高效的多任务调度完成时间最小化UAV-Assisted移动计算边缘

文摘

移动计算边缘(MEC)可以减轻移动用户设备的计算资源短缺问题(问题)。然而,由于长期的沟通距离或妨碍大障碍,之间的直接通信链接可能不存在问题,MEC节点。因此阻碍了任务在MEC卸载。无人驾驶飞行器(无人机)高度的机动性,可以携带轻量级计算和存储模块。摘要UAV-assisted MEC方法,无人机可以继电器MEC的问题节点的任务输入数据,也可以利用机载计算和存储资源,缩短卸载任务的执行时间。考虑到严格的顺序依赖关系在多个卸载任务,本文优化任务调度和无人机飞行路径联合的方式。基于粒子群优化的启发式算法(PSO)也是发达的找到最优解。仿真结果表明,提出的多任务调度方法总能找到最好的权衡无人机的立场和无线信道条件。相比其他三个基线调度方法,该方法可以使用最小执行时间来完成所有的卸载任务。

1。介绍

随着自然语言处理的发展(1,计算机视觉2),互联网的车辆(IoV) [3,4),和其他人工智能(AI)技术,今天的移动应用程序变得更加延迟敏感和更多的计算密集型的。这是一个巨大的挑战来执行这些移动应用的用户设备(问题)有限的计算资源5]。新兴移动边缘计算(MEC)技术旨在将计算资源问题,这被认为是一个有效的方法缓解计算资源的短缺6- - - - - -9]。然而,在一些特殊的环境中,如偏远的农场,紧急救援,露天采石场,问题是远离MEC设施可用。因此,很难直接受益于MEC的问题10]。

近年来,无人机(uav)已经广泛应用于无线网络由于有吸引力的高机动性能,灵活的部署和操作成本低(11]。无人机携带无线收发器和数据缓存可以作为移动基站(BSs)或继电器节点收集数据生成的问题。此外,无人机携带轻量级计算服务器还可以充当MEC设施接地问题的计算密集型应用程序执行。

在本文中,我们考虑一个新的UAV-assisted MEC模型,在无人机设计作为MEC网站以及移动中继。无人机可以执行应用程序卸载问题或进一步卸载应用程序远程BS。

据相关工作UAV-assisted MEC模型,作者在12)优化卸载的数量计算,计算频率的用户,和共同的轨迹无人机,以减少无人机的能源消耗。作者在13)设计了一个multi-workflow UAV-assisted MEC系统模型,它允许不同的用户设备并行操作,从而有效地减少无人机的悬停时间。在[14),作者共同优化位置,时间片,无人机的任务划分,目的是减少能源消耗的问题。在[15),作者调查的影响无人机和每个传感器节点之间的距离(SN)无线电力传输系统的射频信号的衰减量和充电效率。本文旨在最大化和收获能源的SNs和最大化最小收到所有SNs共同优化无人机轨迹和SN的调度方案。在[16],cellular-connected无人机设计作为移动中继可以帮助卸载部分问题的计算任务执行的废话。为了最小化加权和无人机和能耗问题,作者共同优化计算和带宽资源和无人机的轨迹。

尽管许多重要问题有关UAV-assisted MEC已经解决,没有担心无人机和BS并行执行大型应用程序。指出,一个大型应用程序可分为一组计算任务。这些任务可以并行执行,但必须遵循严格的顺序(17]。因为这可以加快执行并行计算方法,本文的目的是设置为最小化的时间完成一组任务(隶属于应用程序)。这项工作的主要贡献是总结如下。(我)UAV-assisted MEC模型建立支持无人机和BS执行一组并行计算任务。在提出的模型中,计算之间的严格的顺序依赖任务为主的考虑。(2)为了减少卸载计算任务的完成时间,我们提出一个数学模型,共同优化任务调度和无人机的飞行轨迹。(3)启发式算法基于粒子群优化(PSO)找到最优开发任务调度以及无人机的最优轨迹。

