摘 要：隨著車聯(lián)網(wǎng)的普及應(yīng)用，車輛需要完成大量的實(shí)時(shí)計(jì)算任務(wù)，為了增強(qiáng)車輛的無(wú)線連接與計(jì)算能力，引入具有高機(jī)動(dòng)性和按需部署優(yōu)點(diǎn)的無(wú)人機(jī)進(jìn)行輔助是一種有效方法。因此，研究了一個(gè)面向車聯(lián)網(wǎng)的空地協(xié)同移動(dòng)邊緣計(jì)算系統(tǒng)，該系統(tǒng)由分別部署在無(wú)人機(jī)和地面基站的移動(dòng)邊緣計(jì)算服務(wù)器組成，協(xié)作為車輛提供通信和計(jì)算服務(wù)。為了最小化車輛的最大平均通信計(jì)算時(shí)延，研究了一個(gè)聯(lián)合優(yōu)化無(wú)人機(jī)和地面基站的通信帶寬分配、計(jì)算任務(wù)卸載比例分配、無(wú)人機(jī)軌跡和計(jì)算資源分配的問(wèn)題。為求解這個(gè)非凸優(yōu)化問(wèn)題，提出一種基于塊坐標(biāo)下降法和連續(xù)凸優(yōu)化方法的高效交替優(yōu)化算法，將原問(wèn)題分解為帶寬分配、計(jì)算任務(wù)卸載比例分配、無(wú)人機(jī)軌跡優(yōu)化和計(jì)算資源分配四個(gè)子問(wèn)題，并引入松弛變量和利用一階泰勒展開的方法對(duì)子問(wèn)題進(jìn)行交替迭代求解。仿真結(jié)果表明，與多種基準(zhǔn)方案相比，該算法能夠有效地降低車輛的平均通信計(jì)算時(shí)延。這證明了無(wú)人機(jī)和地面基站的空地協(xié)作對(duì)車聯(lián)網(wǎng)的通信與計(jì)算能力提升的重要性。

關(guān)鍵詞：無(wú)人機(jī)通信；移動(dòng)邊緣計(jì)算；帶寬分配；飛行軌跡設(shè)計(jì)；車聯(lián)網(wǎng)通信

中圖分類號(hào)：TN929.5"" 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-3695（2024）12-038-3807-07

doi： 10.19734/j.issn.1001-3695.2024.04.0119

Resource allocation and trajectory optimization for air-groundcooperative mobile edge computing systems

Li Zhihao， Li Junjie， Cui Miao， Zhang Guangchi

（School of Information Engineering， Guangdong University of Technology， Guangzhou 510006， China）

Abstract：With the popularity and application of Internet-of-Vehicles （IoV）， vehicles need to accomplish a large number of real-time computational tasks. To enhance the wireless connectivity and computational capability of the vehicles， the introduction of unmanned aerial vehicle （UAV） with the advantages of high mobility and on-demand deployment for assistance is an effective method. Therefore， this paper studied an air-ground collaborative mobile edge computing system for the IoV， which consisted of mobile edge computing servers deployed at a UAV and ground base stations， respectively， to collaborate in providing communication and computation services for vehicles. In order to minimize the maximum average communication and computational delay of the vehicles， this paper studied a problem of jointly optimizing communication bandwidth allocation between the UAV and ground base stations， computational task offload ratio allocation， UAV trajectory and computational resource allocation. To solve this non-convex optimization problem， this paper proposed an efficient alternating optimization algorithm based on block coordinate descent and successive convex optimization methods， which was decomposed into four sub-problems： bandwidth allocation， computational task offload ratio allocation， UAV trajectory optimization and computational resource allocation， and introduced slack variables and utilized a first-order Taylor expansion to solve the sub-problems alternately and itera-tively. Simulation results show that the proposed algorithm can effectively reduce the average communication and computa-tional delay of vehicles compared to the multiple benchmark schemes. This conclusion demonstrates the importance of air-ground collaboration between the UAV and ground base stations to enhance the communication and computation capabilities of the IoV.

