摘要
随着物联网的快速发展，传感器网络和边缘计算在各个领域得到了广泛的应用。物联网技术的普及使得传感器网络可以广泛部署在各个场景中，用于感知和收集环境数据。传统的传感器网络以多跳的方式将数据传输到数据中心，在这种网络结构中，一些节点可能需要承担更多的数据中继任务，容易导致部分节点能量消耗过大，进而影响整个网络的持续工作时间。无人机具有灵活性和机动性，使用无人机进行数据采集，一方面可以减少传统方法中某些节点能耗过大的问题，另一方面无人机能够实现对特定区域有针对性的数据采集，提高采集数据的质量和效率。边缘计算技术的兴起使得数据处理和决策可以更加靠近数据源，减少了数据传输延迟和网络负载，提高了响应速度和服务质量。传统的边缘计算通常依赖固定的边缘服务器来处理数据，而多无人机辅助边缘计算则将部分计算任务从中心服务器转移到更接近数据源的无人机上进行处理。无人机具备较强的计算和通信能力，可以在任务执行过程中进行实时数据处理和分析，减少数据传输和处理延迟。本文针对多无人机辅助数据采集以及多无人机辅助边缘计算两个场景，展开相关的路径规划研究。 首先，针对的多无人机辅助数据采集的场景，现有的无人机辅助数据采集路径规划研究主要集中在优化无人机能耗和数据采集的吞吐量上，通常忽视了传感器网络的能量均衡。本文提出了以数据新鲜度和传感器网络能耗均衡为路径规划目标的组合优化问题，构建了一个马尔科夫博弈模型，为了有效求解该问题，本文设计了一种基于多智能体强化学习的多无人机辅助数据采集路径规划算法MADC，并通过经验回放池中的重要性权重反馈机制，提高了算法的效果。 其次，针对多无人机辅助边缘计算的路径规划问题，本文将无人机视作可移动的边缘计算节点，综合考虑了用户任务卸载的时延和无人机执行任务时的飞行与悬停能耗，定义了一个以最小化系统时延和无人机能耗为路径规划目标的组合优化问题。本文将无人机边缘计算服务方案转化为博弈论问题，使用博弈论对离散的决策进行求解，在强化学习建模中将无人机的动作空间设计为混合动作空间，规划无人机的路径，最终提出了基于博弈论和多智能体强化学习的多无人机边缘计算与充电协同路径规划算法Nash-MAPPO。
NETL