没有合适的资源?快使用搜索试试~ 我知道了~
基于无人机无线能量传输的边缘计算系统能耗优化方法研究.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 49 浏览量
2023-02-23
20:08:02
上传
评论 1
收藏 350KB DOCX 举报
温馨提示
试读
13页
基于无人机无线能量传输的边缘计算系统能耗优化方法研究.docx
资源推荐
资源详情
资源评论
1. 引言
随着物联网以及 5G, 6G 技术的快速发展,接入网络中的移动设备数量急剧增长,数
以亿计的移动智能设备彼此互联,进行数据传输和信息交换,各种智能应用和服务也应运
而生。与此同时,这些移动设备及相关应用产生的数据量呈现爆炸式增长
[1]
。然而,大多
数移动设备的计算能力较低,电池容量有限
[2]
。因此,如何为处理大量计算任务的设备提
供可持续的、具有成本效益的能源供应是物联网面临的一个重要问题
[3]
。
移动边缘计算(Mobile Edge Computing, MEC)和无线能量传输技术(Wireless Power
Transfer, WPT)是能够有效解决上述问题的关键技术
[4]
。MEC 通过将具有计算、存储以及通
信功能的服务平台安置在网络边缘,帮助移动终端用户把计算密集和时延敏感型任务卸载
到边缘节点进行快速处理
[5]
。MEC 通常有两种卸载模式,部分卸载和 0-1 卸载。在第 1 种
模式下,计算任务被分成两部分,一部分在本地执行,另一部分卸载到 MEC 服务器上进
行计算
[6]
。在第 2 种模式下,计算任务无法进行分解,只能在本地执行或进行完全卸载
[7]
。
然而,边缘计算主要依靠地面固定的基站或设备作为 MEC 服务器给用户提供计算和
存储服务,很难灵活地为移动用户提供便捷的边缘计算服务。无人机(Unmanned Aerial
Vehicle, UAV)具有快速部署和灵活运动的特点,将 MEC 服务器布置在 UAV,能够为移动
用户提供更加快速的边缘计算服务
[8-10]
。文献[11]在无人机辅助 MEC 系统中提出了一种优
化迭代算法,实现了 MEC 系统的最大保密容量,进一步提高了系统的保密性能。文献[12]
提出了用无人机作为计算节点和中继节点来改善 UAV-MEC 网络中的平均用户延迟,利用
低复杂度的近似算法来求解问题,最小化所有 UAV 的平均延迟。文献[13]研究了计算效率
最大化问题,联合优化计算调度、无人机 3D 轨迹、带宽分配和传输功率控制,使卸载数
据量最大化,最大限度地减少无人机能耗,同时保证下行链路中用户的 QoS。
WPT 通过收集射频(Radio Frequency, RF)信号的能量,能够为低功耗移动设备提供可
持续和经济的能源供应
[14]
。然而,RF 信号在长距离传输中的严重传输损耗降低了实际
WPT 的性能
[15]
。通过 UAV 的视距传输以 WPT 方式为地面用户提供能量传输可以有效提
高 WPT 的能量传输效率
[16,17]
。因此,基于无人机无线能量传输的 MEC 系统不仅能够为地
面节点进行快速的边缘计算,还可以给地面节点提供可持续的能量补给,有效提高系统的
能量效率。文献[18]针对无线供电 MEC 系统,通过对 CPU 频率、卸载量、发射功率和无
人机轨迹的联合优化,提出了一种最小化无人机总所需能量的优化问题。文献[19]在无线
能量传输因果约束和无人机速度约束下,研究了基于无人机无线能量传输 MEC 系统的计
算速率最大化问题。
然而现有工作没有对能量收集时间进行优化,并且没有考虑系统的能耗问题。因此,
本文提出一种基于无人机无线能量传输和边缘计算的系统能耗优化方法,在所提方法中,
通过联合优化能量收集时间、用户发射功率和卸载决策,最小化系统总能耗。本文的主要
贡献如下:
(1) 充分考虑了能量收集与计算卸载过程中系统时延、用户发射功率、计算能力和无
人机传输能力限制,通过联合优化能量收集时间、用户发射功率,最小化系统总能耗。
(2) 利用块坐标下降法(Block Coordinate Descent, BCD),将优化问题分解为两个子问
题。首先给定初始的卸载策略优化能量收集时间,然后通过深度搜索的方法优化卸载策
略,通过交替优化来获取最优解,实现对系统资源分配的优化。
(3) 仿真结果表明,所提方案的计算性能优于其他基准方案,显著减少系统能耗。
2. 系统模型
本文考虑一个基于无人机无线能量传输的边缘计算系统,如图 1 所示,包含 1 个无人
机和 L 个用户[Math Processing Error]Ui,[Math Processing Error]i=1,2,
⋯
,L,无人机上搭载
有 1 个移动边缘计算服务器,执行计算密集型任务,所有用户都配备 1 个天线。用户采用
时分结构进行能量收集和数据卸载,如图 2 所示,每个时隙划分为两个正交时隙,在时隙
[Math Processing Error]τ,所有用户接收 UAV 发送的功率用于能量收集,剩下的时隙
[Math Processing Error]T−τ,所有用户进行本地计算或数据卸载,每个用户占用的时隙长
度为[Math Processing Error]τi=T−τL。用户以半双工传输方式进行工作,不能同时进行数
据卸载和能量收集,能够同时进行本地计算和能量收集。假设 UAV 能够获得自己到用户
的信道状态信息来协调能量传输、本地计算和卸载过程
[3,20]
。本文采用 3 维欧几里得坐标
系,则用户[Math Processing Error]Ui 和 UAV 的位置分别用[Math Processing
Error]mi=[xi,yi,0]和[Math Processing Error]mu=[xu,yu,H]表示,则[Math Processing
Error]Ui 与 UAV 之间的距离表示为[Math Processing Error]di=H2+(xu−xi)2+(yu−yi)2。
图 1 系统模型
下载: 全尺寸图片 幻灯片
图 2 时分结构
下载: 全尺寸图片 幻灯片
2.1 本地计算
假设用户在 1 个时隙中需要处理的计算任务的数据量为[Math Processing Error]Ci,处
理 1 bit 计算任务需要的 CPU 转数为 K,则 1 个时隙内需要的总 CPU 转数为[Math
Processing Error]CiK。假设在 1 个时隙内 CPU 频率保持不变,则本地计算的能耗为
[Math Processing Error]ECi=ξi(CiK)3L2(T−τ)2
(1)
其中,[Math Processing Error]ξi 表示[Math Processing Error]Ui 的有效电容系数。
2.2 卸载计算
用户采用 0-1 卸载策略进行数据卸载。具体而言,总的计算时间(T–τ)被均匀分配给每
个用户。假设[Math Processing Error]gi 为单位距离[Math Processing Error]d=1 m 时的信道
功率增益,[Math Processing Error]η 为路径损耗因子,用户[Math Processing Error]Ui 与无
人机之间的信道增益为
[Math Processing Error]hi = (di)−ηgi = gi2H2+(xu−xi)2+(yu−yi)2η
(2)
剩余12页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3550
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功