摘要
近年来，地面蜂窝通信系统取得了飞速发展，极大地改善了人们的经济、生活和工作环境。然而，随着智能设备的普及和网络流量的指数级增长，人们对更快、更可靠、更安全的数据处理能力产生了迫切需求。传统的数据处理方法存在诸多局限性，如数据传输延迟、网络带宽限制以及数据安全风险等。为了应对这些挑战，一种名为移动边缘计算（MobileEdgeComputing,MEC）的技术应运而生。MEC技术将计算资源从传统数据中心转移到网络边缘，有助于减少数据传输延迟、降低网络带宽使用，并提高数据安全性。 然而，仅仅依赖地面基础设施无法全面、无遗漏地为每个通信设备提供高速传输和高可靠性的网络接入服务。在诸如地震、海啸、洪水、台风等灾害情况下，地面通信基础设施可能会受到损坏而无法提供服务。与此同时，灾区与外界的通信需求却急剧上升。因此，高机动性、低成本的无人机（UnmannedAerialVehicle，UAV）通信逐步引起了人们的关注，并催生了一种基于UAV辅助的MEC通信系统。然而，由于UAV自身电池容量的局限性，其服务时长受到限制，因此提高UAV的资源利用率显得尤为重要。 本文针对UAV辅助的MEC通信系统所面临的挑战，探索了如何最大化系统资源利用率问题。主要工作如下： (1)提出了一种面向最小化UAV基站数量的智能部署算法。为了提高UAV的资源利用率，本文研究了UAV基站数量和位置部署以及与用户的关联关系。首先，本文对UAV辅助的MEC通信系统进行建模，收集地面用户的信息，并考虑UAV基站的通信半径和负载能力，设计了一种分层迭代聚类算法对UAV基站进行部署。在确保UAV基站对所有用户进行有效覆盖的前提下，实现UAV基站数量最小化，同时尽量实现UAV基站的负载均衡，从而最大化UAV基站服务效率，提高用户体验。此外，为了提高部署算法的效率，本文采用了一种基于监督学习训练的神经网络模型对UAV基站数量进行预测，并将预测结果作为部署算法的输入参数。最后，通过仿真实验验证了所提出算法的有效性。 (2)提出了一种基于时延、能耗和任务成功率优化的任务调度方法。为了进一步提高UAV的资源利用率，本文探讨了计算任务卸载和资源分配策略，以实现基于时延、能耗和任务成功率的任务调度优化。首先，本文对用户任务进行特征提取，并构建一个一维卷积神经网络模型。接着，设计了一种备选方案生成策略，并为神经网络模型设计了一个经验池供其从过往数据中获得学习。之后利用系统代价函数配合提出的资源分配方案从多个生成方案中选出最优方案与输入数据绑定为标签，并将其加入到经验池中供模型训练。训练完毕的模型可以达到实时的为不同的用户任务生成高效的卸载决策方案的目标。最后，通过仿真实验验证所提出任务调度方法的有效性和性能优势。
NETL