Key words：UAV communication; mobile edge computing（MEC）; bandwidth allocation; trajectory design; IoV communication

0 引言

在物聯(lián)網(wǎng)和新一代移動(dòng)網(wǎng)絡(luò)盛行的推動(dòng)下，無(wú)線連接設(shè)備（比如智能手機(jī)、智能駕駛汽車和車聯(lián)網(wǎng)設(shè)備等）的數(shù)量急劇增加，這對(duì)于計(jì)算和存儲(chǔ)資源不足的設(shè)備在面對(duì)計(jì)算密集和時(shí)延敏感型任務(wù)時(shí)充滿了挑戰(zhàn)[1， 2]。為了應(yīng)對(duì)這一挑戰(zhàn)，移動(dòng)邊緣計(jì)算（mobile edge computing，MEC）通過(guò)網(wǎng)絡(luò)邊緣的服務(wù)器為用戶設(shè)備提供計(jì)算和存儲(chǔ)服務(wù)，從而緩解了用戶設(shè)備的計(jì)算壓力，并且降低計(jì)算時(shí)延和擴(kuò)展存儲(chǔ)容量[3， 4]，特別是在車聯(lián)網(wǎng)中。

然而，在車聯(lián)網(wǎng)中快速移動(dòng)的車輛和動(dòng)態(tài)的網(wǎng)絡(luò)環(huán)境下，固定位置的邊緣服務(wù)器（如基于基站的服務(wù)器）僅提供了計(jì)算卸載服務(wù)的基本覆蓋范圍[5]。因此，這種固定邊緣服務(wù)器無(wú)法隨著車聯(lián)網(wǎng)中動(dòng)態(tài)的交通變化情況而調(diào)整位置，無(wú)法滿足車輛時(shí)空變化的要求。得益于無(wú)人機(jī)本身的靈活性、高機(jī)動(dòng)性和按需部署的優(yōu)勢(shì)[6]，它對(duì)無(wú)線通信系統(tǒng)產(chǎn)生巨大的增益。因此，車聯(lián)網(wǎng)的MEC系統(tǒng)可以引入無(wú)人機(jī)，讓其部署為MEC服務(wù)器節(jié)點(diǎn)，這既可以為高度動(dòng)態(tài)的車聯(lián)網(wǎng)提供更靈活的計(jì)算卸載服務(wù)[7]，也可以在地面固定MEC服務(wù)器繁忙時(shí)分擔(dān)一部分的傳輸和計(jì)算壓力。并且，無(wú)人機(jī)通過(guò)軌跡優(yōu)化提供視距（line-of-sight，LoS）鏈路鏈接的出色靈活性和基站提供大面積及多用戶服務(wù)的廣泛性，使得兩者緊密配合下的空地協(xié)同在通信和計(jì)算方面顯得至關(guān)重要。文獻(xiàn)[8，9]分別研究了單無(wú)人機(jī)和多無(wú)人機(jī)輔助MEC系統(tǒng)，并且通過(guò)聯(lián)合優(yōu)化資源分配和無(wú)人機(jī)軌跡，以最大限度提高了整個(gè)系統(tǒng)的計(jì)算效率。文獻(xiàn)[10]提出了一種基于懲罰對(duì)偶分解的算法，以實(shí)現(xiàn)無(wú)人機(jī)作為網(wǎng)絡(luò)邊緣計(jì)算節(jié)點(diǎn)的動(dòng)態(tài)部署。與單一地面服務(wù)器相比，在車聯(lián)網(wǎng)系統(tǒng)中運(yùn)用空地協(xié)同，不僅能夠協(xié)作用戶提高計(jì)算卸載效率，也能彌補(bǔ)交通環(huán)境惡劣或障礙物密集情況的不足。文獻(xiàn)[11]著重設(shè)計(jì)了一種空地協(xié)作MEC網(wǎng)絡(luò)的高效資源分配算法，實(shí)現(xiàn)用戶總能耗的最小化。文獻(xiàn)[12]考慮了將多用戶和多MEC服務(wù)器下的任務(wù)卸載調(diào)度問(wèn)題表述為優(yōu)化問(wèn)題，提出的算法有效地減少任務(wù)完成時(shí)間和系統(tǒng)的能耗，并且仿真結(jié)果表明，該算法的性能優(yōu)于其他傳統(tǒng)算法。文獻(xiàn)[13]考慮了基于用戶移動(dòng)性的無(wú)人機(jī)輔助中繼和MEC系統(tǒng)，并在給出資源分配和位置約束的條件下最小化完成所有任務(wù)的平均時(shí)延。

