車(chē)聯(lián)網(wǎng)空地協(xié)同MEC系統(tǒng)的通算資源在線分配優(yōu)化 米

關(guān)鍵詞：無(wú)人機(jī)通信；空地協(xié)同；移動(dòng)邊緣計(jì)算；在線優(yōu)化；資源信息預(yù)測(cè)中圖分類(lèi)號(hào)：TN929.5 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1001-3695（2025）08-030-2474-08doi：10. 19734/j.issn. 1001-3695.2025.01.0005

Research on online allocation of communication and computing resources in vehicular network air-ground cooperative MEC system

Fu Zhen’，Li Zhihao2，Zheng Taol，Luo Boya’，Cui Miao2?，Zhang Guangchi2 （1.JiangxiIsteilitarytetioNc3，inhooftonEging，uagdoU Technology，Guangzhou510006，China）

Abstract：An air-ground collaborative mobile edge computing（MEC）system composed of flexibleand maneuverable unmaned aerial vehicles（UAV）andground base stations can efectively guaranteethe MECservicequalityof the Internetof Vehiclesforhighlymobileusers.Inordertoadapttothereal-timeandrandomvariationcharacteristicsofthepositionsof IoV users，this paper studiedtheoptimizationofcommunicationandcomputingresoueallocationinanonlineair-groundcollborativeMECsystem.Thisresearchdividedtheflight timeofUAVinto multipleequal-lengthtimeslots.Ateachcurent tmeslot， thispaperemployedaKalmanfilter-basedmethodtopredictthepositionsofvehicleusersinthenexttimeslot.Subsequently， basedontheresourceallocationinthecurrenttimeslot，itstudiedaproblemof jointlyoptimizing thecommunicationbandwidth，computingtaskofloadingratioUAVtrajectory，andcomputingresourcesofthesystemtominimizethecommunicationcomputation delayof vehicleusers inthenextfuturetimeslot.Toeficientlysolvethis non-convex optimizationproblem，this paper proposedaneficientalternatingoptimizationalgorithm.Itdecomposed theoriginalproblemintosub-problemsofbandwidthallcation，computing taskoflodingratioalocation，UAVtrajectoroptimiationndcomputingresourcealoationd solved thesesub-problems byalternating iteration.Thesimulationresultsverifythattheproposedonlineoptimizationalgorithm exhibitsexcelentreal-timeperformance.Itcansignificantlyreducethecommunicationandcomputationdelayrequired forvehicle tasks，demonstrating theimportanceandfeasibilityofreal-timeoptimizationofcommunicationandcomputingresources in the connected vehicle network.

Key words：UAVcommunication；air-ground colaboration；mobileedge computing；onlineoptimization；resource information prediction

0 引言

隨著新興的智能化、車(chē)載網(wǎng)絡(luò)技術(shù)的發(fā)展，車(chē)輛可以通過(guò)先進(jìn)的通信技術(shù)實(shí)現(xiàn)全面的車(chē)聯(lián)網(wǎng)，車(chē)聯(lián)網(wǎng)是汽車(chē)工業(yè)、信息產(chǎn)業(yè)和交通運(yùn)輸業(yè)融合的交匯點(diǎn)[1，2]。然而，這些互聯(lián)汽車(chē)的增長(zhǎng)也導(dǎo)致了網(wǎng)絡(luò)流量的急劇增加，流量呈指數(shù)級(jí)增長(zhǎng)，需要擴(kuò)展網(wǎng)絡(luò)容量以滿足用戶需求。移動(dòng)邊緣計(jì)算（mobileedgecomputing，MEC）技術(shù)應(yīng)運(yùn)而生，它有望解決設(shè)備數(shù)量增加和大規(guī)模數(shù)據(jù)傳輸帶來(lái)的問(wèn)題[34]。然而，在密集的用戶區(qū)域，小基站有限的緩存空間仍然給回傳鏈路帶來(lái)了沉重的負(fù)擔(dān)。因此，將無(wú)人機(jī)引入網(wǎng)絡(luò)中作為空中基站，以提供通信和計(jì)算服務(wù)來(lái)增強(qiáng)網(wǎng)絡(luò)容量并平衡基站的負(fù)載[5.6]

然而，在車(chē)聯(lián)網(wǎng)環(huán)境中，鑒于車(chē)輛的快速移動(dòng)特性以及高動(dòng)態(tài)變化的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，靜態(tài)基站或路側(cè)單元（roadsideunit，RSU）無(wú)法依據(jù)動(dòng)態(tài)的流量流向?qū)崟r(shí)調(diào)整自身位置。這一局限性在應(yīng)對(duì)諸如公共活動(dòng)、上下班高峰時(shí)段或節(jié)假日等臨時(shí)性交通熱點(diǎn)場(chǎng)景時(shí)，顯得尤為不利。為了解決這個(gè)問(wèn)題，使用無(wú)人機(jī)搭載MEC服務(wù)器設(shè)備作為飛行空中基站為高度動(dòng)態(tài)的車(chē)聯(lián)網(wǎng)環(huán)境提供更靈活的通信計(jì)算服務(wù)[7～9]。這既可以在道路拓?fù)浜徒煌顩r受限制時(shí)提供良好的視距鏈路，也可以作為車(chē)聯(lián)網(wǎng)的輔助設(shè)備，與地面固定基站合作，兩者水乳交融，通過(guò)靈活的調(diào)度和優(yōu)質(zhì)的視距（line-of-sight，LoS）鏈路鏈接提供更好的通信和計(jì)算資源[10]。文獻(xiàn)[11]聯(lián)合優(yōu)化了多架無(wú)人機(jī)的位置（高度和間距），以最大限度地減少系統(tǒng)的峰值A(chǔ)oI，提出的系統(tǒng)提供了及時(shí)的數(shù)據(jù)傳輸。文獻(xiàn)[12]聯(lián)合優(yōu)化了無(wú)人機(jī)輔助毫米波車(chē)載網(wǎng)絡(luò)的中繼選擇和傳輸調(diào)度，以滿足吞吐量要求，同時(shí)最大限度地減少傳輸延遲。文獻(xiàn)[13]提出了一種基于用戶的統(tǒng)計(jì)位置信息的多無(wú)人機(jī)3D部署方法，在大大減少實(shí)時(shí)用戶位置獲取開(kāi)銷(xiāo)的同時(shí)最大限度地提高總網(wǎng)絡(luò)吞吐量。由于車(chē)輛網(wǎng)絡(luò)的數(shù)據(jù)計(jì)算任務(wù)對(duì)延遲敏感且計(jì)算密集，文獻(xiàn)[14]提出了一種軟件定義網(wǎng)絡(luò)支持的無(wú)人機(jī)輔助車(chē)輛網(wǎng)絡(luò)，其中無(wú)人機(jī)作為數(shù)據(jù)處理節(jié)點(diǎn)或中繼節(jié)點(diǎn)，將計(jì)算任務(wù)傳輸?shù)揭苿?dòng)邊緣計(jì)算服務(wù)器，以最小化平均系統(tǒng)成本，因此合理的計(jì)算卸載方案會(huì)影響車(chē)輛網(wǎng)絡(luò)的時(shí)延與能耗。

