n
]
,
1
≤
n
≤
N
}
{\mathbf{q}[n],1\leq n\le N}
{q[n],1≤n≤N}就可以用时隙的坐标序列表示
f
U
,
k
[
n
]
f_{U,k}[n]
fU,k[n],表示无人机为设备
s
k
s_k
sk在时间段n分配的CPU频率
- 卸载选择:
x
k
[
n
]
x_k[n]
xk[n],为1则卸载到UAV,为0则本地处理
吞吐量
对
s
k
s_k
sk全部的比特数为:无人机边缘设备 + 地面设备 =
δ
t
∑
n
=
1
N
f
U
,
k
[
n
]
C
k
∑
n
=
1
N
δ
t
(
1
−
x
k
[
n
]
)
f
k
[
n
]
C
k
\delta_{t}\sum_{n=1}{N}\frac{f_{U,k}[n]}{C_{k}}+{\sum}_{n=1}{N}\frac{\delta_{t}(1-x_{k}[n])f_{k}[n]}{C_{k}}
δt∑n=1NCkfU,k[n]+∑n=1NCkδt(1−xk[n])fk[n]
第一项为什么不用乘卸载选择
x
k
[
n
]
x_k[n]
xk[n]?
在第一项中,fU,k[n] 表示无人机为设备sk在时间段n分配的CPU频率。如果设备sk在时间段n将其任务卸载到无人机,则fU,k[n]将大于零,否则fU,k[n]将等于零。因此,fU,k[n]已经隐含了设备sk是否将其任务卸载到无人机的信息。
设备功耗
设备功耗 = 通信功耗 + 计算功耗 =
∑
n
=
1
N
x
k
[
n
]
δ
t
P
∑
n
=
1
N
δ
t
κ
k
f
k
3
[
n
]
\sum_{n=1}^N x_k[n]\delta_t P + \sum_{n=1}^N \delta_t \kappa_k f_k^3[n]
∑n=1Nxk[n]δtP+∑n=1Nδtκkfk3[n].
P
P
P是设备的传输功率,
κ
k
\kappa_k
κk有效电容系数
这里的 f 三次方是因为设备的能量消耗与其CPU频率的三次方成正比。这种关系源于CMOS技术,它是当今大多数计算设备中使用的一种技术。
2、问题表述
(P1):最大化所有设备的最小吞吐量
(1):每个设备的吞吐量都
≥
η
\geq \eta
≥η
(2):二元约束 1为卸载,0为本地处理
(3):每个时段只有一个设备可以卸载到UAV
(4):无人机接收的输入信息大于无人机以及处理的信息,即当无人机接收到信息后才能处理这个信息
(6):无人机为所有设别分配的CPU资源之和在自己拥有资源之内
(7):设备通信和处理任务的能耗在自己续航之内
(8):无人机飞行速度不超过自身最大速度
(9):无人机在完成其任务后必须返回到其初始位置
III、解决方案
变换(2)式
- 首先对限制条件(2)式进行了等价变换
0
≤
x
k
[
n
]
≤
1
,
∀
k
,
n
(
10
)
∑
k
=
1
K
∑
n
=
1
N
(
x
k
[
n
]
−
x
k
2
[
n
]
)
≤
0
(
11
)
\begin{aligned} 0\leq x_k[n]\leq1,\forall k,n (10) \ \sum_{k=1}{K}\sum_{n=1}{N}(x_{k}[n]-x_{k}^{2}[n])\leq0& (11) \end{aligned}
0≤xk[n]≤1,∀k,n(10)k=1∑Kn=1∑N(xk[n]−xk2[n])≤0(11)
- (10)式可以推出
0
≤
x
k
[
n
]
(
1
−
x
k
[
n
]
)
≤
1
\begin{aligned}0 \leq x_k[n](1 -x_k[n])\le 1 \end{aligned}
0≤xkn≤1 ,进而推出
∑
k
=
1
K
∑
n
=
1
N
(
x
k
[
n
]
−
x
k
2
[
n
]
)
≥
\sum_{k=1}{K}\sum_{n=1}{N}\left(x_{k}[n]-x_{k}^{2}[n]\right)\geq0.
k=1∑Kn=1∑N(xk[n]−xk2[n])≥0.
