基于边缘计算动态任务到达的多无人机路径规划方法与流程

本发明属于无线通信技术领域，特别是一种基于边缘计算动态任务到达的多无人机路径规划方法。

背景技术：

随着时代的发展和用户对通信及数据处理的需求，无人机结合小型基站实时为地面用户提供通信服务已得到广泛应用。而考虑到无人机自身能耗限制，为了最大化无人机的工作能效，需要对无人机的飞行路径进行合理规划。

通过优化其飞行路径，无人机可以往偏向用户的方向飞行，从而缩短两者之间的距离，提高信道容量。但是，过于靠近某一用户又意味着与其他用户距离变远(假设用户在某一范围内均匀分布)，导致远端用户的通信服务质量变差。与此同时，频繁的移动会导致无人机的耗能过多，缩短其服务时间。因此，设置一条合理的飞行路径，在满足每个用户需求的同时最大化系统效能是无人机研究方向的重点所在。论文1“jointtrajectoryandcommunicationdesignforuav-enabledmultipleaccess”利用连续凸优化技术来规划无人机基站的飞行路径。在无人机飞行速度的限制下，该文将问题首先建模为非凸混合整数优化问题，其次再通过迭代算法将问题根据优化变量的不同进行分解，最终再利用连续凸优化技术来解得无人机最优飞行轨迹。从而最大化最小吞吐量，保证公平性的同时显著提升了系统性能。论文2“jointtrajectoryandcommunicationdesignformulti-uavenabledwirelessnetworks”在论文1的基础上设想了多无人机作为基站的通信模型。利用多无人机协同服务地面用户来进一步提升了系统的吞吐量。不同于论文2考虑多无人机，论文3“commonthroughputmaximizationinuav-enabledofdmasystemswithdelayconsideration”为了更好的服务用户，考虑到了用户所提出的延迟限制。并进一步在ofdm通信机制的基础上，利用连续凸优化技术规划出最佳无人机路径。

综上所述，现阶段对无人机的路径规划方案并没有考虑无人机的能量消耗，并且在无人机服务用户的过程中忽略了基站服务器本身处理能力受限而带来的等待延迟。同时，单无人机路径规划由于自身能力受限，存在大范围区域内通信效能低下的情况。

技术实现要素：

本发明的目的在于提供一种基于边缘计算动态任务到达的多无人机路径规划方法。

实现本发明目的的技术解决方案为：基于边缘计算动态任务到达的多无人机路径规划方法，所述方法包括：

步骤1，建立多无人机协同服务地面用户的系统模型；

步骤2，基于系统模型构建整个周期内的多无人机路径规划问题；

步骤3，利用lyapunov队列优化理论简化所述整个周期内的多无人机路径规划问题，获得单个时隙内的优化问题；

步骤4，按照时间顺序，依次对每个所述单个时隙内的优化问题进行进一步优化：将所述单个时隙内的优化问题分解为用户频率优化子问题和多无人机路径优化与用户关联子问题的联合优化问题，并求解两个子问题。

