【无人机】采用NOMA的节能多无人机多接入边缘计算附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

随着无人机（UAV）在物联网、智能巡检、应急通信等领域的规模化应用，多无人机协同执行任务（如联合测绘、区域监控）的需求日益迫切。这些任务往往涉及海量数据处理（如高清图像实时分析），受限于无人机的计算能力与电池容量，需依赖多接入边缘计算（Multi-Access Edge Computing, MEC）—— 将任务卸载至边缘节点（如地面基站或无人机边缘服务器），降低本地计算能耗。然而，多无人机同时接入边缘节点时，传统正交多址（OMA）技术因频谱资源分配效率低，导致通信能耗激增；同时，无人机的移动性与任务多样性进一步加剧了资源竞争与能量消耗。非正交多址（NOMA）技术通过功率域复用实现多用户共享频谱资源，显著提升频谱效率，为多无人机 MEC 系统的节能优化提供了关键支撑。

多无人机 MEC 系统的节能挑战与 NOMA 的适配性

多无人机在 MEC 框架下的节能需求面临多重技术瓶颈，而 NOMA 的特性与这些挑战高度契合，成为突破瓶颈的核心技术。

多无人机 MEC 的核心节能挑战

1. 通信 - 计算能耗耦合：无人机执行任务时，能耗来自两部分：

• 计算能耗：本地处理任务的能量消耗（与计算量成正比，如 CPU 算力消耗）；

• 通信能耗：将任务卸载至边缘节点的传输能量消耗（与传输功率、距离相关）。

两者存在权衡 —— 本地计算可避免通信能耗，但高复杂度任务（如深度学习推理）会导致计算能耗剧增；卸载至边缘可降低本地计算能耗，但多无人机竞争频谱资源会迫使传输功率提升，反而增加通信能耗。

1. 频谱资源受限与接入冲突：多无人机同时向边缘节点卸载任务时，OMA 技术通过正交分配频谱（如不同子载波），导致频谱利用率不足（尤其在无人机数量超过资源块数量时）。为抢占资源，无人机可能提高传输功率，引发 “功率攀升” 现象，能耗增加 30%-50%。

1. 无人机移动性与信道动态性：无人机的三维移动导致信道质量（如路径损耗、阴影衰落）快速变化，静态资源分配策略（如固定功率与频谱）会导致能量浪费 —— 例如，无人机靠近边缘节点时仍维持高传输功率，或远离时因功率不足需重传，额外消耗能量。

1. 任务多样性与 QoS 约束：不同任务的延迟敏感度（如实时监控需≤100ms，离线测绘可容忍 1s）、数据量（如 10MB 图像 vs 100KB 传感器数据）差异显著，需差异化分配通信与计算资源，否则会因过度保障低优先级任务而浪费能量。

NOMA 在多无人机 MEC 中的技术优势

NOMA 通过以下特性针对性解决上述挑战：

• 频谱效率提升：允许多无人机在同一频谱资源块上传输，通过功率域区分（如距离边缘节点近的无人机采用低功率，远的采用高功率），频谱利用率较 OMA 提升 1-2 倍，减少为争夺频谱而产生的冗余功率消耗。

• 抗干扰能力：接收端通过 successive interference cancellation（SIC）技术解码强信号后消除其干扰，再解码弱信号，适应无人机间的距离差异与信道波动，降低重传概率。

• 灵活资源适配：功率分配可动态调整，适配无人机的移动性（如靠近边缘节点时降低功率）与任务 QoS 需求（如高优先级任务分配更高功率确保传输可靠）。

例如，在包含 5 架无人机的 MEC 系统中，采用 NOMA 可将频谱资源块需求从 5 个（OMA）降至 2 个，传输总能耗降低约 40%，同时满足任务延迟约束。

基于 NOMA 的多无人机 MEC 系统架构

多无人机 MEC 系统结合 NOMA 技术的核心是构建 “任务卸载 - 资源分配 - 能量优化” 的闭环架构，实现通信与计算资源的协同节能。

系统组成与角色定义

典型系统包含三类核心节点（如图 1 所示）：

1. 无人机用户（UAV Users, UUs）：执行感知任务（如图像采集），具备有限计算能力（如嵌入式 GPU），可选择本地计算或卸载至边缘节点，受电池容量限制（通常续航 1-2 小时）。

1. 边缘节点（MEC Servers, MSs）：部署于地面基站或高性能无人机（作为空中边缘节点），提供计算资源（如 CPU 核心数、内存），负责处理卸载任务，通过 NOMA 接收多无人机的任务数据。

1. 资源管理器（Resource Controller, RC）：集中优化资源分配策略（如 NOMA 功率分配、边缘计算资源调度），基于各无人机的信道状态、任务特性动态调整参数。

任务流程与 NOMA 接入机制

关键参数与约束

基于 NOMA 的节能优化策略

多无人机 MEC 系统的节能目标是最小化总能耗（通信 + 计算），需通过联合优化任务卸载决策、NOMA 功率分配与计算资源调度实现。

NOMA 功率动态分配

计算资源调度

边缘节点的算力分配需与 NOMA 传输协同：

• 任务优先级排序：高延迟敏感任务优先调度，避免等待能耗；

• 算力 - 能耗匹配：根据任务复杂度（如所需 CPU 周期数）分配最小必要算力，避免 “大马拉小车” 式的算力浪费（如 100MIPS 可完成的任务不分配 1000MIPS）；

