【无人机】采用NOMA的节能多无人机多接入边缘计算附Matlab代码

原创于 2025-12-17 12:47:00 发布 · 403 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#无人机 #边缘计算 #matlab

✅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代码获取及仿真咨询内容私信。

🔥 内容介绍

在科技飞速发展的当下，无人机（UAV）凭借其独特优势，在众多领域实现了广泛应用。在物流行业，无人机配送让 “最后一公里” 配送更加高效；在农业领域，无人机植保能够精准作业，提高农作物产量；在影视拍摄中，无人机带来了震撼的视觉效果。随着无人机应用场景的不断拓展，其面临的计算与能耗问题也日益凸显。

当无人机执行复杂任务，如高清影像的实时处理、复杂环境下的目标识别与跟踪时，其有限的计算资源往往捉襟见肘。就像让一辆小型摩托车去拉动几吨重的货物，力不从心。无人机的能源供应主要依赖电池，而电池的能量密度相对较低，续航能力不足。以常见的消费级无人机为例，满电状态下续航时间大多在 20 - 30 分钟左右，这极大地限制了无人机的作业范围和时长。若要完成长时间、大规模的任务，频繁更换电池或充电不仅耗时费力，还可能导致任务中断，影响工作效率。

在多无人机协同作业场景中，问题更加严峻。当多架无人机同时需要将采集到的数据传输至边缘节点进行处理时，传统的正交多址（OMA）技术暴露出明显的缺陷。OMA 技术通过正交分配频谱资源，例如为不同的无人机分配不同的子载波，在无人机数量较少时，这种方式还能勉强维持系统运行。一旦无人机数量增加，尤其是超过了可用频谱资源块的数量，频谱利用率就会急剧下降。为了能够及时传输数据，无人机不得不提高传输功率，就像在拥挤的道路上，车辆为了尽快到达目的地而不断加大油门。这不仅会引发 “功率攀升” 现象，导致通信能耗大幅增加，研究表明能耗可能会增加 30% - 50%，还会加剧频谱资源的竞争，造成资源的浪费。

为了解决这些难题，非正交多址（NOMA）技术应运而生，为无人机的节能与高效计算带来了曙光。NOMA 技术打破了传统 OMA 技术的频谱分配方式，允许在同一频谱资源块上同时传输多个用户的信号，通过功率域复用，让不同距离的无人机采用不同的发射功率进行数据传输。距离边缘节点较近的无人机发射功率较低，而距离较远的则发射功率较高。接收端则利用先进的连续干扰消除（SIC）技术，先解码强信号并消除其干扰，再解码弱信号，从而实现多用户的有效区分和信号接收。

在智能电网巡检场景中，假设有 5 架无人机同时对输电线路进行巡检，每架无人机每秒都会生成 5MB 的红外图像数据，并需要进行目标检测任务，且任务延迟必须控制在 200ms 以内。若采用 OMA 技术，为了保证每架无人机都能顺利传输数据，至少需要 5 个频谱资源块，此时总通信能耗高达 120J / 分钟，并且由于边缘算力分配不够合理，存在冗余，导致额外能耗 80J / 分钟。而引入 NOMA 技术后，仅需 2 个资源块就能实现 5 架无人机的数据接入。通过功率动态分配，通信能耗大幅降至 50J / 分钟，同时结合合理的算力调度策略，边缘能耗也降低至 40J / 分钟，总能耗降低了 54%，并且所有任务都能满足严格的延迟约束。这一案例充分展示了 NOMA 技术在多无人机多接入边缘计算场景中的巨大节能潜力和优势。

