基于新型組網的無人機巡檢任務處理優化方案

摘 要：考慮用戶移動性，特別是在無人機巡檢場景下，由于多接入邊緣計算（Ｍｕｌｔｉ-ａｃｃｅｓｓ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ，ＭＥＣ）節點服務范圍小，大概率發生任務遷移。任務遷移將增加任務處理的時延和成本。為了降低任務遷移概率，提出了一種新的ＭＥＣ 組網架構———ＭＥＣ ＰＯＯＬ。在此基礎上，構建了ＭＥＣ ＰＯＯＬ 組網架構下的任務處理效益模型，將任務處理效益最優問題轉換成受限條件下最優解問題。為了解決上述最優解問題，設計了一種基于任務處理效益最優的粒子群算法。實驗結果表明，在發生任務遷移的場景下，ＭＥＣ ＰＯＯＬ 組網方案相比ＭＥＣ 傳統組網方案，任務處理效益和任務處理時延效益均可提升１０％ 以上。對于多用戶場景，平均任務處理效益提升８％ 以上，平均任務處理時延減少１０％ 以上。

關鍵詞：無人機巡檢；任務處理；多接入邊緣計算；新型組網

中圖分類號：ＴＮ９２９ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）０７－１６３４－０９

０ 引言

隨著第五代移動通信（５Ｇ）時代的到來，自動駕駛、工業控制和車聯網等領域的應用需求越來越迫切。為了更好地滿足上述領域低時延、計算復雜的應用，引入了多接入邊緣計算（Ｍｕｌｔｉ-ａｃｃｅｓｓ ＥｄｇｅＣｏｍｐｕｔｉｎｇ，ＭＥＣ）的概念［１－２］。具備一定通信、計算資源的ＭＥＣ 節點部署在靠近用戶的網絡邊緣，用戶可以將實時性高、計算復雜的任務卸載到附近的ＭＥＣ 節點，實現任務的實時處理。文獻［３ －６］的研信號與信息處理究主要集中在綜合考慮ＭＥＣ（邊），用戶終端（端）的通信，計算資源如何將任務在邊、端進行卸載處理，以達到任務處理最優。當考慮用戶移動性時，任務處理最優問題將更加復雜。例如，在智慧高速中無人機巡檢場景下，無人機通過機載５Ｇ 模組接入５Ｇ 網絡，與ＭＥＣ 節點配合完成高清視頻實時回傳、智能視頻分析等功能。考慮到ＭＥＣ 服務范圍小，在任務處理過程中，大概率會發生任務遷移，進而增加任務處理時延及成本。針對任務遷移優化問題，總體上有２ 種解決思路。

一種解決思路是通過構建模型并利用相關算法實現最優的任務遷移，來降低任務處理時延和成本。文獻［７］利用馬爾科夫決策過程、文獻［８ －１２］利用強化學習、文獻［１３］利用最短路徑算法、文獻［１４］利用遺傳算法、文獻［１５］利用合作博弈算法、文獻［１６－１７］利用李雅普諾夫優化等各種模型、算法來解決任務遷移優化問題。但上述思路未能降低任務遷移的發生。另一種解決思路是通過設計新型網絡架構來降低任務遷移概率。文獻［１８］提出了一種ＳｈａｒｅｄＭＥＣ 網絡架構。在這個架構中，每個基站（Ｂａｓｅ Ｓｔａｔｉｏｎ，ＢＳ）都有一個ＭＥＣ 為其服務，一群ＢＳ共享ＳｈａｒｅｄＭＥＣ 節點。當發生任務遷移時，將任務遷移到ＳｈａｒｅｄＭＥＣ 節點上，后續由ＳｈａｒｅｄＭＥＣ 節點處理。雖然上述網絡架構降低了任務遷移概率，但ＳｈａｒｅｄＭＥＣ 網絡架構需要額外新增關鍵網元ＳｈａｒｅｄＭＥＣ 節點，不僅增加了系統成本，而且ＳｈａｒｅｄＭＥＣ 節點一旦故障，將大大降低系統性能。

為了解決現有方案中的上述缺點，針對用戶終端高速移動場景，提出了一種基于ＭＥＣ 新型組網的任務處理優化方案。一方面，降低了任務遷移概率，進而降低任務處理時延和成本，提升了任務處理效益；另一方面，提升了ＭＥＣ 組網的魯棒性。本文主要貢獻包括以下３ 點：

① 首次提出了一種ＭＥＣ 新型組網架構。多個ＭＥＣ 組成一個ＭＥＣ 池（ＭＥＣ ＰＯＯＬ）。用戶終端與ＭＥＣ ＰＯＯＬ 區域內所有ＭＥＣ 互聯，ＭＥＣ ＰＯＯＬ 區域內所有ＭＥＣ 的服務區域之和是ＭＥＣ ＰＯＯＬ 的服務區域。用戶終端在ＭＥＣ ＰＯＯＬ 服務區域內移動時，不會更改為其服務的ＭＥＣ，降低了任務遷移概率，進而提升了任務處理效益。此外，當ＭＥＣ ＰＯＯＬ 區域內某ＭＥＣ 宕掉后，其他的ＭＥＣ 可以接管繼續為原用戶終端提供服務，提升了ＭＥＣ 組網的魯棒性。