进一步地，步骤1所述建立多无人机协同服务地面用户的系统模型，具体包括：

步骤1-1，定义地面用户的相关变量，包括：

定义用户数量为k；

定义用户地理位置：

zk＝(xk,yk),k∈{1,2,…k}

式中，zk为第k个用户的地理位置，(xk,yk)为第k个用户的地理位置坐标；

步骤1-2，定义无人机的相关变量，包括：

定义无人机服务用户的任务周期

该式表示一个任务周期内包括t个时隙，每个时隙的长度均为δ；

定义无人机数量集

该式表示无人机数量集包括n个无人机；

定义每个无人机的飞行高度：hn表示第n个无人机的飞行高度；

定义每个无人机在单个时隙的水平位置：

式中，wn(t)为第n个无人机在第t个时隙的水平位置，(xn(t),yn(t))为第n个无人机在第t个时隙的水平位置坐标，

定义每个无人机在单个时隙内的水平飞行速度：

式中，νn(t)表示第n个无人机在第t个时隙内的水平飞行速度，νmax为单个时隙无人机所能达到的最大水平飞行速度，其值自定义设置；

步骤1-3，构建数据传输模型，包括：

定义二进制变量αk,n(t)，该变量表示在第t个时隙内第n个无人机与第k个用户之间建立通信链接；记该二进制变量为用户关联变量；

对所述二进制变量αk,n(t)进行条件限制，所用公式为：

定义第n个无人机与第k个用户之间在单个时隙的上传速率：

其中，rk,n(t)表示第n个无人机与第k个用户之间在第t个时隙的上传速率，hk,n(t)表示第k个用户与第n个无人机之间的信道增益，公式为：

式中，ρ0为单位距离内的信道增益，σ²为awgn功率，p0为用户发射功率；

根据二进制变量αk,n(t)和上传速率rk,n(t)计算在单个时隙内无人机与用户之间传输的数据量大小：

式中，表示在第t个时隙内第n个无人机与第k个用户之间传输的数据量大小，b为信道带宽；

步骤1-4，构建任务队列模型，具体包括：

(1)构建单个时隙用户端任务队列集合：

式中，qk(t)表示在第t个时隙第k个用户的任务队列，在t＝0时，初始化qk(t)＝0；在第t+1个时隙第k个用户的任务队列qk(t+1)为：

式中，ak(t)表示第k个用户在第t个时隙接收任务量的大小，表示第k个用户在第t个时隙上传给无人机的任务量总和，表示第k个用户在第t个时隙处理完成的本地任务量大小，公式为：

式中，ζk表示第k个用户每计算1bit的任务量所需的cpu转数，表示第k个用户在第t个时隙内的cpu计算频率；

(2)构建单个时隙无人机端的任务队列集合：

式中，mk,n(t)表示在第t个时隙第n个无人机为第k个用户所储存的任务队列长度，在t＝0时，初始化mk,n(t)＝0；在第t+1个时隙第n个无人机为第k个用户所储存的任务队列长度mk,n(t+1)为：

