Latency and Reliability Oriented Collaborative Optimization for Multi-UAV Aided Mobile Edge Computin

珀安

已于 2024-04-12 16:09:53 修改

阅读量98

点赞数

分类专栏：论文文章标签：策略模式

于 2023-10-28 16:28:41 首次发布

本文链接：https://blog.csdn.net/molly4869/article/details/134092638

版权

论文专栏收录该内容

21 篇文章 1 订阅

订阅专栏

文章探讨了在应急救援中，如何构建支持多无人机的移动边缘计算系统LR-UMEN，通过联合通信、计算和缓存优化，提出新的期望延迟概念，以解决时延和可靠性问题。使用混合二进制粒子群优化算法处理非凸优化问题，并展示了优化效果。

摘要由CSDN通过智能技术生成

期刊概述

Latency and Reliability Oriented Collaborative Optimization for Multi-UAV Aided Mobile Edge Computing System[1]

出处：Infocom2020

链接：https://ieeexplore.ieee.org/document/9163048

介绍

背景：智能应急救援装备在应急救援中发挥着越来越重要的作用，能够极大地提升救援活动的能力和效率。

目的：本文构建了一个支持多无人机的时延和可靠性保证的移动边缘计算框架( LR-UMEN )，以提供按需计算服务，其中同时考虑了时延和可靠性。

方法：（1）与现有的关于延迟和可靠性的工作不同，本文提出了通信、计算和缓存的联合优化，以降低延迟并增强可靠性，这依赖于"期望延迟"的新定义，这有效地基准了所考虑的延迟和可靠性的特性。（2）最后，提出了一种混合二进制粒子群优化( HBPSO )算法来求解该非凸优化问题，并进行了一系列的仿真实验

方法

系统模型

用户发起由N个独立任务组成的服务，经过无人机节点处理后，返回结果。如下图所示：

图表 1 LR-UMEN的结构

联合通信和计算优化

1、延迟模型

下面的这些公式之间的联系，可以由下图概括：【ps，这部分公式真的很多，我觉得可以不用看，看这张图就够了】

由于应急救援场景中的特殊环境，无人机与用户之间的路径损耗不可能是可靠的视线矢量链路。相反，考虑到灾后障碍物的遮挡，应急通信中的通信链路应该是视距( Line-of-sight，LOS )信道和非视距(非线性-of-sight，NLOS )信道的概率叠加。路径损耗公式如下：

其中h为衰减因子。

无人机与用户之间存在LOS链路的概率可以表示为：

其中，δ与环境相关，θ由两者位置求出。

平均路径损耗可以表示为：

无人机和用户之间上下行链路的平均传输速率可以表示为：

任务i卸载到无人机j时的上传、计算和下载延迟，可表示为:

2、可靠性模型

假设无人机的故障和无人机与用户之间的通信链路遵循泊松过程。其中，无人机的失效率和用户与无人机之间的通信链路的失效率分别记为λj和λuj，则上传可靠性、计算可靠性和下载可靠性计算公式如下：

3、期望延迟

本文目标是获得最优的任务分配策略，以最小化处理延迟和最大化可靠性。这是一个典型的多目标优化问题，权重方法是一种广泛采用的方法。但是权重方法是通过对两个不同权重的优化目标求和，得到一个没有任何物理意义的单一优化问题。然而，由于缺乏物理意义，该方法不能有效地与真实情况相对应，权重的设置也比较困难。因此，在本文提出了一个新的物理概念期望延迟，它来源于处理延迟和可靠性，直接反映了一个处理单元的延迟和可靠性。

期望延迟ET代表了处理单元成功完成指定任务的延迟的数学期望。本文将期望时延作为优化目标，这将有助于我们找到时延和可靠性的最佳折中的最优策略。处理单元的处理延迟为T，则处理单元在处理过程中的可靠性为Re

将之前的式子都带入（18）就可以得到总的期望时延：

以最小化延迟和最大化可靠性为目标，以期望延迟(即上式)为优化目标函数，得到低延迟、高可靠性的最优任务分配策略

联合通信、计算和缓存优化

为了判断第i个任务的的计算结果是否缓存在无人机j上，给出了一个具有N行M列的决策矩阵X。Xij=1，说明该任务必须提前分配到无人机j上进行计算。此外分配给无人机j的任务的容量不能超过该无人机的最大缓存，即

如果计算结果存在无人机中，则期望延迟就只有下载延迟；如果没有，则期望延迟就是上传延迟、计算延迟与下载延迟的和。

算法

本文针对传统粒子群优化算法易陷入局部最优的问题，提出了基于杂交操作的HBPSO算法。BPSO（二进制粒子群优化算法）容易陷入局部最优，因为每个粒子都在不断学习，通过适应自己的位置和速度来接近自己的最佳位置和全局最佳位置，但如果全局最佳粒子位置趋近于局部最优解，则可能导致所有粒子飞向局部最优解。因此，针对BPSO算法容易陷入局部最优的问题，引入混合操作来提高算法的全局搜索能力。随机挑选o个粒子组成混合池，从混合池中任选两个粒子进行杂交操作。

实验结果

通过下图可以看出，本文算法（HBPSO）期望延迟最低。

个人小结

大概自己总结一下这篇论文：背景就是在救援活动中用到很多无人机，作者就把这些无人机当成移动边缘计算的结点，利用其缓存，以达到降低时延、增强可靠性的目的。所以，就得清楚目标是什么，约束是什么，怎么算。（1）先看目标：时延与可靠性。传统的多目标优化问题的目标函数怎么找呢？就是给各个参数分配权重，然后相加。本文认为这个函数没有现实意义，而且权重分配也很主观。所以本文就提出了一个期望延迟，即把这两项联合起来，也有现实意义，这里还做了一个小证明，但我没看懂。（2）接下来是约束，无人机有一定的缓存，可以把计算结果存在里面，但是不能超过最大缓存。如果该任务的结果有存储在无人机中，那期望时延就只有下载时延；如果没存，期望时延就上传时延、计算时延和下载时延之和。（3）目标、约束都有了，最后就是在约束条件下，达到最好目标的算法，之前的算法都是BPSO（二进制粒子群优化算法），但是它容易陷入局部最优，所以本文提出从混合池中任选两个粒子进行杂交操作。我个人觉得这个思想好像机器学习中的随机失活函数，为了防止过拟合，把部分神经元随机失活。本文算法是为了防止局部最优而随机杂交两个粒子，放到粒子群中。

这篇文章涉及的数学知识真的很多，比如那个优化目标函数就是纯数学推出了的，作者的数学功底真的很强。下周打算看边缘计算与深度学习结合的这种类型的论文。听说这两个结合的容易发文章，而且不想让我学的ML、DL没意义。

参考文献

[1] Hou X, Ren Z, Wang J, 等. Latency and Reliability Oriented Collaborative Optimization for Multi-UAV Aided Mobile Edge Computing System[C]//IEEE INFOCOM 2020 - IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS). 2020: 150-156.