基于移动边缘计算的区块链计算资源分配和收益分享研究

针对移动终端设备本地计算资源有限的现状,提出了一种结合移动边缘计算机制的区块链系统.通过综合考虑系统中移动终端设备和边缘服务器的计算资源分配,以及移动终端设备的收益分配,提出了一个联合优化问题来最大化移动终端设备和边缘服务器的系统效用.为了快速求解该联合优化问题,设计了一种基于循环块坐标下降思想的多层分解算法.首先给定收益分享变量的值,通过对相应的子问题进行求解,得到移动终端设备以及边缘服务器的计算资源分配结果.然后把得到的结果作为固定的值继续求解移动终端设备的收益分享问题.最后,交替优化两部分变量直到算法收敛.仿真结果显示,所提算法能快速得到联合优化问题的最优解并有效提升区块链系统的系统效用.     

基于改进MADDPG的UAV轨迹和计算卸载联合优化算法

在地震、台风、洪水、泥石流等造成严重破坏的灾区,无人机(unmanned aerial vehicle, UAV)可以作为空中边缘服务器为地面移动终端提供服务,由于单无人机有限的计算和存储能力,难以实时满足复杂的计算密集型任务.本文首先研究了一个多无人机辅助移动边缘计算模型,并构建了数学模型;然后建立部分可观察马尔可夫决策过程,提出了基于复合优先经验回放采样方法的MADDPG算法(composite priority multi-agent deep deterministic policy gradient, CoP-MADDPG)对无人机的时延能耗以及飞行轨迹进行联合优化;最后,仿真实验结果表明,本文所提出算法的总奖励收敛速度和收敛值均优于其他基准算法,且可为90%左右的地面移动终端提供服务,证明了本文算法的有效性与实用性.     

基于边缘智能感知的无人机空间航迹规划方法

随着海量用频设备的涌现，无人机执行任务的电磁环境愈加复杂，对无人机认知环境和自主避障能力提出了更高的要求。鉴于此，提出了一种基于边缘智能感知的无人机空间航迹规划方法。首先，提出了一个基于边缘智能感知的无人机航迹规划框架，通过边缘服务器、传感器终端和无人机的协同通信与计算，提高无人机的环境感知和自主避障能力；其次，提出了一种基于深度确定性策略梯度(Deep Deterministic Policy Gradient, DDPG)算法优化的人工势场方法，避免无人机航迹规划陷入局部最小值点，同时行能耗；最后，在静态和动态干扰环境中对所提算法进行仿真实验，结果表明，与现有航迹规划方法相比，所提方法可以优化无人机的飞行航迹和传输数据速率，在静态和动态干扰环境中，无人机飞行能耗分别降低5.59%和11.99%,传输速率分别提高7.64%和16.52%,显著提高了无人机的通信稳定性和对复杂电磁环境的适应性。     

智能无人机轨迹与任务卸载联合优化

移动边缘计算（MEC）是云计算技术在边缘基础设施之上的应用拓展。考虑一个高能效的无人机移动边缘计算系统,通过联合优化无人机的运动轨迹、任务卸载策略和计算资源分配来最小化系统的能耗。为解决以上问题,提出一种双层优化方法,在上层用基于无监督学习的信道增益-自组织特征映射网络（h-SOM）对用户进行实时聚类,该聚类是以信道增益作为判断类别的指标并得到无人机的最佳部署位置;在下层根据无人机的部署,将计算卸载和计算资源分配问题转化为混合整数非线性规划问题（MINLP）,并采用带有精英初始策略和自适应双变异策略的改进差分进化算法（IDE）进行迭代求解,精英初始策略可以根据h-SOM的聚类结果提供优秀的初始解,自适应双变异策略能够提高算法的全局搜索能力并促进算法收敛,从而获得更好的任务卸载决策。通过仿真实验验证了所提方法的有效性,并与传统算法进行了比较,其优化效果显著,为MEC系统的联合优化提供了一种新思路。     

基于无人机红外热像的电缆隐患点智能检测

城市输电电缆是城市电力供应的生命线, 保障其安全可靠地运行是电网企业日常工作的重中之重, 运维工作面临巨大的挑战, 人工检查手段难以快速有效发现并及时排除隐患点. 因此, 本文提出基于无人机红外热像智能检测电缆隐患点的方法. 首先, 采用无人机对户外电缆终端进行航拍, 得到户外电缆终端的红外热图; 其次, 对红外热图采用改进的Bernsen二值化处理; 再次, 使用投影法从二值化图像中提取出待检测的主体电缆, 通过形态学方法去除背景或干扰区域对隐患点诊断的影响; 最后, 根据强度色谱确定主体电缆图像中颜色高亮的异常区域为隐患点. 通过应用本方法, 电网企业能够实现快速的缺陷识别, 消缺和故障判断, 全面提升城市输电电缆状态的管控能力.     