其中，表示第n个无人机为第k个用户在第t个时隙内所处理任务量的大小，表示第n个无人机在第t个时隙内为第k个用户分配的处理频率；

步骤1-5，构建能量队列模型，具体包括：

(1)构建单个时隙用户端的计算能耗：

其中，表示第k个用户在第t个时隙内的计算能耗，公式为：

式中，γ为有效开关电容常数；

(2)构建单个时隙无人机端的能量队列集合：

式中，en(t)表示第n个无人机在第t个时隙内电池电量的大小，在t＝0时，初始化en(t)＝0；第n个无人机在第t+1个时隙内电池电量的大小en(t+1)为：

其中，表示在第t个时隙内第n个无人机所吸收的太阳能量，且当无人机电池电量充满时，该值为0；分别表示第n个无人机在第t个时隙内的计算能耗和飞行能耗，表达式分别为：

式中，κ＝0.5mδ，m为无人机的重量，单个时隙单无人机耗能总和限制为：

进一步地，步骤2所述基于系统模型构建整个周期内的多无人机路径规划问题，具体包括：

步骤2-1，定义时间平均函数并给出限制条件，具体包括：

定义所有无人机在单个时隙飞行的能耗总和为其时间平均函数为：

式中，表示期望值；

定义所有用户耗能总和的时间平均函数为：

定义用户端的任务队列、无人机端的任务队列以及能量队列的时间平均函数分别为：

对以上时间平均函数限制如下：

步骤2-2，定义问题优化变量，具体包括：

定义待优化用户cpu频率f^local：

定义用户关联变量a：

定义多无人机整个周期内的飞行路径w：

步骤2-3，基于步骤2-1和步骤2-2，构建整个周期内的多无人机路径规划问题如下：

进一步地，步骤3所述利用lyapunov队列优化理论简化所述整个周期内的多无人机路径规划问题，获得单个时隙内的优化问题，具体过程包括：

步骤3-1，定义李雅普诺夫函数：

步骤3-2，定义李雅普诺夫漂移惩罚函数：

式中，v^uav与v^ue分别为控制用户和无人机能耗最小这一优化目标，在整个问题中所占权重的扰动参数；

步骤3-3，利用lyapunov队列优化理论确定李雅普诺夫漂移惩罚函数的上界为：

式中，c为常数，

由此将整个周期内的多无人机路径规划问题分解为单个时隙内的优化问题。

进一步地，步骤4所述将所述单个时隙内的优化问题分解为用户频率优化问题和多无人机路径优化与用户关联联合优化问题，并求解两个子问题，具体包括：

步骤4-1，根据用户频率变量、多无人机位置变量以及用户关联变量，将单个时隙内的优化问题分解为用户频率优化子问题和多无人机路径优化与用户关联子问题的联合优化问题；

步骤4-2，利用三次函数求解用户频率优化子问题的极值，作为其最优解；

步骤4-3，求解多无人机路径优化与用户关联子问题，具体过程包括：

步骤4-3-1，将所述多无人机路径优化与用户关联子问题分解为单无人机路径优化与用户关联子问题；

步骤4-3-2，求取单无人机路径优化与用户关联子问题，过程包括：

步骤4-3-2-1，初始化迭代次数r＝0，以及无人机初始位置w⁰(t)；

步骤4-3-2-2，根据无人机位置w^r(t)，利用线性松弛法求解用户关联变量α^r+1(t)；

步骤4-3-2-3，根据所述用户关联变量α^r+1(t)，优化单无人机位置w^r+1(t)，具体包括：

(1)利用李普希兹连续和泰勒展开求解上传速率的凸上下界，将优化单无人机位置w^r+1(t)的问题转化为凸问题；

(2)利用凸优化工具求解所述凸问题；

步骤4-3-2-4、更新迭代次数r＝r+1，若r＜r0，返回执行步骤4-3-2-2，否则停止迭代。

本发明与现有技术相比，其显著优点为：1)增加了多个无人机的多个任务和能量队列，使得系统所有队列能够在短时间内快速趋于稳定；2)增加了调度限制条件，保证了多无人机之间的协作通信；3)将李雅普诺夫队列优化理论和块迭代下降算法结合，有效降低了问题求解复杂度；4)仿真结果显示多无人机服务地面用户系统相对单无人机系统而言，系统能效显著提升。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为一个实施例中基于边缘计算动态任务到达的多无人机路径规划方法的流程图。

图2为一个实施例中基于边缘计算动态任务到达的无人机系统的路径优化算法仿真结果图。

图3为一个实施例中针对某一用户的队列长度随时间变化仿真结果图，其中图(a)为某一用户端任务队列长度随时间变化仿真图，图(b)为该用户分别在不同无人机端任务队列长度随时间变化仿真结果图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，结合图1，提供了一种基于边缘计算动态任务到达的多无人机路径规划方法，所述方法包括：

步骤1，建立多无人机协同服务地面用户的系统模型；

步骤2，基于系统模型构建整个周期内的多无人机路径规划问题；

步骤3，利用lyapunov队列优化理论简化所述整个周期内的多无人机路径规划问题，获得单个时隙内的优化问题；

步骤4，按照时间顺序，依次对每个所述单个时隙内的优化问题进行进一步优化：将所述单个时隙内的优化问题分解为用户频率优化子问题和多无人机路径优化与用户关联子问题的联合优化问题，并求解两个子问题。