然而，上述研究只考慮了地面用戶靜止不動(dòng)或者提前獲取地面用戶的軌跡信息、位置已知的情況，而在大部分車(chē)聯(lián)網(wǎng)場(chǎng)景中，地面用戶的未來(lái)位置無(wú)法實(shí)時(shí)確定。因此，與以前按照既定軌跡的研究相比，基于用戶軌跡預(yù)測(cè)的無(wú)人機(jī)輔助通信計(jì)算系統(tǒng)的研究是極具挑戰(zhàn)性與重要性的，并且可以面向更廣泛的應(yīng)用場(chǎng)景。文獻(xiàn)[15]提出了一種集成短期精確和長(zhǎng)期粗略的軌跡預(yù)測(cè)模型，并基于此框架提出一種新的后退視界優(yōu)化方法，通過(guò)求解優(yōu)化問(wèn)題順序，實(shí)現(xiàn)能耗效率最大化。文獻(xiàn)[16]提出了一個(gè)基于用戶軌跡預(yù)測(cè)和無(wú)人機(jī)路徑規(guī)劃的數(shù)據(jù)傳輸方案，通過(guò)序列聚類(lèi)來(lái)預(yù)測(cè)一系列基于概率的先前訪問(wèn)位置與無(wú)人機(jī)的分布式路徑規(guī)劃結(jié)合，在使用較少無(wú)人機(jī)情況下實(shí)現(xiàn)可靠和準(zhǔn)時(shí)的數(shù)據(jù)交付。此外，文獻(xiàn)[17]提出了一種在無(wú)人機(jī)輔助通信網(wǎng)絡(luò)中進(jìn)行交通感知的自適應(yīng)無(wú)人機(jī)部署方案，基于泊松分布隨機(jī)概率的用戶移動(dòng)模型，通過(guò)優(yōu)化無(wú)人機(jī)在區(qū)域的位移距離，最大化系統(tǒng)平均吞吐量。然而，現(xiàn)有的文獻(xiàn)仍缺乏考慮在車(chē)聯(lián)網(wǎng)系統(tǒng)中基于車(chē)輛軌跡對(duì)未來(lái)時(shí)隙進(jìn)行資源分配以及路徑規(guī)劃和空地協(xié)同多層輔助MEC通信的研究。缺乏此類(lèi)研究，從一方面來(lái)看，難以更加契合車(chē)聯(lián)網(wǎng)實(shí)際運(yùn)行中所呈現(xiàn)的快速且復(fù)雜多變的情景，無(wú)法精準(zhǔn)地對(duì)未來(lái)時(shí)隙的資源及位置信息進(jìn)行預(yù)測(cè)；從另一方面而言，也無(wú)法有效緩解移動(dòng)用戶在缺乏空地協(xié)同多層輔助的情況下所面臨的通信與計(jì)算壓力。在車(chē)聯(lián)網(wǎng)系統(tǒng)的空地協(xié)同輔助MEC系統(tǒng)中，對(duì)未來(lái)時(shí)隙的資源和路徑預(yù)測(cè)研究是不可或缺的，不僅可以準(zhǔn)確預(yù)測(cè)出未來(lái)時(shí)間的資源分配和軌跡規(guī)劃，以應(yīng)對(duì)突發(fā)事件，為用戶提供精準(zhǔn)的參考信息，還可以根據(jù)信息提前作出空地協(xié)同相關(guān)部署，減少系統(tǒng)的處理時(shí)延和開(kāi)銷(xiāo)成本，提高整個(gè)系統(tǒng)的運(yùn)行效率和能耗效率，達(dá)到所需的通信計(jì)算要求。

針對(duì)以上研究存在的問(wèn)題，本文研究了一個(gè)無(wú)人機(jī)和基站搭載MEC服務(wù)器協(xié)作車(chē)聯(lián)網(wǎng)的車(chē)輛提供通信和計(jì)算服務(wù)的場(chǎng)景，并考慮當(dāng)前時(shí)隙的通信帶寬、計(jì)算任務(wù)卸載比例、無(wú)人機(jī)軌跡和計(jì)算資源的影響，以最小化未來(lái)下一個(gè)時(shí)隙系統(tǒng)完成所有用戶任務(wù)的通信計(jì)算時(shí)延為目標(biāo)，建立了一個(gè)多元優(yōu)化問(wèn)題。本文的主要貢獻(xiàn)總結(jié)如下：

a）本研究在基于車(chē)輛軌跡預(yù)測(cè)的空地協(xié)同MEC系統(tǒng)中，利用無(wú)人機(jī)和基站的多MEC服務(wù)器優(yōu)化車(chē)輛的計(jì)算卸載，通過(guò)當(dāng)前時(shí)隙的資源信息與軌跡信息，聯(lián)合優(yōu)化未來(lái)下一個(gè)時(shí)隙的通信帶寬、計(jì)算任務(wù)卸載比例、無(wú)人機(jī)軌跡和計(jì)算資源，最小化系統(tǒng)完成所有用戶任務(wù)的通信和計(jì)算時(shí)延。為了適應(yīng)車(chē)聯(lián)網(wǎng)場(chǎng)景中車(chē)輛的隨機(jī)移動(dòng)，本文由此提出未來(lái)時(shí)隙的資源預(yù)測(cè)與無(wú)人機(jī)軌跡規(guī)劃方案。由于涉及的優(yōu)化問(wèn)題存在多個(gè)優(yōu)化變量互相耦合，是一個(gè)難以直接求得最優(yōu)解的非凸優(yōu)化問(wèn)題。

b）為了求解這個(gè)優(yōu)化問(wèn)題，本文首先利用塊坐標(biāo)下降（blockcoordinatedescent，BCD）方法將耦合的優(yōu)化變量進(jìn)行解耦，將優(yōu)化問(wèn)題分解為帶寬分配子問(wèn)題、計(jì)算任務(wù)卸載比例分配子問(wèn)題、無(wú)人機(jī)軌跡優(yōu)化子問(wèn)題和計(jì)算資源分配子問(wèn)題進(jìn)行交替求解。然后引人松弛變量和利用連續(xù)凸優(yōu)化（successiveconvexapproximation，SCA）方法[18]，將原非凸問(wèn)題轉(zhuǎn)換為可求解的凸優(yōu)化問(wèn)題。同時(shí)，提出一種聯(lián)合優(yōu)化上述四個(gè)子問(wèn)題的交替優(yōu)化算法來(lái)解決該優(yōu)化問(wèn)題，并對(duì)提出的聯(lián)合優(yōu)化算法進(jìn)行仿真實(shí)驗(yàn)。

c）仿真結(jié)果表明，通過(guò)聯(lián)合優(yōu)化車(chē)輛軌跡預(yù)測(cè)和無(wú)人機(jī)路徑規(guī)劃，不僅能夠有效降低完成車(chē)輛未來(lái)下一個(gè)時(shí)隙任務(wù)的通信計(jì)算時(shí)延，還能夠更加貼合大部分現(xiàn)實(shí)的車(chē)聯(lián)網(wǎng)場(chǎng)景。與傳統(tǒng)的已知軌跡和位置信息相比，本文系統(tǒng)更接近于實(shí)時(shí)在線優(yōu)化資源分配與無(wú)人機(jī)軌跡規(guī)劃。

1系統(tǒng)模型

正如圖1所示，本文考慮一個(gè)車(chē)聯(lián)網(wǎng)系統(tǒng)，該系統(tǒng)由多輛汽車(chē)以及多個(gè)基站共同構(gòu)成。在這個(gè)車(chē)聯(lián)網(wǎng)系統(tǒng)里，每一個(gè)基站都配備了MEC服務(wù)器，其目的在于為車(chē)輛提供相應(yīng)的邊緣計(jì)算服務(wù)。系統(tǒng)包含 M 個(gè)基站和 K 輛車(chē)。令 MΔq{1，…，M} 表示基站的集合， KΔq{1，…，K} 表示車(chē)輛的集合。為了提升車(chē)聯(lián)網(wǎng)的計(jì)算服務(wù)效率，系統(tǒng)額外安排一架搭載MEC服務(wù)器的無(wú)人機(jī)，與地面基站協(xié)作，構(gòu)建了一個(gè)空中與地面相結(jié)合的移動(dòng)邊緣計(jì)算網(wǎng)絡(luò)。這樣，車(chē)輛就能夠根據(jù)實(shí)際需要，將計(jì)算任務(wù)動(dòng)態(tài)分配給地面基站或無(wú)人機(jī)上的MEC服務(wù)器進(jìn)行處理。

圖1面向車(chē)聯(lián)網(wǎng)的空地協(xié)同移動(dòng)邊緣計(jì)算系統(tǒng) Fig.1Air-ground collaborative MEC system for the IoV

