基于多变量联合优化的MEC网络能耗最小化算法_丁嘉伟.pdf

第 43 卷第 3 期2023 年 6 月弹箭与制导学报Journal of Projectiles，ockets，Missiles and GuidanceVol.43 No.3Jun.2023DOI:10 15892/j cnki djzdxb 2023 03 006收稿日期:2022 06 21基金项目:河南省科技厅科技攻关支持项目(222102210159)资助作者简介:丁嘉伟(1986)，男，副教授，硕士，研究方向:人工智能、管理信息系统。引用本文:丁嘉伟 基于多变量联合优化的 MEC 网络能耗最小化算法 J 弹箭与制导学报，2023，43(3):39-44DING Jiawei Energy minimization of mobile edge computation networks based on multi-variableJ Journal of Projectiles，ockets，Missiles and Guidance，2023，43(3):39-44基于多变量联合优化的 MEC 网络能耗最小化算法丁嘉伟(郑州工业应用技术学院信息工程学院，河南 郑州451150)摘要:基于无人机(unmanned aerial vehicle，UAV)支持的移动边缘计算网络能够为移动终端提供按需计算服务，但是其能耗仍是亟待解决的问题。为此，提出基于 UAV 的移动边缘计算的最小化能耗算法(energy consumption min-imization algorithm，ECMA)，进而减少网络的总体能耗。先构建关于时隙分配、任务分配和 UAV 移动轨迹 3 个变量的目标问题;再将目标问题拆分成两个子问题:时隙分配和任务分配的联合子问题和 UAV 移动轨迹的优化问题，并分别利用迭代算法和连续凸近似法求解这两个子问题。仿真结果表明，相比于正交多址接入算法(orthogonal multi-ple access algorithm，OMAA)和等功率分配算法(equal power allocation algorithm，EPAA)算法，提出的 ECMA 算法降低了网络能耗。关键词:移动边缘计算;能耗;时隙分配;任务分配;UAV 移动轨迹中图分类号:TP393文献标志码:A文章编码:1673-9728(2023)03-0039-06Energy Minimization of Mobile Edge ComputationNetworks Based on Multi-variableDING Jiawei(School of Information Engineering，Zhengzhou University of Industrial Technology，Zhengzhou 451150，Henan，China)Abstract:An unmanned aerial vehicle(UAV)-assisted mobile edge computing(MEC)networks fulfil the on-demand compu-tation services for the mobile terminals(MTs)But the energy efficiency is still a major issue in this network Therefore，forUAV-based mobile edge computation networks，energy consumption minimization algorithm(ECMA)is proposed in this paperFirst，a target problem with three variables of time slot allocation，task allocation and UAV movement trajectory is constructedThen，the target problem is divided into two subproblems:joint time slot allocation and task computation capacity，and UAVtrajectory optimization To solve the joint time allocation and computation task capacity，we proposed an iterative algorithm Fi-nally，to optimize the trajectory of the UAV，we used the successive convex approximation technique Simulation results showthat the proposed ECMA algorithm can effectively reduce energy consumption of networks，compared with orthogonal multipleaccess algorithm(OMAA)and equal power allocation algorithm(EPAA)Keywords:mobile edge computation;energy consumption;time slot allocation;task allocation;UAV movement trajectory0引言随着电子通信技术的发展，基于物联网的应用得到广泛发展，已在智慧农业、智能家居等领域大量使用。随着应用的拓展，对终端设备的计算容量也随之增加。为此，研究人员引用移动边缘计算(mobileedge computing，MEC)1 等途径来缓解终端设备对计算容量的不足。