进一步地，在其中一个实施例中，步骤1所述建立多无人机协同服务地面用户的系统模型，具体包括：

步骤1-1，定义地面用户的相关变量，包括：

定义用户数量为k；

定义用户地理位置：

zk＝(xk,yk),k∈{1,2,…k}

式中，zk为第k个用户的地理位置，(xk,yk)为第k个用户的地理位置坐标；

步骤1-2，定义无人机的相关变量，包括：

定义无人机服务用户的任务周期

该式表示一个任务周期内包括t个时隙，每个时隙的长度均为δ；

定义无人机数量集

该式表示无人机数量集包括n个无人机；

定义每个无人机的飞行高度：hn表示第n个无人机的飞行高度；

定义每个无人机在单个时隙的水平位置：

式中，wn(t)为第n个无人机在第t个时隙的水平位置，(xn(t),yn(t))为第n个无人机在第t个时隙的水平位置坐标，

定义每个无人机在单个时隙内的水平飞行速度：

式中，νn(t)表示第n个无人机在第t个时隙内的水平飞行速度，νmax为单个时隙无人机所能达到的最大水平飞行速度，其值自定义设置；

步骤1-3，构建数据传输模型，包括：

定义二进制变量αk,n(t)，该变量表示在第t个时隙内第n个无人机与第k个用户之间建立通信链接；记该二进制变量为用户关联变量；

对所述二进制变量αk,n(t)进行条件限制，所用公式为：

定义第n个无人机与第k个用户之间在单个时隙的上传速率：

其中，rk,n(t)表示第n个无人机与第k个用户之间在第t个时隙的上传速率，hk,n(t)表示第k个用户与第n个无人机之间的信道增益，公式为：

式中，ρ0为单位距离内的信道增益，σ²为awgn功率，p0为用户发射功率；

根据二进制变量αk,n(t)和上传速率rk,n(t)计算在单个时隙内无人机与用户之间传输的数据量大小：

式中，表示在第t个时隙内第n个无人机与第k个用户之间传输的数据量大小，b为信道带宽；

步骤1-4，构建任务队列模型，具体包括：

(1)构建单个时隙用户端任务队列集合：

式中，qk(t)表示在第t个时隙第k个用户的任务队列，在t＝0时，初始化qk(t)＝0；在第t+1个时隙第k个用户的任务队列qk(t+1)为：

式中，ak(t)表示第k个用户在第t个时隙接收任务量的大小，表示第k个用户在第t个时隙上传给无人机的任务量总和，表示第k个用户在第t个时隙处理完成的本地任务量大小，公式为：

式中，ζk表示第k个用户每计算1bit的任务量所需的cpu转数，表示第k个用户在第t个时隙内的cpu计算频率；

(2)构建单个时隙无人机端的任务队列集合：

式中，mk,n(t)表示在第t个时隙第n个无人机为第k个用户所储存的任务队列长度，在t＝0时，初始化mk,n(t)＝0；在第t+1个时隙第n个无人机为第k个用户所储存的任务队列长度mk,n(t+1)为：