上述文獻(xiàn)只考慮了地面用戶固定的情況，而在車聯(lián)網(wǎng)場(chǎng)景下用戶通常是移動(dòng)的。對(duì)于移動(dòng)用戶，動(dòng)態(tài)獲取瞬時(shí)信道狀態(tài)信息往往是困難的，并且實(shí)時(shí)獲取這些信息可能會(huì)導(dǎo)致系統(tǒng)成本過(guò)大[14]，但是大部分車聯(lián)網(wǎng)場(chǎng)景中用戶的軌跡是可以預(yù)知的，這樣可以提前獲取信道狀態(tài)信息。文獻(xiàn)[15]提出了一種多無(wú)人機(jī)輔助移動(dòng)車聯(lián)網(wǎng)系統(tǒng)，通過(guò)聯(lián)合優(yōu)化用戶通信調(diào)度、多架無(wú)人機(jī)功率分配以及飛行軌跡分別實(shí)現(xiàn)系統(tǒng)吞吐量最大化和系統(tǒng)公平吞吐量最大化。文獻(xiàn)[16]研究了一種基于MEC的協(xié)同卸載車聯(lián)網(wǎng)系統(tǒng)，為了最小化系統(tǒng)能耗和時(shí)延的加權(quán)和，將任務(wù)分到多個(gè)MEC服務(wù)器進(jìn)行計(jì)算。此外，文獻(xiàn)[17]考慮了地面與空中服務(wù)器協(xié)作的MEC系統(tǒng)的加權(quán)計(jì)算效率最大化問(wèn)題，以平衡系統(tǒng)的計(jì)算位和能耗，并且證明了無(wú)人機(jī)和地面基礎(chǔ)設(shè)施在通信和計(jì)算方面的空地合作至關(guān)重要。然而，已有的文獻(xiàn)還缺乏考慮車聯(lián)網(wǎng)系統(tǒng)中多個(gè)移動(dòng)用戶的空地協(xié)同輔助MEC通信和計(jì)算的情況。缺少這些研究，不僅失去了通過(guò)無(wú)人機(jī)部署帶給車輛快速穩(wěn)定的無(wú)線連接，也損失了通過(guò)無(wú)人機(jī)和基站之間靈活的合作性帶給車輛多信道卸載的性能提升。總的來(lái)說(shuō)，在車聯(lián)網(wǎng)系統(tǒng)的空地協(xié)同計(jì)算是有意義的。一方面，無(wú)人機(jī)的機(jī)動(dòng)性彌補(bǔ)了基站和車輛之間信號(hào)衰落的弱點(diǎn)，并增強(qiáng)了覆蓋范圍。另一方面，空地協(xié)同有望執(zhí)行大量的任務(wù)，提高系統(tǒng)的性能效率，從而滿足高計(jì)算需求。

針對(duì)以上研究存在的問(wèn)題，本文研究了一個(gè)無(wú)人機(jī)和基站作為MEC計(jì)算平臺(tái)協(xié)作車聯(lián)網(wǎng)的車輛提供通信和計(jì)算服務(wù)的場(chǎng)景，并考慮帶寬、計(jì)算任務(wù)卸載比例、無(wú)人機(jī)軌跡和計(jì)算資源對(duì)系統(tǒng)完成所有計(jì)算任務(wù)的平均時(shí)延的影響，以最小化系統(tǒng)完成所有任務(wù)的平均時(shí)延為目標(biāo)，建立了一個(gè)多元優(yōu)化問(wèn)題。本文的主要貢獻(xiàn)總結(jié)如下：

