基于无人机协同多接入边缘计算任务卸载与资源分配方法

1.本公开涉及移动通信技术领域，具体涉及基于无人机协同多接入边缘计算任务卸载与资源分配方法。


背景技术：

2.本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
3.近年来，随着移动通信技术的发展喝普及，出现了在线视频、地图导航、移动支付、人脸识别等许多新的应用，随后，联网智能设备的激增导致数据爆炸式增长。与此同时，在各种传染病等突发事件中，人与人之间的面对面交流变得困难，对网络医疗、在线学习和远程工作的依赖明显增加。上述应用程序通常是延迟敏感的，需要大量的通信和计算资源。为了支持大量智能设备和及时处理大量数据，多址边缘计算，前身为移动边缘计算，已成为下一代无线网络中的关键技术。通过在通信网络的边缘侧(如地面蜂窝基础设施)部署移动边缘计算服务器，用户设备可以将数据卸载到边缘，以改善服务体验。
4.然而，目前的边缘计算系统也存在许多问题。固定位置的地面移动边缘计算服务器不能根据终端的需求进行调整。由于非视距链路，它们的信道质量可能较差，导致通信速率有限。并且，由于自然灾害造成的严重阻碍或破坏，一些用户设备可能会放弃移动边缘计算服务。最近，无人机由于其灵活部署和低成本的优势，已经成为一种有前途的技术，可以改善无线连接并在移动边缘计算网络中提供广泛的覆盖。通常，无人机辅助的移动边缘计算网络有两种技术，其中无人机充当空中中继和空中移动边缘计算服务器。此外，随着用户设备的快速增长，单个甚至多个无人机可能无法满足虚拟现实、智能交通等大量计算密集型和延迟敏感型应用的需求，无法解决服务延迟和公平性问题，即无法最大化用户设备的服务体验比。


技术实现要素：

5.本公开为了解决上述问题，提出了基于无人机协同多接入边缘计算任务卸载与资源分配方法，利用无人机对计算和缓存资源进行移动边缘计算服务协作，最小化服务延迟，保证用户设备之间的服务公平性。
6.根据一些实施例，本公开采用如下技术方案：
7.基于无人机协同多接入边缘计算任务卸载与资源分配方法，包括：
8.初始化协同计算任务卸载环境，基站和所有无人机协同为用户设备提供移动边缘计算服务，获取任务集合，将任务周期划分为具有相等持续时间的多个时隙；
9.获取每个时隙内用户请求服务的计算任务的输入数据大小，根据每个用户设备在服务体验方面的需求，以最小化服务延迟同时保证用户设备之间的服务公平性为目标构建优化模型，基于dinkelbach方法和凸优化理论，简化问题模型，提出四阶段交替迭代的优化算法，将优化目标分解为无人机轨迹决策、任务卸载决策、服务缓存决策和资源分配决策四
个子优化目标，利用交替求解的迭代算法进行求解计算，直至目标收敛，获取无人机协同多接入边缘计算网络中任务卸载与资源分配决策并执行。
10.进一步的，基于满意度的任务卸载决策优化包括：固定无人机轨迹、带宽资源分配决策、服务缓存决策、计算资源分配决策和辅助变量来优化任务卸载决策，并定义任务卸载子问题的优化目标公式。
11.在任务卸载决策的优化过程中，定义若干无人机和任务的集合，每个用户设备在时隙开始时向其关联的无人机发送任务卸载请求，基于用户的满意度为任务选择适宜的卸载位置，在当前任务卸载决策下，计算每个用户设备对应的目标函数的值，如果满足所有用户设备的最大延迟容忍度，且未超过每个无人机的计算资源和能耗限制，那么此时的任务卸载决策是适宜的。
12.在集合中，每个任务对不同的卸载位置有不同的满意度，满意度的值与任务处理延迟和公平性有关，任务处理延迟越大且公平性越低，满意度的值越小。
13.进一步的，服务缓存决策的优化为固定无人机的轨迹、带宽资源分配决策、任务卸载决策、计算资源分配决策和辅助变量来优化服务缓存决策，并定义服务缓存决策子问题的优化公式。
14.考虑无人机的缓存空间利用率，服务缓存决策值高的任务所需的服务在无人机上缓存的优先级高，直到达到无人机的缓存空间上限。