- 结合(11)得到
∑
k
=
1
K
∑
n
=
1
N
(
x
k
[
n
]
−
x
k
2
[
n
]
)
=
0
\sum_{k=1}{K}\sum_{n=1}{N}\left(x_{k}[n]-x_{k}^{2}[n]\right)=0
∑k=1K∑n=1N(xk[n]−xk2[n])=0
问题的新表述
另增加了该式:
R
k
[
m
]
≥
y
k
[
m
]
,
∀
k
,
m
,
R_{k}[m]\geq y_{k}[m],\forall k,m,
Rk[m]≥yk[m],∀k,m,
yk[m]是一个松弛变量。这个方程表明,在每个时间段m,设备sk与无人机之间的可达速率Rk[m]应大于等于松弛变量yk[m]。这个约束条件用于确保在无人机上进行计算之前,设备sk的任务输入数据已经被卸载到无人机。
D.C.
通过对凸项
(
x
k
[
m
]
y
k
[
m
]
)
2
(x_k[m]+y_k[m])^2
(xk[m]+yk[m])2和
(
x
k
2
[
m
]
f
k
2
[
m
]
)
(x_k2[m]+f_k2[m])
(xk2[m]+fk2[m])分别应用一阶泰勒近似,来获得非凸项
x
k
[
m
]
y
k
[
m
]
x_k[m]y_k[m]
xk[m]yk[m]和
−
x
k
[
n
]
f
k
[
n
]
-x_k[n]f_k[n]
−xk[n]fk[n]的下界。为什么两式子展开项不一样?
应该是为了得到原式子的下界,为凸函数,一阶展开式都是会比原式要小,如果是对负项展开不好得到下界,所以这里都是对正向进行展开。这里不是很确定
- 对(13)首先
x
k
[
m
]
y
k
[
m
]
=
1
2
(
x
k
[
m
]
y
k
[
m
]
)
2
−
1
2
(
x
k
2
[
m
]
y
k
2
[
m
]
)
x_k[m]y_k[m] = \frac{1}{2}(x_k[m]+y_k[m])2-\frac{1}{2}(x_k2[m]+y_k^2[m])
xk[m]yk[m]=21(xk[m]+yk[m])2−21(xk2[m]+yk2[m])
- 然后对完全平方项应用一阶泰勒近似:
x
k
[
m
]
y
k
[
m
]
≥
(
x
k
r
[
m
]
y
k
r
[
m
]
)
(
x
k
最后
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数Java工程师,想要提升技能,往往是自己摸索成长,自己不成体系的自学效果低效漫长且无助。
因此收集整理了一份《2024年嵌入式&物联网开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上嵌入式&物联网开发知识点,真正体系化!
如果你觉得这些内容对你有帮助,需要这份全套学习资料的朋友可以戳我获取!!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新!!
[
m
]
)
2
−
1
2
(
x
k
2
[
m
]
y
k
2
[
m
]
)
x_k[m]y_k[m] = \frac{1}{2}(x_k[m]+y_k[m])2-\frac{1}{2}(x_k2[m]+y_k^2[m])
xk[m]yk[m]=21(xk[m]+yk[m])2−21(xk2[m]+yk2[m])
- 然后对完全平方项应用一阶泰勒近似:
x
k
[
m
]
y
k
[
m
]
≥
(
x
k
r
[
m
]
y
k
r
[
m
]
)
(
x
k
最后
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数Java工程师,想要提升技能,往往是自己摸索成长,自己不成体系的自学效果低效漫长且无助。
因此收集整理了一份《2024年嵌入式&物联网开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
[外链图片转存中…(img-XK9OcTzG-1715543584489)]
[外链图片转存中…(img-82z0JXnw-1715543584490)]
[外链图片转存中…(img-Pcjcdy47-1715543584491)]
[外链图片转存中…(img-HmnbonvK-1715543584491)]
[外链图片转存中…(img-WwIgTxYP-1715543584492)]
[外链图片转存中…(img-uc3uNDO8-1715543584493)]
[外链图片转存中…(img-kNKPQUIn-1715543584493)]
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上嵌入式&物联网开发知识点,真正体系化!
如果你觉得这些内容对你有帮助,需要这份全套学习资料的朋友可以戳我获取!!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新!!