a）本文研究的工作主要是在一個(gè)基于無(wú)人機(jī)和基站的多MEC服務(wù)器協(xié)作車輛計(jì)算卸載的MEC系統(tǒng)中，聯(lián)合優(yōu)化帶寬分配、計(jì)算任務(wù)卸載比例分配、無(wú)人機(jī)軌跡和計(jì)算資源分配，使系統(tǒng)完成所有計(jì)算任務(wù)的平均時(shí)延最小化。為了適配更多的常用場(chǎng)景，本文考慮車輛本地計(jì)算和部分卸載相結(jié)合的卸載策略。由于涉及的優(yōu)化問(wèn)題存在多個(gè)優(yōu)化變量互相耦合，是一個(gè)難以直接求得最優(yōu)解的非凸優(yōu)化問(wèn)題。

b）為了求解這個(gè)優(yōu)化問(wèn)題，本文首先利用塊坐標(biāo)下降（block coordinate descent，BCD）方法將耦合的優(yōu)化變量進(jìn)行解耦，將優(yōu)化問(wèn)題分解為帶寬分配子問(wèn)題、計(jì)算任務(wù)卸載比例分配子問(wèn)題、無(wú)人機(jī)軌跡優(yōu)化子問(wèn)題和計(jì)算資源分配子問(wèn)題進(jìn)行交替求解。然后引入松弛變量和利用連續(xù)凸優(yōu)化（successive convex approximation，SCA）方法將原非凸問(wèn)題轉(zhuǎn)換為可求解的凸優(yōu)化問(wèn)題。同時(shí)，提出一種聯(lián)合優(yōu)化上述四個(gè)子問(wèn)題的交替優(yōu)化算法來(lái)解決該優(yōu)化問(wèn)題，并對(duì)提出的聯(lián)合優(yōu)化算法進(jìn)行仿真實(shí)驗(yàn)。

c）仿真結(jié)果表明，通過(guò)對(duì)系統(tǒng)的資源分配以及無(wú)人機(jī)軌跡的聯(lián)合優(yōu)化設(shè)計(jì)，能夠有效降低系統(tǒng)中車輛完成所有計(jì)算任務(wù)的平均時(shí)延。與傳統(tǒng)的固定基站相比，無(wú)人機(jī)可以跟隨缺乏通信和計(jì)算資源的車輛，保持最短的通信距離，以更好地降低時(shí)延。