② 分３ 類場景提出了ＭＥＣ ＰＯＯＬ 組網架構下任務處理流程，并在資源受限情況下，綜合考慮通信、計算和能耗等因素，搭建了ＭＥＣ ＰＯＯＬ 組網架構下任務處理時延、能耗、成本及效益模型。

③ 設計了一種基于系統效益最優的任務處理方案，并揭示了ＭＥＣ ＰＯＯＬ 組網架構下任務處理的規律。

實驗結果表明，在發生任務遷移的情況下，本文設計的ＭＥＣ ＰＯＯＬ 組網方案的任務處理效益相比傳統組網方案的任務處理效益可以提升１０％ 以上。對于多用戶場景，平均任務處理效益提升８％ 以上，平均任務處理時延減少１０％ 以上。

１ ＭＥＣ 新型組網架構

以智慧高速中無人機巡檢為例，ＭＥＣ 新型組網架構如圖１ （ａ）所示。３ 個ＭＥＣ 組成一個ＭＥＣＰＯＯＬ，無人機通過５Ｇ 新空口（Ｎｅｗ Ｒａｄｉｏ，ＮＲ）與ＭＥＣ ＰＯＯＬ 區域內所有ＭＥＣ 互聯。無人機在ＭＥＣＰＯＯＬ 的服務區域內移動時，不會更改為其服務的ＭＥＣ。例如，根據任務卸載策略，無人機通過ＮＲ１將任務卸載到ＭＥＣ１ 進行處理。在任務處理過程中，無人機運動到ＮＲ２ 覆蓋區域。任務還可以繼續由ＭＥＣ１ 進行處理，處理后的結果通過ＮＲ２ 回傳給無人機。而在傳統ＭＥＣ 組網架構下，如圖１（ｂ）所示，將發生任務遷移，任務將從ＭＥＣ１ 遷移到ＭＥＣ２進行處理，進而增加了任務處理時延和成本。此外，當ＭＥＣ ＰＯＯＬ 區域內某ＭＥＣ 宕掉后，其他的ＭＥＣ可以接管繼續為原無人機提供服務，提升了ＭＥＣ 組網的魯棒性。

２ ＭＥＣ 新型組網架構下任務處理流程

ＭＥＣ ＰＯＯＬ 組網架構下任務處理分為３ 類場景，以智慧高速中無人機巡檢為例，具體任務處理流程如圖２ 所示。為無人機服務的ＭＥＣ 為ＭＥＣｉ，無人機需要處理的任務量為Ａ。

對于場景一，無人機將任務量Ｂ（Ｂ＜Ａ）卸載到ＭＥＣｉ 后，由于高速移動，無人機發生ＮＲ 切換。但基于ＭＥＣ ＰＯＯＬ 組網，無人機切換后仍由ＭＥＣｉ 為其服務。無人機需要將剩余任務量（Ａ－Ｂ）卸載給ＭＥＣｉ，由ＭＥＣｉ 處理任務并將任務處理結果回傳給無人機，如圖２（ａ）所示。

對于場景二，無人機將任務量Ａ 卸載到ＭＥＣｉ，ＭＥＣｉ 處理完成任務量Ｃ（Ｃ＜Ａ）后，無人機發生ＮＲ切換。基于ＭＥＣ ＰＯＯＬ 組網，無人機切換后仍由ＭＥＣｉ 為其服務。ＭＥＣｉ 將繼續處理未完成的任務并將任務處理結果回傳給無人機。需說明，圖２（ｂ）中所示的３（ａ）、３（ｂ）兩個步驟在時間上是并行。

對于場景三，在任務處理過程中均未發生ＮＲ切換，如圖２（ｃ）所示。

３ 任務處理優化方案

為了更好地降低任務處理時延和成本，需要基于ＭＥＣ、無人機的通信、計算資源，綜合考慮任務處理的時延、能耗和成本對任務處理進行優化。本節基于前述ＭＥＣ ＰＯＯＬ 組網架構下任務處理流程，對任務處理時延、能耗、成本及效益進行分析建模。

３． １ 任務處理時延

任務處理時延包含任務通信時延、任務計算時延和任務遷移時延。

① 任務通信時延

基于上述任務處理流程，無人機與ＭＥＣｉ 之間任務通信時延Ｔｃｏｍｉ （ｘｉ，Ｔｃｔｉ ）表示為：

式中：ｘｉ 表示無人機需要卸載到ＭＥＣｉ 進行處理的任務量，Ｔｃｔｉ 表示無人機與ＭＥＣｉ 的連接時間，ＶｕＲｉ 表示無人機切換前與ＭＥＣｉ 上行鏈路傳輸速率，ＶｕＲＨ 表示無人機切換后與ＭＥＣｉ 上行鏈路傳輸速率，ＶｄＲＨ 表示無人機切換后與ＭＥＣｉ 下行鏈路傳輸速率，ρｘｉ 表示任務ｘｉ 的計算處理結果，ＶｄＲｉ 表示無人機切換前與ＭＥＣｉ 下行鏈路傳輸速率，Ｔｒｅｃｖｉ （ｘｉ ）表示任務量ｘｉ卸載到ＭＥＣｉ 的傳輸時間。