15.进一步的，无人机轨迹的优化包括固定任务卸载决策、带宽资源分配决策、服务缓存决策、计算资源分配决策和辅助变量来优化无人机轨迹，定义无人机轨迹优化子问题的公式。
16.所述无人机轨迹的优化中，将轨迹规划作为一个优化变量，由无人机在整个任务周期中每个时隙的坐标位置组成。
17.进一步的，计算资源分配决策的优化包括给定无人机轨迹、任务卸载决策、服务缓存决策和辅助变量，定义计算资源分配子问题的优化公式，所述计算资源分配子问题为凸问题，采用凸优化来获得带宽资源分配和计算资源分配的最优解。
18.进一步的，联合优化任务卸载、服务缓存、轨迹规划和资源分配，最大限度地提高服务体验比，提出一个四阶段交替迭代优化来解决原始问题，分别迭代优化任务卸载决策、服务缓存决策和无人机轨迹规划，直到目标值收敛，在四个阶段自由化迭代的每一轮之后，将dinkelbach方法的参数进行更新。
19.与现有技术相比，本公开的有益效果为：
20.本公开提出的基于无人机协同多接入边缘计算任务卸载与资源分配方法，无人机可以有效地利用计算和缓存资源进行移动边缘计算服务协作，旨在最小化服务延迟，同时保证用户设备之间的服务公平性。
21.本公开为了提高服务体验，在无人机能量预算和延迟需求约束下，考虑联合优化任务卸载、资源分配、轨迹规划和服务缓存放置，并将其表述为服务体验比最大化问题。由于原问题是一个分数结构的混合整数非凸规划问题，难以在多项式时间内求解。本公开基于dinkelbach方法和凸优化理论，简化了问题模型，提出了一种四阶段交替迭代的服务比率最大化算法来解决该问题。数值结果表明，与其他基准算法相比，本公开提出的算法可以降低服务延迟78.2％，同时提高所有用户设备之间的公平性53.0％。
附图说明
22.构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
23.图1为本公开实施例的多无人机辅助移动边缘计算场景示意图；
24.图2为本公开实施例的优化方法分解示意图。
具体实施方式
25.下面结合附图与实施例对本公开作进一步说明。
26.应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
27.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
28.实施例1
29.本公开的一种实施例中提供了一种基于无人机协同多接入边缘计算任务卸载与资源分配方法，包括：
30.步骤一：初始化协同计算任务卸载环境，基站和所有无人机协同为用户设备提供移动边缘计算服务，获取任务集合，将任务周期划分为具有相等持续时间的多个时隙；
31.步骤二：获取每个时隙内用户请求服务的计算任务的输入数据大小，根据每个用户设备在服务体验方面的需求，以最小化服务延迟同时保证用户设备之间的服务公平性为目标构建优化模型；
32.步骤三：基于dinkelbach方法和凸优化理论，简化问题模型，提出四阶段交替迭代的优化算法，将优化目标分解为无人机轨迹决策、任务卸载决策、服务缓存决策和资源分配决策四个子优化目标，利用交替求解的迭代算法进行求解计算，直至目标收敛，获取无人机协同多接入边缘计算网络中任务卸载与资源分配决策并执行。
33.作为一种实施例，本公开为基于服务体验的缓存无人机协同多接入边缘计算网络中任务卸载与资源分配方法，该方法解决服务延迟和公平性问题，即最大化用户设备的服务体验比。为了解决上述技术目的，具体包括以下实施过程：
34.步骤1：对于无人机支持的移动边缘计算网络，提出了多无人机辅助的移动边缘计算问题，以最大化用户设备的服务体验比。
35.初始化协同计算任务卸载环境，基站和所有无人机协同为用户设备提供移动边缘计算服务，获取任务集合，将任务周期划分为具有相等持续时间的多个时隙；
36.其中，基站和所有无人机协作共同为m个用户设备提供移动边缘计算服务。其中一个宏基站、u个无人机和m个用户设备分别表示为b、y＝{1，2，...，u}、m＝{1，2，...，m}。宏基站可以提供的所有服务的集合表示为∑＝{1，2，...，s}。因为用户设备和无人机之间的连接可以在足够短的时间段内保持稳定。为了便于表示，将任务周期n划分为具有相等持续时间δ