基于ZigBee技术的数据汇聚终端设计及应用

针对智慧城市建设中涉及的实测数据采集困难和汇聚复杂等问题,设计了基于ZigBee技术的数据汇聚系列智能终端设备,利用ZigBee的低功耗特点,提供了基本型和增强型两种数据采集终端选择模式,规划了三种电源处理方案,实现了实测数据无线采集汇聚上传平台等功能。将大量数据汇聚终端设备应用于智慧冷链物流运输进行温控测试,验证了该终端设备实时数据采集和汇聚的稳定性和有效性。     

无人机辅助移动边缘计算中的任务卸载算法

无人机（UAV）灵活机动、易于部署，可以辅助移动边缘计算（MEC）帮助无线系统提高覆盖范围和通信质量，但UAV辅助MEC系统研究中存在计算延迟需求和资源管理等挑战。针对UAV为地面多个终端设备提供辅助计算服务的时延问题，提出一种基于双延迟深度确定性策略梯度（TD3）的时延最小化任务卸载算法（TD3-TOADM）。首先，将优化问题建模为在能量约束下的最小化最大计算时延的问题；其次，通过TD3-TOADM联合优化终端设备调度、UAV轨迹和任务卸载比来最小化最大计算时延。仿真实验分析结果表明，与分别基于演员-评论家（AC）、深度Q网络（DQN）以及深度确定性策略梯度（DDPG）的任务卸载算法相比，TD3-TOADM得到的计算时延减小了8.2%以上。可见TD3-TOADM能获得低时延的最优卸载策略，具有较好的收敛性和鲁棒性。     

无人机边缘计算中的资源管理优化研究综述

移动边缘计算将云计算的服务资源移向更靠近终端的边缘,满足了密集计算和低时延需求。地面网络在复杂地形、设备故障等场景中面临挑战,通过无人机辅助,可提升移动边缘计算网络部署的灵活性和鲁棒性。无人机具有成本低廉、操控便捷、机动灵活等优点,但也由于受体积、重量等限制,其功率、通信、计算等资源往往很有限,并且当多无人机协同工作时,其资源的异构性和动态性特征逐步显现,因此,如何高效利用其资源成为研究的热点。从综述的角度,梳理了无人机边缘计算网络中推广应用时面临的问题与挑战,分析总结在功率控制、信道分配、计算服务资源管理以及资源联合优化等方面的研究现状,并分类总结对比了资源管理可行的优化解决方法,最后对资源管理优化的未来发展趋势进行分析和展望。     

空-天-地一体化移动边缘计算系统的部署优化和计算卸载

空-天-地一体化的通信技术作为一种新兴的架构，能够有效提高地面终端的网络服务质量，近年来引起了广泛关注。文中研究了一种空-天-地一体化的移动边缘计算系统，其中多台无人机为地面设备提供低延迟的边缘计算服务，近地轨道卫星为地面设备提供无处不在的云计算服务。由于无人机的部署位置和计算任务的卸载方案是影响系统性能的关键因素，因此需要对无人机的部署位置、地面设备与无人机之间的连接关系以及计算任务的卸载比例进行联合优化，实现系统内系统平均任务响应时延最小化。并且，由于形式化定义的联合优化问题是一个混合非线性规划问题，因此设计了一种双层优化算法，在该算法的上层，提出了一种结合了遗传算法算子的粒子群优化算法来优化无人机的部署位置，并在算法的下层采用贪心算法来实现对计算任务卸载方案的优化。大量的数值仿真实验验证了所提算法的可行性和有效性。结果表明，与其他基准算法相比，所提算法能有效降低系统的任务平均响应时延。     

抽水蓄能电站中基于边缘计算的任务卸载算法

为降低抽水蓄能电站中终端设备密集计算型任务的处理时延,针对抽水蓄能电站的物联网体系,提出了一种基于边缘计算的任务卸载算法.在该文方案中,首先基于层次分析法对计算任务进行优先级划分,并以终端能耗为约束、以终端计算任务处理时延为优化目标建立卸载模型,其次基于Q学习算法(Q-Learning,QL)探索系统的状态转移信息,以获取终端设备与边缘节点间的最佳卸载策略.另外,采用深度学习(Deep Learning,DL)的方法映射状态与动作之间的关系,避免算法迭代求解过程中的维度爆炸问题.仿真结果表明,本文提出的方法有效降低了抽水蓄能电站的任务平均执行时延,能够大幅提高抽水蓄能电站的生产作业及安全监测等工作的执行效率.     