Ｔｒｅｃｖｉ （ｘｉ） ＝ ｘｉ／ＶｕＲｉ。（２）

Ｔｐｒｏｃｉ （ｘｉ ）為任務量ｘｉ 在ＭＥＣｉ 的計算時間，表示為：

Ｔｐｒｏｃｉ （ｘｉ） ＝ ｘｉ／ＶＣｉ， （３）

式中：ＶＣｉ 為ＭＥＣｉ 的計算速率。

Ｔｓｅｎｄｉ （ｘｉ）為任務ｘｉ 的計算結果ρｘｉ 從ＭＥＣｉ 回傳到無人機的傳輸時間，表示為：

Ｔｓｅｎｄｉ （ｘｉ） ＝ ρｘｉ／ＶｄＲｉ。（４）

② 任務計算時延

任務計算時延包含ＭＥＣｉ 計算時延和無人機計算時延。

ＭＥＣｉ 計算時延表示為：

Ｔｃｏｍｐｉ （ｘｉ，Ｔｃｔｉ ） ＝ ｘｉ／ＶＣｉ。（５）

無人機計算時延表示為：

Ｔｃｏｍｐｌ （ｘｉ） ＝ （Ｗ － ｘｉ）／ＶＣｌ， （６）

式中：Ｗ 為需要處理的任務總量，ＶＣｌ 為無人機計算速率。

③ 任務遷移時延

在ＭＥＣ ＰＯＯＬ 組網架構下不會發生任務遷移，僅發生無人機ＮＲ 切換，則任務遷移時延表示為：

Ｔｍｉｇｉ ＝ ＴＨＯ ， （７）

式中：ＴＨＯ 為無人機ＮＲ 切換時延。

根據上述任務通信時延、計算時延和遷移時延，任務處理時延表示為：

式中：Ｔ１ 為圖２（ｂ）場景二的任務處理時延，考慮了圖２（ｂ）中所示的３（ａ）、３（ｂ）兩個步驟在時間上是并行；Ｔ２ 為其他場景下的任務處理時延。

具體地：

３． ２ 任務處理能耗

任務處理能耗包含無人機計算能耗、任務傳輸能耗和ＭＥＣ 計算能耗。

① 無人機計算能耗

無人機計算能耗表示為：

Ｅｌｏｃａｌｉ （ｘｉ） ＝ （Ｗ － ｘｉ）ＰＣｌ， （１１）

式中：ＰＣｌ 為無人機計算單比特能耗。

② 任務傳輸能耗

任務傳輸能耗表示為：

Ｅｔｒａｎｉ （ｘｉ，Ｔｃｔｉ ） ＝ ＰＲｌ（ｘｉ ＋ ρｘｉ）， （１２）

式中：ＰＲｌ 為無人機發送／ 接收單比特能耗。

根據無人機計算能耗和任務傳輸能耗可以得到任務處理中無人機能耗為：

Ｅｌ（ｘｉ，Ｔｃｔｉ ） ＝ Ｅｌｏｃａｌｉ （ｘｉ）＋ Ｅｔｒａｎｉ （ｘｉ，Ｔｃｔｉ ）。（１３）

③ ＭＥＣ 計算能耗

ＭＥＣｉ 計算能耗表示為：

ＥｃｏｍｐＭＥＣｉ（ｘｉ，Ｔｃｔｉ ） ＝ ＰＣｉ Ｔｃｏｍｐｉ （ｘｉ，Ｔｃｔｉ ）， （１４）

式中：ＰＣｉ 為ＭＥＣｉ 單位時間計算能耗。基于上述三方面能耗，任務處理能耗表示為：

Ｅ（ｘｉ，Ｔｃｔｉ ） ＝ Ｅｌｏｃａｌｉ （ｘｉ）＋ Ｅｔｒａｎｉ （ｘｉ，Ｔｃｔｉ ）＋ ＥｃｏｍｐＭＥＣｉ（ｘｉ，Ｔｃｔｉ ）。（１５）

３． ３ 任務處理成本

任務處理成本包括通信成本、計算成本、遷移成本、能耗成本和空閑成本。

① 通信成本

通信成本表示為：

Ｃｃｏｍｉ （ｘｉ，Ｔｃｔｉ ） ＝ α［Ｔｃｏｍｉ （ｘｉ，Ｔｃｔｉ ）］， （１６）

式中：α 為單位時間的通信成本。

② 計算成本

計算成本表示為：

Ｃｃｏｍｐｉ （ｘｉ，Ｔｃｔｉ ） ＝ β［Ｔｃｏｍｐｉ （ｘｉ，Ｔｃｔｉ ）＋ Ｔｃｏｍｐｌ （ｘｉ）］， （１７）

式中：β 為單位時間的計算成本。

③ 遷移成本

遷移成本表示為：

Ｃｍｉｇｉ ＝ γＴｍｉｇｉ ， （１８）

式中：γ 為單位時間的遷移成本。

④ 能耗成本

能耗成本表示為：

Ｃｅｉ（ｘｉ，Ｔｃｔｉ ） ＝ ε［Ｅｌｏｃａｌｉ （ｘｉ）＋ Ｅｔｒａｎｉ （ｘｉ，Ｔｃｔｉ ）＋ ＥｃｏｍｐＭＥＣｉ（ｘｉ，Ｔｃｔｉ ）］，（１９）

式中：ε 為單位能耗的成本。

⑤ 空閑成本