一、NOMA 技术深度剖析

（一）NOMA 基本原理

NOMA 作为一种新型的多址接入技术，打破了传统 OMA 在频谱资源分配上的严格正交限制。在功率域 NOMA 中，不同用户的信号依据其信道条件和需求被分配不同的发射功率，从而实现同一频谱资源块上的复用传输。假设有两个用户 A 和 B，用户 A 距离基站较近，信道条件好，用户 B 距离基站较远，信道条件相对较差。在 NOMA 系统中，基站会为用户 B 分配较高的发射功率，为用户 A 分配较低的发射功率。当信号传输到接收端时，接收端利用 SIC 技术，首先根据信号强度判断，先解码出功率较强（即用户 B）的信号，然后从接收到的混合信号中减去用户 B 信号的成分，进而成功解码出用户 A 的信号。

在编码域 NOMA 中，则是通过设计特殊的编码序列来区分不同用户的信号。这些编码序列具有较低的互相关性，使得在接收端能够利用相关检测算法，从混合信号中准确分离出各个用户的信号。就像在一个装满不同颜色小球的盒子里，每个颜色代表一个用户的信号，通过特定的筛选规则（类似编码检测算法），可以将不同颜色的小球（用户信号）挑选出来。

为了更直观地理解 NOMA 的频谱复用优势，我们将其与 OMA 进行对比。在 OMA 中，如时分多址（TDMA），将时间划分为不同的时隙，每个用户被分配到特定的时隙进行数据传输；频分多址（FDMA）则是把频段划分成多个子频段，每个用户独占一个子频段。这种方式在用户数量较少时，能有效避免用户间干扰，保证通信质量。然而，当用户数量增加时，可用的时隙或子频段会变得紧张，频谱利用率急剧下降。假设总共有 10 个单位的频谱资源，有 5 个用户，在 OMA 下，每个用户平均分配到 2 个单位资源，若再增加 5 个用户，每个用户的资源就会减半，变为 1 个单位。而 NOMA 允许这 10 个用户同时在这 10 个单位的频谱资源上传输信号，通过功率或编码的区分，大大提高了频谱利用率，在相同的频谱资源下能够支持更多的用户接入。

（二）在无人机通信中的适配性

无人机通信环境具有独特的特点，而 NOMA 技术能够很好地契合这些需求。从提升频谱效率角度来看，随着无人机应用的普及，空中频谱资源愈发紧张。在一些城市的繁华商业区，可能同时有用于物流配送、新闻拍摄、环境监测等不同用途的多架无人机在作业。NOMA 技术允许这些无人机在相同的频谱资源上进行通信，极大地缓解了频谱资源短缺的问题，使得有限的频谱能够承载更多的无人机通信业务。研究表明，在多无人机场景中，采用 NOMA 技术相比 OMA 技术，频谱效率可提升 2 - 3 倍。

无人机通信信道具有高动态变化性。无人机在飞行过程中，会快速穿越不同的地理环境，如从城市高楼林立的区域飞向开阔的郊区，其与地面基站或其他无人机之间的信道会受到建筑物遮挡、地形起伏、大气环境变化等多种因素影响，信道质量会发生剧烈变化。NOMA 技术凭借其灵活的功率分配和信号处理机制，能够快速适应这种信道动态变化。当无人机进入信道质量较差的区域时，NOMA 系统可以自动为其分配更高的发射功率，保证信号的可靠传输；而当无人机处于信道质量较好的区域时，则降低发射功率，减少能耗。在山区进行地质勘探的无人机，当它飞行到山谷等信号容易受到阻挡的区域时，NOMA 系统会增加其发射功率，确保与地面控制中心的通信不中断，一旦无人机飞出山谷，信号变好，功率又会自动降低，实现了能耗与通信质量的平衡。

二、多无人机多接入边缘计算系统架构

（一）系统组成部分

在基于 NOMA 的多无人机多接入边缘计算系统中，主要包含三个关键组成部分：无人机用户（UAV Users, UUs）、边缘节点（MEC Servers, MSs）和资源管理器（Resource Controller, RC）。

