2025年IEEE IOTJ SCI2区TOP，多无人机辅助MEC系统中的能效部署与卸载策略，深度解析+性能实测

1.摘要

无人机辅助的移动边缘计算（MEC）系统为移动智能终端（MITs）提供了额外的计算能力，成为一种具有潜力的技术。本文旨在优化多无人机（UAVs）辅助MEC系统中为大量MITs提供服务时的能效。为此，本文提出了一种两层回溯搜索算法（TBSA），TBSA的上层通过将回溯搜索算法（BSA）与基于广义对立学习的自适应种群调整策略相结合，优化UAV的部署；下层则根据上层算法得到的AAV部署情况，确定卸载决策和资源分配。在下层中，定义了随机优先级序列（RPS）来描述MITs的卸载决策，并采用BSA来寻找最优的RPS。

2.问题描述

论文研究了一个多无人机辅助的移动边缘计算（MEC）系统，旨在优化系统的能效。系统包括UAV、MEC服务器和MITs，任务可以在UAV或MIT本地执行，其提出了两层回溯搜索算法（TBSA）来优化UAV部署和MIT任务卸载决策。能量消耗包括UAV悬停、任务的本地执行和UAV执行的计算任务。通过数学模型和假设，系统的能量消耗由UAV的悬停功率、传输功率、计算资源和带宽等因素构成。任务卸载决策和资源分配通过矩阵 λ \lambda λ和 φ \varphi φ进行描述。

悬停能量消耗

当系统工作时，UAV处于悬停模式，能耗表示为：
E A A V = P H T H E_{\mathrm{AAV}}=P_HT_H EAAV=PHTH

期中， P H P_H PH为悬停功率， T H T_H TH为悬停时间。

本地执行能耗

本地执行指的是任务 M i M_i Mi在 M I T i MIT_i MITi上进行计算，这会消耗 M I T i MIT_i MITi的能量。计算任务 M i M_i Mi所需的时间 T L , i T_{L,i} TL,i和能量 E L , i E_{L,i} EL,i：
T L , i = N i ϕ i , 1 , i ∈ $1 , N M$ T_{L,i}=\frac{N_i}{\phi_{i,1}},i\in $1,N_M$ TL,i=ϕi,1Ni,i∈ $1,NM$
E L , i = α 1 ( ϕ i , 1 ) 2 N i , i ∈ $1 , N M$ E_{L,i}=\alpha_1\left(\phi_{i,1}\right)^2N_i,i\in $1,N_M$ EL,i=α1(ϕi,1)2Ni,i∈ $1,NM$

MEC执行过程能耗

MEC执行包括三个阶段：任务从 M I T i MIT_i MITi传输到 UAV，UAV上进行计算，然后将结果返回 M I T i MIT_i MITi，上行数据速率：
R u , i , j = W log ⁡ 2 ( 1 + P M β 0 G 0 N 0 W δ 2 ∥ m i − U j ∥ 2 ) R_{u,i,j}=W\log_2\left(1+\frac{P_M\beta_0G_0}{N_0W\delta^2\left\|\boldsymbol{m}_i-\boldsymbol{U}_j\right\|^2}\right) Ru,i,j=Wlog2(1+N0Wδ2∥mi−Uj∥2PMβ0G0)

计算时间和能量：
T M , i , j = N i ϕ i , j + 1 + η 1 D i R u , i , j + η 2 D i R d , i , j T_{M,i,j}=\frac{N_i}{\phi_{i,j+1}}+\frac{\eta_1D_i}{R_{u,i,j}}+\frac{\eta_2D_i}{R_{d,i,j}} TM,i,j=ϕi,j+1Ni+Ru,i,jη1Di+Rd,i,jη2Di
E M , i = α 2 ( ϕ i , j + 1 ) 2 N i + P M η 1 D i R u , i , j + P S η 2 D i R d , i , j E_{M,i}=\alpha_{2}\left(\phi_{i,j+1}\right)^{2}N_{i}+\frac{P_{M}\eta_{1}D_{i}}{R_{u,i,j}}+\frac{P_{S}\eta_{2}D_{i}}{R_{d,i,j}} EM,i=α2(ϕi,j+1)2Ni+Ru,i,jPMη1Di+Rd,i,jPSη2Di

目标函数

系统能耗 E s Es Es：
E S = ∑ i = 1 N M λ i , 1 E L , i + ∑ i = 1 N M ∑ j = 1 N U λ i , j + 1 E M , i + N U E A A V E_{S}=\sum_{i=1}^{N_{M}}\lambda_{i,1}E_{L,i}+\sum_{i=1}^{N_{M}}\sum_{j=1}^{N_{U}}\lambda_{i,j+1}E_{M,i}+N_{U}E_{\mathrm{AAV}} ES=i=1∑NMλi,1EL,i+i=1∑NMj=1∑NUλi,j+1EM,i+NUEAAV

3.提出算法

TBSA上层算法通过BSA设计自适应种群调整策略，优化UAV的部署：
X = { X 1 , Y 1 , H ⏟ A A V 1 , X 2 , Y 2 , H ⏟ A A V 2 , ... X N U , Y N U , H ⏟ A A V N U } X=\left\{\underbrace{X_{1},Y_{1},H}{\mathrm{AAV~1}},\underbrace{X{2},Y_{2},H}{\mathrm{AAV~2}},\ldots\underbrace{X{N_{U}},Y_{N_{U}},H}{\mathrm{AAV~N{U}}}\right\} X=⎩ ⎨ ⎧AAV 1 X1,Y1,H,AAV 2 X2,Y2,H,...AAV NU XNU,YNU,H⎭ ⎬ ⎫

通过BSA生成候选种群-I (XCI)。然后，设计了三个候选种群-II (XCII,1, XCII,2, XCII,3)，这些种群通过插入、替换和移除操作生成。插入操作：在X中插入一个新个体，通过GOBL生成新个体。替换操作：随机替换X中的一个个体。移除操作：随机移除X中的一个个体。

下层算法在基于上层算法获得的候选种群（XCII,1, XCII,2, XCII,3）搜索最优卸载决策，引入随机优先级序列（RPS），其长度与上传任务的MIT数量相同。通过生成并优化随机优先级序列（RPS）来确定任务卸载决策。任务优先选择本地执行，超出处理能力时上传到UAV。

4.结果展示

5.参考文献

$1$ Zhang Y. Energy-Efficient Deployment and Offloading Strategy in a Multi-UAV-Assisted MEC System $J$ . IEEE Internet of Things Journal, 2025.