鑒于無(wú)人機(jī)與車(chē)輛均處于移動(dòng)狀態(tài)，為便于展開(kāi)分析，本文將無(wú)人機(jī)的飛行時(shí)間 T 劃分成 N 個(gè)等長(zhǎng)的時(shí)隙，確保在每個(gè)時(shí)隙中，無(wú)人機(jī)與車(chē)輛相對(duì)于地面以及基站的位置能夠近似看作是固定不變的，要使 δ_t=T/N 劃分時(shí)隙非常小，用 NΔq {1，…，N} 表示時(shí)隙的集合。本文使用笛卡爾三維坐標(biāo)系表示位置，其中基站 ?_m 所處位置為 w_m=[x_m，y_m，0]^T 。在時(shí)隙 n ，用w_k[n]=[x_k[n]，y_k[n]，0]^T 表示為車(chē)輛 k 的位置，那么車(chē)輛 k 的運(yùn)行軌跡能夠以 w_k[n] 表示。此外，本文設(shè)定無(wú)人機(jī)保持在固定高度 H 飛行，這樣既能確保避開(kāi)障礙物，又能減少無(wú)人機(jī)在垂直方向上的能量消耗。無(wú)人機(jī)的軌跡近似地表示為 q_u[n] n∈N， 其中 q_u[n]=[x_u[n]，y_u[n]，H]^T 表示無(wú)人機(jī)在時(shí)隙 n 的位置。同時(shí)，設(shè)無(wú)人機(jī)的初始坐標(biāo)為 q₀=[x_u[1]] ，y_u[1]，H]^?T ，為確保無(wú)人機(jī)能夠正常飛行，將無(wú)人機(jī)移動(dòng)相關(guān)約束條件表述如下：

q_u[1]=q₀

其中： ε=V_maxδ_t 為無(wú)人機(jī)在一個(gè)時(shí)隙中的最大位移，并定義無(wú)人機(jī)最大的飛行速度為Vmax。

1.1計(jì)算任務(wù)卸載模型

本文對(duì)各時(shí)隙劃分多個(gè)區(qū)域，以進(jìn)行任務(wù)卸載、計(jì)算與下載操作。每一時(shí)隙涵蓋車(chē)輛 k 本地計(jì)算及計(jì)算任務(wù)卸載兩部分。其中，計(jì)算任務(wù)卸載部分細(xì)分為三個(gè)子時(shí)隙：車(chē)輛 k 部分計(jì)算任務(wù)卸載時(shí)段，以 T_k，m^trans[n] 表示；車(chē)輛部分計(jì)算任務(wù)于各MEC 服務(wù)器的計(jì)算時(shí)段，記為 T_k，m^comp[n] ；計(jì)算任務(wù)結(jié)果回傳時(shí)段，用 T_k，m^result[n] 表示。同時(shí)，假定各MEC服務(wù)器僅在計(jì)算任務(wù)卸載完畢后進(jìn)行計(jì)算，并于計(jì)算任務(wù)處理完成方可回傳結(jié)果[19]

為減少干擾，本文設(shè)定系統(tǒng)采用正交頻分多址（orthogonalfrequencydivisionmultipleaccess，OFDMA）[20]技術(shù)進(jìn)行任務(wù)卸載與結(jié)果回傳。車(chē)輛、基站MEC服務(wù)器和無(wú)人機(jī)MEC服務(wù)器在每個(gè)時(shí)隙內(nèi)使用獨(dú)立的正交頻率帶進(jìn)行通信。設(shè) B_k[n] 為車(chē)輛分配給無(wú)人機(jī)MEC服務(wù)器的帶寬， B_m，k[n] 為車(chē)輛分配給基站MEC服務(wù)器的帶寬。因此，系統(tǒng)總帶寬約束存在以下條件：

其中： B 為總通信帶寬。

鑒于無(wú)人機(jī)飛行于空中且無(wú)建筑物遮蔽，車(chē)輛 k 與無(wú)人機(jī)之間的通信鏈路為視距鏈路。因此，車(chē)輛 k 與無(wú)人機(jī)間的信道功率增益可以表示為

h_u，k[n]=β₀d_u，k^-2[n]?k∈K

其中 σ：β₀ 是在視距狀態(tài)下參考距離 d₀=1m 時(shí)的平均信道功率增益： 表示無(wú)人機(jī)和車(chē)輛 k 之間的距離。

本文設(shè) P 為車(chē)輛卸載任務(wù)時(shí)的發(fā)射功率， N₀ 為噪聲功率譜密度。某一時(shí)隙 n 的車(chē)輛 k 至無(wú)人機(jī)的傳輸速率為 r_u，k[n] 。

考慮到城市環(huán)境中的障礙物和復(fù)雜性，本文假設(shè)車(chē)輛 k 與基站 m 之間各時(shí)隙的信道功率增益遵循瑞利衰落模型。

h_m，k[n]=β₀d_m，k^-φ[n]ξ_m，k[n]，?k∈K?m∈M

其中： φ 表示路徑損失指數(shù)； ξ_m，k[n] 表示符合單位均值指數(shù)分布的瑞利衰落系數(shù) 表示基站 ?_m 和車(chē)輛 k 之間的距離。

某一時(shí)隙 n 的車(chē)輛 k 到基站 m 的傳輸速率為

1.2計(jì)算模型

在本文中，每輛車(chē)的計(jì)算任務(wù)被劃分為多個(gè)獨(dú)立的子任務(wù)。利用動(dòng)態(tài)電壓和頻率縮放（dynamicvoltagefrequency sca-ling，DVFS）技術(shù)[21]，車(chē)輛 k 和MEC服務(wù)器能夠根據(jù)任務(wù)需求動(dòng)態(tài)調(diào)整計(jì)算資源分配。設(shè) f_u，k[n] 為車(chē)輛本地CPU的頻率，f_u，k[n] 為分配給無(wú)人機(jī)MEC服務(wù)器的CPU頻率 I_m，k[n] 為分配給基站MEC服務(wù)器的CPU頻率。這些頻率值需滿足以下約束，車(chē)輛本地計(jì)算資源非負(fù)且不超過(guò)最大值，同時(shí)基站 ?_m 和無(wú)人機(jī)分配給車(chē)輛 k 的計(jì)算資源不超過(guò)各自的最大限制。

0?f_k[n]?F_k，max?k∈K，?n∈N

本文分別設(shè)車(chē)輛 k ，無(wú)人機(jī)MEC服務(wù)器和基站 m 的MEC服務(wù)器計(jì)算時(shí)的最大可用CPU頻率為 F_k，max，F(xiàn)_uav，max，F(xiàn)_bs，max 0

1.3系統(tǒng)時(shí)延模型

為了最大化利用系統(tǒng)的通信和計(jì)算能力，本文運(yùn)用部分卸載策略。車(chē)輛卸載的計(jì)算任務(wù)可以獨(dú)立劃分，以便靈活選擇在本地處理或卸載至無(wú)人機(jī)和基站的 MEC服務(wù)器[22]。本文定義了三種卸載比例 θ_k[n]，θ_u，k[n]，θ_m，k[n] ，分別代表任務(wù)在車(chē)輛本地計(jì)算、卸載至無(wú)人機(jī)MEC服務(wù)器計(jì)算和卸載至基站MEC服務(wù)器計(jì)算的比例。這些比例之和必須小于等于1，從而確保了卸載比例分配的約束條件。

0?θ_k[n]?1?k∈K，?n∈N

0?θ_u，k[n]?1?k∈K，?n∈N

0?θ_m，k[n]?1?k∈K，?m∈M，?n∈N

在本研究中，MEC系統(tǒng)的總體時(shí)延由三個(gè)關(guān)鍵組成部分構(gòu)成：車(chē)輛 k 的本地計(jì)算時(shí)延、車(chē)輛向無(wú)人機(jī)MEC服務(wù)器發(fā)送計(jì)算任務(wù)的上行傳輸時(shí)延，以及無(wú)人機(jī)和基站MEC服務(wù)器向車(chē)輛發(fā)送計(jì)算結(jié)果的下行傳輸時(shí)延。因此，每個(gè)時(shí)隙中車(chē)輛 k 的本地計(jì)算時(shí)延為