t
的t个时隙，并且t＝{1，2，...，t}。每个用户设备在一个时隙内只有一个时延敏感型
任务，可以卸载到无人机或宏基站进行处理，并且每个任务都是原子的且不可分割的。在时隙t内，用户m产生的请求服务s的一个时延敏感型任务可以用一个3元组表示
37.假设表示时隙t内用户m的请求服务s的计算任务的输入数据大小。让代表时隙t内用户m的请求服务s的计算任务的计算强度。是请求服务s的任务的处理延迟容忍度，超过该界限，结果对用户m无效，并且每个用户设备在服务体验方面有不同的要求；提出的目标是最大限度地提高用户设备的服务体验比。这可以通过联合优化任务卸载、服务缓存、无人机轨迹和资源分配来实现。具体如下：
[0038][0039][0040][0041][0042][0043][0044][0045][0046][0047][0048][0049][0050][0051][0052][0053][0054][0055]
其中，c1表示为了将用户m请求服务s的任务卸载到无人机u，需要将服务s缓存到无人机u当中。c2表示与同一无人机相关联的用户设备的频谱资源分配约束。c3表示单个无人机的计算资源约束。c4表示每个无人机上存储的服务占用的总存储空间不得超过无人机的存储总量表示ku。c5表示地面用户应当在作为关联无人机的覆盖范围内。c6表示无人机在
任意两时隙之间的位置变化约束。c7表示任意两无人机之间应保持最小的安全距离，以确保在时隙t内它们之间避免碰撞。c8表示所有无人机的飞行轨迹应在目标区域内。为了避免无人机的高通信延迟，c9表示作为关联的无人机与选择作为中继的无人机的水平距离不超过r
uav
。c
10
表示每个无人机在时隙t内的能量上限e
th
。c
11
表示每个任务的完成延迟不能超过任务的处理延迟容忍度。c
12
指出允许每个用户设备产生的任务精确地卸载到附近的一个无人机或宏基站。c
13
和c
14
分别表示服务缓存决策和任务卸载决策变量是二进制的，而约束c
15
表示带宽和计算资源分配变量是连续的。
[0056]
步骤2：获取每个时隙内用户请求服务的计算任务的输入数据大小，根据每个用户设备在服务体验方面的需求，以最小化服务延迟同时保证用户设备之间的服务公平性为目标构建优化模型，基于dinkelbach方法和凸优化理论，简化问题模型，提出四阶段交替迭代的优化算法，将优化目标分解为无人机轨迹决策、任务卸载决策、服务缓存决策和资源分配决策四个子优化目标，利用交替求解的迭代算法进行求解计算，直至目标收敛，获取无人机协同多接入边缘计算网络中任务卸载与资源分配决策并执行。
[0057]
具体的，为了最大限度地提高服务体验比，将优化目标分解为无人机轨迹、任务卸载决策、服务缓存决策和资源分配决策四个子优化目标。在这四个自由化迭代的每一轮之后，将dinkelbach方法的参数进行更新。为了解耦该非凸目标，将其分解成不同的子目标，并提出了一种交替求解的迭代算法，包括以下过程：
[0058]
s1：首先是基于满意度的任务卸载决策优化，固定无人机轨迹q、带宽资源分配决策b、服务缓存决策a、计算资源分配决策f和辅助变量η来优化任务卸载决策。将任务卸载优化子问题公式化为：
[0059][0060]
s.t.c1、c3、c5、c
9-c
12
、c
14
[0061]
为了更好地描述任务卸载的优化过程，定义了若干有关无人机和任务的集合。让缓存任务m所需服务s的无人机的集合定义为每个用户设备在时隙开始时向其关联的无人机发送任务卸载请求，且关联无人机u接收的任务卸载请求集合表示为其包含关联用户设备和协作无人机卸载的任务。如果关联无人机u属于集合则该无人机命中任务m所需的服务s。然后，被命中的任务被添加到未被命中的添加到任务卸载决策初始化时，假设集合中的所有任务都可以被无人机u执行计算。集合中的任务进一步卸载到集合中π
3-1