其中，表示第n个无人机为第k个用户在第t个时隙内所处理任务量的大小，表示第n个无人机在第t个时隙内为第k个用户分配的处理频率；

步骤1-5，构建能量队列模型，具体包括：

(1)构建单个时隙用户端的计算能耗：

其中，表示第k个用户在第t个时隙内的计算能耗，公式为：

式中，γ为有效开关电容常数；

(2)构建单个时隙无人机端的能量队列集合：

式中，en(t)表示第n个无人机在第t个时隙内电池电量的大小，在t＝0时，初始化en(t)＝0；第n个无人机在第t+1个时隙内电池电量的大小en(t+1)为：

其中，表示在第t个时隙内第n个无人机所吸收的太阳能量，且当无人机电池电量充满时，该值为0；分别表示第n个无人机在第t个时隙内的计算能耗和飞行能耗，表达式分别为：

式中，κ＝0.5mδ，m为无人机的重量，单个时隙单无人机耗能总和限制为：

进一步地，在其中一个实施例中，步骤2所述基于系统模型构建整个周期内的多无人机路径规划问题，具体包括：

步骤2-1，定义时间平均函数并给出限制条件，具体包括：

定义所有无人机在单个时隙飞行的能耗总和为其时间平均函数为：

式中，表示期望值；

定义所有用户耗能总和的时间平均函数为：

定义用户端的任务队列、无人机端的任务队列以及能量队列的时间平均函数分别为：

对以上时间平均函数限制如下：

步骤2-2，定义问题优化变量，具体包括：

定义待优化用户cpu频率f^local：

定义用户关联变量a：

定义多无人机整个周期内的飞行路径w：

步骤2-3，基于步骤2-1和步骤2-2，构建整个周期内的多无人机路径规划问题如下：

进一步地，在其中一个实施例中，步骤3所述利用lyapunov队列优化理论简化所述整个周期内的多无人机路径规划问题，获得单个时隙内的优化问题，具体过程包括：

步骤3-1，定义李雅普诺夫函数：

步骤3-2，定义李雅普诺夫漂移惩罚函数：

式中，v^uav与v^ue分别为控制用户和无人机能耗最小这一优化目标，在整个问题中所占权重的扰动参数；

步骤3-3，利用lyapunov队列优化理论确定李雅普诺夫漂移惩罚函数的上界为：

式中，c为常数，

由此将整个周期内的多无人机路径规划问题分解为单个时隙内的优化问题。

进一步地，在其中一个实施例中，步骤4所述将所述单个时隙内的优化问题分解为用户频率优化问题和多无人机路径优化与用户关联联合优化问题，并求解两个子问题，具体包括：

步骤4-1，根据用户频率变量、多无人机位置变量以及用户关联变量，将单个时隙内的优化问题分解为用户频率优化子问题和多无人机路径优化与用户关联子问题的联合优化问题；

步骤4-2，利用三次函数求解用户频率优化子问题的极值，作为其最优解；

步骤4-3，求解多无人机路径优化与用户关联子问题，具体过程包括：

步骤4-3-1，将所述多无人机路径优化与用户关联子问题分解为单无人机路径优化与用户关联子问题；

步骤4-3-2，求取单无人机路径优化与用户关联子问题，过程包括：

步骤4-3-2-1，初始化迭代次数r＝0，以及无人机初始位置w⁰(t)；

步骤4-3-2-2，根据无人机位置w^r(t)，利用线性松弛法求解用户关联变量α^r+1(t)；

步骤4-3-2-3，根据所述用户关联变量α^r+1(t)，优化单无人机位置w^r+1(t)，具体包括：

(1)利用李普希兹连续和泰勒展开求解上传速率的凸上下界，将优化单无人机位置w^r+1(t)的问题转化为凸问题；

(2)利用凸优化工具求解所述凸问题；

步骤4-3-2-4、更新迭代次数r＝r+1，若r＜r0，返回执行步骤4-3-2-2，否则停止迭代。

作为一种具体示例，对本发明进行进一步仿真验证说明，包括以下内容：

设定仿真条件：无人机初始飞行路径被设置为半环形。用户每个时隙任务到达量ak(t)(mbits)服从区间[0,1]且期望值的独立同分布。

图2为上述条件下动态多无人机在保持队列稳定的条件下的飞行路径优化图，其中无人机初始点分别为(1000，0)和(1000，500)，初始电池电量5000j。另一方面，图中星形标志分别代表各个用户的水平位置，无人机的水平飞行路径采样间隔为50。由图2可知，多无人机能根据用户任务队列的状态并考虑各个无人机当前位置实时调整其飞行轨迹来服务用户，由此说明本发明有着良好的实时动态性能。

图3为上述条件下某一用户在自身设备端和无人机端的队列长度随时间变化图。由图可知，用户在各个设备和无人机端的任务积压变化趋势都是先增加然后稳定于60mbits，证明了本发明所提出的多无人机路径规划算法能有效使任务队列保持稳定。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。