本文的其余部分组织如下。节2的模型研究UAV-assisted MEC系统介绍。任务完成时间最小化问题是部分制定3。节4,一个有效的启发式算法来解决这个问题。我们在部分显示仿真结果5。最后,本文总结了部分6。

2。系统模型

我们考虑一个UAV-assisted MEC系统如图1由BS, cellular-connected无人机和地面用户设备(问题)。BS嵌入一个强大的计算设备,因此可以作为通信基础设施以及MEC设施。这个问题有几个家中在本地应用程序但不能处理它们由于有限的计算能力。MEC使问题能够卸载的应用程序b b发送任务输入数据。的废话可以执行应用程序的问题,也可以反馈结果的问题。

然而,问题之间的直接联系和BS可能很弱由于长途或大障碍的堵塞。在这种情况下,无人机的机载通信电路可以作为移动中继(18)协助之间的通信问题和BS。更重要的是,流动性高的无人机可以携带高性能处理器以及高容量数据缓存。因此,无人机可以配合BS加速完成问题的应用程序。

2.1。任务划分模型

一般来说,家中切块为一组应用程序可以在不同的粒度计算任务(19]。这些任务可以并行处理,但必须遵循严格的执行顺序。如图2,任务的优先级关系可以表现为一个有向无环图的任务 ,在哪里V是节点集和E边集。一个节点在吗V代表一个计算任务。为一个应用程序,该应用程序优先,箭头的实线连接是用于指示优先这两个任务之间的关系。也就是说,箭头指出的任务无法执行,直到所有相关的先前的任务已经完成。例如,在图7的任务2后只能执行task 2和task 4执行。在图2无关的,任务是相互独立的,如任务1、3和5。只保留一个开始节点和结束节点之一任务图,一个虚拟的入口节点年代和一个虚拟节点退出E插入与虚线指示实际任务节点。

此外,为了支持并行执行多个任务,以下假设是在(19]。(1)所有的N任务图G可以切成K任务组。让 表示任务组的设置。在kth集团任务(例如,节点2,4,6在图2)是相互独立的;即。,there are no edges between any two of the节点图G。因此,任务的集团可以并行执行。(2)前任的任务k集团应该完全包含在th组(例如,节点1,3,5图2)。因此,K任务组在G可以按顺序计划和执行情况。

为th任务的ktwo-tuple th集团,我们描述它的参数 ,在哪里(比特)表示所需的输入数据的数量和执行任务(CPU周期/位)表示数量计算所需的CPU周期1比特的数据。注意,如何分区应用程序优先级任务不是我们关注的焦点;我们注意到优先级任务上传和调度。

2.2。通信模型

如图1,我们认为UAV-assisted MEC投射到一个三维(3 d)欧几里得坐标系统。问题和BS位于坐标(0,0,0)和(l分别,0,0)。旋转翼无人机能飞或悬停在一个固定的高度 (可以是所需的最低海拔地形或建筑物避免),以一个恒定的速度移动 (满足无人机的最大速度限制)。进行简单分析,我们假设无人机在飞行中可以执行计算任务,但必须在固定位置悬停接收任务输入数据(问题)或继电器(BS)的数据。

无线通道从无人机问题和BS由视线(LoS)链接,和多普勒频移由于无人机的流动性可以完全补偿20.,21]。让 前表示无人机的初始位置th任务组将被执行。让 表示无人机的悬停位置接收任务输入的数据问题。让 表示的悬停位置无人机任务输入数据转发到b。它指出,无人机的初始位置时将处理任务 th集团只是一个位置,完成最后的任务k集团。无人机的渠道权力问题和BS可以,分别给出 在哪里在参考通道功率增益距离 。

让和表示问题的传播力量无人机,分别。假设每个数据链路系统中平等分配的带宽进行交流沟通。然后,最大数据速率的数据上传链接(从无人机的问题)和传送链接从无人机(BS)可以给出 在哪里是噪声功率接收器的无人机和BS,分别。