值最大的协作无人机i或基站。集合中的任务进一步卸载到集合中的协作无人机i或基站。
[0062]
基于用户的满意度来为任务选择合适的卸载位置。在当前任务卸载决策下，计算每个用户设备对应的π
3-1
目标函数的值。如果满足所有用户设备的最大延迟容忍度，且未超过每个无人机的计算资源和能耗限制，那么此时的任务卸载决策是合适的。然后，计算每个任务的满意度π
3-1
，依次选择集合中满意度值最小的任务进行进一步卸载。然后将它从移到直到集合中所有的任务都满足最大延迟容忍度和css资源及能
耗限制。
[0063]
在集合中，每个任务对不同的卸载位置有不同的满意度。满意度的值与任务处理延迟和公平性有关。任务处理延迟越大且公平性越低，满意度的值越小。然后，被关联无人机u拒绝并需要进一步卸载的任务m对协作无人机i有一个满意度的值，可表示为：
[0064][0065][0066]
被关联无人机u拒绝的请求服务s的任务m对宏基站b有一个满意度，可以表示为：
[0067][0068][0069]
在关联无人机的请求服务s的任务m优先向具有高满意度的位置发送卸载请求。如果请求的位置是宏基站，则将直接接受卸载请求，如果请求的位置是协作无人机，则需要该协作无人机允许。如果卸载请求被拒绝，那么它将被发送到下一次迭代中的下一个最佳卸载位置，直到被接受，让重复上述过程，直到找到所有任务的卸载位置。
[0070]
s2：服务缓存决策的优化为固定无人机的轨迹、带宽资源分配决策、任务卸载决策、计算资源分配决策和辅助变量来优化服务缓存决策，并定义服务缓存决策子问题的优化公式。
[0071]
具体的，固定无人机的轨迹q、带宽资源分配决策b、任务卸载决策x、计算资源分配决策f和辅助变量η来优化服务缓存决策a。服务缓存决策子问题公式化为：
[0072][0073]
s.t.c1、c4、c
10
、c
11
、c
13
[0074]
由于无人机的缓存空间有限，无法缓存所有的程序。将优化服务缓存决策来最大限度地降低任务处理延迟并保证公平性。为了提高缓存空间的利用率，认为π
3-2
值较高的任务所需的服务在无人机上缓存的优先级较高，直到达到无人机的缓存空间上限。让和|mu|分别表示卸载到无人机u的任务的集合和数量。相应地，让∑u和|∑u|分别表示卸载到无人机u的任务所需的服务的集合和数量。一般地，因为多个任务可能请求相同的服务，有|∑u|＜|mu|。任务m所需的服务s无人机u上缓存有一个优先级的值，可表示为：
[0075][0076][0077]
分别将请求同一种服务的任务按的值降序排列，然后将值最大的任务存入集合∑u。其中其中然后将集合∑u中的元素按值降序排列，将值较大的服务依次进行缓存，直到达到无人机u的缓存空间上限。我们进一步将∑
′u＝{s1，s2，...，s
j-1
}其中
[0078][0079]
s3：无人机轨迹的优化包括固定任务卸载决策、带宽资源分配决策、服务缓存决策、计算资源分配决策和辅助变量来优化无人机轨迹，定义无人机轨迹优化子问题的公式。
[0080]
具体的，固定任务卸载决策x、带宽资源分配决策b、服务缓存决策a、计算资源分配决策f和辅助变量η来优化无人机的轨迹q。无人机轨迹子问题公式化为：
[0081][0082]
s.t.c5、c
8-c
11
[0083][0084][0085]
无人机的轨迹规划作为一个优化变量，由无人机在整个任务周期中每个时隙的坐标位置组成。移除常数，可以被简化为：
[0086][0087]
注意，由于目标函数中存在可知问题p
3-3
是非凸的。约束c
10
和c
11
的左手边关于无人机的飞行轨迹q是非凸的。约束c7是非凸的，因为凸函数的定义域为非空凸集。因此，解决非凸问题具有挑战性。
[0088]
接下来，为了处理非凸性问题，采用逐次凸近似方法来实现问题p
3-3
的局部最优解。逐次凸近似方法的关键思想是以迭代的方式将非凸函数近似为凸函数。
[0089]
定义为从用户设备m到无人机u的可用频谱效率，可以被写作：
[0090][0091]
