CN119485488A 工业互联网中多无人机辅助移动边缘计算卸载方法 （沈阳航空航天大学）

工业互联网中多无人机辅助移动边缘计算本发明提供一种工业互联网中多无人机辅计算移动智能用户处理计算任务以及无人机处合多种因素综合决定无人机的飞行信息和计算边缘计算场景中的优化问题建模为一个马尔科夫决策过程，并通过联邦学习分布式训练TD3算2步骤2：依据获取信息构建的数字孪生模型计算移动智能用户处理计算任务以及无人步骤3：将无人机辅助移动智能用户边缘计算场景中的优化问题建模为一个马尔科夫2.根据权利要求1所述的工业互联网中多无人机辅助移动边缘计算卸载方法，其特征3.根据权利要求2所述的工业互联网中多无人机辅助移动边缘计算卸载方法，其特征在于：所述步骤2计算移动智能用户处理计算任务以及无人机处理计算任务的时延的具体4.根据权利要求3所述的工业互联网中多无人机辅助移动边缘计算卸载方法，其特征在于：所述步骤2计算移动智能用户处理计算任务以及无人机处理计算任务的能耗的具体3k表示智能移动用户k的计算能力；e"为智能移动用户k将计算任务卸载给无人5.根据权利要求4所述的工业互联网中多无人机辅助移动边缘计算卸载方法，其特征在于：所述步骤2计算移动智能用户处理计算任务以及无人机处理计算任务的时延和能耗kteT(b)4其中，pos;和pos,"是智能移动设备和无人机在时隙t的位置，和分别表示移动智能用户k在地面单元中的横纵坐标值，和分别表示无人机6.根据权利要求5所述的工业互联网中多无人机辅助移动边缘计算卸载方法，其特征在于：所述步骤3将无人机辅助移动智能用户边缘计算场景中的优化问题建模为一个马尔kkuav7.根据权利要求6所述的工业互联网中多无人机辅助移动边缘计算卸载方法，其特征首先构建中央云服务器中的全局双延迟深度确定性策略梯度算法5务器的部署位置仍然是严重限制移动边缘计算开发的一个关键挑战。由于用户的可移动6[0010]步骤2：依据获取信息构建的数字孪生模型计算移动智能用户处理计算任务以及7k表示智能移动用户k的计算能力；[0038]移动智能用户处理计算任务以及无人机处理计算任务的计算成本Ω如下公式所8ieT(b)动智能用户k在地面单元中的横纵坐标值，和分别表示无人机在地面单元中的横纵坐标值，L和W分别表示是地面单元的长和宽，公式(f)表示无人机的能量消耗约束，[0049]步骤3：将无人机辅助移动智能用户边缘计算场景中的优化问题建模为一个马尔[0059]通过将奖励函数定义为负值，以更好地训练双延迟深度确定性策略梯度算法模9[0061](1)考虑到多无人机辅助移动边缘计算系统中的动态网络环境和可再生能源，共[0062](2)设计了一种基于联邦学习和双延迟深度确定性策略梯度算法的先进卸载方[0064]图2为本发明实施例提供的一种在工业互联网中多无人机辅助移动边缘计算场景[0066]本实施例以如图1所示的多无人机辅助的移动边缘计算系统场景为例，采用本发[0067]本实施例中，一种工业互联网中多无人机辅助移动边缘计算卸载方法，如图2所[0071]步骤2：依据获取信息构建的数字孪生模型计算移动智能用户处理计算任务以及k表示智能移动用户k的计算能力；E()表示无人机所携带的电池的最大容量；[0099]移动智能用户处理计算任务以及无人机处理计算任务的计算成本Ω如下公式所η和表示加权指数(基于时延和能耗的标准归一化处理后的teT(b)动智能用户k在地面单元中的横纵坐标值，和分别表示无人机在地面单元中的横纵坐标值，L和W分别表示是地面单元的长和宽，公式(f)表示无人机的能量消耗约束，[0111]步骤3：将无人机辅助移动智能用户边缘计算场景中的优化问题建模为一个马尔[0112]将无人机辅助移动智能用户边缘计算场景中的优化问题建模为一个马尔科夫决[0122]通过将奖励函数定义为负值，以更好地训练双延迟深度确定性策略梯度算法模用FL(FederatedLearning，即联邦学习)训练TD3算法(即双延迟深度确定性策略梯度算益分别为1MHz和3_0dB。智能移动设备在地面单元中随机移动并产生计算任务的大小为[0129]表3显示了基于FL_TD3算法的不同联邦学习速率的性能比较。该算法的收敛速度[0132]如表4所示，本实施例考虑了不同的延迟更新参数对所提出的TD3算法性能的影[0139]表6和表7比较了四种方案在不同IMD计算能力下的时延和计算成本。这两个表表处理速度。由于DQN无法在连续动作空间中找到准确的动作，因此不能有效地利用计算资时的卸载比最高，FL_TD3在无人机服务器上执行的任务更多，而D