在飞行中的无人机网络中，基于动态优先级的区域划分、轨迹规划以及任务调度

《Future Generation Computer Systems》：Dynamic priority-based area partitioning, trajectory planning, and task scheduling in computing-while-flying UAV networks

动态优先级区域划分与轨迹规划联合优化方案在无人机辅助移动边缘计算中显著降低系统延迟、能耗和部署成本

　　

赵子佳|詹文瀚|闵格勇|蒋旭|赵亮|黄华龙

中国电子科技大学计算机科学与工程学院，成都，611731，中国

摘要

在移动边缘计算（MEC）中，无人机（UAV）作为一种灵活的边缘服务器正在崛起，它们解决了传统静态服务器的局限性。无人机辅助的MEC可以根据实时需求动态调整无人机位置，同时部署边缘计算资源以提高用户设备的服务质量（QoS）。当前的研究主要集中在轨迹规划和任务调度上，但面临固定网格划分导致的成本高昂、负载不平衡以及任务调度适应性不足等问题。为了解决这些问题，本文提出了一种基于动态优先级的区域划分、轨迹规划和任务调度（MIRATS）方案，适用于飞行中的无人机网络。具体来说，首先，我们提出了一种自适应区域划分方法，该方法可以动态调整无人机数量并将其分配到子区域以实现负载平衡并降低部署成本；其次，提出了一种任务优先级策略，根据延迟约束和等待时间动态调整任务优先级，以确保任务的合理执行顺序和位置；最后，设计了一个分层深度强化学习（DRL）框架，上层DRL优化无人机在子区域间的飞行路径以减少飞行延迟和能耗，而下层DRL动态调整子区域间的飞行时间槽，实现无人机飞行与任务执行之间的有效并行处理。广泛的实验结果表明，所提出的MIRATS方案在显著降低系统延迟、能耗和部署成本方面优于其他方案。

引言

物联网（IoT）和第六代移动通信（6G）技术的快速发展催生了自动驾驶、沉浸式媒体和虚拟现实等新兴应用[1]，[2]。这些应用需要低延迟、高密度和强隐私保护的计算服务，超出了当前移动用户（MUs）的能力[3]。同时，由于网络延迟和带宽限制，传统的集中式云计算模型难以满足这些应用的高性能要求[4]。为了解决这一挑战，移动边缘计算（MEC）作为一种解决方案应运而生，它通过将计算资源部署得更接近用户来提高服务质量（QoS），使移动用户能够将复杂任务卸载到边缘服务器[5]。虽然MEC可以提高服务性能，但其边缘服务器的静态部署在灾难救援或基础设施不足的偏远地区等场景中存在挑战[6]。此外，即使在部署可行的情况下，更广泛的覆盖范围通常也需要许多静态服务器，这会增加成本并限制对变化中的计算需求的适应能力。

为了解决静态边缘服务器部署的局限性，近年来提出了各种动态部署方案。与静态方法不同，动态方案避免了每个区域固定的服务器设置，通过根据实时用户需求调整服务器位置来降低成本并提高服务效率。在这些方案中，无人机辅助的MEC因其动态部署能力而受到关注[7]。无人机能够提供视距（LoS）通信链路，减少地面障碍物的干扰，并降低通信中断风险[8]。此外，无人机可以根据计算负载调整位置，从而改善负载平衡和资源利用率。更重要的是，它们的高机动性允许快速响应需求变化，提高服务覆盖范围并降低部署成本[9]。目前，关于无人机辅助MEC的研究主要集中在无人机轨迹优化和任务调度上，以提高计算效率和系统资源利用率[10]。

在无人机辅助的MEC系统中，轨迹优化涉及实时调整无人机位置和路径，以提高服务覆盖范围和效率[11]。尽管提出了多种优化无人机轨迹的算法，但仍存在一些挑战。首先，现有研究往往忽略了无人机部署成本，并通常假设无人机数量是固定的[12]。然而，有效的轨迹设计应动态调整无人机数量并将其分配到子区域以实现负载平衡并降低成本。此外，在当前的无人机辅助MEC系统中，飞行和任务处理通常是顺序执行的。无人机必须先到达指定的悬停位置，在静止状态下收集和处理任务，然后才能前往下一个位置[13]。相比之下，如果能在飞行过程中并行处理任务，系统延迟将显著降低。然而，这种模式增加了轨迹设计的难度，因为无人机必须两次进入每个子区域，一次用于任务收集，一次用于结果传递。如何优化飞行轨迹并平衡任务处理与飞行之间的同步问题仍需进一步探索。