當ＭＥＣｉ 已經將任務處理結果全部回傳給無人機但仍與無人機連接時，將會影響其他無人機的接入。因此，空閑成本表示為：

Ｃｉｄｌｅｉ （ｘｉ，Ｔｃｔｉ ） ＝ δＴｉｄｌｅｉ （ｘｉ，Ｔｃｔｉ ）， （２０）

式中：δ 為單位時間的空閑成本，Ｔｉｄｌｅｉ （ｘｉ，Ｔｃｔｉ ）為空閑時間。

式中：Ｔｔｏｔａｌｉ （ｘｉ）為ＭＥＣｉ 處理任務量ｘｉ 所需時間。

Ｔｔｏｔａｌｉ （ｘｉ） ＝ Ｔｒｅｃｖｉ （ｘｉ）＋ Ｔｐｒｏｃｉ （ｘｉ）＋ Ｔｓｅｎｄｉ （ｘｉ）。（２２）

３． ４ 任務處理效益

任務處理效益定義為：相比無人機獨立處理任務，由ＭＥＣ 和無人機協同處理任務時降低的任務處理成本。任務處理效益包括任務處理時延效益和任務處理能耗效益。任務處理時延效益表示為：

Ｑｃｉ（ｘｉ，Ｔｃｔｉ ） ＝ β ＷＶＣｌ－ Ｃｃｏｍｉ （ｘｉ，Ｔｃｔｉ ）－ Ｃｃｏｍｐｉ （ｘｉ，Ｔｃｔｉ ）－Ｃｍｉｇｉ － Ｃｉｄｌｅｉ （ｘｉ，Ｔｃｔｉ ）。（２３）

任務處理能耗效益表示為：

Ｑｅｉ（ｘｉ，Ｔｃｔｉ ） ＝ εＷＰＣｌ － Ｃｅｉ（ｘｉ，Ｔｃｔｉ ）。（２４）

任務處理效益Ｚｉ，ｊ（ｘｉ，Ｔｃｔｉ ）表示為：

Ｚｉ，ｊ（ｘｉ，Ｔｃｔｉ ） ＝ ηｉ Ｑｃｉ（ｘｉ，Ｔｃｔｉ ）＋ ηｊ Ｑｅｉ（ｘｉ，Ｔｃｔｉ ）， （２５）

式中：ηｉ 與任務處理優先級有關，任務處理優先級越高，則ηｉ 取值越大；ηｊ 與系統剩余能量有關，系統剩余能量越多，則ηｊ 取值越小，相應的ηｉ 取值越大。

３． ５ 優化問題構建

基于上述模型，任務處理優化問題可以轉換為在考慮任務處理時延、無人機能耗限制的情況下，最大化任務處理效益。轉換后的優化問題可以表示為：

式中：Ｄｍ 為任務完成最大持續時間，ＥｔｈＵＥ 為無人機能耗閾值。

４ 基于任務處理效益最優的粒子群算法

本文將任務處理效益最優轉化成多目標受限條件下最優解的問題。為了解決上述混合整數非線性規劃問題，引入粒子群算法來進行優化。每個粒子都通過式（２５）計算各自的適應度，然后粒子們追隨當前的最優粒子在解空間中進行搜索。基于任務處理效益最優的粒子群算法如算法１ 所示。

算法中，Ｐｂｅｓｔ 為單個粒子最優值，Ｇｂｅｓｔ 為粒子群最優值，ｋｍａｘ 為循環次數。

５ 結果評估

圖１（ａ）作為實驗場景，實驗中各參數設置如下：無人機需要處理的任務量為２５０ Ｍｂ，任務完成截止時間為７０ ｓ，無人機與ＭＥＣ 連接時間為１５ ｓ，無人機能耗閾值為１００ Ｊ。ＭＥＣ１、ＭＥＣ２、ＭＥＣ３ 的計算能力、通信速率及計算功耗依次降低。本實驗中的其他參數參考文獻［１９－２０］進行設置。

任務處理性能隨卸載任務量變化情況如圖３ 所示。當卸載量小于１１０ Ｍｂ 時，任務處理時延大于任務完成最大持續時間，故未在圖３ 中體現。

從圖３ 可以看出，任務處理效益隨著卸載任務量的增加而增加，無人機能耗、任務處理能耗隨著卸載任務量的增加而降低，體現了端、邊協同的優勢。而對于任務處理時延，隨著卸載任務量的增加先下降后上升。原因如下：考慮到無人機任務處理和ＭＥＣ 任務處理是并行的，在任務卸載量小于１９０ Ｍｂ時，無人機任務處理時延大于ＭＥＣ 任務處理時延，任務處理時延由無人機任務處理時延決定，故任務處理時延隨卸載任務量增加而降低。當任務卸載量超過１９０ Ｍｂ 時，ＭＥＣ 任務處理時延將超過無人機任務處理時延，任務處理時延由ＭＥＣ 任務處理時延決定，故任務處理時延隨著卸載任務量的增加而增加。

