摘要
随着智能移动设备和无线通信技术的快速发展，各种现代应用，如增强现实、虚拟现实、自动驾驶和农业监控等，正在彻底改变人们的生活。这些应用通常需要密集计算，但智能移动设备由于计算能力和电池容量有限，无法满足新型应用的计算需求。为了解决这一问题，移动边缘计算（Mobile Edge Computing，MEC）被视为一种很有前景的解决方案，它将任务从移动边缘设备卸载到边缘服务器，以减轻资源受限的无线设备的计算负担。MEC的本质是为用户设备提供更便捷的计算服务，缓解网络拥塞，减少不必要的通信资源消耗。移动性和动态性是许多MEC应用的内在特征。与地面基站相比，无人机（Unmanned Arial Vehicle,UAV）的灵活性更适合复杂和时变的MEC环境，因此，UAV辅助MEC被认为是未来6G网络的趋势。现有UAV边缘网络的研究专注于网络性能（时延、能耗、加权的时延与能耗等）方面，而忽略了用户需求的多样性，例如用户传输需求的多样性和用户计算需求的多样性。本文将针对现有研究的不足，深入探索以用户为中心的无人机边缘网络，展开以下两方面的研究： （1）针对热点区域中UAV边缘网络轨迹设计与协作传输的问题，本文从用户角度出发，提出一种面向可伸缩视频传输的DDPG无人机服务增强机制。为了提高用户的差异化体验，本文结合UAV提出一种基于可伸缩视频编码（SVC）的弹性视频传输方法。为了保证UAV对热点区域的覆盖增强效果，本文以最大化用户接收增强层视频的数量为目标，提出一种基于深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）算法的UAV路径规划设计。仿真结果表明，所提出的算法提高了系统中用户接收视频的质量。 （2）针对多UAV协作卸载与动态部署的问题，本文提出一种面向用户计算需求的软件定义UAV网络架构。本文将用户的计算需求与UAV进行匹配，并对UAV动态部署的结果进行优化，构建了一个联合计算任务完成时间和UAV能耗的优化问题。然后，本文将该优化问题建模成一个马尔科夫博弈过程，并提出了一种基于多智能体深度确定性策略梯度（Multi-Agent Deep Deterministic Policy Gradient，MADDPG）的深度强化学习求解算法。为了防止维度灾难，本文引入了禁忌搜索匹配算法（Tabu Search-based Matching,TSM），对MADDPG算法的动作空间进行了降维处理。最后，数值仿真表明，所提出的MADDPG算法可以在满足用户计算需求多样性的同时，减少计算任务完成时间和UAV能耗。
NETL