不难看出是关于的凸函数。因此，它可以通过在任意点处有的一阶泰勒展开实现全局下界。给定第k次迭代的无人机飞行轨迹的下界可以被计算为：
[0092][0093]
其中和分别是第k次迭代时从用户设备m到无人机u的可用频谱效率和关于的一阶导数，它们被给出如下：
[0094]
[0095][0096]
定义为从无人机u到无人机i的可用频谱效率，可以被写作：
[0097][0098]
是关于的凸函数。因此，它可以通过在任意点处有的一阶泰勒展开实现全局下界。给定第k次迭代的无人机飞行轨迹和的下界可以被计算为
[0099][0100]
其中和分别是第k次迭代时从无人机u到无人机i的可用频谱效率和关于的一阶导数，它们被给出如下：
[0101][0102][0103]
定义为从无人机u到宏基站b的可用频谱效率，可以被写作：
[0104][0105]
是关于的凸函数。因此，它可以通过在任意点处有的一阶泰勒展开实现全局下界。给定第k次迭代的无人机飞行轨迹的下界可以被计算为：
[0106][0107]
其中和分别是第k次迭代时从无人机u到宏基站b的可用频谱效率和关于的一阶导数，它们被给出如下：
[0108][0109][0110]
在约束c7中，因为关于无人机的飞行轨迹是凸的，我们采用逐次凸近似方法来松弛约束。通过对任意给定的和应用一阶泰勒展开式，得
到以下不等式：
[0111][0112]
因此，的下界可以被计算为：
[0113][0114]
另外，对于约束c
10
中的飞行功率第一项和第三项是关于速度的凸函数。引入了一个连续松弛变量来处理推进功率公式中的第二项，它变成：
[0115][0116]
化简上面式子可以得到：
[0117][0118]
给定第k次迭代时无人机的飞行速度和通过应用一阶泰勒展开来近似上面不等式的右边，如下所示：
[0119][0120]
然后，可以通过的上界来近似其为：
[0121][0122]
基于上述讨论，解决了问题π
3-3
中的所有非凸性，第k次迭代中的原问题可以被重新表述为以下近似问题p
′
3-3
(k)。
[0123][0124]
s.t.c5、c6、c8、c9[0125]
[0126][0127][0128]
在证明了问题的凸性后，可以通过凸优化工具有效地获得无人机轨迹规划的最优解。值得注意的是，从近似问题π
′
3-3
得到的最优解是问题π
3-3
的下界。
[0129]
s4：计算资源分配决策的优化包括给定无人机轨迹、任务卸载决策、服务缓存决策和辅助变量，定义计算资源分配子问题的优化公式，所述计算资源分配子问题为凸问题，采用凸优化来获得带宽资源分配和计算资源分配的最优解。
[0130]
具体的，给定无人机轨迹q、任务卸载决策x、服务缓存决策a和辅助变量η，计算资源分配子问题公式化为：
[0131][0132]
s.t.c2、c3、c
10
、c
11
、c
15
[0133][0134][0135]
因为问题π
3-4
是凸问题，采用凸优化工具来获得带宽资源分配和计算资源分配的最优解。
[0136]
本公开提出了一个交替优化来解决原始问题p1。关键思想是分别迭代优化任务卸载决策、服务缓存决策和无人机轨迹规划，直到目标值收敛。
[0137]
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0138]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0139]
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

技术特征：