雖然任務處理時延在卸載任務量為１９０ Ｍｂ 時最小，但無人機能耗、任務處理能耗相比卸載任務量為２５０ Ｍｂ 時較大，故任務處理效益不是最高。卸載任務量為１９０、２５０ Ｍｂ 時，任務處理效益、任務處理能耗、任務處理時延及無人機能耗對比如圖４ 所示。從上述對比看出，當任務完成截止時間較小時，需要在任務處理時延和任務處理效益之間進行權衡。如果任務完成截止時間不超３５ ｓ，則任務卸載量為２００ Ｍｂ 時，在滿足任務處理時延的同時，任務處理效益最高。

任務處理效益、時延效益隨任務量變化情況如圖５ 所示。其中，連接時間為１５ ｓ。從圖５（ａ）可以看出，在相同的任務量下，本文提出的ＭＥＣ ＰＯＯＬ組網方案的任務處理效益高于ＭＥＣ 傳統組網方案。當任務量小于１００ Ｍｂ 時（對應圖２ 中場景三），由于ＭＥＣ 傳統組網方案中不會發生任務遷移，因此上述２ 種組網方案的任務處理效益沒有差異。當任務量在１００ ～ ２３０ Ｍｂ 時（對應圖２ 中場景二），ＭＥＣ 傳統組網方案中會發生任務遷移，但遷移的是任務處理或部分處理的結果。由于上述遷移量較小，２ 種方案的任務處理效益相差不大。當任務量大于２３０ Ｍｂ（對應圖２ 中場景一）時，ＭＥＣ 傳統組網方案將發生大量的任務遷移，因此２ 種方案的任務處理效益差異較大。在場景一發生任務遷移情況下，本文提出的ＭＥＣ ＰＯＯＬ 組網方案的任務處理效益比ＭＥＣ 傳統組網方案提升６％ ～ １１％ 。任務處理時延效益隨任務量的變化如圖５（ｂ）所示。２ 種組網方案的任務處理時延效益變化趨勢與任務處理效益的變化趨勢相似。相比ＭＥＣ 傳統組網方案，在場景一發生任務遷移情況下，本文提出的ＭＥＣ ＰＯＯＬ 組網方案的任務處理時延效益提升７％ ～ １１％ 。

任務處理效益、時延效益隨連接時間變化情況如圖６ 所示。其中，處理任務量為２５０ Ｍｂ。從圖６（ａ）可以看出，本文提出的ＭＥＣ ＰＯＯＬ 組網方案的任務處理效益高于ＭＥＣ 傳統組網方案。當連接時間小于１５ ｓ（對應圖２ 中場景一）時，ＭＥＣ 傳統組網方案將發生大量任務遷移，因此２ 種方案的任務處理效益差異很大。當連接時間在２０ ～ ４０ ｓ 時（對應圖２ 中場景二），ＭＥＣ 傳統組網方案中會發生任務遷移，但遷移是任務處理或部分處理的結果，２ 種方案的任務處理效益相差不大。當連接時間大于４０ ｓ 時（對應圖２ 中場景三），由于ＭＥＣ 傳統組網方案中沒有任務遷移，因此上述２ 種方案的任務處理效益沒有差異。在場景一發生任務遷移情況下，本文提出的ＭＥＣ ＰＯＯＬ 組網方案的任務處理效益比ＭＥＣ 傳統組網方案提升５％ ～ １１％ 。任務處理時延效益隨連接時間的變化如圖６ （ｂ）所示。２ 種組網方案的任務處理時延效益變化趨勢與任務處理效益的變化趨勢相似。在場景一發生任務遷移情況下，本文提出的ＭＥＣ ＰＯＯＬ 組網方案的任務處理時延效益比ＭＥＣ 傳統組網方案提升５％ ～ １２％ 。

任務處理效益隨任務量和連接時間的變化情況如圖７ 所示。當任務量較小時，由于空閑成本導致任務處理效益隨著連接時間的增加而降低。當任務量較大時，任務處理效益不會隨著連接時間而變化。當連接時間較小時，任務處理效益會隨著任務量的增加而增加。當連接時間較大時，隨著任務量的增加，空閑成本逐漸消失，導致任務處理效益隨著任務量的增加而快速增加。上述變化趨勢與圖５ 和圖６完全吻合。

多用戶場景下ＭＥＣ ＰＯＯＬ 組網和ＭＥＣ 傳統組網的任務處理效益對比如圖８ 所示。待處理的任務量在２００ ～ ５００ Ｍｂ 隨機取值。連接時間在１０ ～ ２０ ｓ隨機取值。盡管２ 種ＭＥＣ 組網方案的平均任務處理效益都隨著用戶數量的變化而波動，但平均任務處理效益的標準差小于２． ５。與ＭＥＣ 傳統組網方案相比，在多用戶場景下，本文提出的ＭＥＣ ＰＯＯＬ組網方案的平均任務處理效益提升８％ 以上。

多用戶場景下ＭＥＣ ＰＯＯＬ 組網和ＭＥＣ 傳統組網的平均任務處理時延對比如圖９ 所示。與平均任務處理效益類似，盡管２ 種ＭＥＣ 組網方案的平均任務處理時延都隨著用戶數量的變化而波動，但平均任務處理時延的標準差小于２． １。在多用戶場景下，本文提出的ＭＥＣ ＰＯＯＬ 組網方案與ＭＥＣ 傳統組網方案相比，平均任務處理時延減少１０％ 以上。主要原因是在本文提出的ＭＥＣ ＰＯＯＬ 組網方案中，不會發生任務遷移。