同樣，車(chē)輛 k 將每個(gè)時(shí)隙的計(jì)算任務(wù)卸載到無(wú)人機(jī)的傳輸 時(shí)延和無(wú)人機(jī)的計(jì)算時(shí)延為

同樣，每個(gè)時(shí)隙中車(chē)輛 k 將計(jì)算任務(wù)卸載到基站 ?_m 的傳輸時(shí)延和基站 m 的計(jì)算時(shí)延為

假設(shè)在第 n 個(gè)時(shí)隙中，車(chē)輛 k 的計(jì)算任務(wù)量為 I_k[n]= {D_k[n]，C_k，A_k[n]} ，其中 I_k[n] 以比特為單位， D_k[n] 表示第 n 個(gè)時(shí)隙的車(chē)輛計(jì)算任務(wù)大小， C_k 表示完成每個(gè)任務(wù)所需的CPU周期數(shù)， A_k[n] 表示第 n 個(gè)時(shí)隙的任務(wù)計(jì)算結(jié)果大小。因此，無(wú)人機(jī)每個(gè)時(shí)隙中的總時(shí)延為： T_uav[n]=T_uav^trans[n]+T_uav^comp[n] 。同理，基站 m 每個(gè)時(shí)隙中的總時(shí)延為 T_bs[n]=T_bs^trans[n]+ T_bs^comp[n] 。

假設(shè)完成時(shí)隙 n 上傳的所有任務(wù)所需時(shí)間為

其中： t_r 為MEC服務(wù)器下載結(jié)果回傳的時(shí)延。

1.4 優(yōu)化問(wèn)題

本文的目標(biāo)是根據(jù)當(dāng)前時(shí)隙（即第 n 時(shí)隙）的資源分配情況，最小化未來(lái)下一個(gè)時(shí)隙（即第 n+1 時(shí)隙）車(chē)輛的通信計(jì)算時(shí)延（分別為車(chē)輛本地計(jì)算時(shí)延，無(wú)人機(jī)通信計(jì)算時(shí)延和基站的通信計(jì)算時(shí)延），聯(lián)合優(yōu)化第 n+1 時(shí)隙的帶寬分配、計(jì)算任務(wù)卸載比例分配、無(wú)人機(jī)的軌跡和計(jì)算資源分配。為了便于問(wèn)題的描述，本文將優(yōu)化變量分別定義為帶寬 B={B_k[n] ，B_m，k[n] ， ?k∈K ，A m∈M ， ?n∈N 、計(jì)算任務(wù)卸載比例 θ= {θ_k[n]，θ_u，k[n]，θ_m，k[n]， ，A m∈M A n∈N 、無(wú)人機(jī)軌跡 Q={q_u[n] ，A n∈N 以及計(jì)算資源 F={f_k[n]，f_u，k[n] f_m，k[n] ， ?k∈K ?m∈M ， ?n∈N 。因此，可以構(gòu)建如下優(yōu)化問(wèn)題：

因目標(biāo)函數(shù)和約束式（27）的非凸性質(zhì)，問(wèn)題（P1）構(gòu)成了一個(gè)非凸優(yōu)化問(wèn)題，這使得尋找全局最優(yōu)解變得具有挑戰(zhàn)性。在下一章節(jié)中，本文將提出一種四層交替迭代算法。

2算法設(shè)計(jì)

2.1 問(wèn)題分析與轉(zhuǎn)換

本節(jié)提出了一種高效的交替迭代算法來(lái)解決（P1）問(wèn)題，該算法包括優(yōu)化帶寬、卸載比例、無(wú)人機(jī)軌跡以及計(jì)算資源四個(gè)方面。由于（P1）問(wèn)題的目標(biāo)函數(shù)中存在顯著的耦合效應(yīng)，引入松弛變量 η={η[n] ， ′n∈N} 來(lái)處理這一問(wèn)題，將約束轉(zhuǎn)換為凸形式，從而將原始問(wèn)題（P1）轉(zhuǎn)換為新的問(wèn)題（P2）。

問(wèn)題（P2）仍難以求解，主要因?yàn)椋≒2）中包含的式（32）（33）約束是非凸的，因?yàn)楫?dāng) xgt;0 時(shí)，已知 為凹的，所以松弛變量 s={s_k1[n]，s_k2[n]，?n∈N} ，將非凸約束轉(zhuǎn)換為凸形式，進(jìn)而構(gòu)建新的問(wèn)題（P3）。

?k∈K，?m∈M，?n∈N

盡管經(jīng)過(guò)上述操作，問(wèn)題（P3）依然呈現(xiàn)非凸性，導(dǎo)致其全局最優(yōu)解難以直接獲得，為此，本文將問(wèn)題分解為四個(gè)子問(wèn)題，并開(kāi)發(fā)了一種高效的交替迭代算法，該算法融合了塊坐標(biāo)下降法和連續(xù)凸優(yōu)化技術(shù)。通過(guò)迭代優(yōu)化帶寬、計(jì)算任務(wù)卸載比例、無(wú)人機(jī)軌跡以及計(jì)算資源，該算法旨在最小化系統(tǒng)未來(lái)下一個(gè)時(shí)隙的通信和計(jì)算時(shí)延。

在式（7）中，由于瑞利衰落模型的特性，會(huì)導(dǎo)致車(chē)輛 k 與基站 ?m 之間的傳輸速率在軟件仿真中受到隨機(jī)變量波動(dòng)的影響，難以精確模擬，本文采用了一種近似處理方法。具體而言，假設(shè)在仿真過(guò)程中，車(chē)輛 k 到基站 ?_m 的傳輸速率能夠達(dá)到理論最大值。

其中： γ₀=β₀/N₀ 表示為參考信噪比（signal-to-noiseratio，SNR）。式（36）中的 E_ξ[?] 表示對(duì)瑞利分布中隨機(jī)變量的數(shù)學(xué)期望。顯然，式（37）中的不等式是由Jensen不等式得到的，式（38）可以獲得該傳輸速率 r_m，k[n] 的一個(gè)上界。

2.2 帶寬分配優(yōu)化問(wèn)題

在該子問(wèn)題中，給定無(wú)人機(jī)軌跡、計(jì)算任務(wù)卸載比例和計(jì)算資源 {Q，θ，F(xiàn)} ，問(wèn)題（P3）被重新構(gòu)建為以下形式：

問(wèn)題（P4）為一個(gè)線性規(guī)劃問(wèn)題，這類(lèi)問(wèn)題可以利用常規(guī)的凸優(yōu)化工具進(jìn)行求解，并應(yīng)用現(xiàn)有的求解器 CVX^[23] 來(lái)高效地解決這一問(wèn)題。

2.3計(jì)算任務(wù)卸載比例分配優(yōu)化問(wèn)題

在該子問(wèn)題中，給定帶寬分配、無(wú)人機(jī)軌跡和計(jì)算資源分配 {Q，θ，F(xiàn)} ，問(wèn)題（P3）被重新構(gòu)建為以下形式：

s.t.式（22）～（25），（31）～（33）

問(wèn)題（P5）為一個(gè)線性規(guī)劃問(wèn)題，這類(lèi)問(wèn)題可以利用常規(guī)的凸優(yōu)化工具進(jìn)行求解，并應(yīng)用現(xiàn)有的求解器CVX來(lái)高效地解決這一問(wèn)題。

2.4無(wú)人機(jī)軌跡優(yōu)化問(wèn)題

在該子問(wèn)題中，給定帶寬分配、計(jì)算任務(wù)卸載比例分配和計(jì)算資源 {B，θ，F(xiàn)} ，問(wèn)題（P3）被重新構(gòu)建為以下形式：

其中：式（39）引入了一個(gè)輔助變量 t={t_k[n]，?n} ，滿足（ t_k [n]）^-1?r_u，k[n] 。

顯然，式（5）中的 q_u[n] 和約束式（39）仍然導(dǎo)致了問(wèn)題（P6）的非凸性，但幸運(yùn)的是，式（5）對(duì)于 是凸的，以及文獻(xiàn)[24]中也存在類(lèi)似問(wèn)題的解決方法。因此，傳輸速率 r_u，k[n] 的下界可以表示為