1.基于无人机协同多接入边缘计算任务卸载与资源分配方法，其特征在于，包括：初始化协同计算任务卸载环境，基站和所有无人机协同为用户设备提供移动边缘计算服务，获取任务集合，将任务周期划分为具有相等持续时间的多个时隙；获取每个时隙内用户请求服务的计算任务的输入数据大小，根据每个用户设备在服务体验方面的需求，以最小化服务延迟同时保证用户设备之间的服务公平性为目标构建优化模型，基于dinkelbach方法和凸优化理论，简化问题模型，提出四阶段交替迭代的优化算法，将优化目标分解为无人机轨迹决策、任务卸载决策、服务缓存决策和资源分配决策四个子优化目标，利用交替求解的迭代算法进行求解计算，直至目标收敛，获取无人机协同多接入边缘计算网络中任务卸载与资源分配决策并执行。2.如权利要求1所述的基于无人机协同多接入边缘计算任务卸载与资源分配方法，其特征在于，基于满意度的任务卸载决策优化包括：固定无人机轨迹、带宽资源分配决策、服务缓存决策、计算资源分配决策和辅助变量来优化任务卸载决策，并定义任务卸载子问题的优化目标公式。3.如权利要求2所述的基于无人机协同多接入边缘计算任务卸载与资源分配方法，其特征在于，在任务卸载决策的优化过程中，定义若干无人机和任务的集合，每个用户设备在时隙开始时向其关联的无人机发送任务卸载请求，基于用户的满意度为任务选择适宜的卸载位置，在当前任务卸载决策下，计算每个用户设备对应的目标函数的值，如果满足所有用户设备的最大延迟容忍度，且未超过每个无人机的计算资源和能耗限制，那么此时的任务卸载决策是适宜的。4.如权利要求3所述的基于无人机协同多接入边缘计算任务卸载与资源分配方法，其特征在于，在集合中，每个任务对不同的卸载位置有不同的满意度，满意度的值与任务处理延迟和公平性有关，任务处理延迟越大且公平性越低，满意度的值越小。5.如权利要求1所述的基于无人机协同多接入边缘计算任务卸载与资源分配方法，其特征在于，所述服务缓存决策的优化为固定无人机的轨迹、带宽资源分配决策、任务卸载决策、计算资源分配决策和辅助变量来优化服务缓存决策，并定义服务缓存决策子问题的优化公式。6.如权利要求5所述的基于无人机协同多接入边缘计算任务卸载与资源分配方法，其特征在于，考虑无人机的缓存空间利用率，服务缓存决策值高的任务所需的服务在无人机上缓存的优先级高，直到达到无人机的缓存空间上限。7.如权利要求1所述的基于无人机协同多接入边缘计算任务卸载与资源分配方法，无人机轨迹的优化包括固定任务卸载决策、带宽资源分配决策、服务缓存决策、计算资源分配决策和辅助变量来优化无人机轨迹，定义无人机轨迹优化子问题的公式。8.如权利要求7所述的基于无人机协同多接入边缘计算任务卸载与资源分配方法，所述无人机轨迹的优化中，将轨迹规划作为一个优化变量，由无人机在整个任务周期中每个时隙的坐标位置组成。9.如权利要求1所述的基于无人机协同多接入边缘计算任务卸载与资源分配方法，计算资源分配决策的优化包括给定无人机轨迹、任务卸载决策、服务缓存决策和辅助变量，定义计算资源分配子问题的优化公式，所述计算资源分配子问题为凸问题，采用凸优化来获得带宽资源分配和计算资源分配的最优解。
10.如权利要求1所述的基于无人机协同多接入边缘计算任务卸载与资源分配方法，联合优化任务卸载、服务缓存、轨迹规划和资源分配，最大限度地提高服务体验比，提出一个四阶段交替迭代优化来解决原始问题，分别迭代优化任务卸载决策、服务缓存决策和无人机轨迹规划，直到目标值收敛，在四个阶段自由化迭代的每一轮之后，将dinkelbach方法的参数进行更新。

技术总结
本公开提供了基于无人机协同多接入边缘计算任务卸载与资源分配方法，涉及移动通信技术领域，方法包括根据每个用户设备在服务体验方面的需求，以最小化服务延迟同时保证用户设备之间的服务公平性为目标构建优化模型，基于Dinkelbach方法和凸优化理论，简化问题模型，提出四阶段交替迭代的优化算法，将优化目标分解为无人机轨迹决策、任务卸载决策、服务缓存决策和资源分配决策四个子优化目标，利用交替求解的迭代算法进行求解计算，直至目标收敛，获取无人机协同多接入边缘计算网络中任务卸载与资源分配决策并执行。本公开能够实现更低的服务延迟，同时保证所有用户设备之间更好的公平性。公平性。公平性。


技术研发人员：翟临博 高星霞 鹿泽坤 周文杰 赵景梅
受保护的技术使用者：山东师范大学
技术研发日：2023.06.19
技术公布日：2023/8/24