【无人机】采用NOMA的节能多无人机多接入边缘计算（Matlab代码实现）

👨‍🎓个人主页

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

基于NOMA的节能多无人机多接入边缘计算研究综述

一、NOMA技术的基本原理与无人机通信适配性

二、多无人机系统架构与MEC集成设计

三、节能技术的关键路径与协同优化

四、研究进展与挑战

五、未来研究方向

结论

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

---

💥1 概述

摘要：多接入边缘计算（MEC）被认为是克服移动设备计算能力限制的有前途的解决方案。本文研究了一种基于非正交多址（NOMA）的节能无人机MEC框架，将多架无人机部署为边缘服务器，为地面用户提供计算辅助，并采用NOMA降低任务卸载能耗。形成一个实用程序以数学方式评估系统的加权能源成本。由于参数的耦合，效用最小化是一个高度非凸的问题，因此，该问题被分解为两个更易于处理的子问题，即给定无人机轨迹的无线电和计算资源的最优分配，以及基于给定资源分配方案的轨迹规划。这两个问题分别通过逐次凸逼近（SCA）和二次逼近转换为凸问题。然后，提出一种高效的迭代算法，交替求解这两个子问题，逐步接近所提系统的最优资源管理。大量的数值结果表明，所提出的策略在能源效率方面比现有系统具有显著优势。

原文摘要：

Abstract:

Multiaccess edge computing (MEC) is regarded as a promising solution to overcome the limit on the computation capacity of mobile devices. This article investigates an energy-efficient unmanned aerial vehicle (UAV)-enabled MEC framework incorporating nonorthogonal multiple access (NOMA), where multiple UAVs are deployed as edge servers to provide computation assistance to terrestrial users and NOMA is adopted to reduce the energy consumption of task offloading. A utility is formed to mathematically evaluate the weighted energy cost of the system. Due to the coupling of parameters, the minimization of utility is a highly nonconvex problem and therefore, the problem is decomposed into two more tractable subproblems, i.e., the optimal allocation of radio and computation resources given UAV trajectories, and the trajectory planning based on given resource allocation schemes. These two problems are converted to convex ones via successive convex approximation (SCA) and quadratic approximation, respectively. Then, an efficient iterative algorithm is proposed where these two subproblems are alternately solved to gradually approach the optimal resource management of the proposed system. Sufficient numerical results show that our proposed strategy has a remarkable advantage over existing systems in terms of energy efficiency.

基于NOMA的节能多无人机多接入边缘计算研究综述

一、NOMA技术的基本原理与无人机通信适配性

1. NOMA的核心机制

   • 功率域NOMA（PD-NOMA） ：在发射端对不同用户信号进行功率叠加，接收端通过串行干扰消除（SIC）技术解码。例如，强信道用户先解码并消除自身信号，弱信道用户后解码，从而实现同频资源的多用户共享。
   • 编码域NOMA（CD-NOMA） ：通过编码差异实现用户区分，需结合联合检测技术。相较PD-NOMA，其复杂度更高但干扰管理更灵活。

2. 在无人机通信中的优势

   • 频谱效率提升：允许单频段同时服务多个地面用户或无人机节点，适用于高密度场景（如灾害救援）。
   • 动态信道适配：无人机可通过调整高度和位置优化用户信道差异，增强SIC解码成功率。例如，结合智能反射面（IRS）动态调整相移，可进一步降低发射功率。

二、多无人机系统架构与MEC集成设计

1. 典型网络架构

   架构类型	特点	适用场景
   集中式	通过地面控制站（GCS）中继通信，稳定性高但扩展性差	小规模编队、低动态任务
   分布式（Ad-hoc）	支持多跳路由，灵活性强但需复杂干扰管理	大规模集群、动态任务（如监测）
   混合架构	部分无人机直连GCS，部分互连，平衡稳定性与灵活性	复杂异构任务场景

2. MEC的集成模式

   • 角色划分：无人机可同时作为计算服务器、任务卸载中继或数据收集节点。例如，在风电场巡检中，无人机既执行涡轮机检测（本地计算），又为地面用户提供边缘计算服务。
   • 资源分配挑战：需联合优化计算资源（CPU周期）、通信资源（带宽）及无人机轨迹。文献[38]提出优先级感知任务卸载策略，确保高敏感任务优先完成。

三、节能技术的关键路径与协同优化

1. 无人机能耗模型
   • 主要能耗源：推进能耗（占60%-80%）、通信能耗、计算能耗。例如，四旋翼无人机悬停功耗约200W，飞行功耗随速度非线性增加。
   • 节能技术分类：