其中：

其中： 分別是給定的初始可行值和 r_u，k[n]

的下界。因此，可以通過(guò)上式，將式（40）重新表示為

（Δ_tk[Δn]）Ξ）^-1?B_u，k[Ξn]φ_lb{q_u[Ξn]}

可以注意到，通過(guò)引入松弛變量和采用部分一階泰勒展開(kāi)近似的方法，問(wèn)題（P6）的目標(biāo)函數(shù)及其約束條件均轉(zhuǎn)變?yōu)橥沟摹；谶@一發(fā)現(xiàn)，能夠?qū)?wèn)題（P6）近似轉(zhuǎn)換為以下形式：

考慮到上述公式中的約束條件均為線性或凸約束，問(wèn)題（P7）構(gòu)成了一個(gè)凸優(yōu)化問(wèn)題，這使得它可以被現(xiàn)有的求解器如CVX有效解決。

2.5計(jì)算資源分配優(yōu)化問(wèn)題

在該子問(wèn)題中，給定帶寬分配、計(jì)算任務(wù)卸載比例分配和無(wú)人機(jī)軌跡 {B，θ，Q} ，問(wèn)題（P3）被重新構(gòu)建為以下形式：

如上所述，問(wèn)題的目標(biāo)函數(shù)和約束條件相對(duì)于 F= {f_k[n]，f_u，k[n]，f_m，k[n]} 是凸的，問(wèn)題（P8）是一個(gè)標(biāo)準(zhǔn)的凸優(yōu)化問(wèn)題，同樣可以通過(guò)現(xiàn)有求解器CVX有效求解。

2.6基于卡爾曼濾波的車(chē)輛軌跡預(yù)測(cè)

由于在車(chē)聯(lián)網(wǎng)系統(tǒng)中，大部分設(shè)備都是動(dòng)態(tài)而快速的，所以在這么短的時(shí)間內(nèi)，車(chē)輛的速度變化不大，位移與速度之間可以近似看作是線性關(guān)系。在監(jiān)控車(chē)輛運(yùn)動(dòng)時(shí)，位置和速度是描述其動(dòng)態(tài)特性的關(guān)鍵參數(shù)，所以系統(tǒng)的狀態(tài)被表示為包含四個(gè)自由度的向量：

卡爾曼跟蹤過(guò)程分為預(yù)測(cè)和更新兩個(gè)步驟，在預(yù)測(cè)的步驟中，預(yù)測(cè)的系統(tǒng)狀態(tài)和誤差協(xié)方差預(yù)測(cè)可以得到

P[n+1]∣[n]=FP[n]∣[n]F^T+Q[n]

其中： F 為一個(gè)狀態(tài)轉(zhuǎn)換矩陣，連接著當(dāng)前狀態(tài)和上一個(gè)狀態(tài)；B 為上一個(gè)狀態(tài)估計(jì)的值; u 是一個(gè)控制輸入的矩陣； Q 則是上一個(gè)狀態(tài)估計(jì)的協(xié)方差值。

在更新步驟中，卡爾曼增益計(jì)算需要使用式（48）進(jìn)行計(jì)算，然后，實(shí)際觀測(cè)值 根據(jù)卡爾曼增益和測(cè)量值使用式（49）更新?tīng)顟B(tài)，之后卡爾曼濾波器使用式（50）更新誤差協(xié)方差。最后，將這些值轉(zhuǎn)換到預(yù)測(cè)步驟中去，通過(guò)這些步驟，不斷根據(jù)觀測(cè)數(shù)據(jù)更新?tīng)顟B(tài)估計(jì)，預(yù)測(cè)出未來(lái)的軌跡狀態(tài)。

其中： H 為卡爾曼增益； R 為觀測(cè)矩陣； I 為單位矩陣。

2.7整體算法及其收斂性和復(fù)雜度分析

本文使用了雙層內(nèi)外迭代算法去解決問(wèn)題（P1），內(nèi)層迭代算法1使用了交替優(yōu)化帶寬分配調(diào)度、卸載比例分配調(diào)度、無(wú)人機(jī)軌跡和計(jì)算資源調(diào)度方法最小化未來(lái)一個(gè)時(shí)隙的通信計(jì)算時(shí)延。

算法1內(nèi)層迭代

輸入：地面車(chē)輛數(shù)量 k 和位置信息 w_k ，基站數(shù)量 m 和位置信息w_m ，無(wú)人機(jī)位置信息 q_u 和速度信息 v （204

輸出：系統(tǒng)總時(shí)延 T^（l+1） .B^（l+1） θ^（l+1） Q^（l+1） 和 F^（l+1） 號(hào)

a）初始化 B^（0）、θ^（0）、Q^（0）、F （0目標(biāo)函數(shù) T^（0） ，迭代次數(shù) k=0 ，時(shí)延迭代精度 ε=1×10³ 。

b）循環(huán)。

c）更新 l=l+1.

d）給定 θ^（l），Q^（l），F(xiàn)^（l） 求解問(wèn)題（P4）獲得 B^（l+1） e）給定 B^（l+1）?Q^（l） F^（l） 求解問(wèn)題（P5）獲得 θ^（l+1） 。

f）給定 B^（l+1） ?θ^（l+1） （20 ?F^（l） 求解問(wèn)題（P7）獲得 Q^（l+1） 。

Π_g） 給定 z^（l+1），θ^（l+1），Q^（l+1） 求解問(wèn)題（P8）獲得 F^（l+1） 。

h） 將 B^（l+1）?θ^（l+1）?Q^（l+1）?F^（l+1） 代入目標(biāo)函數(shù)獲得 T^（l+1） 。

i）當(dāng)目標(biāo)函數(shù) T^（l+1） 收斂時(shí)，跳出循環(huán)，否則跳回c）。

在外層迭代算法2中，先從車(chē)輛軌跡預(yù)測(cè)框架獲取車(chē)輛位置信息，根據(jù)內(nèi)層迭代算法1得到的結(jié)果調(diào)整無(wú)人機(jī)飛行軌跡，外層迭代算法2的具體步驟如下：

a）初始化起點(diǎn)，獲取 w_k[1] ，讓目標(biāo)函數(shù) T^（0）=0， 0

b）循環(huán)。

c）從車(chē)輛軌跡預(yù)測(cè)框架獲取車(chē)輛位置信息 {w_k[n]，?n∈N 。

d）基于獲取得到的車(chē)輛位置信息，通過(guò)算法1求解問(wèn)題（P1），獲取 B^（l+1） θ^（l+1） Q^（l+1） F^（l+1） 和 T^（l+1） 1

e）同時(shí)，無(wú)人機(jī)根據(jù)車(chē)輛位置信息 w_k[n] 調(diào)整飛行軌跡，保持與各車(chē)輛良好的通信計(jì)算質(zhì)量。

f）更新 l=l+1，n=n+1 g）當(dāng) 時(shí)，跳出循環(huán)。

下面將探討算法1的收斂性，并設(shè)定第 ξ_l 次迭代中的未來(lái)下一時(shí)隙的系統(tǒng)通信和計(jì)算時(shí)延最小值為 ψ_lb（B^（l），θ^（l），Q^（l）） F^（l） ），對(duì)于一個(gè)典型的凸優(yōu)化問(wèn)題，其目標(biāo)函數(shù)值在每次迭代中都是單調(diào)遞減的。具體來(lái)說(shuō)，對(duì)于問(wèn)題（P4）和（P5），在經(jīng)過(guò)優(yōu)化步驟之后，其目標(biāo)函數(shù)值不會(huì)超過(guò)優(yōu)化前的水平。基于此，算法1在步驟d）e）中能夠確保目標(biāo)函數(shù)值的非增性質(zhì)。

