面向群智感知的通感算联合优化方法、设备及储存介质

1.本发明涉及群智感知领域，具体涉及一种面向群智感知的通感算联合优化方法、设备及储存介质。


背景技术：

2.近年来，随着智能移动终端设备(如智能手机、平板、可穿戴设备等)的大量普及和嵌入式传感技术的迅速发展，利用人们随身携带的移动终端设备中内嵌传感器收集环境相关信息的新型感知范式，即移动群智感知(mcs,mobile crowd sensing)，引起了工业界和学术界的广泛关注。相比于传统基于固定部署的传感器所形成的感知模式，mcs具有感知范围广、感知数据种类多、部署成本低、可扩展性高等优势。基于此优势，mcs被广泛应用于与人类生活息息相关的各个领域中，如环境监测、智能交通、自动驾驶以及信息共享等。
3.虽然相比于传统感知模式，mcs提供了诸多优势，但当它部署于无线边缘网络中时也面临着新的挑战。例如，在无线边缘网络中，由于有限的通信资源和/或不稳定的无线信道，感知数据的无线传输可能会失败。虽然可以通过感知数据本地(预)处理的模式减少通信资源的开销，但这样也会消耗本地设备的计算和能量资源。而又由于本地设备的资源也是有限的，因此感知数据的预处理和处理结果的无线传输同样也可能失败。目前的大多数任务分配相关工作忽略了无线网络资源的多方面限制以及感知数据的计算过程，因此它们所提出的框架或算法并不能保证感知数据能够在无线通信网络中得到有效的传输与处理。
4.有鉴于此，特提出本技术。


技术实现要素：

5.为解决现有技术的不足，本发明提供了一种面向群智感知的通感算联合优化方法、设备及储存介质，旨在多维网络资源限制条件下，联合考虑感知任务实施过程中涉及的感知、通信与计算策略，从而最优化mcs系统的性能。
6.本发明通过下述技术方案实现：
7.第一方面，本发明提供了一种面向群智感知的通感算联合优化方法，包括以下步骤：
8.基于感知平台建立通感算联合优化算法；
9.基于当前用户状态信息和网络资源，利用通感算联合优化算法得到感知任务的通感算策略；
10.基于通感算策略，参与感知任务的终端进行感知数据的收集、传输与计算。
11.进一步地，感知平台建立通感算联合优化算法之前，包括：
12.用户向感知平台报告当前的状态信息；
13.利用感知平台获取具有时间限制的感知任务。
14.进一步地，在用户向感知平台报告当前的状态信息中，状态信息包括信道状态信息与用户能力信息，其中：
15.终端发送探测参考信号以帮助基站获得每个用户的信道状态信息，基站将信道状态信息上报至感知平台；
16.感知平台周期性地通过基站向终端进行问询，获取终端上报的用户能力信息。
17.进一步地，通感算联合优化算法包括：
18.第一算法，用于求解部分卸载计算模式中基于给定用户选择策略、带宽分配策略下的数据感知策略、数据传输策略与数据计算策略；
19.第二算法，用于基于动态规划方法求解每个用户分配最优的带宽单元个数；
20.第三算法，用于求解二元卸载计算模式中基于给定用户选择策略、带宽分配策略下的数据感知策略、数据传输策略与数据计算策略。
21.进一步地，在利用通感算联合优化算法得到感知任务的通感算策略中，包括：
22.利用第二算法获得在部分卸载计算模式下最佳的带宽分配策略；
23.根据带宽分配策略确定用户选择策略；其中，当用户被分配一定量的带宽时，则代表此用户被选择执行此感知任务；反之，则未被选择；
24.根据带宽分配和用户选择策略，利用第一算法获得数据感知策略、数据传输策略以及数据处理策略。
25.进一步地，根据带宽分配和用户选择策略，确定数据感知策略、数据传输策略以及数据处理策略中，还包括：
26.利用第二算法获得在二元卸载计算模式下最佳的带宽分配策略；
27.根据带宽分配策略确定用户选择策略；其中，当用户被分配一定量的带宽时，则代表此用户被选择执行此感知任务；反之，则未被选择；
28.根据带宽分配和用户选择策略，利用第三算法得数据感知策略、数据传输策略以及数据处理策略。
29.进一步地，在基于通感算策略，参与感知任务的终端进行感知数据的收集、传输与计算中，包括：
30.感知平台将通感算策略下达至基站；
31.基站接入并授权参与感知任务的终端；
32.参与感知任务的终端确定感知时间、感知数据传输时间、发射功率、本地处理时间以及本地处理结果传输时间等信息，进行感知数据的收集、传输与计算；
