一种AUV辅助MEC系统的联合轨迹设计与资源分配方法

本发明涉及无线通信技术和移动边缘计算，特别是一种auv辅助mec系统的联合轨迹设计与资源分配方法。

背景技术：

1、水下无线传感器网络(underwaterwireless sensornetwork，uwsn)在海洋勘探、环境监测和军事行动等领域有着广泛的应用。此外，自主水下航行器(autonomousunderwater vehicles，auv)由于其高机动性和灵活性，是uwsn不可或缺的重要组成部分。同时，设计合理的资源分配策略可以提高数据传输的效率。因此，研究auv辅助uwsn的资源分配策略具有重要意义。

2、然而，大多数现有的uwsn中很少考虑移动边缘计算(mobile edge computing，mec)。在对海洋的持续勘探过程中，可能会出现数据量相对较大、产生计算任务需求的情况。同时，目前大多数uwsn考虑的是水声通信的方式。当水下传感器节点(sensornodes，sns)产生数据量较大时，声波的数据传输速率和传播速度都很小，只有kbps和1500m/s，这会导致信息传输有很大的延迟。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种auv辅助mec系统的联合轨迹设计与资源分配方法，可以解决系统中基于水下sns产生海量数据和传统的水下通信存在的数据传输速率低的问题。通过对sns的发射功率、auv的发射功率和部分卸载比例系数进行联合优化以实现系统能耗最小化。

2、为实现上述目的，本发明采用如下技术方案：一种auv辅助mec系统的联合轨迹设计与资源分配方法，包括几个步骤：

3、步骤s1：建模auv辅助边缘计算系统网络结构；

4、步骤s2：建模传感器与auv、auv与海面浮标的mi通信等效电路结构；

5、步骤s3：建模sns向auv发送数据所消耗的能量；

6、步骤s4：建模auv悬浮和航行所消耗的能量；

7、步骤s5：建模auv上浮和自身携带mec服务器的能量消耗；

8、步骤s6：建模auv向海面浮标部分卸载的能量消耗；

9、步骤s7：建模auv和海面浮标计算各自任务的能量消耗；

10、步骤s8：建模auv在上浮到海面后悬浮的能耗；

11、步骤s9：建模sns通信链路、auv航行和悬浮、auv和浮标的mec服务器计算数据的能耗总和；

12、步骤s10：建模sns的发射功率、auv的发射功率和部分卸载比例系数的预设约束；

13、步骤s11：建模系统总能耗最小化的优化模型；

14、步骤s12：采用sl-pso求解系统总能耗最小化的优化模型。

15、在一较佳的实施例中，所述步骤s1具体为：

16、步骤s11：构建auv辅助边缘计算系统网络结构，包括一个携带mec服务器的海面浮标、一架携带mec服务器的auv和n个sns；auv被部署在水下环境中执行探测、数据收集和计算的任务；每个sns均包含线圈以便与auv进行mi通信，假设浮标位于高度为0、位置固定的海平面上；

17、步骤s12：采用三维笛卡尔坐标系描述auv及sns的位置；假设节点的高度均为-h，n个sns的位置给定，第n个节点的位置坐标为qn＝(xn,yn,-h),auv的初始位置与节点1的位置一致；auv共有三个工作阶段，分别为，阶段ⅰ：auv收集所有sns的数据和auv的航行过程；阶段ⅱ：auv上浮至海面浮标处，其中海面浮标的坐标为qn+1＝(xn+1,yn+1,0)；阶段ⅲ：auv部分卸载过程和auv、浮标的两个mec服务器处理数据的过程。

18、在一较佳的实施例中，所述步骤s2具体为：

19、当发射线圈和接收线圈都为螺线管结构且同轴放置，耦合线圈之间的互感计算公式为式中，μ表示自由空间磁导率；nt和nr分别表示发射线圈和接收线圈的匝数；at和ar分别表示发射线圈和接收线圈的半径；d表示auv与sns收发线圈之间的距离；

20、若系统工作角频率为ω，则发射线圈的自阻抗z1和接收线圈的自阻抗z2分别为

21、根据基尔霍夫电压定律，列出回路方程为z2i2+j(2πf)mi1＝0，并解得

22、此时谐振电路的发射功率和接收功率可以定义为

23、

24、在一较佳的实施例中，所述步骤s3具体为：

25、根据下式，计算所有的sns向auv发送数据的能耗为：

26、

27、其中，ptn2a表示sns的实际发射功率，为第n个sns的卸载时间，dn为第n个sns的数据量，容易发现区域中传感器的总数据量为rn2a为节点n的上行信道速率大小，具体表示为：

28、

29、b为mi信道带宽，路径损耗水下热噪声表示为nnoise≈bk0t0，k0为玻尔兹曼常数，t0为水下温度大小，单位为开尔文。

30、在一较佳的实施例中，所述步骤s4具体为：

31、根据下式，计算阶段ⅰ中auv在sns上方接收数据悬停的能量为：

32、

33、auv在此期间航行的能量为：

34、

35、ptravel和phover为auv航行和悬停的功率，阶段ⅰ的总时间t1表示为其中s1为阶段ⅰ中经过模拟退火sa算法求得的auv最短的航行距离，v为auv的航行速度。

