无人机辅助移动边缘计算的路径规划和资源分配.pdfVIP

无人机辅助移动边缘计算的路径规划和资源分配

摘要

移动边缘计算作为一种旨在将计算能力从云端延伸至网络边缘的技术，已经成为实

现高效、低延迟通信服务的关键技术之一。然而，随着终端设备数量的激增和服务需求

的多样化，传统的MEC部署方式面临着资源分配不灵活、服务覆盖范围有限等挑战。

而无人机技术的快速进步为解决这些挑战提供了一个新的思路。无人机具有移动性高、

部署灵活的特点，能够在关键区域快速提供必要的计算和通信支持。将无人机引入MEC

系统，形成无人机辅助移动边缘计算系统，不仅可以扩大MEC的服务范围，还能根据

实时需求动态调整服务策略，进一步降低服务时延，提高数据处理效率。因此，在需求

动态变化和资源受限的环境中如何合理调度无人机，实现高效、低延迟的无人机辅助

MEC服务至关重要。本文针对无人机辅助移动边缘的路径规划和资源分配问题，主要

工作如下：

首先，针对无人机空地网络的路径规划和资源调度问题进行了系统建模，设计无人

机通信模型和计算模型。综合考虑无人机的空间位置、地面用户计算需求、无人机和地

面用户的计算能力，构建系统任务总时延和总能耗最小化的非凸问题，并采用深度强化

学习算法进行求解，确保无人机在有限的能源约束下完成任务。

其次，研究了单无人机辅助移动边缘计算系统的任务卸载时延优化问题。搭建系统

模型，提出一种基于深度强化学习的综合优化框架，利用深度确定性策略梯度算法和双

延迟深度确定性策略梯度算法，设计算法的状态空间、动作空间和奖励函数。联合优化

无人机的路径规划和用户关联策略，以及地面用户的任务部分卸载策略，最小化系统的

总时延。实验结果表明，基于DRL的优化策略能够有效减少系统的总时延，提高无人

机的服务质量和能源利用效率。

最后，研究了多无人机网络的系统任务总时延最小化和能量消耗最小化的问题。针

对这一多维度的复杂优化问题，采用多智能体深度确定性策略梯度算法和多智能体双延

迟深度确定性策略梯度算法，联合优化无人机的路径规划、用户关联策略以及任务卸载

比率，以实现最小化系统任务总时延和总能耗的目标。同时，提出了一种改进的MATD3

算法——QMATD3算法，将所有智能体的全局状态价值和每个智能体的局部状态价值

相关联，提高智能体的局部状态价值表征能力。并设计多无人机网络的局部观测状态和

全局状态空间，以及智能体的局部动作和全局动作空间，引导无人机在不断变化的环境

中自适应地调整其行为，进一步降低系统的总时延和能量消耗。通过一系列仿真实验，

哈尔滨工程大学硕士学位论文

验证了所提出的框架和算法在多无人机辅助MEC系统中的有效性，实验结果表明，本

文提出的算法能够显著提高系统的总收益值，相比于基准算法，基于延迟和能耗的联合

奖励函数分别提高了10.8%和7.9%，算法收敛速度则分别提升了20%和2.6%，收敛稳

定性最佳，每个智能体在路径规划上有更强的方向性和目的性，智能体间的协作性更强。

关键词：移动边缘计算；路径规划；资源调度；多智能体强化学习；值分解网络

无人机辅助移动边缘计算的路径规划和资源分配

ABSTRACT

MobileEdgeComputing,asatechnologyaimedatextendingcomputingcapabilities

fromthecloudtothenetworkedge,hasbecomeoneofthekeytechnologiesforachieving

efficientandlow-latencycommunicationservices.However,withthesurgeinthenumberof

terminaldevicesandthediversificationofservicedemands,traditionalMECdeployment

methodsfacechallengessuchasinflexibleresourceallocationand