33.进一步地，在参与感知任务的终端进行感知数据的收集、传输与计算之后，还包括：
34.基站再将感知数据或感知数据处理结果传输至感知平台，完成此次感知任务。
35.第二方面，本发明提供了一种计算机设备，包括：
36.存储器，用于存储计算机程序；
37.处理器，用于执行计算机程序时实现如上的面向群智感知的通感算联合优化方法的步骤。
38.第三方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上的面向群智感知的通感算联合优化方法的步骤。
39.本发明与现有技术相比，具有如下的优点和有益效果：
40.本发明提供的一种面向群智感知的通感算联合优化方法、计算机设备以及存储介质，通过基于感知平台建立通感算联合优化算法；基于当前用户状态信息和网络资源，利用通感算联合优化算法得到感知任务的通感算策略；基于通感算策略，参与感知任务的终端进行感知数据的收集、传输与计算，从而在联合优化设计此系统下的数据感知、计算和传输策略的技术上，并且还将同时考虑用户选择与带宽分配策略，以实现网络资源的有效利用，大大提升了有限网络资源条件下系统的性能，且很容易在实际系统中得以实现。
附图说明
41.为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：
42.图1为本实施例提供的面向群智感知的通感算联合优化方法的方法流程图；
43.图2为本实施例提供的面向群智感知的通感算联合优化方法的步骤s12子步骤流程图；
44.图3为本实施例提供的面向群智感知的通感算联合优化方法的步骤s13子步骤流程图；
45.图4为本实施例提供的面向群智感知的通感算联合优化方法的移动群智感知系统架构图；
46.图5为本实施例提供的面向群智感知的通感算联合优化方法的终端能力探测流程图；
47.图6为本实施例提供的面向群智感知的通感算联合优化方法的p1等价内-外子问题公式图；
48.图7为本实施例提供的面向群智感知的通感算联合优化方法的第一算法示意图；
49.图8为本实施例提供的面向群智感知的通感算联合优化方法的第二算法示意图；
50.图9为本实施例提供的面向群智感知的通感算联合优化方法的p2等价内-外子问题第示意图；
51.图10为本实施例提供的面向群智感知的通感算联合优化方法的第三算法示意图。
具体实施方式
52.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
53.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
54.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一
个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
55.目前，在设计mcs系统中联合考虑感知、通信与计算(joint sensing,communication and computation；jscc)具有重要性。一些现有技术提出了基于无线供电的mcs框架，以联合控制此框架下的无线供电、数据感知、压缩和传输过程。但是它忽略了感知数据的计算过程和网络中有限的计算资源对mcs性能带来的影响。例如，在基于无人机的mcs系统中数据感知与任务卸载的联合优化方案中，现有技术提供了群智感知与计算的联合框架。但是它们都忽略了感知数据的传输过程以及有限的通信资源所带来的影响。
56.因此，本发明针对上述问题，旨在多维网络资源限制条件下，联合考虑感知任务实施过程中涉及的感知、通信与计算策略，从而最优化mcs系统的性能。
57.本发明提供了一种面向群智感知的通感算联合优化方法，如图1所示，包括以下步骤：
58.s11：基于感知平台建立通感算联合优化算法；
