【无人机】强化学习的多无人机移动边缘计算与路径规划【含Matlab源码 2426期】

最新推荐文章于 2024-04-30 07:29:30 发布

Matlab领域

最新推荐文章于 2024-04-30 07:29:30 发布

阅读量1.2k

点赞数 24

分类专栏： Matlab路径规划（高阶版）文章标签： matlab

本文链接：https://blog.csdn.net/weixin_63266434/article/details/135372849

版权

Matlab路径规划（高阶版）专栏收录该内容

210 篇文章 36 订阅

订阅专栏

本文探讨了在已部署的移动边缘计算环境中，如何针对移动侦测设备进行路径规划，以最小化系统总移动能耗，同时满足覆盖性、延迟、电量和速度约束。研究指出，这个问题是NP难问题，且通过旅行商问题的特例来分析。部分源代码展示了MATLAB实现的算法实例。

摘要由CSDN通过智能技术生成

在这里插入图片描述

⛄一、边缘计算架构下最优异构路径规划模型

我们考虑一个已经布设好的移动边缘计算场景，在该场景下已部署了一系列的无线接入点、移动边缘云（微云）以及无线充电桩。用A=邀a0,a1，…，am妖表示无线接入点集合，S=邀s0,s1，…，sn妖表示微云集合，B=邀b0,b1，…，bl妖表示无线充电桩集合。考虑实际应用场景为城市，可假设无线接入点已完全覆盖需侦测的场所。同时为节约成本，所有的微云及充电桩都将被部署在无线接入点所在处。因此，可用集合A表示无线接入点、微云、无线充电桩集合。当S(j)=1时，则无线接入点aj处也同时部署了微云；否则S(j)=0。而B(j）则用来表示无线接入点aj与无线充电桩的共存情况。

在该环境下，一组异构移动设备从地、空分别布防，实时无缝的监控地面的情况。用集合D=邀d0,d1，…，dk妖表示k个移动侦测设备。考虑各类设备在移动速度、最大电量等方面各不相同，用θimax和pimax分别表示移动设备di所能达到的最高移动速度和最大可用电量。同时，我们将移动侦测设备可停留的位置离散化，并给每个位置编号邀0,1，…，J妖，并考虑移动设备的两种状态：侦测、传输。设t时刻，设备di所在位置为L(i,t）=邀0,1，…，J妖，状态为R(i,t）=邀1,0妖分别对应传输和侦测状态。则每个移动侦测设备的移动能耗可抽象为：
在这里插入图片描述
函数D(A,B）计算A、B两点间的距离，αi为移动政策设备i移动单位距离的平均能耗。城市场景下k个移动侦测设备在T时刻内的总移动能耗可抽象为：

这些移动设备将按照固定的路线移动，相互协调配合完成整个城市范围内的侦测覆盖。这里我们定义侦测覆盖包括时域和空间上的覆盖要求，即每个侦测点在一定时间τ内至少被一个侦测设备访问一次。用二元变量x(i,t,j）表示侦测设备di在t时刻是否能覆盖侦测区域j∈邀0,1，…，J妖。则侦测区域的覆盖性要求可表达为：
在这里插入图片描述
同时为了保证服务的低延时，T时刻内数据至少要上传至微云一次，即：

此外，每台移动设备的可用电量受到上下限约束，其任意时刻可用电量大于零：

其中，Pt(i）为移动设备di在t时刻的初始能量，其最大不超过di电池的最大容量pimax:
在这里插入图片描述
同时，该移动设备的移动速度不会超过其所能达到的最高移动速度：

将移动边缘场景下移动异构终端的路径规划问题抽象化，以最小化系统总移动能耗（式（2））为目标，兼顾安防场景的覆盖性需求（式（3））、服务的延时需求（式（4））、移动设备的电量约束（式（5）、（6））、速度约束（式（7）），可建立安防场景下最优侦测路径规划问题。

然而，可证明旅行商问题可规约为最优异构路径规划的特殊情况，因此最优异构路径规划也为NP难问题。

⛄二、部分源代码

clc;clear;close all;
tic;
global N; %divide [0,1][0,1] map into NN grid
global N2; % divide [0,1][0,1] map into N2N2 grid when calculating weight matrix
global EPISOD_SUM;
global n; % parameter in sigmoid demand function
global B; % parameter in sigmoid demand function
global OBSER_RADIS; % observe radius 0<x<1
global SERVICE_RADIS; % the radius within which a TU can be served
global stepWay; % UAV one step length
global TU_info; % TUs location matrix
global TU_demand_matrix; % TUs service demand weight matrix
global K; %risk coefficient
global M; %service demand coefficient
global imgnum;
global plotFigure;

%% Customized parameters
K=20;
M=1;
isSigmoid=1; % 1-sigmoid,0-linear
plotFigure=1; % 1-Plotting,0-No plotting

%% map information
N=20;
N2=50;
EPISOD_SUM=20*N;
n=2;
B=8;

%% UAV information
OBSER_RADIS=0.2;
SERVICE_RADIS=0.2;
stepWay=0.02;

%% RUN
fprintf(‘K = %.1f, M = %.3f \n’,K,M);

TU_info=getTU_info;

if(isSigmoid==1)
fprintf(‘Using sigmoid demand function.\n’);
TU_demand_matrix=TU_demand;
else
fprintf(‘Using linear demand function.\n’)
TU_demand_matrix=TU_demand_linear;
end

COUNT=zeros(1,size(TU_info,1)); % count each TU service time
initialize;
drawBackground;
main_UAVs;

%% Print results
[PL,ServiceRate,Risk]=measure;

toc;