不失一般性，MEC 服务器位于网络边缘，降低了终端设备与 MEC 服务器2-3 间的通信距离，进而降低了时延和能耗。此外，将 MEC 服务器与基站(basestation，BS)相结合可提高网络吞吐量。因移动方便、易部署、构建灵活，将 UAV 作为空中基站进行信息传输属 UAV 的典型应用4。在该应用中，UAV 为用户终端之间建立通信链路。而基于UAV 辅助的 MEC 网络可依据终端需求，为终端提供计算服务。文献 4 的研究表明，由 MEC 网络产生的上行链路的数据量是下行链路的 5 至 10 倍。为了有效处理上行链路中超大数据量问题，采用正交多址接入弹 箭 与 制 导 学 报第 43 卷(non-orthogonal multiple access，NOMA)技术，提高频谱利用率。在上行的 NOMA 中，终端引用叠加编码，使多路信号能够在同一个频率信道上传输。BS 端采用连续干扰消耗技术解码多路信号。为此，提出基于 UAV 的移动边缘计算的最小化能耗算法(energy consumption minimization algorithm，ECMA)。在该场景中，UAV 作为 MEC，帮助终端完成计算任务。主要工作包含:1)构建关于时隙分配、任务分配和 UAV 移动轨迹的能耗最小化的目标问题;2)采用“分而治之”策略求解目标问题，并分别引用迭代算法和连续凸近似法求解子问题。仿真结果表明，提出的 ECMA 算法降低了终端能耗。1系统模型及问题描述1 1网络模型考虑如图 1 所示的网络模型。UAV 配备了边缘云服务器，从位于地面上的终端(mobile terminal，MT)下载计算任务。假定在地面上有 2 M 个 MT。将它们分成 M 对，这 M 对 MT 形成终端集=1，2，m，M。图 1网络模型Fig 1Network model假定 M 对 MT 均匀在分布于蜂窝区(Cell)内外。每一对 MT 只有一个 MT 位于 Cell 内，另一个位于Cell 外。每对 MT 在相同的子载波上利用 NOMA 技术，同步向 UAV 传输数据。此外，不同对 MT 间利用时分多址接入技术(time division multiple access，TD-MA)接入信道，如图 2 所示。图 2时隙分配Fig 2Time slot assignment假定网络总带宽为 B，将其均匀地划分为 N 个子载波上，每个子载波的带宽为 B0=B/N。令=1，2，n，N 表示这 N 个子载波集。此外，假定信道是准 静态的。不失一般性，令 Q0和 QF分别表示 UAV 在每一轮数据收集阶段中移动轨迹的起点和终点。令 T 表示 UAV 收集 M 对 MT 数据所允许的收集时间(以下简称允许收集时间)。即 UAV 需在允许收集时间内收集 M 对 MT 传输的数据。将允许时间分成 m 个时隙。令 tm表示第 m 个时隙的时长。假定在每个时隙内，UAV 是静态的，即它在空中盘旋为某一对 MT 进行服务。此外，令 Qm=xm，ym，0 和 Qu(t)=xu(t)，yu(t)，H 分别表示某对 MT 坐标位置和 UAV 的位置，其中m，0 t T。1 2基于视距链路的信道模型由于 UAV 位于高空，将 UAV 与 MT 间的链路视为视距链路。在时隙 tm，第 m 对 MT(两个 MT 分别标记为 MT1 和 MT2)与 UAV 间的信道增益为4:Gnm，1(t)=Gn0dnm，1(t)2=Gn0Qu(t)Qm，1(t)2+H2(1)Gnm，2(t)=Gn0dnm，2(t)2=Gn0Qu(t)Qm，2(t)2+H2(2)式中:dnm，1(t)，dnm，2(t)分别表示 MT1 和 MT2 离 UAV的直接距离;G0表示在参考距离下的信道功率增益，参考距离 d0=1 m。2问题描述文中从任务分配、时隙分配和 UAV 移动轨迹三方面降低网络的能耗。为此，先建立能耗最小化的目标问题，再进行求解。2 1任务卸载模型在时间 t，假定第 m 对 MT 在第 n 个子载波上向UAV 传输信号。令 ynm(t)表示 UAV 所接收的信号:ynm(t)=pnm，1(t)Gnm，1(t)xnm，1(t)+pnm，2(t)Gnm，2(t)xnm，2(t)(3)式中:pnm，1(t)、pnm，2(t)分别表示 MT1、MT2 的发射功率;xnm，1(t)、xnm，2(t)分别表示 MT1、MT2 所传输的信号;Gnm，1(t)、Gnm，2(t)分别表示 MT1、MT2 至 UAV 信道的增益，如图 3 所示。04第 3 期丁嘉伟:基于多变量联合优化的 MEC 网络能耗最小化算法图 3第 m 对 MT 向 UAV 传输信号示意图Fig 3Schematic diagram of MT the mth pair oftransmit signal toward UAVUAV 分别从 MT1 和 MT2 所获取的卸载任务率为5-6:nm，1(pnm，1(t)，Q(t)=B0log21+pnm，1(t)Gnm，1(t)pnm，2(t)Gnm，2(t)+2B()0nm，2(pnm，2(t)，Q(t)=B0log21+pnm，2(t)Gnm，2(t)2B()0(4)式中 2表示噪声功率。由于给 MT1 和 MT2 分配的时隙是 tm，它们在 tm时间内所产生的数据量为:nm，1(t)=tmnm，1nm，2(t)=tmnm，2(5)将式(4)代入式(5)，整理可得:pnm，1(t)=m，1B02nm，1(t)+nm，2(t)B0t2nm，1(t)B0()tpnm，2(t)=m，2B02nm，2(t)B0t()1(6)式中:m，1=2/Gm，1;m，2=2/Gm，2。2 2UAV 的移动和能耗ECMA 算法采用旋翼无人机实现。无人机依据轨迹进行移动，即从起点 Q0移动至终点 QF。令 max表示无人机最大的移动速度。它在移动过程中满足以下约束条件7-10:Q(1)=Q0Q(t+1)=QF(7)Q(t+1)Q(t)2(tmmax)2(8)式中:Q(1)，Q(t