59.其中，本方案将首先对mcs系统中的感知、通信与计算问题进行数学建模，从而建立面向多维资源受限mcs系统的jscc(joint sensing,communication and computation)框架。相比于传统感知模式，mcs提供了诸多优势，如图4所示，mcs系统主要由多个提供感知服务的移动用户和管理感知任务的感知平台组成。它一般部署于无线边缘网络中，其中感知平台部署于边缘服务器，而边缘服务器部署于基站(bs)附近。当给定感知任务时，感知平台首先需要选择合适的用户参与其中。而被选定的用户则收集环境相关信息，并将收集到的感知数据通过无线网络传输至感知平台进行相应的数据处理，如大数据分析和机器学习模型训练。然而，现有技术一般很难关注到mcs系统中数据感知、传输与计算的联合优化设计。目前大多数现有技术在于解决mcs框架下的用户激励问题，即如何激励移动用户参与群智感知，和用户选择(或任务分配)问题，即如何将感知任务分配给合适的用户。特别地，目前的大多数任务分配相关工作忽略了无线网络资源的多方面限制以及感知数据的计算过程，因此它们所提出的框架或算法并不能保证感知数据能够在无线通信网络中得到有效的传输与处理。
60.基于上述讨论，本发明旨在多维网络资源限制条件下，联合考虑感知任务实施过程中涉及的感知、通信与计算策略，从而最优化mcs系统的性能。本发明基于jscc联合优化每个感知任务涉及的五大策略，即用户选择、带宽分配、数据感知、传输与计算。本方案将上述问题建模为非凸的联合优化问题。为了求解此问题，本方案首先将其改写为等价的内-外子问题形式，其中内部子问题是联合优化每个被选用户的数据感知、传输与计算策略，而外部子问题则是进一步决定用户选择与带宽分配策略。本方案采用迭代优化算法求解内部子问题，再基于此迭代算法，采用动态规划算法求解外部子问题。通过联合优化感知任务实施过程中涉及的感知、通信与计算策略，本方案所提出的jscc机制相比于目前已有的方案，大大提升了有限网络资源条件下mcs系统的性能，且很容易在实际系统中得以实现。
61.s12：基于当前用户状态信息和网络资源，利用所述通感算联合优化算法得到感知任务的通感算策略；
62.本方案中，本实施例中通感算策略包括：用户选择策略(即决定参与此感知任务的用户)、带宽分配策略(即决定每个被选用户的上行带宽)、数据感知策略(即决定每个被选用户的感知数据收集时间)、数据传输策略(即决定每个被选用户的感知数据传输时间和传
输功率)和数据处理策略(即决定感知数据是否在本地进行处理，以及本地处理时间和感知平台的处理时间)。根据感知任务的数据类型要求和时间限制，感知平台执行通感算优化算法以输出此感知任务的通感算策略，以最大化感知任务规定时间内被处理的感知数据量，目的在于通过设计感知数据的传输与计算策略，从而可以实现感知数据的有效处理，进一步的，本方案将同时考虑部分卸载和二元卸载计算模式，其中部分卸载模式下，感知数据的计算任务可以有限分割，即感知数据可以同时在本地和服务器进行处理，而在二元卸载模式下，感知数据的处理只可在本地或服务器进行。
63.s13：基于所述通感算策略，参与感知任务的终端进行感知数据的收集、传输与计算；
64.本实施例中，作为本领域技术人员应当知道的是，感知任务既可以是智能交通方面的任务，其感知数据可能包括车辆的速度，道路的照片信息等，也可以是环境监测方面的任务，其感知数据可能是温度，噪声水平(数值类感知数据)等，本发明不做进一步限定，所述参与感知任务的终端内部可以设置有用于收集不同类型的感知数据的嵌入式传感器，如加速度传感器可用来收集与运动相关的感知数据，gps传感器可用来收集与位置和速度相关的感知数据，而摄像头可用来收集与图像相关的感知数据。由于感知任务的需求和无线带宽资源的限制，只能选择合适的终端来执行感知任务。因此，本方案还将考虑用户选择与带宽分配策略，以实现网络资源的有效利用。
65.本实施例中，感知数据可基于中心式或分布式的方式进行处理，也即是说感知数据既可以传输至服务器进行统一处理，也可以利用感知设备的本地计算能力处理感知数据，再将处理结果传输至服务器进行融合。感知数据的计算策略则是决定每个感知设备如何处理收集的感知数据，其存在着三种可能的情况：1)本地处理再将结果传输至服务器；2)完全由服务器进行处理；3)本地处理一部分，服务器处理一部分。注意本方案将考虑两种计算任务卸载模式，即部分卸载和二元卸载。由于在二元卸载模式下感知数据的处理不可分割，因此上述第三种情况不会出现在二元卸载模式下。由于不同的感知策略(如感知时间)将导致不同的感知数据量，从而导致不同的计算资源需求；而不同的计算策略又将导致不同的通信资源开销(因为传输的数据量不同)，因此非常有必要联合优化设计mcs系统的感知、通信与计算策略，从而最大化感知任务中被处理的数据量。这是因为当处理的数据量越多时，其处理的结果总是更加准确和一般化，例如智能交通任务中处理的照片越多，其得到的交通信息越准确。