3所示。UAV-Assisted MEC

由于有限的计算资源,问题不能在本地处理计算任务。因此,它依赖于合作无人机和BS帮助完成任务。BS更强大的计算能力比无人机;然而,问题和b之间的直接联系是可以忽略不计由于严重的堵塞。因此,BS只能获得通过无人机的传送任务输入数据。随着移动应用程序通常是延迟敏感,有必要考虑时间消耗执行任务时在不同的位置。

3.1。在无人机执行任务

一旦任务kth任务组将被处理,问题应该首先将输入数据上传到无人机。所需的时间由无人机从初始位置到数据收集的位置是由

所需的时间的无人机收集输入数据th任务的k集团可以给

如果这个任务是将加工无人机,可以由执行时间 在哪里无人机的计算能力是衡量CPU周期每秒的数量。

3.2。在b执行一个任务

否则,如果要处理的任务是安排在BS,无人机应缓存任务输入数据,然后找到并移动到适当的位置对BS转发数据。所需的时间由无人机从数据收集的位置数据转发的位置可以由

所需的时间由无人机的输入数据th任务的k集团的废话可以

一般来说,欧共体嵌入式BS的超级计算能力。所以执行任务的时间将被忽略。

此外,作为小尺寸的计算结果,BS的反馈延迟问题和无人机的问题将被忽略。

4所示。问题公式化

本文着重于多任务调度方法无人机提供传送和MEC服务时遇到的问题。假设问题是延迟敏感的应用。多任务调度策略的目标是最小化所需的时间来完成一个移动应用程序发布的问题。根据上述分析,BS比无人机更强大的计算能力,但这需要更多的时间对BS获得输入数据处理任务。因此,主要考虑的多任务调度策略是确定任务处理时,无人机或废话吗?

首先,我们可以把任务属于应用程序分为两类,要处理的任务的一个类别在无人机和其他废话。因此,我们可以简单地认为只有在任何两大任务kth任务组,即 。贴上两大任务和( ),分别。这种简化可以很容易地扩展到的情况k任务组有超过两个任务,也就是说, 。

接下来,选择执行在任何网站(两大任务k任务组)分为以下三种情况。图3(1)我:一个任务执行无人机和其他废话。这种情况下如图3(a),完成所需的时间k可以由th任务组的问题 (2)案例二:两个在无人机任务处理。虽然这两个任务都与光计算负载可以独立处理的无人机。这种情况下如图3(b)。在这种情况下,完成的时间k可以由th任务组的问题 (3)案例三:这两个任务计算BS。这两个任务非常复杂时,最好将他们计算的废话。在这种情况下,如图3(c),所需的时间完成k可以给出的任务组

为了最小化应用程序的所有任务的完成时间,我们制定一个优化问题 在哪里表示一组无人机的水平位置,即。无人机的轨迹;的初始位置是无人机在其第一个任务组; 表示的前任任务的集合k任务组。

这个提议UAV-assisted MEC可以加速计算任务的执行。完成时间的权衡在于虽然无人机低得多的计算能力比b, b消耗更多的时间比无人机获取任务输入数据。

5。算法设计

通过检查问题(11),这个问题的特殊性使得它无法使用传统的凸优化方法来解决这个问题。建立我们的算法之前,先给出以下引理可简化我们的分析。

引理1。对于任何kth任务组,最优位置的无人机收集任务输入的数据问题和数据传递到b应该满足的条件

证明。首先,我们证明 为 。为此目的,我们假设最优位置徘徊的无人机 和 。有一集 和 和可以改进的渠道权力和在(1)。合成数据上传率和在(2)也增加,这将导致一个更小的目标函数值的问题(11)。这意味着问题的最优解(11可以找到) 为 。
接下来,我们证明 为 。根据(1)和(2),无人机可以达到的最大数据速率收集任务输入数据的问题 和可以达到的最大数据速率传送数据的废话 。注意,得宝。,the initial position of the UAV, is between the UE and the BS. It is obvious that if the UAV flies out of the interval ,飞行时间增加而降低数据传输速率。所以,我们有 为 。
通过引理1,和在(1)可以简化 基于上述分析,无人机的轨迹在协助卸货任务b可以表达的 在哪里 , ,和 为 以防我二, 和 为 。第三,我们有 , ,和 为 。
因此,最初的问题(11)可以写成 虽然数学很难判断问题(15)是凸与否,我们可以推断问题的目标函数是有界的,因为它是一个连续函数在闭区间。因此,我们考虑一个启发式算法基于粒子群优化(PSO) (22)和一个迭代算法来处理这个问题。