2.6 整體算法及其收斂性和復(fù)雜度分析

算法1 帶寬、計(jì)算任務(wù)卸載比例、無(wú)人機(jī)軌跡和計(jì)算資源聯(lián)合優(yōu)化算法

輸入：K，{wk}Kk=1，M，{wm}Mm=1，q0，Vmax，B，F(xiàn)k，max，F(xiàn)uav，max，F(xiàn)bs，max和λ。

a）初始化B（0），θ（0），Q（0），F(xiàn)（0）目標(biāo)函數(shù)T（0），迭代次數(shù)k=0。

b）循環(huán)。

c）更新l=l+1。

d）給定θ（l），Q（l），F(xiàn)（l）求解問(wèn)題（P4）獲得B（l+1）。

e）給定B（l+1），Q（l），F(xiàn)（l）求解問(wèn)題（P5）獲得θ（l+1）。

f）給定B（l+1），θ（l+1），F(xiàn)（l）求解問(wèn)題（P7）獲得Q（l+1）。

g）給定B（l+1），θ（l+1），Q（l+1）求解問(wèn)題（P8）獲得F（l+1）。

h）將B（l+1），θ（l+1），Q（l+1），F(xiàn)（l+1）代入目標(biāo)函數(shù)獲得T（l+1）。

i） 當(dāng)目標(biāo)函數(shù)T（l+1）收斂時(shí)，跳出循環(huán)，否則跳回c）。

輸出：T（l+1），B（l+1），θ（l+1），Q（l+1）和F（l+1）。

接下來(lái)分析算法1的收斂性，定義第l次交替迭代的最小系統(tǒng)平均時(shí)延為ψlbB（l），θ（l），Q（l），F(xiàn)（l），對(duì)于一個(gè)標(biāo)準(zhǔn)的最小化的凸優(yōu)化問(wèn)題來(lái)說(shuō)，在每次迭代后問(wèn)題的目標(biāo)值肯定為非增的，問(wèn)題（P4）和（P5）優(yōu)化后的目標(biāo)值一定不大于優(yōu)化前的目標(biāo)值。因此，算法1的步驟d）e）可以得到

ψB（l），θ（l），Q（l），F(xiàn)（l）≥（a）ψB（l+1），θ（l），Q（l），F(xiàn)（l）≥（b）

ψB（l+1），θ（l+1），Q（l），F(xiàn)（l）（45）

算法1的步驟f），如式（46）所示。

ψ（B（l+1），θ（l+1），Q（l），F(xiàn)（l））=（c）ψlb（B（l+1），θ（l+1），Q（l），F(xiàn)（l））≥（d）ψlb（B（l+1），θ（l+1），Q（l+1），F(xiàn)（l））≥（e）ψlb（B（l+1），θ（l+1），Q（l+1），F(xiàn)（l+1））（46）

其中：ψlb（B（l+1），θ（l+1），Q（l），F(xiàn)（l））是通過(guò)一階泰勒展開ψ（B（l+1），θ（l+1），Q（l），F(xiàn)（l））得到的，不等號(hào)（d）和（e）與不等號(hào)（a）和（b）同理，通過(guò)代入求解問(wèn)題使目標(biāo)值在迭代中保持非增。最后不等號(hào)（f）成立的原因是子問(wèn)題（P6）的目標(biāo)值是問(wèn)題（P3）的上界。

ψlb（B（l+1），θ（l+1），Q（l+1），F(xiàn)（l+1））≥（f）ψ（B（l+1），θ（l+1），Q（l+1），F(xiàn)（l+1））（47）

綜上所述，結(jié)合式（45）～（47），可以得出

ψB（l），θ（l），Q（l），F(xiàn)（l）≥ψB（l+1），θ（l+1），Q（l+1），F(xiàn)（l+1）（48）

基于式（45）～（48），可以得出問(wèn)題的目標(biāo)值在迭代后非增的結(jié)論。此外，由于問(wèn)題（P3）的目標(biāo)值的下界是一個(gè)有限的值，因此算法1是收斂的。

下面分析算法1的復(fù)雜度。算法1運(yùn)用內(nèi)點(diǎn)法求解子問(wèn)題（P4）（P5）（P7）和（P8），其相應(yīng)的復(fù)雜度分別為O（（NK+MNK）3.5log2（1/λ））、O（（NK+MNK）3.5log2（1/λ））、O（（N+NK）3.5log2（1/λ））、O（（N+NK+MN）3.5log2（1/λ）），其中λ表示時(shí)延迭代精度。因?yàn)槊看蔚夹枰蠼馍鲜?個(gè)子問(wèn)題，所以算法1的總體復(fù)雜度為O（（N+NK+MN+MNK）3.5log2（1/λ））。

3 仿真分析

本文利用MATLAB軟件進(jìn)行仿真實(shí)驗(yàn)，通過(guò)與其他基準(zhǔn)方案進(jìn)行比較，來(lái)介紹該方案的性能。首先，本文介紹模擬參數(shù)和仿真場(chǎng)景的設(shè)置。然后，分析無(wú)人機(jī)的軌跡優(yōu)化和所提出的算法的性能。