66.在本技术一种可选的实施例中，所述的基于感知平台建立通感算联合优化算法之前，包括：
67.s101：用户向感知平台报告当前的状态信息；
68.s102：利用感知平台获取具有时间限制的感知任务。
69.其中，感知平台周期性地更新与维护其目前所属范围内所有可参与移动群智感知用户的状态信息，以及目前所到达的感知任务信息。针对每个到达的感知任务，感知平台需要基于当前可用的网络资源和用户状态信息，执行本方案的通感算联合优化算法，并下发相关策略至相应的用户与基站端。
70.进一步地，在用户向感知平台报告当前的状态信息中，所述状态信息包括信道状态信息与用户能力信息，其中：
71.终端发送探测参考信号以帮助基站获得每个用户的信道状态信息，所述基站将所述信道状态信息上报至感知平台；感知平台周期性地通过基站向终端进行问询，获取终端上报的用户能力信息。
72.本实施例中，由基站/感知平台触发感知用户周期性地进行状态信息(主要是信道增益、用户剩余能量等)的测量及上报。其中，探测参考信号(sounding reference signal，srs)：作为ul的信号，终端直接将信道信息上报给基站，终端通过发送srs以帮助基站获得每个用户的信道状态信息(channel state information，csi)。mcs需要周期性获取终端的能力(例如用户可用电量等信息)，在感知平台侧设置定时器，周期性地通过基站的rrc向终端进行问询，获取终端上报的能力信息，其中，基站获取终端能力信息主要涉及两个流程：终端能力询问和终端能力上报，具体地，请参考图5：步骤1，msc为所有感知终端设置终端能力探测定时器，若定时器超时，则向基站发送终端能力请求信息；步骤2，当mcs触发需要获得电量信息时，基站会下达终端能力询问指令；步骤3，当收到终端能力询问指令，终端根据指令上报对应能力信息，即ue capability information，rrc需要在终端接入基站时，配置optional features without ue radio access capability parameters；步骤4，基站将收到的所有终端能力上报给mcs，终端能力探测结束。
73.进一步地，所述通感算联合优化算法包括：
74.第一算法，用于求解部分卸载计算模式中基于给定用户选择策略、带宽分配策略下的数据感知策略、数据传输策略与数据计算策略；
75.第二算法，用于基于动态规划方法求解每个用户分配最优的带宽单元个数；
76.第三算法，用于求解二元卸载计算模式中基于给定用户选择策略、带宽分配策略下的数据感知策略、数据传输策略与数据计算策略。
77.本实施例的jscc机制旨在联合优化设计感知任务的用户选择、带宽分配、感知数据的收集、传输与处理策略。可将此问题转化为联合优化问题，即在时间约束、能量约束和带宽约束的条件下，联合优化设计用户选择变量li、带宽分配变量ki、感知时间t
i,s
、感知数据的本地处理时间t
i,c
、传输感知数据至服务器的时间t
i,r
和发射功率pi(i＝1,
…
,n)，从而最大化感知任务中处理的感知数据量。
78.注意当用户i未被分配带宽时，则证明此用户未被选择执行此感知任务，即li＝0；相反，则必有li＝1。也就是说，用户选择变量li可完全由带宽分配策略决定，即有因此上述优化问题可移除变量li。另一方面，感知任务中被处理的数据量不能超过所有被选用户收集的感知数据量。特别地，令用户i的感知速率，即每秒内收集的感知数据量，为oi，则用户在t
i,s
时间内收集的感知数据量为t
i,s
oi。令ci为计算用户i所收集感知数据的一个比特所需要的cpu周期数，则用户i在t
i,c
内本地处理数据量为其中fi为用户i的本地计算能力(或cpu频率)。同时，用户i在t
i,r
内传输至服务器进行处理的数据量为t
i,rri
,其中,其中为用户i的上行传输速率，k
ibmin
为用户i的被分配的上行带宽，b
min
为最小带宽分配单元。为了最大化感知任务中被处理的数据量，则必有被处理的数据量等于收集的数据量这一限制条件，即在部分卸载计算模式下有