无人机用户作为系统中的数据采集与任务执行主体，承担着多样化的感知任务。在农业植保监测场景中，无人机用户携带高清摄像头和多光谱传感器，对农田进行全方位的图像采集，获取农作物的生长状态、病虫害情况等信息。尽管部分无人机配备了一定的计算能力，如嵌入式 GPU，能够进行一些简单的数据处理，如对采集图像进行初步的格式转换和数据压缩，但面对复杂的任务，如基于深度学习的病虫害精确识别和农作物生长趋势预测，其计算能力就显得力不从心。同时，无人机用户受到电池容量的严格限制，一般消费级无人机的续航时间在 1 - 2 小时左右，工业级无人机续航时间可能稍长，但也难以满足长时间、大规模任务的需求，这就促使其需要将复杂任务卸载至边缘节点进行处理。

边缘节点是系统中的计算核心，主要部署于地面基站或高性能无人机上，后者作为空中边缘节点，为系统提供了更为灵活的计算服务。地面基站凭借其稳定的电力供应和强大的计算资源，如配备多核心 CPU 和大容量内存，能够承担大量的数据处理任务。在城市安防监控中，地面基站作为边缘节点，负责处理来自多架无人机的高清视频数据，进行实时的目标检测和行为分析。而空中边缘节点则具有高度的机动性，可根据任务需求快速移动至指定区域，为附近的无人机用户提供低延迟的计算服务。在应急救援场景中，当发生地震或洪水等灾害时，空中边缘节点能够迅速飞抵灾区上空，为参与救援的无人机提供实时的图像识别和数据分析服务，帮助救援人员快速了解灾区情况，制定救援方案。边缘节点通过 NOMA 技术接收多无人机的任务数据，能够在同一频谱资源块上同时处理多个无人机用户的信号，大大提高了数据接收效率。

资源管理器在整个系统中扮演着 “智能大脑” 的角色，负责集中优化资源分配策略。它基于对各无人机的信道状态、任务特性等信息的实时监测与分析，动态调整 NOMA 功率分配和边缘计算资源调度。在一个包含多架无人机进行电力巡检的系统中，资源管理器会实时获取每架无人机与边缘节点之间的信道质量信息，对于信道条件较好的无人机，分配较低的发射功率，以节省能源；对于信道条件较差的无人机，则适当提高发射功率，确保数据传输的可靠性。同时，根据不同无人机所携带任务的优先级和复杂度，资源管理器合理分配边缘节点的计算资源，将高优先级、低复杂度的任务优先调度至计算资源充足的边缘节点，避免任务等待造成的能耗增加，实现系统资源的高效利用和能耗的有效控制。

（二）任务流程与 NOMA 接入机制

任务流程始于无人机用户在执行任务过程中产生数据。以物流配送场景为例，无人机在飞行过程中需要实时处理路径规划、货物状态监测等任务数据。当遇到复杂的路径规划问题，如在城市高楼林立的区域需要避开障碍物并选择最优配送路径时，无人机用户会根据自身计算资源的负载情况和任务的紧急程度，做出任务卸载决策。若自身计算资源无法及时处理任务，且任务对延迟较为敏感，无人机用户便会将任务数据卸载至边缘节点。

在 NOMA 接入环节，多架无人机用户同时向边缘节点传输任务数据。假设系统中有三架无人机 A、B、C，无人机 A 距离边缘节点较近，无人机 B 次之，无人机 C 最远。资源管理器根据它们的距离信息和信道状态，为无人机 C 分配最高的发射功率，无人机 B 次之，无人机 A 最低。这样，三架无人机的信号在相同的频谱资源块上进行传输，虽然信号会相互叠加，但由于功率不同，在接收端具有不同的强度特征。