算法1的步驟f），如式（52）所示。

其中： ψ_lb （ B^（l+1） ， θ^（l+1） ，Q^（l），F(xiàn)^（l）） 是通過(guò)一階泰勒展開(kāi)ψ（B^（l+1） θ^（l+1） Q^（l），F(xiàn)^（l）， ）得到的，與不等號(hào)（a）和（b）相比，不等號(hào)（d）和（e）的處理方式相似，目標(biāo)值在迭代過(guò)程中通過(guò)代人求解問(wèn)題確保單調(diào)非增。最后不等號(hào)（f）成立的原因是子問(wèn)題（P6）的目標(biāo)值是問(wèn)題（P3）的上界。

綜上所述，結(jié)合式（21）～（23），可以得出

ψ（B^（l），θ^（l），Q^（l），F(xiàn)^（l））?ψ（B^（l+1），θ^（l+1），Q^（l+1），F(xiàn)^（l+1））

基于式（51） ～ （54），可以得出問(wèn)題的目標(biāo)值在迭代后非增的結(jié)論。此外，由于問(wèn)題（P3）的目標(biāo)值下界是一個(gè)有限的值，因此算法1是收斂的。

下面為算法1的復(fù)雜度分析。在算法1中，本文運(yùn)用內(nèi)點(diǎn)法求解子問(wèn)題（P4）（P5）（P7）和（P8），其相應(yīng)的復(fù)雜度分別為O（（NK+MNK）^3.5log₂（1/ε）），O（（NK+MNK）^3.5log₂（1/ε）） 、O（（N+NK）^3.5log₂（1/ε））∣_εO（（N+NK+MN）^3.5log₂（1/ε）） 。對(duì)于算法1，每次迭代都需要求解4個(gè)子問(wèn)題，因此，算法1的總體復(fù)雜度為 O（（N+NK+MN+MNK）^3.5log₂（1/ε）） 。

3 仿真分析

本章利用MATLAB軟件進(jìn)行仿真實(shí)驗(yàn)，通過(guò)與其他基準(zhǔn)方案進(jìn)行比較，來(lái)介紹該方案的性能。首先，本文介紹模擬參數(shù)和仿真場(chǎng)景的設(shè)置。然后，分析無(wú)人機(jī)的軌跡優(yōu)化和所提出算法的性能。

在本次仿真設(shè)置了兩個(gè)場(chǎng)景：a）假設(shè)系統(tǒng)在大小為 1.0× 1.0km² 的矩形區(qū)域上，有3個(gè)固定在地面的基站和4輛沿著已知十字路軌跡移動(dòng)的車(chē)輛，一架高度 H 固定在 50m 的無(wú)人機(jī)也分布在區(qū)域內(nèi);b）假設(shè)系統(tǒng)在大小為 0.8×0.8km² 的矩形區(qū)域上，有3個(gè)固定在地面的基站和4輛沿著常見(jiàn)的環(huán)島場(chǎng)景移動(dòng)的車(chē)輛，和一架高度 H 固定在 50m 的無(wú)人機(jī)分布在區(qū)域內(nèi)。其中，無(wú)人機(jī)、基站與車(chē)輛通信的總服務(wù)時(shí)間為 T= 40s ，將其劃分為50個(gè)單位長(zhǎng)度為0.8s的時(shí)隙。車(chē)輛的通信功率設(shè)置為 P=0.1W ，可用于分配給無(wú)人機(jī)和基站的總帶寬為 B=10MHz 。在參考距離 d=1m 處的信道增益 β₀= -60dB ，噪聲功率譜密度 δ²=-169dBm/Hz 。其他仿真參數(shù)設(shè)置匯總見(jiàn)表1。此外，如表2所示，詳細(xì)給出了整個(gè)工作中使用的主要符號(hào)及變量。

表1仿真參數(shù)設(shè)置Tab.1Simulation parameter seting

如圖2所示，每一車(chē)輛在 t=0 s到 t=8 s做勻加速運(yùn)動(dòng)，變向到旁邊道路做勻減速運(yùn)動(dòng)，然后在 t=16 s到 t=24 s做勻速運(yùn)動(dòng)，接著再變向回原道路做勻減速運(yùn)動(dòng)，最后的 t=32 s到t=40 s做勻速運(yùn)動(dòng)。可以看出，無(wú)人機(jī)會(huì)在缺乏基站的車(chē)輛4上方開(kāi)始，隨后向四輛車(chē)輛之間的方向飛行，在起點(diǎn)到8s的時(shí)候，因?yàn)檐?chē)輛做加速運(yùn)動(dòng)，無(wú)人機(jī)也跟著比較快地向兩個(gè)方向車(chē)輛行駛路線之間移動(dòng)。同樣，在8～16s，無(wú)人機(jī)也根據(jù)車(chē)輛的位置比較緩慢地移動(dòng)跟隨，在 16～24s ，當(dāng)所有車(chē)輛經(jīng)過(guò)交匯處時(shí)，無(wú)人機(jī)將改變跟隨車(chē)輛目標(biāo)，向車(chē)輛1和2靠近。隨后的 24～32s ，無(wú)人機(jī)軌跡4與軌跡2同樣緩慢跟隨車(chē)輛移動(dòng)。最后的時(shí)間里，由于十字路口的右側(cè)盡頭處缺乏基站等基礎(chǔ)設(shè)施，無(wú)人機(jī)飛向車(chē)輛1和車(chē)輛2的移動(dòng)方向，最終跟隨車(chē)輛2以保證各車(chē)輛的正常通信和計(jì)算卸載。

圖3為該系統(tǒng)關(guān)于車(chē)聯(lián)網(wǎng)在環(huán)島道路行駛的場(chǎng)景，為了能清晰看出在環(huán)島行駛的大部分車(chē)況，將車(chē)輛1設(shè)置為從北向路口繞環(huán)島行駛出東北向路口，車(chē)輛2設(shè)置為從西北路口繞環(huán)島右轉(zhuǎn)出西南路口，車(chē)輛3設(shè)置為從西南路口繞環(huán)島右轉(zhuǎn)出東南路口，車(chē)輛4設(shè)置為從東南路口繞環(huán)島右轉(zhuǎn)出東北路口。從圖中可以看出，由于車(chē)輛4附近缺乏基站，所以無(wú)人機(jī)從 t=0 S到 t=16s ，一直跟隨在車(chē)輛4的上空以保持它們良好的通信環(huán)境。在 t=16 s到 t=24 s時(shí)，全部車(chē)輛匯集在環(huán)島時(shí)，無(wú)人機(jī)飛到中間基站附近，與基站空地協(xié)同緩解計(jì)算任務(wù)密集時(shí)的壓力。在后續(xù)的時(shí)間里，無(wú)人機(jī)先是跟隨車(chē)輛3一段時(shí)間，后因?yàn)檐?chē)輛2、3、4行駛到缺乏基站MEC服務(wù)器的東南、東北路口時(shí)，無(wú)人機(jī)則飛到路口之間的上空以保持三者良好通信計(jì)算距離，保證給車(chē)輛正常的通信計(jì)算。

圖3場(chǎng)景b）無(wú)人機(jī)的水平飛行軌跡 Fig.3Horizontal flight trajectory of theUAV in scenario b）

圖4所示為系統(tǒng)通信計(jì)算時(shí)延隨時(shí)隙變化的性能圖。為了評(píng)估所提出的預(yù)測(cè)方法的性能，本文設(shè)計(jì)了兩種基準(zhǔn)方案：a）不預(yù)測(cè)方案，方案使用的是上一個(gè)時(shí)隙的時(shí)延值；b）簡(jiǎn)易預(yù)測(cè)方案，方案使用的是根據(jù)前兩個(gè)時(shí)隙位置作直線以車(chē)輛最大速度延長(zhǎng)的時(shí)延值。圖中第1個(gè)時(shí)隙到第10個(gè)時(shí)隙，所提出算法均比兩個(gè)對(duì)比方案有性能提升，有波動(dòng)的地方是由于一邊遠(yuǎn)離基站1一邊又接近基站3。相較于簡(jiǎn)易預(yù)測(cè)方案，第 10～ 15個(gè)時(shí)隙的低時(shí)延和第15～20個(gè)時(shí)隙的高時(shí)延是因?yàn)檐?chē)輛的突然轉(zhuǎn)向和做勻減速運(yùn)動(dòng)所致的，因此所提的算法比另外兩個(gè)方案更能體現(xiàn)出本算法預(yù)測(cè)的準(zhǔn)確性。同樣，第20～25個(gè)時(shí)隙的高時(shí)延，也是因?yàn)榇致灶A(yù)測(cè)方案預(yù)測(cè)的位置更靠近基站導(dǎo)致的。最后，從后面的大部分時(shí)隙中也可以清晰看出所提算法都顯示出較好的性能。