而在二元卸载计算模式下有而在二元卸载计算模式下有其中ai为二元变量，用来表征用户i的感知数据是否在本地进行处理。也即是说变量t
i,s
可由其他参数决定，因此上述优化问题也可通过移除变量t
i,s
进行简化。
79.本方案考虑两种计算模式，即部分卸载和二元卸载模式，而不同的模式对应于不同的限制条件和优化模型，因此需要对这两种模式分别进行分析。首先考虑部分卸载计算模式，基于数据感知时间可得到如下优化问题：
[0080][0081][0082][0083][0084][0085][0086]
式(4)中的目标函数是为了最大化感知任务中被处理的数据量，或者为计算比特数的加权和(wscb；weighted sum of computation bits),其中bi为加权系数，与感知数据类型有关。式(4a)和(4b)为感知任务时间约束，即要求t
i,s
+t
i,r
≤t和t
i,s
+t
i,c
≤t。式(4c)为感知设备的能量约束，其中ei为用户i收集单位比特所消耗的能量，κt
i,cfi3
为用户i本地处理感知数据所消耗的能量，而pit
i,r
则为用户i传输感知数据所消耗的能量。式(4d)为带宽约束条件，要求分配给用户i的上行带宽为最小分配带宽b
min
的整数倍，即ki为整数。式(4e)则为用户的发射功率约束。当上述优化问题的最优解得到后，最佳的用户选择策略由决定，最佳的感知时间策略由决定。类似的，在二元卸载计算模式下，有如下所示的优化问题p2：
[0087][0088][0089][0090][0091]
其中式(5)，(5a)-(5c)为二元卸载计算模式下的目标函数、感知任务时间约束和感知设备的能量约束。特别地，在二元卸载计算模式下引入了额外的二元变量ai用来表征用户i的感知数据是否在本地进行处理。在此模式下t
i,c
和t
i,r
不能同时大于0。
[0092]
在本技术一种可选的实施例中，在利用所述通感算联合优化算法得到所述感知任务的通感算策略中，包括：
[0093]
s1211：利用第二算法获得在部分卸载计算模式下最佳的带宽分配策略；
[0094]
s1212：根据所述带宽分配策略确定用户选择策略；其中，当用户被分配一定量的带宽时，则代表此用户被选择执行此感知任务；反之，则未被选择；
[0095]
s1213：根据带宽分配和用户选择策略，利用第一算法获得数据感知策略、数据传输策略以及数据处理策略；
[0096]
如图2所示，步骤s1211-s1213为部分卸载计算模式下的通感算联合优化算法的应用，考虑部分卸载计算模式下的通感算联合优化算法，即如何求解问题p1。由于变量ki为整数，以及目标函数中存在着ki与t
i,r
的乘积关系，因此p1为非凸优化问题。为求解p1，首先将其转化为等价的内-外子问题，如图6所示：
[0097]
其中内部子问题p3是在给定用户选择和带宽分配策略的条件下(即给定ki)联合优化每个被选用户的数据感知、传输与计算策略，而外部子问题p4则是进一步地优化用户选择与带宽分配策略。
[0098]
首先考虑如何求解内部子问题p3。问题p3是在变量ki给定的前提下联合优化感知数据的本地处理时间t
i,c
、传输感知数据至服务器的时间t
i,r
和发射功率pi。由于当ki＝0时，即用户i未被选择参与感知任务时，变量t
i,c
、t
i,r
和pi都为0。因此考虑ki》0的情况。
[0099]
由于约束(4a)-(4c)中log函数的非凸性，因此p3仍是非凸优化问题。基于此，本方案考虑基于迭代优化的思想求解p3。具体而言，考虑迭代优化p3的两个子问题，p3-a和p3-b，以迭代优化参数{pi}和{t
i,c
,t
i,r
}。也即是说，p3-a是在给定t
i,c
和t
i,r
的条件下最优化发射功率pi，而p3-b则是在给定pi的条件下最优化参数t
i,c
和t
i,r
。其目的在于保证在给定参数的条件下得到最优的{pi}或{t
i,c
,t
i,r
}。
[0100]
基于上述讨论，在给定t
i,c
和t
i,r
的条件下，p3-a的最优解可由定理1获得。
[0101]
定理1：当给定ki》0,t
i,c
和t
i,r
时，用户i的最佳发射功率为：
[0102][0103]
其中其中并且p
i,3
满足f(p
i,3
)＝ei。
[0104]
证明：显然，当t
i,r
＝0时，即没有感知数据传输至服务器进行处理时，发射功率pi＝0。当t