边缘节点接收到混合信号后，利用 SIC 技术进行解码。首先，根据信号强度，边缘节点识别出功率最强的无人机 C 的信号，将其成功解码并从混合信号中消除。接着，在剩余的信号中，解码出无人机 B 的信号，同样消除其干扰。最后，从再次剩余的信号中解码出无人机 A 的信号。通过这种方式，实现了多架无人机在同一频谱资源块上的数据接入，大大提高了频谱利用率，降低了通信能耗，确保任务数据能够高效、可靠地传输至边缘节点，为后续的计算处理奠定基础。

三、节能挑战与 NOMA 应对策略

（一）多无人机 MEC 的核心节能挑战

在多无人机多接入边缘计算（MEC）系统中，节能面临着诸多复杂且关键的挑战。

通信 - 计算能耗耦合问题首当其冲。无人机执行任务时，能耗主要来源于计算能耗和通信能耗两个方面。计算能耗与任务的计算量紧密相关，例如，当无人机进行复杂的图像识别任务时，需要大量的 CPU 算力来运行深度学习算法，这会导致计算能耗急剧增加。若无人机选择本地处理任务，虽然可以避免将任务卸载至边缘节点的通信能耗，但对于高复杂度任务，本地计算能耗往往过高，就像让一台小型计算机长时间运行大型软件，电量消耗极快。通信能耗则与传输功率和传输距离密切相关。当多架无人机同时将任务卸载至边缘节点时，为了在有限的频谱资源中成功传输数据，无人机可能需要提高传输功率，这会显著增加通信能耗。而随着传输距离的增加，信号衰减加剧，同样需要加大传输功率，进一步提升了能耗。本地计算和卸载计算之间存在着微妙的权衡关系，不合理的决策会导致总能耗大幅上升。

频谱资源受限与接入冲突也是亟待解决的难题。在多无人机场景中，当众多无人机同时向边缘节点卸载任务时，传统的 OMA 技术通过正交分配频谱资源，如为不同无人机分配不同的子载波，在无人机数量较少时，这种方式还能维持系统运行。一旦无人机数量超过了可用频谱资源块的数量，频谱利用率就会急剧下降。为了能够及时传输数据，无人机不得不提高传输功率，引发 “功率攀升” 现象，研究表明，这会导致能耗增加 30% - 50%，还会加剧频谱资源的竞争，造成资源的浪费。在城市的繁华商业区，可能同时有用于物流配送、新闻拍摄、环境监测等不同用途的多架无人机在作业，它们对频谱资源的竞争就如同在一条狭窄的道路上行驶的众多车辆，容易引发拥堵和混乱。

无人机移动性与信道动态性进一步增加了节能的难度。无人机在三维空间中快速移动，其与边缘节点之间的信道质量会受到路径损耗、阴影衰落等多种因素的影响而快速变化。当无人机飞过高楼大厦时，信号会受到建筑物的遮挡而减弱，导致信道质量变差。在这种情况下，若采用静态的资源分配策略，如固定的功率和频谱分配，会导致能量的极大浪费。当无人机靠近边缘节点时，若仍维持高传输功率，就会造成不必要的能量消耗；而当无人机远离边缘节点时，由于功率不足，可能需要多次重传数据，这不仅增加了传输时间，还额外消耗了大量能量。

任务多样性与 QoS 约束也对节能提出了严苛要求。不同的无人机任务具有不同的延迟敏感度和数据量。实时监控任务对延迟要求极高，通常需要在 100ms 以内完成数据处理和传输，以确保监控的实时性；而离线测绘任务则对延迟的容忍度较高，可接受 1s 左右的延迟。数据量方面，高清图像采集任务可能每秒会产生 10MB 的数据，而简单的传感器数据采集任务每秒仅产生 100KB 的数据。由于任务的多样性，需要根据任务的优先级和 QoS 要求，差异化地分配通信与计算资源。若对低优先级任务过度保障资源，就会造成能量的浪费，无法实现系统的节能目标。