此外，從圖８ 和圖９ 可以看出，平均任務處理效益和平均任務處理時延隨用戶數變化趨勢相似，主要原因是高的平均任務處理時延意味著要處理的平均任務量大，相應的平均任務處理效益也大。

６ 結束語

針對智慧高速中無人機巡檢場景，為了降低任務遷移概率，提出了一種新的網絡架構，即ＭＥＣＰＯＯＬ 架構。基于上述組網架構，分３ 類場景提出了任務處理流程。在資源受限情況下，綜合考慮連接時間、任務量、通信資源、計算資源和能耗等因素，搭建了ＭＥＣ ＰＯＯＬ 組網架構下任務處理時延、能耗、成本及效益模型。設計了一種基于系統效益最優的任務處理優化方案，并揭示了ＭＥＣ ＰＯＯＬ 組網架構下任務處理規律。此外，為了解決上述多目標受限條件下最優解問題，設計了基于任務處理效益最優的粒子群算法，給出最優的任務卸載策略。實驗結果表明，在一定的連接時間下，任務處理效益隨著卸載任務量的增加而增加，無人機能耗隨著卸載量的增加而降低。而對于實時性要求高的任務，需要在任務處理時延和任務處理效益之間進行權衡。在發生任務遷移場景下，本文提出的ＭＥＣ ＰＯＯＬ 組網方案相比ＭＥＣ 傳統組網方案，任務處理效益和任務處理時延效益提升均可達１０％ 以上。對于多用戶場景，本文提出的ＭＥＣ ＰＯＯＬ 組網方案相比ＭＥＣ傳統組網方案，平均任務處理效益提升８％ 以上，平均任務處理時延減少１０％ 以上。

參考文獻

［１］ ＹＵＡＮ Ｈ Ｔ，ＢＩ Ｊ，ＴＡＮ Ｗ，ｅｔ ａｌ． Ｔｅｍｐｏｒａｌ Ｔａｓｋ Ｓｃｈｅｄｕｌｉｎｇｗｉｔｈ Ｃｏｎｓｔｒａｉｎｅｄ Ｓｅｒｖｉｃｅ Ｄｅｌａｙ ｆｏｒ Ｐｒｏｆｉｔ Ｍａｘｉｍｉｚａｔｉｏｎ ｉｎＨｙｂｒｉｄ Ｃｌｏｕｄｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａｕｔｏｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１７，１４（１）：３３７－３４８．

［２］ ＷＡＮＧ Ｙ，ＬＩＵ Ｍ，ＹＡＮＧ Ｊ，ｅｔ ａｌ． Ｄａｔａｄｒｉｖｅｎ ＤｅｅｐＬｅａｒｎｉｎｇ ｆｏｒ Ａｕｔｏｍａｔｉｃ Ｍｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ ｉｎＣｏｇｎｉｔｉｖｅ Ｒａｄｉｏｓ ［Ｊ ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＶｅｈｉｃｕｌａｒＴｅｃｈｎｏｌｏｇｙ，２０１９，６８（４）：４０７４－４０７７．

［３］ ＲＥＮ Ｊ Ｋ，ＹＵ Ｇ Ｄ，ＨＥ Ｙ Ｈ，ｅｔ ａｌ． Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｃｌｏｕｄ ａｎｄＥｄｇｅ Ｃｏｍｐｕｔｉｎｇ ｆｏｒ Ｌａｔｅｎｃｙ Ｍｉｎｉｍｉｚａｔｉｏｎ ［Ｊ ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ，２０１９，６８ （５ ）：５０３１－５０４４．

［４］ ＫＩＲＡＮ Ｎ，ＰＡＮ Ｃ Ｙ，ＷＡＮＧ Ｓ Ｈ，ｅｔ ａｌ． Ｊｏｉｎｔ Ｒｅｓｏｕｒｃｅ Ａｌｌｏｃａｔｉｏｎ ａｎｄ Ｃｏｍｐｕｔａｔｉｏｎ Ｏｆｆｌｏａｄｉｎｇ ｉｎ Ｍｏｂｉｌｅ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ ｆｏｒ ＳＤＮ Ｂａｓｅｄ Ｗｉｒｅｌｅｓｓ Ｎｅｔｗｏｒｋｓ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆＣｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｎｅｔｗｏｒｋｓ，２０２０，２（１）：１－１１．

［５］ ＺＥＮＧ Ｓ，ＨＵＡＮＧ Ｘ Ｈ，ＬＩ Ｄ Ｄ． Ｊｏｉｎｔ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ａｎｄＣｏｍｐｕｔａｔｉｏｎ Ｃｏｏｐｅｒａｔｉｏｎ ｉｎ Ｗｉｒｅｌｅｓｓｐｏｗｅｒｅｄ ＭｏｂｉｌｅｅｄｇｅＣｏｍｐｕｔｉｎｇ Ｎｅｔｗｏｒｋｓ ｗｉｔｈ ＮＯＭＡ ［Ｊ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔ ｏｆＴｈｉｎｇｓ，２０２３，１０（１１）：９８４９－９８６２．