• 动态电压频率调节（DVFS）：边缘节点根据实时算力需求调整 CPU 频率，降低空闲能耗（如算力利用率 < 30% 时降频 50%）。

典型应用场景与节能效果

基于 NOMA 的多无人机 MEC 系统在多种场景中展现出显著节能优势，以下为实际应用案例：

场景 1：智能电网巡检（多无人机协同）

5 架无人机巡检 10km 输电线路，每架无人机每秒生成 5MB 红外图像（需目标检测任务，延迟≤200ms）：

• OMA 方案：需 5 个频谱资源块，总通信能耗 120J / 分钟，边缘算力分配冗余导致能耗 80J / 分钟；

• NOMA 方案：2 个资源块实现 5 架无人机接入，功率动态分配使通信能耗降至 50J / 分钟，算力按需调度使边缘能耗降至 40J / 分钟，总能耗降低 54%，且所有任务满足延迟约束。

场景 2：应急通信与任务卸载

地震灾区 3 架无人机搭建临时通信网，同时需处理灾情图像（数据量 50MB / 架，延迟≤100ms）：

• 因灾区频谱资源紧张，OMA 无法满足接入需求（仅 1 个可用资源块）；

• NOMA 通过 1 个资源块实现 3 架无人机同时卸载，功率分配按距离优化（最远无人机功率最高），总能耗 60J，较 OMA（需等待资源，等效能耗 150J）降低 60%，确保灾情数据实时分析。

场景 3：城市交通监控（高移动性）

8 架无人机在城市上空监控交通流量（动态移动，速度 10m/s），任务为车牌识别（数据量 2MB / 帧，延迟≤50ms）：

• NOMA 的动态功率调整（每 0.5s 更新一次）适应信道变化，重传率从 OMA 的 15% 降至 5%；

• 总能耗较 OMA 降低 45%，且因频谱效率提升，可额外支持 2 架无人机接入，扩展监控范围。

挑战与未来发展方向

尽管 NOMA 为多无人机 MEC 节能提供了有效方案，但实际部署仍面临多重挑战，需通过技术创新突破：

1. 移动性导致的 NOMA 干扰管理

无人机高速移动使信道在毫秒级内剧烈变化，导致 SIC 解码失败（如功率比瞬时低于阈值），引发干扰激增与能耗增加。

解决方案：

• 预测性功率控制：结合无人机轨迹预测（如基于 LSTM 模型）与信道预测，提前调整功率分配（如预测 3 秒后某无人机将靠近边缘节点，提前降低其功率）；

• 波束赋形 - NOMA 融合：无人机搭载相控阵天线，通过波束指向增强目标信号、抑制干扰，扩大 NOMA 功率分配的动态范围。

2. 多边缘节点协同与切换

当无人机在多个边缘节点覆盖范围内移动时，任务卸载的节点切换可能导致 NOMA 资源冲突与数据中断，增加能耗。

解决方案：

• 分布式 NOMA 资源管理：边缘节点间通过协作通信共享资源状态，无人机切换时无缝交接 NOMA 功率配置；

• 任务迁移轻量化：采用联邦学习框架，无人机仅上传模型参数（而非原始数据），减少切换时的数据传输量（如从 50MB 降至 1MB）。

3. 节能与安全的权衡

NOMA 的功率域复用可能导致信息泄露（如强信号被截获后，弱信号易受攻击），为保障安全需增加加密能耗，抵消节能收益。

解决方案：

• 物理层安全 - NOMA 融合：设计基于人工噪声的安全 NOMA 方案（强信号携带噪声，保护弱信号），在确保安全的同时增加能耗≤10%；

• 轻量级加密算法：针对无人机算力限制，开发低能耗加密协议（如基于哈希函数的快速加密），适配 NOMA 的实时性需求。

5. 能量收集与 NOMA 结合

无人机可通过太阳能、射频能量收集补充电量，需与 NOMA 的功率控制协同，实现 “自维持” 运行。

解决方案：

• 能量 - 通信联合优化：根据实时收集能量调整 NOMA 传输功率（如阳光充足时增加功率，加速任务卸载）；

• 开发能量预测模型，提前规划卸载时机（如能量低谷时减少传输，避免电池耗尽）。

结论

采用 NOMA 的多无人机多接入边缘计算技术，通过功率域复用提升频谱效率，有效解决了传统 OMA 在资源竞争与能耗方面的瓶颈，实现了通信与计算能耗的协同优化。在智能巡检、应急通信、城市监控等场景中，其节能效果显著（通常降低 40%-60%），同时支持更多无人机接入与更低延迟。未来，随着移动性管理、安全增强、大规模系统优化等技术的突破，该技术将推动多无人机系统向 “高能效、高可靠、广覆盖” 演进，为物联网与智慧城市的规模化应用提供核心支撑。

⛳️ 运行结果

🔗 参考文献

[1] 郝万明,孙继威,孙钢灿,等.基于非正交多址接入的移动边缘计算安全节能联合资源分配[J].电子与信息学报, 2021, 43(12):8.DOI:10.11999/JEIT200872.

[2] 李长祥.多接入边缘计算网络中卸载决策和资源分配的智能优化研究[D].南京邮电大学,2023.

[3] 薛建彬,豆俊,王涛,等.无人机辅助边缘计算安全通信能力最大化方案[J].计算机科学, 2024, 51(6A):230800032-7.DOI:10.11896/jsjkx.230800032.

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