36、在一较佳的实施例中，所述步骤s5具体为：

37、根据下式，计算阶段ⅱ中auv上浮和auv携带的mec服务器在auv上浮过程中处理数据所消耗的能量为：

38、

39、其中，阶段ⅱ的时间t2可以表示为qk为优化auv的轨迹后，auv最后遍历的节点索引，ζ是有效电容系数，为auv携带的mec服务器的cpu频率，单位为cycles/s；另外，在auv上浮阶段，其携带的mec服务器已经处理的数据量为为mec处理数据的速度，单位bit/s，为auv的mec在计算一位原始数据所需要的cpu周期数，其单位是cycles/bit，这里d1满足0＜d1＜d。

40、在一较佳的实施例中，所述步骤s6具体为：

41、阶段ⅲ由两个部分组成，分别为：auv的部分卸载操作和两个mec服务器的计算部分；在auv上浮到海面浮标下方后，首先对剩余未计算的数据进行部分卸载的操作，对于auv与浮标的mi通信链路和sns与auv之间的mi通信链路类似，根据下式，计算阶段ⅲ中auv部分卸载数据所消耗的能量为：

42、

43、上式pta2b为auv的实际发射功率，d2＝α(d-d1)，α为部分卸载比例系数，ra2b是auv与浮标的信道传输速率，具体表示为其中

44、所述步骤s7具体为：

45、阶段ⅲ的第二部分为两个mec服务器的计算过程，根据下式，计算auv和浮标的mec服务器处理数据消耗的能量：

46、

47、

48、其中d3＝(1-α)(d-d1)，为浮标携带的mec服务器的cpu频率，为浮标的mec在计算一位原始数据所需要的cpu周期数；

49、所述步骤s8具体为：

50、根据下式，计算auv在上浮至海面后悬浮的能耗为：

51、e8＝phovert3

52、其中为阶段ⅲ的总时间；

53、所述步骤s9具体为：

54、根据下式，系统总能耗为：

55、etotal＝e1+e2+e3+e4+e5+e6+e7+e8。

56、在一较佳的实施例中，所述步骤s10具体为：建模sns的发射功率、auv的发射功率和部分卸载比例系数的限制条件；

57、sns的发射功率限制条件为：

58、auv的发射功率限制条件为：

59、部分卸载比例系数限制条件为：0≤α≤1；

60、其中，和为sns和auv最小的发射功率，和为sns和auv最大的发射功率。

61、在一较佳的实施例中，所述步骤s11具体为：经过sa算法优化auv轨迹后，auv遍历节点顺序已知，容易发现e3和e4为定值，因此优化模型为在满足sns的发射功率、auv的发射功率和部分卸载比例系数的约束条件下，以系统能耗最小化为目标，确定优化资源分配策略，即这里e＝e1+e2+e5+e6+e7+e8。

62、在一较佳的实施例中，所述步骤s12具体为：采用sl-pso求解系统总能耗最小化的优化模型，具体步骤为：

63、s121：首先，针对带约束条件的优化问题，通过惩罚函数法将带有不等式约束问题转化成无约束问题，构造一个由目标函数和惩罚函数组成的适应度函数；由下式给出：

64、fi(ptn2a,pta2b,α)＝fobj(ptn2a,pta2b,α)+ξ(t)fpen(ptn2a,pta2b,α)

65、其中，fobj(ptn2a,pta2b,α)为目标函数，ξ(t)为惩罚因子，fpen(ptn2a,pta2b,α)为惩罚函数，其包含了以下3个式子：

66、

67、s122：下面介绍sl-pso算法的基本过程，首先初始化迭代次数t，学习概率因子γ，控制参数β，种群粒子个数m和社会学习因子ε；在sl-pso算法中，粒子群根据粒子i的适应度进行排序，xi(t)为粒子位置；粒子采用社会学习策略更新其行为向量，如下式所示：

68、

69、xi,j(t)是粒子i在第t次迭代第j维的行为向量，pil为学习概率，δxi,j(t+1)为行为修正，当随机概率pi(t)满足pi(t)≤pil时，粒子i才会学习，纠正其行为向量；δxi,j(t+1)进一步表示为：

70、δxi,j(t+1)＝r1(t)δxi,j(t)+r2(t)ii,j(t)+r3(t)εci,j(t)

71、其中δxi,j(t)为惯性分量，r1(t)、r2(t)、r3(t)是(0,1)内产生的随机数；模仿成分分量ii,j(t)表达式为ii,j(t)＝xk,j(t)-xi,j(t)，k为适应度相较于i更高的下标，i＜k≤m，ci,j(t)为社会影响分量，是当前群体中所有粒子的平均行为，表达式为：

72、

73、除了最好的粒子外，所有粒子将通过学习任何适应度更好的粒子来更新；这些粒子不是从历史的最佳位置中学习，而是从当前粒子群中任何更好的粒子示范者学习；通过不断地循环迭代，直至优化目标收敛，即可得到最小的系统能耗。

74、与现有技术相比，本发明具有以下有益效果：

75、本发明采用了mi通信方式，解决传统水下通信数据传输速率低的问题。

76、本发明考虑的水下sns产生海量计算任务的卸载问题，采用auv与海面浮标同时搭载mec服务器，为海量计算任务的处理问题提供一种思路。

77、本发明联合优化sns的发射功率、auv的发射功率和部分卸载比例系数的分配问题，与无卸载与全部卸载相比，实现系统能耗最小，提高系统性能。同时，本发明采用sl-pso算法相较于基准算法有着更快的收敛速度和更好的全局收敛能力。