圖4系統(tǒng)通信計(jì)算時(shí)延隨每個(gè)時(shí)隙的變化 Fig.4System’s communication and computing latencyversus each time slot

此外，本文對(duì)圖5中車(chē)輛1在各時(shí)隙向各服務(wù)器卸載計(jì)算任務(wù)的比例展開(kāi)了比較分析。研究發(fā)現(xiàn)，盡管無(wú)人機(jī)移動(dòng)邊緣計(jì)算（MEC）服務(wù)器的計(jì)算能力與基站MEC服務(wù)器相比存在較大差距，但從總體來(lái)看，其仍承擔(dān)了相當(dāng)比例的計(jì)算任務(wù)，由此凸顯出無(wú)人機(jī)在整個(gè)系統(tǒng)中的關(guān)鍵效能。鑒于車(chē)輛自身本地計(jì)算能力的局限性，其本地處理任務(wù)的比例始終處于20% 以下。車(chē)輛向各基站卸載計(jì)算任務(wù)的比例與車(chē)輛同基站之間的距離密切相關(guān)，當(dāng)車(chē)輛靠近基站或者基站計(jì)算資源處于空閑狀態(tài)時(shí)，車(chē)輛會(huì)向基站分配更多的計(jì)算任務(wù)，進(jìn)而提升系統(tǒng)的平均計(jì)算效率。此外，得益于高質(zhì)量的通信信道，無(wú)人機(jī)服務(wù)器充分利用其CPU頻率，全力完成每個(gè)時(shí)隙的計(jì)算任務(wù)，以保障整個(gè)系統(tǒng)的穩(wěn)定運(yùn)行與高效計(jì)算。

為了評(píng)估本文算法的收斂性，對(duì)初始時(shí)隙進(jìn)行交替迭代優(yōu)化方法的收斂次數(shù)進(jìn)行比較，如圖6所示。圖6沿用了圖4的三種方案進(jìn)行收斂性對(duì)比。由于簡(jiǎn)易預(yù)測(cè)方案和不預(yù)測(cè)方案對(duì)車(chē)輛位置的粗略估計(jì)，導(dǎo)致其整體的時(shí)延比本文算法大，而本文算法由于精準(zhǔn)的位置預(yù)測(cè)，大幅降低了任務(wù)所需的時(shí)延。如圖6所示，三種測(cè)試場(chǎng)景均在四次迭代內(nèi)實(shí)現(xiàn)收斂，收斂速度顯著。這一結(jié)果充分證明了本算法的兩個(gè)優(yōu)勢(shì)：較低的計(jì)算復(fù)雜度和穩(wěn)定的收斂特性。

圖5車(chē)輛1在各時(shí)隙內(nèi)卸載任務(wù)到各MEC服務(wù)器的比例 Fig.5Portionsofvehicle1offloadingtaskstoeachMEC serverduringeach time slot

圖6車(chē)輛1在初始時(shí)隙下系統(tǒng)平均時(shí)延與迭代次數(shù)之間的關(guān)系 Fig.6Relationship between average system latencyand number of iterationsforvehicle1attheinitialtimeslot

圖7比較了5種不同計(jì)算任務(wù)大小的算法的平均時(shí)延。可以看出，平均時(shí)延隨著計(jì)算任務(wù)規(guī)模的增加而增加。由于隨著計(jì)算任務(wù)規(guī)模的增加，車(chē)輛在計(jì)算卸載過(guò)程中的通信和計(jì)算的時(shí)延也會(huì)增加，導(dǎo)致完成計(jì)算任務(wù)處理的總時(shí)延增加。此外，隨著計(jì)算任務(wù)量增大，僅基站和本地計(jì)算的曲線快速增大，這意味著僅基站和本地計(jì)算方案是低效的，特別是在計(jì)算任務(wù)量需求大的情況下尤為明顯。這一現(xiàn)象也準(zhǔn)確地驗(yàn)證了無(wú)人機(jī)在提高系統(tǒng)計(jì)算效率方面不可缺少的計(jì)算能力。由于無(wú)基站計(jì)算方案缺少基站MEC服務(wù)器，并且車(chē)輛本地和無(wú)人機(jī)的計(jì)算資源稍顯不足，導(dǎo)致該方案的平均時(shí)延遠(yuǎn)大于其他方案，這說(shuō)明了本文提出的空地協(xié)同的重要性。

當(dāng)只觀察某一時(shí)隙通信帶寬與系統(tǒng)完成任務(wù)時(shí)通信計(jì)算時(shí)延的關(guān)系時(shí)，可以通過(guò)對(duì)圖8的分析，清晰地觀察到可用通信帶寬對(duì)系統(tǒng)完成任務(wù)時(shí)延所產(chǎn)生的影響。不難發(fā)現(xiàn)，隨著通信帶寬的逐步增加，系統(tǒng)完成任務(wù)的時(shí)延呈現(xiàn)出穩(wěn)步下降的態(tài)勢(shì)。不過(guò)，當(dāng)通信帶寬持續(xù)增大時(shí)，平均時(shí)延減少的趨勢(shì)會(huì)逐漸變緩。值得一提的是，本文所采用的算法對(duì)無(wú)人機(jī)的飛行軌跡、計(jì)算資源分配、通信帶寬分配以及任務(wù)卸載比例分配進(jìn)行了聯(lián)合優(yōu)化。與多種基準(zhǔn)方案，諸如無(wú)基站計(jì)算方案[25]、僅基站和本地計(jì)算方案[25]、平均CPU頻率方案[26]以及平均帶寬方案[27]相比，該算法在降低時(shí)延方面展現(xiàn)出顯著優(yōu)勢(shì)，其對(duì)應(yīng)的時(shí)延分別降低了 42.12%.22.3% ！15.77% 以及 5.42% 。綜上所述，相較于其他基準(zhǔn)方案，本文算法在性能表現(xiàn)上更具優(yōu)勢(shì)，可以為現(xiàn)實(shí)車(chē)聯(lián)網(wǎng)場(chǎng)景提供良好的參考價(jià)值。

圖7各基準(zhǔn)方案通信計(jì)算時(shí)延隨時(shí)隙的變化 Fig.7System’s communication and computinglatency of each benchmark schemeversuseach timeslot

圖8某一時(shí)隙的通信計(jì)算時(shí)延隨通信帶寬的變化 Fig.8System’s communicationand computinglatencyina certain time slotversuscommunication bandwidth

4結(jié)束語(yǔ)

本文對(duì)面向車(chē)聯(lián)網(wǎng)的空地協(xié)同MEC系統(tǒng)在線優(yōu)化資源和軌跡的方法進(jìn)行了研究。構(gòu)建了最小化未來(lái)下一個(gè)時(shí)隙（即第 ⁿ⁺¹ 時(shí)隙）車(chē)輛的通信計(jì)算時(shí)延的目標(biāo)函數(shù)，提出了基于塊坐標(biāo)下降的四層迭代優(yōu)化算法，通過(guò)聯(lián)合優(yōu)化帶寬、計(jì)算任務(wù)卸載比例、無(wú)人機(jī)軌跡和計(jì)算資源，實(shí)現(xiàn)了最小化未來(lái)下一個(gè)時(shí)隙車(chē)輛的通信計(jì)算時(shí)延的目的。計(jì)算機(jī)仿真結(jié)果表明，與基準(zhǔn)方案相比，所提算法能夠有效降低車(chē)輛的平均通信計(jì)算時(shí)延，還顯示了無(wú)人機(jī)服務(wù)器與基站服務(wù)器空地協(xié)同合作的可靠性和在車(chē)聯(lián)網(wǎng)系統(tǒng)中資源與軌跡實(shí)時(shí)優(yōu)化的重要性。當(dāng)前，本文的研究依然基于完美的信道狀態(tài)信息展開(kāi)分析與探討。然而，在實(shí)際的無(wú)線通信環(huán)境里，信道狀態(tài)往往受到多徑效應(yīng)、噪聲干擾以及快速時(shí)變等復(fù)雜因素的影響，難以獲取到完全精確的狀態(tài)信息。所以，在未來(lái)的無(wú)線通信研究領(lǐng)域，有必要將不完美的信道狀態(tài)信息納人考慮范疇，以此來(lái)更精準(zhǔn)地契合實(shí)際應(yīng)用場(chǎng)景的需求，進(jìn)而推動(dòng)無(wú)線通信技術(shù)朝著更具實(shí)用性和可靠性的方向發(fā)展。

參考文獻(xiàn)：

[1]Lu Ning，Cheng Nan，ZhangNing，et al.Connected vehicles：solutions and challenges[J]. IEEE Internet of Things Journal，1（4）：289-299.