在无人机辅助的MEC系统中，任务卸载和调度的关键在于高效地将计算任务从移动用户转移到无人机，并在资源限制下进行管理，以最小化处理延迟并提高动态环境下的响应能力[14]。当前的无人机-MEC任务调度仍面临一些挑战。首先，任务优先级的动态调整尚未得到有效解决。现有研究通常在任务开始时分配固定的优先级，但实际上应根据任务类型、延迟约束和等待时间实时调整优先级[15]。其次，关于任务迁移的研究仍然有限。无人机不仅可以直接处理卸载的任务，还可以在计算能力不足时充当中继节点，将任务传递给地面边缘服务器[16]。优化中继路径以平衡迁移成本、网络延迟和边缘资源仍然是一个紧迫的挑战。

为了解决上述挑战，我们提出了一种基于动态优先级的区域划分、轨迹规划和任务调度（MIRATS）方案。该方案的核心目标是通过降低无人机部署成本、减少任务处理延迟和优化能耗来提高整体系统性能。首先，本文提出了一种自适应区域划分方法，防止低负载区域中的无效飞行和高负载区域中的资源紧张。在此基础上，基于匈牙利算法[17]，设计了一种动态无人机匹配机制，以动态调整无人机数量并控制部署成本。其次，引入了一种基于任务类型、延迟约束和等待时间的动态优先级评估方案，以实时优化任务执行顺序。最后，采用了分层深度强化学习（DRL），结合“飞行中执行”的创新策略，确保无人机在飞行过程中高效处理任务，并实现任务执行和轨迹规划的同时优化。本文的贡献如下。

• •
  提出了一种自适应区域划分和无人机匹配方案，用于负载平衡。它根据任务密度动态调整划分，并自适应确定无人机数量以匹配子区域，从而降低部署成本并提高飞行效率。
• •
  为了确保任务调度的实时性和灵活性，我们提出了一种动态任务优先级评估方案。该方案考虑了任务类型、延迟约束和等待时间，动态调整任务优先级，从而优化任务的执行顺序和位置。
• •
  提出了一种基于分层DRL框架的无人机轨迹和任务调度联合优化方案。上层DRL负责规划无人机的飞行路径。下层DRL动态调整无人机在子区域间的飞行时间槽，以适应“飞行中计算”模式，并实时优化任务调度策略，确保飞行过程中的任务高效执行。

本文的其余部分结构如下。第2节描述了相关工作。第3节介绍了系统模型和问题表述，以便清晰理解。第4节概述了算法设计和提出的解决方案。第5节和第6节分别提供了实验分析和结论。

相关研究

相关研究

首先介绍了无人机辅助MEC系统中区域划分和匹配的当前研究。然后，回顾了任务调度中任务优先级的相关研究。随后，总结了最近在联合轨迹规划和任务卸载方面的进展。最后，系统地梳理了现有研究的不足，并在表1中对这些研究进行了综合和总结。

系统模型

在本节中，我们详细介绍了本文的系统模型，包括网络、通信和计算模型。此外，我们定义了优化目标并提供了相关的数学描述。所有使用的符号和参数在表2中进行了总结。

提出的解决方案

在本节中，如图3所示，我们详细介绍了提出的解决方案及其各个关键步骤。首先，我们设计了一种自适应区域划分和无人机匹配方案。其次，我们提出了一种动态任务优先级计算策略，旨在根据任务类型、延迟约束和等待时间实时调整任务优先级。最后，我们开发了一个分层DRL框架，用于联合优化轨迹规划和任务调度。

仿真与讨论

在本节中，我们通过大量仿真实验系统评估了MIRATS方案的性能。首先，详细描述了实验的参数设置及其合理性。接下来，描述了选定的比较方案和指标。最后，将我们的方案与其他方案进行了比较和分析，以全面验证MIRATS方案的有效性。

结论

本文提出了一种名为MIRATS的方案，它为无人机辅助的MEC系统引入了一种新的区域划分、轨迹规划和任务调度策略，旨在优化无人机的部署成本、延迟和能耗。首先，我们根据任务负载动态调整区域划分和无人机数量，以降低无人机部署成本并优化无人机飞行轨迹。其次，提出了一种基于任务执行的动态优先级计算方法

作者贡献声明

赵子佳：撰写 – 审稿与编辑，撰写 – 原始草稿，验证，方法论，调查，形式分析，数据管理，概念化。詹文瀚：撰写 – 审稿与编辑，监督，概念化。闵格勇：可视化，验证，资源管理。蒋旭：软件开发，数据管理。赵亮：验证，监督。黄华龙：方法论，调查。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。