无人机辅助的移动边缘计算中的任务分配策略

在使用无人机（UAV）作为计算卸载的数据收集器对用户设备（UE）提供移动边缘计算（MEC）服务的场景下,设计了一种通过UAV实现高效的UE覆盖的无线通信策略。首先,在给定UE分布的条件下,对于UAV的飞行轨迹和通信策略,使用了连续凸逼近（SCA）的优化方法来得出一种可以使全局能量最小化的近似最优解;此外,对于UE大范围分布或任务量较大的场景,提出了一种自适应聚类算法,以将地面的UE划分成尽量少的聚类,并保证每个聚类中全部UE的卸载数据都可以在一次飞行中全部完成收集;最后,将每个聚类中UE的计算卸载数据收集任务分配给一次飞行,从而达到减少单个UAV完成任务所需的派遣次数或多UAV执行任务所需的UAV派遣数量的目的。仿真结果表明,所提方法可以生成相比K-Means算法更少的聚类数量且能快速收敛,适用于UE大范围分布下UAV辅助的计算卸载场景。     

无人机辅助的无线传感网络AoI最小化方案研究

针对无线传感器网络中海量数据处理过程中信息新鲜度问题,基于无人机飞行速度、高度、避碰和可靠传输等约束,以系统信息年龄AoI为考核参数提出了一种联合采集点选择、轨迹优化及无人机工作时间权衡的AoI最小化非凸优化方案。以一个多无人机在同频段条件下为多个传感器节点传输能量并收集传感数据为场景,对多架无人机在三维空间中的信息采集过程进行模拟验证。通过SCA优化算法将建立的非凸问题转化为一个凸优化问题进行求解,最终得到无人机飞行过程中的最优采集点、最优飞行策略及能量输送时间与信息传输时间分配权衡指数,使系统性能达到最优,实验结果表明,所提方案求得的最优解可有效实现系统AoI最小化。     

基于改进混合粒子群算法和匹配理论的无人机电力巡检卸载策略

无人机搭载深度神经网络进行自主电力巡检时由于受到设备本身计算能力、电池容量、深度神经网络计算负载的限制,无法独立处理巡检任务中产生的海量图像数据。为解决该问题,提出了一种基于改进混合粒子群算法和匹配理论的无人机电力巡检卸载策略,该策略将系统成本最小化问题分解为深度神经网络计算任务协同分割和边缘服务器选择两个子问题。针对协同分割子问题,基于深度神经网络计算任务的执行流程提出了一种错时传输方法,通过改进混合粒子群算法求解多无人机任务协同分割层。针对边缘服务器选择子问题,定义无人机与边缘服务器各自偏好函数,根据偏好函数通过匹配理论建立两者间的稳定匹配,得到边缘服务器选择策略。仿真结果表明,与其他卸载策略相比,所提策略能有效降低无人机能耗和计算任务处理时延,促进边缘服务器负载均衡。     

一种多约束下无人机编队的模型预测控制算法

针对多无人机在编队飞行过程中需满足机间避碰、通信、避障等约束的问题,设计一种考虑多约束的分布式模型预测控制算法,使无人机编队在满足上述约束的前提下,实现轨迹跟踪、队形保持.首先,在不考虑通信时延、外界干扰、噪声的情况下,以四旋翼为控制对象,建立线性时不变的单机及编队运动模型;然后,在考虑状态约束、输入约束、机间避碰、机间通信、避障等多种约束的情况下,以轨迹跟踪、队形保持为控制目标,基于虚拟领航策略设计一种分布式模型预测控制算法;接着,对优化问题的可行性以及编队系统的渐近稳定性进行分析,其中算法的终端部分设计、相容性约束设计是保证系统稳定的关键;最后,利用6架无人机仿真验证所提出控制算法的有效性.     

