无人机使能的边缘计算优化问题

Background

  在移动边缘计算中，用户常常将会产生大量对计算能力和时延要求高的任务，这些任务通过卸载到边缘服务器上，能够迅速完成计算从而满足用户QoS。对于普通的MEC服务器来说，它们的位置总是固定的，无法根据移动用户的需要进行灵活改变，这限制了MEC的能力。近年来，无人机在通信领受到了广泛的关注。将无人机作为可移动的边缘服务器，不仅能够提供更好的通信链路(LoS)，而且能够灵活进行部署，从而缩短通信的距离。所以，本文讨论了多个无人机使能的MEC系统，在这个系统中，多个无人机被部署服务大规模的移动用户。无人机作为可移动边缘服务器，提供着任务卸载的服务，那么本文将着重探讨联合无人机部署和任务调用优化问题。

  本文的创新点有以下几个：

1. 考虑多个UAV使能的MEC系统，多个无人机用于服务大规模的移动用户。
2. 联合优化无人机部署和任务调度问题。
3. 提出两层架构算法，算法简化了决策变量空间，通过计算推导保证了计算时间复杂度和运行时间，适用于大规模的移动用户。

Contributions

本文的贡献为以下五点：

• 在大规模移动用户场景中构建了多无人机使能的移动边缘计算系统，无人机充当MEC服务器。
• 提出两层优化方法ToDeTaS，用于解决无人机部署和任务调度联合优化问题，最小化系统的能量消耗。优化四个方面：无人机的部署数量、无人机的部署位置、卸载决策变量、资源分配变量。
• 在算法的上层，使用带有消除算子( elimination operator)的差分进化(differential evolution, DE)算法来优化UAV部署问题。将UAV的位置编码进一个个体(individual)中，整个UAV的部署就是种群(population)。为了最小化系统的能量消耗，首先确定UAV的最大数量，接着逐渐减小消除算子的数量如果所有的任务都可以完成。UAV的数量根据消除算子自适应调整，UAV的部署位置根据DE算法进行优化。
• 确定了UAV的部署后，那么下层的算法主要解决任务调度的问题。通过分析该问题能够转化为一个0-1整数规划问题。为了减少大规模0-1整数规划问题的计算时间，本文提出一种贪心算法来求得近似解。
• 扩展实验从移动用户数100增加至1000，实验结果有效证明了提出ToDeTaS的有效性和多UAV-enabled系统的有效性。

System Model and Problem Formulation

  系统模型如上图所示，共有M个移动用户，N个无人机，每个无人机能够服务通信范围内的用户。假设每个用户产生一个待执行的任务U，任务U=(C,D)，其中C为计算所需CPU频率，D为用户输入的数据量。系统中移动用户的数量M、移动用户的位置(x,y,0)、任务的CPU频率C、任务的数据量D都是已知的，而无人机数量N、无人机位置(X,Y,H)是未知的。其中高度H是固定已知的。
  由于联合优化问题的目标是最小化能量消耗，所以需要考虑无人机在计算执行、悬停情况下的能耗。将系统分为三个模型：（1）本地执行 （2）MEC 执行 （3）悬停

Local Execution Model

本地执行，时间为

能量消耗为

MEC Execution Model

若是卸载到无人机上，任务首先得从移动用户传输到UAV上，然后在UAV上进行计算。定义$a_i$