本發明涉及任務卸載，尤其涉及一種基于分塊流量預測的無人機輔助任務卸載方法。

背景技術：

1、隨著移動計算需求的急劇增長，傳統云計算因其網絡延遲和帶寬限制，在處理需要實時響應的應用場景時顯得力不從心。與此同時，邊緣計算雖然通過將計算任務卸載到離用戶更近的服務器上以減少延遲，但其部署和維護成本較高，且覆蓋范圍有限。無人機技術的發展為這一挑戰提供了新的解決方案，它們可以快速部署，靈活移動，并在沒有基礎設施的地區提供服務，作為空中的移動邊緣計算節點，為地面用戶提供計算資源。5g和6g技術的發展為無人機與地面用戶之間的高效通信提供了技術支持。此外，物聯網設備的廣泛部署產生了大量需要處理和分析的數據，無人機可以作為移動的數據處理中心，減輕地面網絡的負擔。在環境監測和災害響應等場景中，無人機能夠快速到達現場，收集數據并進行初步處理，以便指揮中心快速做出決策。然而，現有的無人機輔助任務卸載工作忽視了對像市中心這樣的用戶分布頻繁變化的場景的深入探討，這種場景中用戶的位置與數量會隨時間不斷變化，這樣會加大無人機實時部署難度與任務卸載決策的制定難度，并且由于無人機的電池容量有限，如何在有限的能源下完成更多的計算任務是一個挑戰。

技術實現思路

1、針對上述問題，本發明針對性地提出一種基于分塊流量預測的無人機輔助任務卸載方法。其主要思想是預測未來的用戶分布情況來部署無人機飛行軌跡以提高服務質量。

2、本發明的技術方案如下：一種基于分塊流量預測的無人機輔助任務卸載方法，主要由分塊流量預測模塊、任務卸載模塊和無人機軌跡優化模塊三部分組成；

3、所述分塊流量預測模塊將目標區域劃分成等大小的多塊子區域，并分別統計各塊子區域的流量數據，通過時序預測算法得到未來各塊子區域的流量信息；所述塊子區域的流量信息用于無人機軌跡優化模塊作為強化學習環境的狀態；

4、所述任務卸載模塊，根據場景的用戶分布動態變化的特點將任務的平均延遲與平均能耗的加權和定義為系統的效用，以此作為評價指標，并將整個卸載問題建模為一個優化問題，設計任務卸載決策算法求解優化問題；

5、所述無人機軌跡優化模塊使用多智能體強化學習算法，在分塊流量預測模塊、任務卸載模塊兩個模塊基礎上搭建環境，收集環境參數數據進行訓練獲取無人機部署方案，從而優化無人機的飛行軌跡。

6、所述分塊流量預測模塊具體如下：

7、將目標區域分成等大小的多塊子區域，分別統計每個子區域內的用戶數量，結合當前的時間作為各塊的用戶流量數據，并用時序數據的形式表示；之后根據歷史數據集的內容不斷訓練時序預測算法；所述時序預測算法預測得到的結果用于輸入至無人機軌跡優化模塊。

8、所述時序預測算法具體為將歷史各子區域用戶流量數據進行嵌入、多頭注意力、歸一化以及前饋網絡的前向傳播后計算損失，然后反向傳播更新網絡參數直至訓練完畢。

9、所述任務卸載模塊具體如下：

10、根據系統模型與真實世界的數據集，將整個無人機輔助任務卸載建模為一個以最小化系統的延遲與能耗加權和為目標的優化問題；所述優化問題如下：

11、

12、其中是系統的效用，表示任務的平均延遲與平均能耗的加權和；約束c1中的變量代表卸載決策同時也是優化問題的決策變量，約束的內容表示任務只能在一個設備上執行；約束c2表示任務的執行時間不超過任務的截止時間；約束c3表示無人機的覆蓋用戶數量要小于等于其覆蓋閾值，其中的代表被無人機uavj覆蓋的用戶數量，是無人機的覆蓋上限，同理，約束c4表示服務器的覆蓋用戶數量要小于等于其覆蓋上限；

13、采用卸載決策算法，根據某一時隙的系統狀態求解當前的最佳任務卸載決策變量以最大化當前的系統效用；得到無人機軌跡后，采用相同優化問題求解系統效用作為評價指標。

14、所述卸載決策算法步驟如下：首先將所有任務的卸載決策變量初始化為0，默認最初所有任務都在本地執行，之后遍歷所有的用戶，依次判斷用戶是否被沒達到服務上限的服務器覆蓋；用戶被沒達到服務上限的服務器覆蓋時，將用戶的任務卸載到對應服務器，將相應的卸載決策變量設置為1，否則，進一步判斷該用戶是否被沒達到服務上限的無人機覆蓋；當用戶被沒達到服務上限的無人機覆蓋時，將用戶的任務卸載到該無人機上，并將相應的卸載決策變量設置為1，否則任務在本地執行；無人機對于卸載來的任務不會立即執行，而是先判斷服務器是否達到了服務上限，沒有則會將任務繼續卸載到服務器上執行，并將對應的卸載決策變量設置為1，達到了服務上限時，該任務直接在該無人機上執行。