5.1。算法开发

一个基本PSO算法由一组候选解决方案实现(称为粒子)。这些粒子在搜索空间根据几个简单的粒子的位置和速度公式。粒子的运动是受到当地最优位置的影响,粒子也引导搜索空间的最优位置。最优位置也将有助于找到更好的其他粒子的位置。重复这个过程,直到群得到最好的解决方案。

根据基本PSO算法,对于任何k任务组,我们把目标函数( )作为适应度函数。让粒子群的数量。每个粒子的位置 , ,在搜索空间 ,和一个速度 。适应度函数接受一个候选人的解决方案在实数向量的形式和生成一个实数作为输出。让是最好的已知粒子的位置 。让是最著名的整群的位置。提出了PSO算法搜索最优位置的无人机中描述的算法1。

注意,算法是一种启发式算法,对优化问题和所做的假设很少或根本没有可以搜索解空间非常大的候选人。PSO算法等启发式不绝对保证最优解是发现23),和不同的PSO算法的收敛能力仍然依靠实证结果和适当的控制参数设置(24]。PSO-based算法设计的讨论超出了本文的范围(见[23,24])。

通过使用提出的算法,迭代算法来解决问题(15)总结了以下算法2。

6。仿真结果

在本节中,我们提供仿真结果证实所提出的多任务调度方法的性能。模拟系统有一个问题和一个废话,如图1。之间的距离问题和BS 以及它们之间没有直接的联系,由于阻塞。我们设置了通信系统的带宽 ,通道功率增益参考1米的距离,和噪声功率在问题。无人机的最大水平飞行速度设置 。无人机的飞行高度是固定的 。传输能力问题和设置为无人机和 ,分别。无人机的最大计算能力被设置 和所需要的CPU周期数计算每个位设置周期/。问题和BS的坐标是固定的和 ,分别。我们假设的初始位置开始的无人机执行任务的问题 。

首先,我们展示了PSO算法的收敛行为1并说明该迭代算法的收敛2。算法的收敛行为1(即三个调度方法。,情况下,我,案例二世,和案例3)我s shown in Figure4,应用程序数据的大小是100 MB(这个任务我是30 MB和任务j是70 MB)和无人机的初始位置是什么= (l⁄2 0H)。可以看出健身价值PSO算法获得的三个案例与迭代的数量迅速减少。我在5次迭代收敛,和二世和案件三世在15迭代收敛。该算法2获得最优调度方法K次迭代PSO算法,所以它的收敛性取决于PSO算法。从图可以看出4PSO算法只需要若干次迭代收敛,所以算法2也收敛,其时间复杂度是什么K次的PSO算法。

接下来,验证了该调度方法的性能,以下3基线调度方法也模拟比较的目的。

6.1。静止的调度方法

在这种方法中,无人机的位置总是固定在初始位置 。首先,一个任务的无人机收集数据位的问题。接下来,问题应该决定是否在本地执行任务或卸载到b根据任务完成多长时间。执行任务的问题一个接一个,直到他们完成。该方法认为一个极端的例子,无人机减少飞行时间,但没有得到良好的渠道任务卸载。

6.2。循环调度方法

上方的无人机首次飞,盘旋问题(因此有最好的通道条件),开始收集数据问题的首要任务。之后,无人机将立即执行第一个任务,与此同时,开始收集数据的第二个任务的问题。收集数据位的第二个任务后,上方的无人机将飞往和盘旋的废话和卸载数据位BS。该方法考虑另一个极端的例子,无人机可以得到最好的渠道任务卸载但延长飞行时间为代价的。