［６］ 徐昌彪，劉楊，劉遠祥，等． 基于多重指標的ＭＥＣ 服務器選擇方案［Ｊ］． 重慶郵電大學學報（自然科學版），２０２０，３２（３）：３２９－３３５．

［７］ ＹＡＮＧ Ｇ Ｓ，ＨＯＵ Ｌ，ＨＥ Ｘ Ｙ，ｅｔ ａｌ． Ｏｆｆｌｏａｄｉｎｇ Ｔｉｍｅ Ｏｐｔｉｍｉｚａｔｉｏｎ ｖｉａ Ｍａｒｋｏｖ Ｄｅｃｉｓｉｏｎ Ｐｒｏｃｅｓｓ ｉｎ Ｍｏｂｉｌｅｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ ［Ｊ ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ，２０２１，８ （４ ）：２４８３－２４９３．

［８］ ＣＨＥＮ Ｘ，ＬＩＵ Ｇ Ｚ． Ｊｏｉｎｔ Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ Ｔａｓｋ Ｏｆｆｌｏａｄｉｎｇ ａｎｄＲｅｓｏｕｒｃｅ Ａｌｌｏｃａｔｉｏｎ ｖｉａ Ｄｅｅｐ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ ｆｏｒＡｕｇｍｅｎｔｅｄ Ｒｅａｌｉｔｙ ｉｎ Ｍｏｂｉｌｅ Ｅｄｇｅ Ｎｅｔｗｏｒｋ ［Ｃ］∥ ２０２０ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ（ＥＤＧＥ）．Ｂｅｉｊｉｎｇ：ＩＥＥＥ，２０２０：７６－８２．

［９］ ＸＵ Ｊ Ｗ，ＬＩＵ Ｘ，ＺＨＵ Ｘ Ｒ． Ｄｅｅｐ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ ＬｅａｒｎｉｎｇＢａｓｅｄ Ｃｏｍｐｕｔｉｎｇ Ｏｆｆｌｏａｄｉｎｇ ａｎｄ Ｒｅｓｏｕｒｃｅ Ａｌｌｏｃａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ ｆｏｒ Ｍｏｂｉｌｅ Ｅｄｇｅ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０２０ ＩＥＥＥ ６ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ（ＩＣＣＣ）． Ｃｈｅｎｇｄｕ：ＩＥＥＥ，２０２０：１５４２－１５４７．

［１０］ ＷＵ Ｚ Ｙ，ＹＡＮ Ｄ Ｆ． Ｄｅｅｐ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ ＬｅａｒｎｉｎｇｂａｓｅｄＣｏｍｐｕｔａｔｉｏｎ Ｏｆｆｌｏａｄｉｎｇ ｆｏｒ ５Ｇ Ｖｅｈｉｃｌｅａｗａｒｅ ＭｕｌｔｉａｃｃｅｓｓＥｄｇｅ Ｃｏｍｐｕｔｉｎｇ Ｎｅｔｗｏｒｋ ［Ｊ］． Ｃｈｉｎａ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２１，１８（１１）：２６－４１．

［１１］ ＺＨＡＮＧ Ｙ Ｑ，ＬＩ Ｒ Ｇ，ＺＨＡＯ Ｙ Ｑ． Ｄｅｅｐ ＲｅｉｎｆｏｒｃｅｍｅｎｔＬｅａｒｎｉｎｇ Ｂａｓｅｄ Ｍｏｂｉｌｉｔｙａｗａｒｅ Ｓｅｒｖｉｃｅ Ｍｉｇｒａｔｉｏｎ ｆｏｒ Ｍｕｌｔｉａｃｃｅｓｓ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ Ｅｎｖｉｒｏｎｍｅｎｔ ［Ｃ］∥ ２０２２ ＩＥＥＥＳｙｍｐｏｓｉｕｍ ｏｎ Ｃｏｍｐｕｔｅｒｓ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ （ＩＳＣＣ）．Ｒｈｏｄｅｓ：ＩＥＥＥ，２０２２：１－６．

［１２］ ＺＨＡＮＧ Ｘ Ｙ，ＷＡＮＧ Ｊ Ｘ，ＷＡＮＧ Ｂ，ｅｔ ａｌ． ＯｆｆｌｏａｄｉｎｇＳｔｒａｔｅｇｙ ｆｏｒ ＵＡＶａｓｓｉｓｔｅｄ Ｍｏｂｉｌｅ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ Ｂａｓｅｄ ｏｎＲｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ［Ｃ］∥２０２２ ＩＥＥＥ／ ＣＩＣ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｃｈｉｎａ（ＩＣＣＣ）． Ｓａｎｓｈｕｉ：ＩＥＥＥ，２０２２：７０２－７０７．

［１３］ ＴＨＡＮＡＮＪＥＹＡＮ Ｓ，ＣＨＡＮ Ｃ Ａ，ＷＯＮＧ Ｅ，ｅｔ ａｌ． Ｍｏｂｉｌｉｔｙａｗａｒｅ Ｅｎｅｒｇｙ Ｏｐｔｉｍｉｚａｔｉｏｎ ｉｎ Ｈｏｓｔｓ Ｓｅｌｅｃｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔａｔｉｏｎ Ｏｆｆｌｏａｄｉｎｇ ｉｎ Ｍｕｌｔｉａｃｃｅｓｓ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ［Ｊ］． ＩＥＥＥＯｐｅｎ Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｏｃｉｅｔｙ，２０２０，１：１０５６－１０６５．