i,r
》0时，一定有0《pi≤p
max
。根据(4a)-(4c)，我们可以得到关于pi的如下约束：
[0105][0106][0107]
f(pi)≤ei(9)
[0108]
0《pi≤p
max
(10)
[0109]
令则根据式(7)和式(8)得到pi≤p
i,1
和pi≤p
i,2
。由于。由于是关于pi的单调递增函数，因此由式(9)也可得到pi≤p
i,3
，其中p
i,3
满足f(p
i,3
)＝ei。由于目标函数随着pi的增加而增加，因此根据式(7)-(10)可以得到最优的发射功率为由此定理1得证。
[0110]
而在给定pi的条件下，p3-b的最优解可由定理2获得。
[0111]
定理2：当给定ki》0和pi》0时，用户i的最佳本地处理时间t
i,c
和最佳传输时间t
i,r
为：
[0112][0113]
其中
[0114][0115][0116][0117]
当pi给定时，p3-b是一个关于变量t
i,c
和t
i,r
的线性规划问题，因此可以很容易基于图解法得到定理2。注意定理2仅考虑了pi》0的情况，当pi＝0时有和根据定理2可以看出，当用户的能量(即ei)足够大时，最佳的本地处理时间t
i,c
等于最佳传输时间t
i,r
，以便充分利用分配给用户的通信与计算资源；而当用户的能量不足时，特别是当或时，用户可能选择在本地处理感知数据(即t
i,r
＝0)或完全卸载感知数据至服务器进行处理(即t
i,c
＝0)。
[0118]
根据定理1和2，本方案基于迭代优化算法求解p3，具体过程如第一算法所示，详见图7。第一算法包含多次迭代，而每次迭代过程又包含两个步骤，其中第一步将基于上一次迭代过程中得到的(t
i,c
,t
i,r
)和定理1输出目前为止能找到的最佳发射功率pi，第二步则基于得到的pi和定理2输出目前为止能找到的最佳t
i,c
和t
i,r
。注意由于p
i,3
在定理1中没有闭式表达式，因此我们在第一算法中采用二分搜索方法获取p
i,3
的值。上述过程一直重复，直
到第一算法收敛，而第一算法的收敛性可由定理3保证。
[0119]
定理3：第一算法保证可以收敛至问题p3的局部最优解。
[0120]
证明：令为第一算法第j次迭代过程后得到的解，而则为基于此解所得到的目标函数值。那么在第j+1次迭代过程中，变量pi将首先基于进行优化，从而得到新的pi值，即之后再基于对变量(t
i,c
,t
i,r
)进行优化，从而得到新的本地处理时间和传输时间，即由于每次迭代过程中的每一步都是基于定理1或定理2得到p3-a或p3-b的最优解，因此可以保证每一步得到的目标函数值呈递增趋势，即有又因为问题p3的目标函数的最大值不会超过感知任务时间内所有用户可以收集到的最大感知量，即为因此第一算法保证可以收敛，并达到局部最优。
[0121]
注意第一算法需要一个可行的初始解作为输入，因此本方案在初始化时设t
i,c
＝0，pi＝p
max
，根据第一算法，我们得到了给定用户选择和带宽分配(由变量ki决定)策略下的数据感知、传输与计算策略，下面则需要进一步地对用户选择和带宽分配策略进行优化，即求解p1的外部子问题p4。特别地，基于第一算法，优化问题p1则可以转化成如下问题：
[0122][0123][0124]
其中为p1的目标函数，即计算比特数的加权和(wscb；weighted sum of computation bits)。特别地，当ki》0时，》0时，其中pi*,ti,c*,ti,r*根据第一算法获得；而当ki＝0时，riki,pi*,ti,c*,ti,r*＝0。可以看到，优化问题p1已转化为如何为每个用户分配最优的带宽单元个数，即ki，从而最大化wscb，其中网络中可用于分配的带宽单元的总个数为为了解决上述问题，可以采用动态规划方法求解。具体而言，考虑将网络中的用户编号为1,2,
…
,n。令si表示分配给前i个用户的带宽单元的数量(1≤i≤n)，ki表示分配给用户i的带宽单元的数量，则有s
i-1
＝s
i-ki。用fi(si)表示当我们将si个带宽单元分配给前i个用户时获得的最大wscb值。基于此，我们得到如下所示的状态转移方程：
[0125][0126]