[2]JameelF，Javed MA，Ngo D T.Performance analysis of cooperative V2Vand V2I communications under correlated fading[J].IEEE Trans on Intelligent Transportation Systems，2020，21（8）：3476- 3484.

[3]Kong Xiangjie，Wu Yuhan，Wang Hui，et al.Edge computing for Internet of everything：a survey[J]. IEEE Internet of Things Journal， 2022，9（23）：23472-23485.

[4]SabellaD，VaillantA，KuureP，etal.Mobile-edgecomputing architecture：the role of MEC in the Internet of Things[J].IEEE Consumer Electronics Magazine，2016，5（4） ：84-91.

[5]Wu Qingjie，Cui Miao，ZhangGuangchi，et al.Latencyminimization for UAV-enabled URLLC-based mobile edge computing systems[J]. IEEE Trans on Wireless Communications，2024，23（4）：3298- 3311.

[6]黃子祥，張新有，邢煥來(lái)，等.無(wú)人機(jī)群場(chǎng)景下邊端協(xié)同計(jì)算卸載 技術(shù)[J].計(jì)算機(jī)應(yīng)用研究，2024，41（5）：1515-1520.（Huang Zixiang，Zhang Xinyou，Xing Huanlai，et al.Research on edge to end collaborative computing offloading technology in unmanned aircraft cluster scenarios[J].Application Research of Computers，2024， 41（5） ：1515-1520.）

[7］唐煥博，陳星，張建山.移動(dòng)邊緣計(jì)算中的無(wú)人機(jī)三維部署和內(nèi)容 緩存優(yōu)化方法[J].計(jì)算機(jī)應(yīng)用研究，2024，41（4）：1143-1149. （Tang Huanbo，Chen Xing，Zhang Jianshan. UAV 3D deployment and content caching optimization for mobile edge computing[J].ApplicationResearchofComputers，2024，41（4）：1143-1149.）

[8]Su Zhou，Dai Minghui，Xu Qichao，et al.UAV enabled content distribution for Internet ofconnected vehicles in5G heterogeneous networks [J].IEEETranson Intelligent Transportation Systems，2021，22 （8） ：5091-5102.

[9]El-Sayed H，Chaqfa M，Zeadally S，et al. A traffic-aware approach for enabling unmanned aerial vehicles（UAVs）in smart city scenarios [J].IEEE Access，2019，7：86297-86305.

[10]Eskandarian A，Wu Chaoxian，Sun Chuanyang.Research advances and challenges of autonomous and connected ground vehicles[J]. IEEE Transon Intelligent Transportation Systems，2021，22（2）：683-711.

[11]Han Rui，Wen Yongqing，Bai Lin，etal.Ageof information aware UAVdeployment forintelligent transportation systems[J].IEEE Transon Intelligent Transportation Systems，2022，23（3）：2705- 2715.

[12]Li Jing，Niu Yong，Wu Hao，et al. Joint optimization of relay selection and transmission scheduling for UAV-aided mmWave vehicular networks[J].IEEE TransonVehicularTechnology，2023，72（5）： 6322-6334.

[13]Wang Leiyu，Zhang Haixia，Guo Shuaishuai，et al.3D UAV deploymentin multi-UAV networks with statistical user position information [J].IEEE CommunicationsLetters，2022，26（6）：1363-1367.

[14]ZhaoLiang，YangKaiqi，Tan Zhiyuan，etal.Anovel cost optimization strategy for SDN-enabled UAV-assisted vehicular computation offloaaing lJ」. Iccc Hans on emgent Ianspurtauun Systems， 2021，22（6） ：3664-3674.

[15]Liu Zhaonian，Huang Gaofei，Zhong Qihong，et al. UAV-aided vehicularcommunication designwithvehicle trajectory’sprediction[J]. IEEEWireless Communications Letters，2021，10（6）：1212- 1216.

[16]Yoon J，Lee A H，Lee H. Rendezvous ：opportunistic data delivery to mobileusers by UAVs through target trajectory prediction[J]. IEEE Trans on Vehicular Technology，2020，69（2）：2230-2245.

[17]Wang Zhe，Duan Lingjie，Zhang Rui. Traffc-aware adaptive deployment for UAV-aided communication networks[C]//Proc of IEEE Global Communications Conference.Piscataway，NJ：IEEE Press， 2018：1-6.

[18] Zeng Yong，Xu Jie，Zhang Rui.Energy minimization for wireless communication with rotary-wing UAV[J]. IEEE Trans on Wireless Communications，2019，18（4） ：2329-2345.

[19]李智灝，李俊杰，崔苗，等.空地協(xié)同移動(dòng)邊緣計(jì)算系統(tǒng)的資源分 配和軌跡優(yōu)化[J].計(jì)算機(jī)應(yīng)用研究，2024，41（12）：3807-3813. （Li Zhihao，Li Junjie，Cui Miao，et al. Resource allocation and trajectory optimization for air-ground cooperative mobile edge computing systems[J].Application Research of Computers，2024，41（12）： 3807-3813. ）

[20]Fan Wenhao，Liu Jie，Hua Mingyu，et al.Joint task offloading and resource allocation for multi-access edge computing assisted by parked and moving vehicles[J]. IEEE Trans on Vehicular Technology， 2022，71（5） ：5314-5330.

[21] Zhang Weiwen，Wen Yonggang，Guan K，et al.Energy-optimal mobile cloud computing under stochastic wireless channel[J].IEEE Trans on Wireless Communications，2013，12（9） ：4569-4581.

[22]Guo Min，Wang Wei，Huang Xing，et al. Lyapunov-based partial computationoffloading for multiple mobile devices enabled by harvested energy in MEC[J]. IEEE Internet of Things Journal，2022，9 （11） ：9025-9035.

[23]Grant M，Boyd S.CVX Research，CVX：MATLAB software for disciplined convex programming，version 2.1[EB/OL].（2018）.http：// cvxr. com/cvx.

[24]Liu Xin，Lai Biaojun，LinBin，etal.Jointcommunicationand trajectoryoptimization formulti-UAV enabled mobile Internet of Vehicles [J]. IEEE Trans on Intelligent Transportation Systems，2022，23 （9）：15354-15366.

[25]Xu Yu，Zhang Tiankui，Liu Yuanwei，et al.UAV-assisted MEC networks with aerial and ground cooperation[J].IEEE Trans on WirelessCommunications，2021，20（12）：7712-7727.

[26]Qi Qiuyi，Shi Tuo，Qin Ke，et al. Completion time optimization in UAV-relaying-assisted MEC networks with moving users[J].IEEE Transon Consumer Electronics，2024，70（1）：1246-1258.

[27]Hu Xiaoyan，Wong KK，Yang Kun，et al. UAV-assisted relaying and edge computing：scheduling and trajectory optimization[J]. IEEE TransonWireless Communications，2019，18（10）：4738-4752.