［１４］ ＹＡＮＧ Ｈ，ＧＵＯ Ｘ，ＬＩ Ｍ Ｌ． ＤＮＮ Ａｐｐｌｉｃａｔｉｏｎ ＯｒｉｅｎｔｅｄＭｉｇｒａｔｉｏｎ Ｓｃｈｅｄｕｌｉｎｇ Ｓｔｒａｔｅｇｙ Ｂａｓｅｄ ｏｎ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ［Ｃ］∥ ２０２０ ３９ｔｈ Ｃｈiｎｅｓｅ Ｃｏｎｔｒｏｌ Ｃｏｎｆｅｒｅｎｃｅ （ＣＣＣ ）．Ｓｈｅｎｙａｎｇ：ＩＥＥＥ，２０２０：４２９６－４３０１．

［１５］ 張海波，程妍，劉開健，等． 車聯網中整合移動邊緣計算與內容分發網絡的移動性管理策略［Ｊ］． 電子與信息學報，２０２０，４２（６）：１４４４－１４５１．

［１６］ 吳大鵬，呂吉，李職杜，等． 移動性感知的邊緣服務遷移策略［Ｊ］． 通信學報，２０２０，４１（４）：１－１３．

［１７］ ＬＡＢＲＩＪＩ Ｉ，ＳＴＲＩＮＡＴＩ Ｅ Ｃ，ＰＥＲＲＡＵＤ Ｅ，ｅｔ ａｌ． ＤｙｎａｍｉｃＭｉｇｒａｔｉｏｎ Ｓｔｒａｔｅｇｙ ｆｏｒ Ｍｏｂｉｌｅ Ｍｕｌｔｉａｃｃｅｓｓ Ｅｄｇｅ ＣｏｍｐｕｔｉｎｇＳｅｒｖｉｃｅｓ ［Ｃ］∥２０２２ ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄＮｅｔｗｏｒｋｉｎｇ Ｃｏｎｆｅｒｅｎｃｅ （ＷＣＮＣ ）． Ａｕｓｔｉｎ：ＩＥＥＥ，２０２２：７１０－７１５．

［１８］ ＮＡＳＲＩＮ Ｗ，ＸＩＥ Ｊ． ＳｈａｒｅｄＭＥＣ：Ｓｈａｒｉｎｇ Ｃｌｏｕｄｓ ｔｏ ＳｕｐｐｏｒｔＵｓｅｒ Ｍｏｂｉｌｉｔｙ ｉｎ Ｍｏｂｉｌｅ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ ［Ｃ ］∥ ２０１８ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ（ＩＣＣ）．Ｋａｎｓａｓ：ＩＥＥＥ，２０１８：１－６．

［１９］ ＣＨＥＮ Ｍ Ｈ，ＬＩＡＮＧ Ｂ，ＤＯＮＧ Ｍ． Ｊｏｉｎｔ Ｏｆｆｌｏａｄｉｎｇ ａｎｄ Ｒｅｓｏｕｒｃｅ Ａｌｌｏｃａｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔａｔｉｏｎ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ｉｎＭｏｂｉｌｅ Ｃｌｏｕｄ ｗｉｔｈ Ｃｏｍｐｕｔｉｎｇ Ａｃｃｅｓｓ Ｐｏｉｎｔ ［Ｃ］∥ ＩＥＥＥＩＮＦＯＣＯＭ ２０１７ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ． Ａｔｌａｎｔａ：ＩＥＥＥ，２０１７：１－９．

［２０］ ＰＬＡＣＨＹ Ｊ，ＢＥＣＶＡＲ Ｚ，ＳＴＲＩＮＡＴＩ Ｅ Ｃ，ｅｔ ａｌ． ＤｙｎａｍｉｃＡｌｌｏｃａｔｉｏｎ ｏｆ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｒｅｓｏｕｒｃｅｓ ｉｎＭｕｌｔｉａｃｃｅｓｓ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ ｆｏｒ Ｍｏｂｉｌｅ Ｕｓｅｒｓ ［Ｊ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｔｗｏｒｋ ａｎｄ Ｓｅｒｖｉｃｅ Ｍａｎａｇｅｍｅｎｔ，２０２１，１８（２）：２０８９－２１０６．

作者簡介

解冬東 男，（１９８８—），碩士，高級工程師。主要研究方向：智慧交通建設、信息化管理。

遲 猛 男，（１９８１—），碩士，高級工程師。主要研究方向：交通信息工程及控制、邊緣計算。

程衛平 男，（１９７９—），工程師。主要研究方向：智能交通管控與綜合服務。

馮傳奮 男，（１９８０—），博士，教授級高級工程師。主要研究方向：５Ｇ、邊緣計算。

米 波 男，（１９８３—），工程師。主要研究方向：５Ｇ 信息化、通信技術在交通行業應用等。

基金項目：山東省交通運輸廳科技計劃項目（２０２２Ｂ５１）