基于MEC的多无人机部署和任务调度

发布时间：2024-04-24 01:16

　　边缘计算(Edge Computing,EC)是基于物联网和云服务的思想和概念,提出的一种利用网络边缘结点来处理、分析数据的模型。它广泛应用于云卸载、人脸识别、智能家居、智慧城市等领域。其中移动边缘计算(Mobile Edge Computing,MEC)的部署和卸载决策可以实现边缘计算低延迟、高带宽的优势,并成为国内外边缘计算应用研究的重要方向。但是,MEC在实际应用过程中,由于不同的应用场景、海量的数据和节点选择问题的影响,导致网路延迟过高、高带宽带来的大量资源浪费等问题。因此,如何合理地部署边缘云和实现移动用户的任务调度是移动边缘计算的核心问题。移动边缘计算处理好边缘云这一核心问题,能构造一个具备高性能、低延迟与高带宽的服务环境,实现尽可能降低系统运行能耗的目标。本文对已有的大规模移动节点的分配和调度算法进行了改进和优化,构造了一个基于MEC的多无人机部署和任务调度的框架。本框架的主要创新点如下:一、提出了EMC的双层优化方法和新的四元组编码机制。综合优化无人机部署和移动用户的任务调度,降低了优化算法的整体能耗。二、提出了一种自适应差分的人工蜂群算法,该算法应用于多无人机的部署优...

【文章页数】：54 页

【学位级别】：硕士

【部分图文】：

图2.1一个支持多UAV的MEC系统

基于MEC的多无人机部署和任务调度52基本概念和算法介绍2.1无人机系统模型和基本问题公式化图2.1一个支持多UAV的MEC系统如图2.1所示，该系统由个移动用户和个UAV组成。其中，移动用户1、5的任务在无人机1上执行；移动用户4、6和7的任务在UAV2上执行；其余任务在本地执....

图3.2无人机编码机制演示算法1给出了DeabeGf的总体框架

基于MEC的多无人机部署和任务调度17图3.2无人机编码机制演示算法1给出了DeabeGf的总体框架。首先，通过算法2生成具有N个个体的初始种群P（即UAV的初始部署）。然后，根据算法5到P计算卸载决策和资源分配。随后对{，，，}的系统能耗进行评估。在算法推进过程中，如果{，，，....

图4.1十个实例上DeabeGf运行时失败任务和能耗趋势图

基于MEC的多无人机部署和任务调度35图4.1十个实例上DeabeGf运行时失败任务和能耗趋势图图4.1绘制了DeabeGf在10个实例上进行的30次独立运行中得到的平均EC和未完成任务的平均数量（称为“平均NU”）的演变情况。如图4.1所示，DeabeGf可以一贯地完成所有任务....

图4.2两种算法在每个实例上所需的无人机数量表4.6显示了DeabeGf-L、DeabeGf-M和DeabeGf在30次独立运行中的平

基于MEC的多无人机部署和任务调度37计算时间复杂度[47]为((+1))。因此，可以得出结论，与分支定界算法相比，本文提出的高效贪心算法可以在略微牺牲系统能耗的情况下有效地优化卸载决策。4.5支持多UAV的MEC系统的有效性最后，本文将DeabeGf-L和DeabeGf-M这两....

本文编号：3963018