6.3。无人机只执行方法

在这种方法中,初始位置的无人机飞行,笼罩在问题。所有收集到的由无人机执行任务没有废话的参与。

我们展示的性能提出了多任务调度方法在解决移动应用程序有不同的大小。对于任何规模的应用程序,它分为四个任务组。每个任务组的大小是随机分配的。每个任务组包括两个任务和和的大小和在一个比1:2。在图5,我们显示了完成时间和不同大小的应用程序通过应用我们的提议和其他三个任务调度方法。

从图5我们可以观察到,该方法优于其他三种方法对任何大小的应用程序。它也指出,该方法的性能差距和循环调度方法减少与增加应用程序的大小。这表明当应用程序的规模很大,提出了任务调度方法可以引导无人机飞行接近的问题(或BS)收集数据(或卸载数据),这减少了应用程序的时间完成所有的任务。这也表明,当应用程序的规模大,系统往往落入我和案件第三节中介绍4。

为了更好地了解无人机帮助问题执行移动应用程序中,我们将展示无人机的飞行轨迹和悬停位置。在仿真中,我们应用程序的大小设置为140 MB,它分为四个任务组。每个任务组的大小是随机分配的大小两个任务在一组仍在一个比1:2。自y设在在无人机是固定的,我们只显示在图6的变化x设在坐标的无人机在执行任务。

图中的实线6代表了无人机的飞行轨迹执行两个任务在同一工作组,虚线代表了无人机的飞行轨迹连续在两个任务组,和箭头显示无人机的飞行方向。在仿真中,我们注意到,除了执行第一个任务组我们的方法分为二世;然而,这一切都属于我在执行其他三个任务组。这是由于规模相对较小的任务在第一个任务组。此外,我们还应注意,在执行第二个任务组,只有一个悬浮的无人机。这是由于小尺寸的第二个任务组,和无人机想卸载输入数据的第二个任务的废话后立即收集的数据问题。

我们作证的任务组的影响完成时间。为此目的,我们将应用程序的大小设置为300 MB,应用程序可以分为多个任务组。通过使用不同的任务调度方法,完成时间与不同数量的任务组如图7。

在图7,我们可以观察到任务组的数量,应用程序分为直接影响应用程序的完成时间。通过使用固定调度方法和无人机只计算方法,不改变任务完成时间和任务组的越来越多。这是因为任务组的无人机是静止的,不增加无人机的飞行时间。它指出,当任务组的数量大于任务完成时间将会减少。作为一名应用程序分为多个任务组,每个任务的大小减少。无人机可以采用调度方法,以防II降低应用程序的执行时间。

我们展示了无人机的飞行轨迹和悬停位置如图8。应用程序是300 MB的大小和应用程序分为4个任务组。在模拟生成图8,我们注意,1日和3日的调度任务组属于我,2日的调度任务组分为案例二,和第四的调度任务组分为例III。然后我们可以得出一个结论,提出了多任务调度方法总能找到最好的无人机位置和通道条件之间的权衡。因此,相比其他调度方法,可以使用最少的时间来完成一个计算密集型的移动应用程序。

最后,说明无人机的速度的影响,提出调度方法,我们假设应用程序问题的大小是100 MB,和应用程序分为三个任务组,每个国家都有两个任务我和j,如图9。图中的实线表示任务分工,和虚线表示任务组的优先级顺序。从图可以看出9这三个任务组的大小是90 MB, 30 MB,分别和180 MB。任务的大小j在每个任务组的两倍的任务我。对于不同的无人机的速度,选择的调度方法三个任务组如表所示1。

表中可以看到1任务组智能地选择合适的调度方法的增加无人机的速度。任务组1、调度方法以增加无人机的速度不会改变。这是因为任务相对中型任务在任务组1中,所以我在任何速度是最优的。对于任务组2,从图可以看出9这两个任务都相对较小。当无人机的飞行速度低于30 m / s,无人机的飞行时间开销将超过时间计算无人机。显然是不划算的选择我和案件三世。当无人机的速度超过40米/秒,我变成了最优调度的方法,因为增加的飞行速度。任务组3,无人机的速度的增加,最优调度方法从我三世。这是因为,无人机有很长的飞行时间由于其飞行速度低,并有足够的时间来计算的任务我在无人机上。当无人机的速度大于30 m / s,它显然是适当的将两个大规模的任务(例如,任务我和任务jBS)。