（二）NOMA 针对性技术优势

NOMA 技术凭借其独特的特性，能够有效地应对多无人机 MEC 系统中的节能挑战。

NOMA 技术显著提升了频谱效率。在多无人机场景中，NOMA 允许多架无人机在同一频谱资源块上进行数据传输，通过功率域区分不同无人机的信号。距离边缘节点较近的无人机，由于信道条件较好，采用较低的功率进行传输；而距离较远的无人机，信道条件相对较差，则采用高功率传输。这种方式使得频谱资源得到了更充分的利用，与 OMA 技术相比，频谱利用率可提升 1 - 2 倍。在一个包含 10 架无人机的物流配送场景中，采用 OMA 技术可能需要 10 个频谱资源块才能满足数据传输需求，而采用 NOMA 技术，仅需 4 - 5 个资源块即可实现，大大减少了为争夺频谱而产生的冗余功率消耗，降低了通信能耗。

NOMA 具有出色的抗干扰能力。接收端通过 SIC 技术，先解码出强信号，然后将其干扰从混合信号中消除，再解码弱信号。在多无人机通信中，不同无人机与边缘节点的距离不同，信号强度也存在差异，NOMA 的 SIC 技术能够很好地适应这种距离差异与信道波动。在山区进行地质勘探的多无人机系统中，由于地形复杂，无人机与地面边缘节点的距离和信道条件各不相同，NOMA 技术能够准确地解码每架无人机的信号，降低信号传输的误码率，减少重传概率，从而降低能耗。

NOMA 的功率分配具有高度的灵活性，能够适配无人机的移动性与任务 QoS 需求。随着无人机的移动，其与边缘节点的距离和信道质量不断变化，NOMA 系统可以根据实时监测到的信道状态，动态调整无人机的发射功率。当无人机靠近边缘节点时，自动降低发射功率，避免能量浪费；当无人机远离边缘节点或执行高优先级任务时，增加发射功率，确保数据传输的可靠性。在应急救援场景中，负责实时传输救援现场画面的无人机，由于任务优先级高且对延迟敏感，NOMA 系统会为其分配更高的功率，保障数据的快速、稳定传输，同时根据其飞行位置动态调整功率，实现节能与任务保障的平衡。

⛳️ 运行结果

📣 部分代码

🔗 参考文献

[1]那振宇,张晋雨,张跃,等.基于C-NOMA的多无人机辅助移动边缘计算方法:CN202410697334.2[P].CN118574159A[2025-12-17].

🎈 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、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化

🌟 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、公交车时间调度、水库调度优化、多式联运优化

🌟 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、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化

电力系统核心问题经济调度：机组组合、最优潮流、安全约束优化。新能源消纳：风光储协同规划、弃风弃光率量化、爬坡速率约束建模多能耦合系统：电-气-热联合调度、P2G与储能容量配置新型电力系统关键技术灵活性资源：虚拟电厂、需求响应、V2G车网互动、分布式储能优化稳定与控制：惯量支撑策略、低频振荡抑制、黑启动预案设计低碳转型：碳捕集电厂建模、绿氢制备经济性分析、LCOE度电成本核算风光出力预测：LSTM/Transformer时序预测、预测误差场景生成（GAN/蒙特卡洛）不确定性优化：鲁棒优化、随机规划、机会约束建模能源流分析、PSASP复杂电网建模，经济调度，算法优化改进，模型优化，潮流分析，鲁棒优化，创新点，文献复现微电网配电网规划，运行调度，综合能源，混合储能容量配置，平抑风电波动，多目标优化，静态交通流量分配，阶梯碳交易，分段线性化，光伏混合储能VSG并网运行，构网型变流器，虚拟同步机等包括混合储能HESS：蓄电池+超级电容器，电压补偿,削峰填谷，一次调频，功率指令跟随，光伏储能参与一次调频，功率平抑，直流母线电压控制；MPPT最大功率跟踪控制，构网型储能，光伏，微电网调度优化，新能源，虚拟同同步机，VSG并网，小信号模型