根据式(15)可以计算出，当网络中有n个用户，个带宽单元时，最大的wscb值(即)，以及分配给每个用户的最佳带宽单元个数。其具体的求解过程如第二算法所示，第二算法请参考图8。具体而言，第二算法将首先基于第一算法，计算出当
用户被分配ki(0≤ki≤m)个带宽单元时，其所对应的参数，从而得到当前条件下wscb的值(步骤3)；再根据式(15)的状态转移方程遍历所有可能的状态，从而输出最优解(步骤4和5)。注意虽然第二算法可以保证得到的带宽分配变量ki为p1外部子问题p4的最优解，但我们不能保证ki为p1的最优解。这是因为基于第一算法得到的只能保证是内部子问题p3的局部最优解，因此最后基于第一算法和第二算法得到的也只能保证是p1的局部最优解。
[0127]
进一步地，所述根据带宽分配和用户选择策略，确定数据感知策略、数据传输策略以及数据处理策略中，还包括：
[0128]
s1221：利用第二算法获得在二元卸载计算模式下最佳的带宽分配策略；
[0129]
s1222：根据所述带宽分配策略确定用户选择策略；其中，当用户被分配一定量的带宽时，则代表此用户被选择执行此感知任务；反之，则未被选择；
[0130]
s1223：根据带宽分配和用户选择策略，利用第三算法得数据感知策略、数据传输策略以及数据处理策略。
[0131]
请参考图3，步骤s1221-s1223为二元卸载计算模式下的通感算联合优化算法的应用，请参考图9，与求解p1的思想类似，考虑先求解内部子问题p5，再根据p5的解进一步求解外部子问题p6。由于p6与p1的外部子问题p4相似，因此p6同样可以基于第二算法求解。与p3不同，p5引入了一个新的二元变量ai，并且当ai＝0时，t
i,c
＝0；ai＝1时，t
i,r
＝0。基于此发现，可以分别在ai＝0和ai＝1的条件下求解p5，然后再比较这两种条件下的解所对应的目标函数值，从而输出使目标函数值更大的解。特别地，ai＝0和ai＝1的条件下的p5可基于定理4和定理5求解。
[0132]
定理4：当给定ki》0,t
i,c
,t
i,r
和ai时，用户i的最佳发射功率为：
[0133][0134]
其中并且p
i,3
满足f(p
i,3
)＝ei。
[0135]
定理5：当给定ki》0、pi和ai时，用户i的最佳本地处理时间t
i,c
和传输时间t
i,r
为：
[0136][0137]
其中
[0138]
定理4的证明与定理1类似。下面简单给出定理5的证明过程。注意当ai＝0时，有t
i,c
＝0；而当ai＝1时，有t
i,r
＝0。根据ai＝0和t
i,c
＝0，式(5a)-(5c)可转化为：
[0139][0140]
[0141]ei
t
i,rri
+pit
i,r
≤ei(20)
[0142]
由于目标函数随着t
i,r
的增加而增加，因此可以得到在ai＝0和t
i,c
＝0条件下＝0条件下类似地，根据ai＝1和t
i,r
＝0，式(5a)-(5c)可转化为：
[0143][0144][0145][0146]
同样地，由于目标函数随着t
i,c
的增加而增加，因此可以得到在ai＝1和t
i,r
＝0条件下
[0147]
基于定理4和定理5，p5的求解过程如第三算法所示，具体参考图10：首先考虑在ai＝0条件下求解p5。考虑利用迭代优化算法求解ai＝0条件下的p5，如步骤3所示。具体而言，在每个迭代过程中，根据定理4得出ai＝0条件下给定t
i,r
时的最佳发射功率pi，再通过得到的pi，根据定理5得到最佳的传输时间t
i,r
。上述过程一直迭代，直到收敛至局部最优解，与第一算法类似。再考虑在ai＝1的条件下求解p5。根据定理5可以得出ai＝1条件下和如步骤4所示。最后通过比较步骤3和步骤4得出的解所对应的目标函数值，输出使输出目标函数值更大的解，如步骤5所示。
[0148]
进一步地，在基于所述通感算策略，参与感知任务的终端进行感知数据的收集、传输与计算中，如图3所示，包括：
[0149]
s131：感知平台将所述通感算策略下达至基站；
[0150]
其中，基站为终端分配已知的随机接入的前导码序列，为后续终端上传感知数据和感知数据的处理结果做准备。在执行第二算法的最佳带宽分配(宽带分配策略)时，需要让执行感知任务的终端获得上行授权。
[0151]
s132：基站接入并授权参与感知任务的终端；
[0152]