• 硬件优化：轻量化材料（碳纤维）、高效动力系统（氢燃料电池）。

技术	节能效果（典型值）	应用案例
轻量化结构	能耗降低10%-15%	微型无人机任务续航提升
太阳能补充	续航延长30%-50%（晴天）	高空长航时监测

• 软件优化：路径规划（如覆盖路径算法[29]）、动态电源管理。

1. NOMA与节能的协同优化
   • 联合优化框架：以能效（bit/Joule）为目标，设计以下变量的联合优化：
   • 典型案例：
     • 功率-轨迹联合优化：文献[47]提出迭代算法，交替优化无人机发射功率与飞行轨迹，使能效提升99.6%-111%。
     • IRS辅助NOMA：部署IRS增强远距离用户信号，降低无人机发射功率需求（典型节能20%-30%）。

四、研究进展与挑战

1. 典型研究案例

   • 多无人机协同MEC：国防科技大学提出干扰环境下的联合优化模型，通过无人机-信道-用户匹配最大化系统和速率。
   • NOMA-V2X网络：引入无线能量传输技术，采用逐次凸逼近（SCA）优化无人机轨迹与功率分配，解决续航问题。

2. 未解决挑战

   • 动态环境适应性：信道快速变化导致SIC解码失败率升高，需实时调整用户分组策略。
   • 多目标权衡：能效、时延、公平性之间的冲突（如强用户功率分配过多可能降低系统公平性）。
   • 跨层优化复杂度：联合通信-计算-控制变量的高维非凸问题，现有算法（如SCA）仍需突破计算效率瓶颈。

五、未来研究方向

1. AI驱动的实时优化：利用深度强化学习（如MADDPG[15]）处理动态环境下的多变量决策，减少离线计算的滞后性。
2. 新型能源技术融合：探索激光无线充电与NOMA的协同，实现“边飞行边充电”。
3. 协议层创新：设计低开销的NOMA用户调度协议，减少信令交互能耗。例如，基于信道状态预测的动态功率分配。

---

结论

基于NOMA的节能多无人机MEC系统，通过频谱效率提升与能耗管理的协同优化，为应急通信、大规模物联网等场景提供了高效解决方案。未来需进一步突破动态环境适应性、跨层优化复杂度等瓶颈，并探索AI与新型能源技术的深度集成。

📚2 运行结果

 

 

 

 

 

部分代码：

% This script describes a NOMA-assisted MEC system on UAV according to doc 'Model 1.pages'.
% Created and copyrighted by ZHANG Xiaochen at 10:22 a.m., Apr. 12, 2019.

%% Setup of the Model

% Consider U terrestrial users located in a area
U = 8;                                                 % Number of users/SMDs

% The size of the area is defined by:
lengthArea = 1000;                            % Length of the coverage area (m)
widthArea = 1000;                             % Width of the coverage area (m)

% U SMDs are uniformly distributed in the rectangular coverage area.
rUser = [lengthArea*rand(U, 1),widthArea*rand(U, 1), zeros(U, 1)];
% rUser = [100*(2:2:8).', 100*8*ones(U, 1), zeros(U, 1)];
% rUser = [[400,400,600,600].', [600,800,600,800].',zeros(U, 1)];
% rUser = [[100,500,800,600].', [600,600,600,800].',zeros(U, 1)];
rUser = [kron(100*(2:2:8).',ones(2,1)), ...
    repmat([600, 800].', 4, 1),...
    zeros(U, 1)];

% Divide the time interval into N tme slots.
T = 100;                                               % Length of interval
N = 20;                                                 % Number of time slots
tau = T/N;                                            % Duration of each time slot

% Set the initial trajectory of UAV
M = 2;
hUAV = 50;                                         % Flying altitude of UAV
rI = [0, 0, hUAV; 0, 0, hUAV];              % Intial position of the UAV (M*3)
rF = [lengthArea, 0, hUAV; 0, widthArea, hUAV];               % Final position of the UAV

rUAV = zeros(N, 3, M);                             % Trajectory vector of the UAV

% rUAV(time, dimension, UAV index) is a N*3*M matrix of which each describes the 3-D coordinates of UAVs
% at each time slot.

for m = 1:M
    rUAV(N, :, m) = rF(m, :);
end
for n = 1:N-1
    for m = 1:M
        rUAV(n, :, m) = rI(m, :)+n/N*(rF(m, :)-rI(m, :));
    end
end

% Other parameters involved in the model.

omegaUser = 0.8;                        % Weight factor of users
omegaUAV = 1-omegaUser;         % Weight factor of UAVs

N0 = 1e-17;                                 % Power spectral density of AWGN (W/Hz)
B = 4e6;                                        % System bandwidth (Hz)

D = 120*ones(U, 1);                     % Number of bits for each SMDs to finish (Mbit)
kappa = 1e-28;                            % Effective swiched capacitance of CPU

fmaxUAV = 20;                            % Maximum CPU frequency of MEC server (GHz)
fminUAV = 0;                               % Minimum CPU frequency of SMDs (GHz)
CUAV = 1e3;                                % Processing density of MEC server (Hz/bit)

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

🌈4 Matlab代码实现