智能无人机轨迹与任务卸载联合优化

发布时间：2021-12-24 09:35

　　移动边缘计算（MEC）是云计算技术在边缘基础设施之上的应用拓展。考虑一个高能效的无人机移动边缘计算系统,通过联合优化无人机的运动轨迹、任务卸载策略和计算资源分配来最小化系统的能耗。为解决以上问题,提出一种双层优化方法,在上层用基于无监督学习的信道增益-自组织特征映射网络（h-SOM）对用户进行实时聚类,该聚类是以信道增益作为判断类别的指标并得到无人机的最佳部署位置;在下层根据无人机的部署,将计算卸载和计算资源分配问题转化为混合整数非线性规划问题（MINLP）,并采用带有精英初始策略和自适应双变异策略的改进差分进化算法（IDE）进行迭代求解,精英初始策略可以根据h-SOM的聚类结果提供优秀的初始解,自适应双变异策略能够提高算法的全局搜索能力并促进算法收敛,从而获得更好的任务卸载决策。通过仿真实验验证了所提方法的有效性,并与传统算法进行了比较,其优化效果显著,为MEC系统的联合优化提供了一种新思路。 

【文章来源】：计算机工程与应用. 2020,56(21)北大核心CSCD

【文章页数】：9 页

【部分图文】：

系统模型

自组织特征映射网络（Self-Organizing Feature Map,SOM）也称Kohonen网络。该网络是一个由全连接的神经元阵列组成的无导师、自组织、自学习网络。SOM网络能够以自适应的方式实现任意维度输入信号的聚类[19]。在本研究中使用SOM网络描述如下。5.2.1 SOM神经网络结构

SOM网络结构如图3所示，由输入层和输出层（竞争层）组成。输入层神经元个数为n，输出层由m个神经元组成的二维平面阵列，输入层与输出层各神经元之间实现全连接。SOM网络能将任意维度的输入模式在输出层映射成二维图形，并保持其拓扑结构不变。网络通过反复学习输入向量使权重向量与输入向量分布趋于一致。5.2.2 h-SOM神经网络学习算法

【参考文献】：
期刊论文
[1]SOM神经网络算法的研究与进展[J]. 杨占华,杨燕.  计算机工程. 2006(16)



本文编号：3550245