无人机任务卸载与充电协同优化
在野外恶劣环境应用中,可以使用具有灵活性和便捷性的无人机(UAV),通过无线数据传输辅助携带用户任务到边缘服务器.然而,UAV飞行平台难以提供长时间的任务卸载服务,大大限制了其应用前景.本文研究了在移动边缘计算环境中,如何有效整合UAV的任务卸载和充电调度.首先,构建了一个新的应用模型,该模型协同处理UAV的任务卸载调度和自身充电需求,并在UAV辅助任务卸载应用场景中加入了若干个无线充电平台.其次,考虑了用户任务的价值和UAV的充电需求,以在时延敏感和能量约束的条件下优化UAV辅助用户设备进行任务卸载的收益.最后,采用深度强化学习算法,对深度Q网络(DQN)进行调优后形成Fixed DQN算法,以有效处理模型中的大规模状态动作搜索空间问题.本文以UAV仅作为任务载体并考虑其自主充电需求为前提,通过在一个半径为3 000 m、含有11个节点的区域验证Fixed DQN算法的可行性;并在不同用户节点数量、充电节点数量及服务时间条件下,通过与蚁群算法、遗传算法和DQN算法的对比实验评估其性能.实验结果表明:本文提出的Fixed DQN算法在所有测试条件下均显著优于蚁群算法、遗传算法和DQN算法,特别是在节点数量增加和服务时间延长的情景中;此外,Fixed DQN算法相对于DQN算法的性能提升突显了深度强化学习在参数调优方面的有效性.研究结果证实了Fixed DQN算法在解决UAV任务卸载和充电调度问题中的高效性和调参策略的重要性.
边缘计算、无人机、任务卸载、强化学习、充电调度
56
TP391(计算技术、计算机技术)
国家自然科学基金62172134
2024-01-30（万方平台首次上网日期，不代表论文的发表时间）
共11页
99-109