其中，在非竞争方式下(contention free random access，cfra)，基站通过pdcch的dci或者rrc(radio resource control)信令为ue指定随机接入前导序列并采用该前导序列接入基站，终端通过rrcmessage1(msg1)承载随机接入过程的信令，进一步的，基站，为其分配相应的时频资源用来传输感知数据和感知数据的处理结果，并调整终端发射功率。
[0153]
s133：参与感知任务的终端确定感知时间、感知数据传输时间、发射功率、本地处理时间以及本地处理结果传输时间等信息，进行感知数据的收集、传输与计算。
[0154]
进一步地，在所述参与感知任务的终端进行感知数据的收集、传输与计算之后，还包括：
[0155]
基站再将感知数据或感知数据处理结果传输至感知平台，完成此次感知任务。
[0156]
针对多维网络资源受限的mcs系统，本实施例设计了一个通感算联合优化(jscc)框架。通过联合优化设计感知任务实施过程中的用户选择、带宽分配、数据感知、传输和计
算策略，本方案旨在有限的网络资源条件下，最大化感知任务时间内处理的数据量。我们的通感算联合优化算法远远优于现有的其他算法。本实施例的建模过程可以为感知-计算-传输策略与资源消耗之间的关系提供支撑。本实施例还可进一步扩展到其他相关场景，如多个mcs系统的合作，通感算联合优化框架下的资源管理等。
[0157]
在本发明的又一种具体实施方式中，本发明提供了一种计算机设备，包括：
[0158]
存储器，用于存储计算机程序；
[0159]
处理器，用于执行所述计算机程序时实现如上所述的面向群智感知的通感算联合优化方法的步骤。
[0160]
其中，计算机系统包括处理器(cpu)，其可以根据存储在只读存储器(rom)中的程序或者从存储部分加载到随机访问存储器(ram)中的程序而执行各种适当的动作和处理。在ram中，还存储有系统操作所需的各种程序和数据。
[0161]
cpu、rom以及ram通过总线彼此相连。输入/输出(i/o)接口也连接至总线。
[0162]
以下部件连接至i/o接口：包括键盘、鼠标等的输入部分；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至i/o接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。
[0163]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被处理器(cpu)执行时，执行本技术的方法中限定的上述功能。需要说明的是，本技术所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0164]
可以以一种或多种程序设计语言或其组合来编写用于执行本技术的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如java、smalltalk、c+
+，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。
[0165]
在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0166]
在本发明的又一种具体实施方式中，本发明提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的面向群智感知的通感算联合优化方法的步骤。
[0167]
该计算机可读介质可以是上述实施例中描述的计算机或终端设备中所包含的；也可以是单独存在，而未装配入该计算机设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该计算机设备执行时，使得该计算机设备：基于感知平台建立通感算联合优化算法；基于当前用户状态信息和网络资源，利用所述通感算联合优化算法得到感知任务的通感算策略；基于所述通感算策略，参与感知任务的终端进行感知数据的收集、传输与计算。
[0168]
而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0169]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。