在图10,任务完成时间是策划与不同的无人机的飞行速度。很明显,任务完成时间与增加无人机的速度显著降低。值得注意的是,任务完成时间的减少趋势图10逐渐平缓。根据引理1,无人机的悬停位置必须在问题和b,问题的位置和b是固定的。因此,无人机的速度是有限的提高任务完成时间的性能。无人机的速度足够大时,它就变成了一个次要因素影响任务完成时间。

7所示。结论和未来的工作

本文研究了UAV-assisted MEC模型的计算任务问题有严格的顺序依赖关系。PSO算法和迭代算法是将计算任务的完成时间最小化。仿真结果表明,提出的多任务调度方法总能找到最好的无人机的位置和通道之间的权衡。然而,本文认为无人机只能接收数据而徘徊在一个位置。在未来,我们将研究的无人机在飞行中也可以接收数据。

此外,只有一个问题是本文的系统模型,但这为我们提供了研究multi-UE想法和见解。尽管本文认为UAV-assisted MEC模型只涉及到一个问题,调度方法one-UE情况下能提供我们洞察研究multi-UE未来的情况。本文的研究成果的基础上,我们将系统地讨论multi-UE局势在未来的研究工作,包括最优位置盘旋和无人机的飞行路径,选择卸载位置,任务调度方法。无人机的飞行路径,我们认为它不再是一个简单的直线轨迹。因为我们假定接收或发送的数据只能无人机盘旋时,会有多个最优位置所覆盖的区域内用正餐。无人机可以选择最优飞行路径根据最优位置。的任务调度方法,在任何点,无人机可以服务多个问题,每个问题可以选择最优时间即时将任务。考虑到应用程序的任务的优先级关系,问题只能卸载一个任务组的数据。然后他们可以继续卸载后的下一个任务组的数据结果。

数据可用性

仿真代码数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持部分由中国国家自然科学基金(批准号。61971421,61620106011,和U1705263)和中山市的团队项目(批准号180809162197874)。