15、所述無人機軌跡優化模塊具體如下：

16、所述無人機軌跡優化模塊基于多智能體強化學習算法進行求解，結合分塊流量預測模塊、任務卸載模塊的內容構造強化學習環境，收集數據進行強化學習算法模型的訓練。

17、所述分塊流量預測模塊中得到的未來用戶流量數據，在所述無人機軌跡優化模塊中以塊為單位對預測到的時序數據進行取均值操作，將其作為強化學習環境的狀態；

18、所述任務卸載模塊的內容，在強化學習環境運行過程中求解卸載決策并將對應的系統效用作為指標驗證算法的學習效果；

19、根據獎勵共享機制，將智能體的獎勵rj定義為全局覆蓋率之和，即其中nt是時隙t內用戶的總數量；將無人機下一時隙的目標部署位置編碼為one-hot向量，以其作為無人機的動作，在無人機飛向下一目標的過程中持續為用戶提供服務。

20、本發明的有益效果：綜上所述，本發明提供了一種全面且高效的方法來解決用戶分布頻繁變化場景下的無人機輔助任務卸載問題。本發明通過提出分塊流量預測模塊來預測未來的用戶流量分布情況，配合所述的無人機軌跡優化模塊中的強化學習算法得到無人機的最佳部署策略，并且通過提出任務卸載模塊將任務的平均延遲與平均能耗的加權和定義為系統效用，為用戶分布頻繁變化場景中的任務卸載問題提供了準確的評價標準，用于驗證無人機部署策略的效果。本發明提出的方法顯著提高了整體網絡的性能和對用戶的服務質量。

技術特征：

1.一種基于分塊流量預測的無人機輔助任務卸載方法，其特征在于，主要由分塊流量預測模塊、任務卸載模塊和無人機軌跡優化模塊三部分組成；

2.根據權利要求1所述基于分塊流量預測的無人機輔助任務卸載方法，其特征在于，所述分塊流量預測模塊具體如下：

3.根據權利要求2所述的基于分塊流量預測的無人機輔助任務卸載方法，其特征在于，所述時序預測算法具體為將歷史各子區域用戶流量數據進行嵌入、多頭注意力、歸一化以及前饋網絡的前向傳播后計算損失，然后反向傳播更新網絡參數直至訓練完畢。

4.根據權利要求1所述基于分塊流量預測的無人機輔助任務卸載方法，其特征在于，所述任務卸載模塊具體如下：

5.根據權利要求4所述基于分塊流量預測的無人機輔助任務卸載方法，其特征在于，所述卸載決策算法步驟如下：首先將所有任務的卸載決策變量初始化為0，默認最初所有任務都在本地執行，之后遍歷所有的用戶，依次判斷用戶是否被沒達到服務上限的服務器覆蓋；用戶被沒達到服務上限的服務器覆蓋時，將用戶的任務卸載到對應服務器，將相應的卸載決策變量設置為1，否則，進一步判斷該用戶是否被沒達到服務上限的無人機覆蓋；當用戶被沒達到服務上限的無人機覆蓋時，將用戶的任務卸載到該無人機上，并將相應的卸載決策變量設置為1，否則任務在本地執行；無人機對于卸載來的任務不會立即執行，而是先判斷服務器是否達到了服務上限，沒有則會將任務繼續卸載到服務器上執行，并將對應的卸載決策變量設置為1，達到了服務上限時，該任務直接在該無人機上執行。

6.根據權利要求1所述基于分塊流量預測的無人機輔助任務卸載方法，其特征在于，所述無人機軌跡優化模塊具體如下：

7.根據權利要求6所述基于分塊流量預測的無人機輔助任務卸載方法，其特征在于，所述分塊流量預測模塊中得到的未來用戶流量數據，在所述無人機軌跡優化模塊中以塊為單位對預測到的時序數據進行取均值操作，將其作為強化學習環境的系統狀態；

技術總結
本發明屬于任務卸載技術領域，公開一種基于分塊流量預測的無人機輔助任務卸載方法。為了同時解決用戶分布頻繁變化導致的無人機部署與任務卸載問題，設計分塊流量預測模塊、任務卸載模塊和無人機軌跡優化模塊。輸入當前時隙的用戶分布時序信息獲取預測到的未來用戶分布信息；根據當前任務、用戶和無人機的相關參數制定最佳卸載決策來最小化用戶的延遲與能耗；使用多智能體強化學習算法并在分塊流量預測模塊、任務卸載模塊基礎上搭建環境，然后收集環境參數數據進行訓練以便獲取無人機部署方案優化無人機的飛行軌跡。本發明所提出的方法在用戶分布頻繁變化的場景中既解決了任務卸載決策制定問題，同時也解決了無人及部署難題，優于其他現有方法。

技術研發人員：呂浩龍,趙海,劉雨衡,遲懿文,安宸
受保護的技術使用者：東北大學
技術研發日：
技術公布日：2025/4/28