子问题变成了:
在这里插入图片描述
所以下层的优化变量只有卸载决策变量,该问题退化为一个0-1整数规划问题。常见的求解该类问题的方法有 branch-and-bound algorithm,但是当计算规模增大时是十分耗时的。因此下层采用了贪心算法求解次优解。
任务分为三种:
(1)只能在本地执行的;
(2)只能卸载到UAV的;
(3)既可以在本地又可以在UAV上执行的。
对三类任务划分优先级:第一类优先级最高,因为本地耗能少;第二类优先级次之,因为有助于尽可能多完成任务,第三类最后。
算法5 优化任务调度:
在这里插入图片描述

Experimental Study

Settings

在这里插入图片描述

Effectiveness of Two-Layer Optimization

对比算法:
DE-VND 一种单层优化算法(对原文方法稍作修改,设置相同的参数)
ToDE-VND DE-VND 的两层版本,任务调度层与ToDeTaS相同
在这里插入图片描述

Effectiveness of Upper-Layer Optimization

对比算法:
ToDE-VND (下层与ToDeTaS相同)
ToDeTaS
在这里插入图片描述

Effectiveness of Lower-Layer Optimization

对比算法:
ToDeTaS-BB (上层与ToDeTaS相同,下层采用 branch-and-bound algorithm)
ToDeTaS
在这里插入图片描述

Effectiveness of Our Multi-UAV-Enabled MEC System

对比算法:
ToDeTaS-L (只能本地执行)
ToDeTaS-M (只能UAV执行)
ToDeTaS
在这里插入图片描述
ToDeTaS-M的平均任务完成数量与ToDeTaS相近,查看所需的UAV数量
在这里插入图片描述
图中可知ToDeTaS用的更少。

mind

  1. 虽然优化问题的形式为单目标优化,但是给人感觉像是多目标优化(UAV数量最少、任务完成率最高、能耗最少)
  2. 问题建模非时隙性,作者认为,对于动态变化的环境需要重新优化,感觉不太智能

——————————————————————————————————————————————————————————————
references:
[1]Y. Wang, Z. -Y. Ru, K. Wang and P. -Q. Huang, “Joint Deployment and Task Scheduling Optimization for Large-Scale Mobile Users in Multi-UAV-Enabled Mobile Edge Computing,” in IEEE Transactions on Cybernetics, vol. 50, no. 9, pp. 3984-3997, Sept. 2020, doi: 10.1109/TCYB.2019.2935466.

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/46853.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

kubernetes概念及基本介绍(一)

部署方式的演进过程 传统部署 直接将应用程序部署在物理机器上,很难合理分配计算机资源,而且程序之间会产生影响 虚拟化部署 可以在一台物理机上运行多个虚拟机,没个虚拟机都是独立的一个环境,程序环境不会产生影响,…

SHRM已开始报名,常见问题答疑来了

2024年SHRM(美国人力资源管理认证)的第二个考试报名窗口,即国内最后一次SHRM中文考试窗口,已于北美时间2024年6月3日00:00开放报名。 此次SHRM中文考试报名窗口的开启,对于国内众多渴望提升自我、拓宽职业发展道路的H…

React中使用usePrevious的意义是什么,为啥要用它

usePrevious钩子 export function usePrevious<T>(value: T): T | undefined {const ref useRef<T>();useEffect(() > {ref.current value;}, [value]);return ref.current; }注&#xff1a;更多好用的性能钩子网站推荐&#xff1a;https://react-hooks-libr…

【Linux】权限管理与相关指令

文章目录 1.权限、文件权限、用户文件权限的理解以及对应八进制数值表示、设置目录为粘滞位文件类型 2.权限相关的常用指令susudochmodchownchgrpumaskwhoamifile 1.权限、文件权限、用户 通过一定条件&#xff0c;拦住一部分人&#xff0c;给另一部分权利来访问资源&#xff0…

vue3源码(七)渲染原理-h()

1.定义 h函数是创建节点, 可实现展示template如何渲染到html中的过程&#xff0c;因为vue渲染到页面上是通过loader打包成模板字符串拼接渲染的&#xff0c;所以 h 函数同样也是通过字符串渲染到html中 h函数就是vue中的createElement方法&#xff0c;这个函数作用就是创建虚…

Python编程学习第一篇——Python零基础快速入门(六)(2)

上节讲了运算符,这节开始讲解Python的语法结构。前面一些章节我们对Python基础知识已经有了一些了解,包括Python数据类型、变量、语句、注释等等,也分享了一些可以运行小程序(小游戏),让大家在其中体会变量、语句、注释和数据类型等的运用。其中也涉及了一些语法结构,有…

PreparedStatement can have at most 65535 parameters

在 JDBC 中&#xff0c;由于内部实现的限制&#xff0c;PreparedStatement 能够接受的参数个数不能超过 65535 个 原因&#xff1a; PreparedStatement可以包含最多65,535个参数&#xff0c;‌这是因为PreparedStatement接口设计时&#xff0c;‌为了支持大量的参数化查询&am…