引用

1. 即Sutskever, o . Vinyals诉勒,“序列序列学习神经网络,”诉讼的损害,蒙特利尔,加拿大,2014。视图:谷歌学术搜索
2. a . Krizhevsky i Sutskever g·辛顿,“Imagenet分类与深卷积神经网络,”诉讼的损害美国NV,太浩湖,2012年。视图:谷歌学术搜索
3. 吴c . j .冯z . Liu, y,“互联网的移动边缘计算车辆:卸载框架和工作调度,“IEEE车辆技术杂志,14卷,不。1、几个,2019页。视图:出版商的网站|谷歌学术搜索
4. 吴c . j .冯z . Liu, y,“万福:自主车辆的边缘与ACO-based调度计算框架,“IEEE车辆技术,卷66,不。12日,第10675 - 10660页,2017年。视图:出版商的网站|谷歌学术搜索
5. z Dawy, w•萨阿德·a . Ghosh j·g·安德鲁斯和大肠Yaacoub,“针对大规模的机器类型细胞通讯,”IEEE无线Commun,24卷,不。1,2017。视图:出版商的网站|谷歌学术搜索
6. 毛y,你,j . Zhang k .黄和k . b . Letaief”移动边缘计算:一项调查沟通的角度来看,“IEEE通信调查和教程,19卷,不。4、2322 - 2358年,2017页。视图:出版商的网站|谷歌学术搜索
7. h .郭和j .刘”的协作计算卸载多路存取计算在fiber-wireless网络边缘,”IEEE车辆技术,卷67,不。5,4514 - 4526年,2018页。视图:出版商的网站|谷歌学术搜索
8. 杨k . k . Wang, h。陈和张l .,“新兴网络模式计算的多样性,”IEEE无线通信,24卷,不。1,第94 - 88页,2017。视图:出版商的网站|谷歌学术搜索
9. 崔j .郭,z的歌,y, z . Liu, y,“多用户移动边缘计算节能资源分配,”《GLOBECOM IEEE 2017 - 2017全球通信会议2017年12月,页1 - 7、新加坡。视图:出版商的网站|谷歌学术搜索
10. y曾庆红,r·张,t . j . Lim“UAV-enabled移动传送系统吞吐量最大化,”IEEE通信,卷64,不。12日,第4996 - 4983页,2016年。视图:出版商的网站|谷歌学术搜索
11. m . Mozaffari w•萨阿德·m·班尼斯和m . Debbah”移动无人机(uav)节能的物联网通信,”IEEE无线通信,16卷,不。11日,第7589 - 7574页,2017年。视图:出版商的网站|谷歌学术搜索
12. f .周、吴y h .太阳,和z楚,“UAV-enabled移动边缘计算:卸载优化和轨迹设计,”IEEE国际会议通信学报》(ICC),页1 - 6,堪萨斯城,密苏里州,美国,2018年5月。视图:出版商的网站|谷歌学术搜索
13. g . y . Du, k, k . Wang,赵y,和d·陈,“联合资源和工作流调度UAV-enabled无线MEC物联网系统”IEEE车辆技术,卷68,不。10日,10187 - 10200年,2019页。视图:出版商的网站|谷歌学术搜索
14. j . Hu m .江问:张先生,问:李和j .秦”联合优化无人机位置、时间分配和计算任务在多用户分区空中mobile-edge计算系统,”IEEE车辆技术,卷68,不。7,7231 - 7235年,2019页。视图:出版商的网站|谷歌学术搜索
15. d . m . y . Wang, z . Liu, b, d .叫海波,“无人机移动无线电力传输系统与用户联合优化调度和轨迹,“移动网络和应用程序4卷,页1 - 15,2019。视图:出版商的网站|谷歌学术搜索
16. x, K.-K。黄、杨k和z郑”UAV-assisted传送和边缘计算:调度和轨迹优化,“IEEE无线通信,18卷,不。10日,4738 - 4752年,2019页。视图:出版商的网站|谷歌学术搜索
17. 周宏儒。宋,周宏儒。李,c . h . Shin, S.-M。月亮,“IONN”云计算程序的ACM研讨会ACM,页401 - 411年,新加坡,2018年。视图:出版商的网站|谷歌学术搜索
18. m . s . Wang夏、k·黄和研究。吴”,与非线性能量收集无线双向通信模型:率地区在固定和移动继电器,”IEEE无线通信,16卷,不。12日,第8204 - 8190页,2017年。视图:出版商的网站|谷歌学术搜索
19. c . Tang m, x,和w·陈,“节能意识在移动云计算任务调度,”分布式和并行数据库,36卷,不。3、529 - 553年,2018页。视图:出版商的网站|谷歌学术搜索
20. y曾庆红,j .律,r·张“Cellular-connected无人机:潜在的挑战和有前途的技术,”IEEE无线Commun,26卷,不。1,2019。视图:出版商的网站|谷歌学术搜索
21. 问:吴、刘l . r .张“基本沟通和轨迹设计权衡UAV-enabled无线网络,“IEEE无线通信,26卷,不。1,36-44,2019页。视图:出版商的网站|谷歌学术搜索
22. e . g . Zhang,杨k, p . Liu叮,和y宗庆后,”联合信道带宽和功率分配游戏自私合作传送网络,”IEEE车辆技术,卷61,不。9日,第4156 - 4142页,2012年。视图:出版商的网站|谷歌学术搜索
23. m·莱克和j·肯尼迪,“粒子swarm-explosion、稳定性和收敛在一个多维的复杂空间中,“IEEE进化计算》第六卷,没有。1,58 - 73、2002页。视图:出版商的网站|谷歌学术搜索
24. m·e·h·皮德森“好”为粒子群优化参数,技术代表、Hvass实验室,哥本哈根,丹麦,2010年,科技,众议员HL1001。视图:谷歌学术搜索

版权

版权©2020冰心Zhang et al。这是一个开放的分布式下条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。