禁飞区无人机预警算法研究

针对大量在空中无秩序飞行的无人机有可能会闯入飞机场等禁飞区的情况,为了避免发生空中交通安全事故,提出了一种无人机禁飞区预警算法。首先,该算法经过坐标变换将描述无人机位置点的GPS坐标转换成对应的平面坐标;接着,采用改进的最小二乘曲线拟合算法预测出无人机的飞行轨迹;然后,通过计算预测的飞行轨迹曲线在当前点的切线是否会与描述禁飞区的电子围栏相交,来判断无人机是否会进入禁飞区。同时,所有的无人机都会安装上飞行数据记录模块,来实时地为该算法提供无人机的飞行状态信息。最后,通过MATLAB仿真实验验证了该预警算法的可行性和有效性,表明该算法可以对禁飞区周围的无人机进行预警。     

基于Q学习的无人机辅助W SN数据采集轨迹规划

针对无人机辅助采集无线传感器网络数据时各节点数据产生速率随机和汇聚节点状态不一致的场景,提出基于Q学习的非连续无人机轨迹规划算法Q-TDUD,以提高无人机能量效率和数据采集效率.基于各节点在周期内数据产生速率的随机性建立汇聚节点的汇聚延时模型,应用强化学习中的Q学习算法将各汇聚节点的延迟时间和采集链路的上行传输速率归一...     

An Efficient Reinforcement Learning Game Framework for UAV-Enabled Wireless Sensor Network Data Collection

With the developing demands of massive-data services, the applications that rely on big geographic data play crucial roles in academic and industrial communities. Unmanned aerial vehicles (UAVs), combining with terrestrial wireless sensor networks (WSN), can provide sustainable solutions for data harvesting. The rising demands for efficient data collection in a larger open area have been posed in the literature, which requires efficient UAV trajectory planning with lower energy consumption methods. Currently, there are amounts of inextricable solutions of UAV planning for a larger open area, and one of the most practical techniques in previous studies is deep reinforcement learning (DRL). However, the overestimated problem in limited-experience DRL quickly throws the UAV path planning process into a locally optimized condition. Moreover, using the central nodes of the sub-WSNs as the sink nodes or navigation points for UAVs to visit may lead to extra collection costs. This paper develops a data-driven DRL-based game framework with two partners to fulfill the above demands. A cluster head processor (CHP) is employed to determine the sink nodes, and a navigation order processor (NOP) is established to plan the path. CHP and NOP receive information from each other and provide optimized solutions after the Nash equilibrium. The numerical results show that the proposed game framework could offer UAVs low-cost data collection trajectories, which can save at least 17.58% of energy consumption compared with the baseline methods.     

An Optimal Control Strategy for Multi-UAVs Target Tracking and Cooperative Competition

An optimal control strategy of winner-take-all (WTA) model is proposed for target tracking and cooperative competition of multi-UAVs (unmanned aerial vehicles). In this model, firstly, based on the artificial potential field method, the artificial potential field function is improved and the fuzzy control decision is designed to realize the trajectory tracking of dynamic targets. Secondly, according to the finite-time convergence high-order differentiator, a double closed-loop UAV speed tracking the controller is designed to realize the speed control and tracking of the target tracking trajectory. Numerical simulation results show that the designed speed tracking controller has the advantages of fast tracking, high precision, strong stability and avoiding chattering. Finally, a cooperative competition scheme of multiple UAVs based on WTA is designed to find the minimum control energy from multiple UAVs and realize the optimal control strategy. Theoretical analysis and numerical simulation results show that the model has the fast convergence, high control accuracy, strong stability and good robustness.      

基于卷积神经网络的无人机油气管线巡检监察系统

为满足深埋式油气管道巡检监察需求,以及解决常规人工巡检手段效率低、时效性差、安全性低等问题,通过结合无人机飞行平台、卷积神经网络算法及计算机系统集成技术,设计并开发了一套基于卷积神经网络的无人机油气管线巡检监察系统,为油气管线的巡检监察工作提供技术支撑.本文首先介绍了巡检监察系统的总体设计方案、及作业流程进行了介绍;其次对系统组成进行了详细介绍,整个系统由无人机飞行平台、神经网络目标检测系统、无人机巡检监察管理系统以及无人机巡检执法终端四大子系统组成,无人机飞行平台以油动固定翼无人机为飞行载体,搭载高清相机进行数据采集,神经网络目标检测系统对影像数据进行自动检测、识别、搜索沿线工程车辆和管线隐患的目标,无人机巡检监察管理系统实现数据信息的存储管理及分发推送,无人机巡检执法终端接收隐患目标推送信息并进行现场快速执法;最后,对该系统的应用情况及后续的发展方向进行了总结和展望.目前,该系统成功应用于河南、甘肃等省份的油气管线巡检监察作业中,结果表明系统满足油气管线巡检监察的业务需求.