Windows 2012安装之实现远程连接

新建虚拟机 点击稍后安装操作系统 点击Microsoft Windows(W) 选择Windows Server 2012 设置虚拟机名称、安装位置 选择你的电脑核数 点击编辑虚拟机设置 点击CD/DVD(SATA) 使用ISO映像文件(M) 配置完之后点击确定 然后开启虚拟机 下一步&#xff1a; 点击现在安装&#xff1a…

【学习笔记】无人机(UAV)在3GPP系统中的增强支持(十二)-无人机群在物流中的应用

引言 本文是3GPP TR 22.829 V17.1.0技术报告&#xff0c;专注于无人机&#xff08;UAV&#xff09;在3GPP系统中的增强支持。文章提出了多个无人机应用场景&#xff0c;分析了相应的能力要求&#xff0c;并建议了新的服务级别要求和关键性能指标&#xff08;KPIs&#xff09;。…

常用的点云预处理算法

点云预处理是处理点云数据时的重要部分&#xff0c;其目的是提高点云数据的质量和处理效率。通过去除离群点、减少点云密度和增强特征&#xff0c;可以消除噪声、减少计算量、提高算法的准确性和鲁棒性&#xff0c;从而为后续的点云处理和分析步骤&#xff08;如配准、分割和重…

【Git】执行git clone / checkout 命令出现 git Filename too long

执行 git clone / checkout 命令出现错误 git Filename too long 原因是因为目录中个别文件的文件名长度太长&#xff0c;超过了win文件名限制的260长度 解决方案 全局配置git git config --system core.longpaths true查看 git config --get core.longpaths设置完成后即可c…

Spring中的常用注解(一)

目录 RequestMapping PostMapping RequestBody Controller ResponseBody RestController Autowired Qualifier Primary Service Component Bean和Configuration ---------------- RequestMapping RequestMapping 是 Spring Framework 中用于配置 URL 映射的…

三大知名向量化模型比较分析——m3e,bge,bce

先聊聊出处。 M3E 是 Moka Massive Mixed Embedding 的缩写&#xff0c; Moka&#xff0c;此模型由 MokaAI 训练&#xff0c;开源和评测&#xff0c;训练脚本使用 uniem &#xff0c;评测 BenchMark 使用 MTEB-zhMassive&#xff0c;此模型通过千万级 (2200w) 的中文句对数据…

常用图像分类、目标检测模型性能测试

说明 测试常用CV模型在单张图像上的识别速度&#xff0c;不包含图像读取时间&#xff0c;但包含图像预处理。可以在以后的应用中根据硬件配置选取合适的模型&#xff0c;达到最佳效果。其中推理速度为正常推理的速度&#xff0c;加速CPU使用openvino加速&#xff0c;GPU使用te…

智慧电子班牌系统,智慧班牌源码,为校园提供了便捷、高效、智能的信息管理和服务方式

智慧班牌在实现智慧校园的数字化建设中扮演着重要角色&#xff0c;它通过集成多种技术和功能&#xff0c;为校园提供了便捷、高效、智能的信息管理和服务方式。以下是智慧班牌如何实现智慧校园的数字化建设的具体方式&#xff1a; 一、信息集成与展示 基础信息展示&#xff1a…

海外媒体发稿:葡萄牙-实现高效媒体软文发稿计划-大舍传媒

一、葡萄牙媒体环境概述 葡萄牙&#xff0c;位于欧洲大陆西南端的国家&#xff0c;拥有丰富的文化和历史。在这个国家&#xff0c;媒体行业也有着相当大的影响力。葡萄牙的媒体环境多元化&#xff0c;包括电视、广播、报纸、杂志和互联网等各个领域。 二、葡萄牙媒体发稿的重…

ABC分析模型详解

ABC分析模型详解与Python代码示例 一、ABC分析模型概述 ABC分析模型&#xff0c;又称为ABC分类法、帕累托分析法或80/20规则&#xff0c;是一种广泛应用于库存管理、质量管理等领域的分析方法。该方法的核心思想是在众多因素中识别出少数起决定作用的关键因素和多数影响较小的…

如何恢复电脑上删除的文件?快速恢复被删除文件的技巧【5个实用方法】

如何恢复电脑上删除的文件&#xff1f;电脑误删文件的情况很经常发生&#xff0c;删除文件后第一时间可以按下组合键CtrlZ撤销&#xff0c;这样能挽回99%以上的文件。当然&#xff0c;如果已经彻底删除&#xff0c;那么可以了解下本文整理的方法找回。 &#xff08;一&#xff…

【计算机网络】学习指南及导论

个人主页&#xff1a;【&#x1f60a;个人主页】 系列专栏&#xff1a;【❤️计算机网络】 文章目录 前言我们为什么要学计算机网络&#xff1f;计算机网络概述计算机网络的分类按交换技术分类按使用者分类按传输介质分类按覆盖网络分类按覆盖网络分类 局域网的连接方式有线连接…

【HarmonyOS学习】动画

页面分类动画 显示动画 function animateTo(value: AnimateParam, event: () > void): void;代码如下&#xff1a;&#xff08;实现属性变化引发的动画&#xff09; Entry Component struct Animate_Page1 {State boxWidth: number 100;State boxHeight: number 100;Sta…