在本次仿真中，假設(shè)系統(tǒng)在一個(gè)大小為1.2×1.2 km2的矩形區(qū)域上，有3個(gè)固定在地面的基站和4輛沿著已知十字路軌跡移動(dòng)的車輛在該區(qū)域內(nèi)，一架高度H固定在50 m的無(wú)人機(jī)也分布在區(qū)域內(nèi)，如圖3所示。其中，車輛1和2分別從初始坐標(biāo)（-500，15，0） （單位為m，下同）和（-500，-15，0） 并排向坐標(biāo)（500，15，0）和（500，-15，0） 做勻速直線運(yùn)動(dòng)，同理，車輛3和4分別從初始坐標(biāo)（-15，-500，0） 和（15，-500，0） 并排向坐標(biāo)（-15，500，0） 和（15，500，0） 做勻速直線運(yùn)動(dòng)。無(wú)人機(jī)、基站與車輛通信的總服務(wù)時(shí)間為T=40 s，將其劃分為100個(gè)單位長(zhǎng)度為0.4 s的時(shí)隙。車輛的通信功率設(shè)置為P=0.1 W，可用于分配給無(wú)人機(jī)和基站的總帶寬為B=10 MHz。在參考距離d=1 m處的信道增益β0=－60 dB，噪聲功率譜密度δ2=－169 dBm/Hz。其他仿真參數(shù)設(shè)置匯總?cè)绫?所示。

圖3給出了無(wú)人機(jī)在總服務(wù)時(shí)間T=40 s內(nèi)的實(shí)時(shí)水平軌跡，可以看出，由于車輛3、4起點(diǎn)附近缺乏基站，所以在t=0 s到t=8 s，無(wú)人機(jī)從起點(diǎn)坐標(biāo)（0，0，50）" 直接飛向車輛3和4以保持它們良好的通信環(huán)境。在t=8 s到t=11.2 s中，無(wú)人機(jī)首先有靠近車輛3的上方的趨勢(shì)，然后在t=12 s到t=20 s一直跟隨車輛3。此時(shí)，無(wú)人機(jī)可以通過(guò)保持與離基站相距較遠(yuǎn)的車輛以最短的通信距離來(lái)實(shí)現(xiàn)更快的通信速率。當(dāng)所有車輛經(jīng)過(guò)交匯處時(shí)，無(wú)人機(jī)將跟隨車輛3更改為跟隨車輛2，并在后續(xù)的t=22.4 s到t=40 s中，無(wú)人機(jī)一直跟隨著車輛2。最后，由于十字路口的右側(cè)盡頭處缺乏基站等基礎(chǔ)設(shè)施，無(wú)人機(jī)飛向車輛1和2的移動(dòng)方向以保證車輛的正常通信和計(jì)算卸載。但又因?yàn)檐囕v2比車輛1更遠(yuǎn)離基站，所以無(wú)人機(jī)一直跟隨在車輛2的上方。

為了評(píng)估本文算法的收斂性，對(duì)不同計(jì)算任務(wù)量下交替迭代優(yōu)化方法的收斂次數(shù)進(jìn)行比較，如圖4所示。由圖4可知，四種情況分別為車輛1每秒的任務(wù)量都相同、前8 s的任務(wù)量大于其余時(shí)間、第16～24 s的任務(wù)量大于其余時(shí)間，最后8 s的任務(wù)量大于其余時(shí)間。由于車輛1前端任務(wù)量大，無(wú)人機(jī)一開始飛向車輛1，而無(wú)法服務(wù)于車輛3和4，導(dǎo)致系統(tǒng)平均時(shí)延大。而車輛1中間任務(wù)量大的情況造成系統(tǒng)平均時(shí)延較大的原因則是無(wú)人機(jī)和基站需在交匯處同時(shí)服務(wù)4輛車輛。從圖4可以看出，4種情況均在第4次迭代后達(dá)到了數(shù)值收斂，收斂速度較快，結(jié)果表明，本文算法具有較低的復(fù)雜度和可靠的收斂性。

為了反映所有MEC服務(wù)器之間資源分配的差異，本文分別比較了圖5和6中服務(wù)器的通信帶寬分配和計(jì)算任務(wù)卸載比例。從圖5觀察到車輛1的帶寬分配情況，除了分配給基站1的帶寬有下降的趨勢(shì)之外，其余都是呈上升趨勢(shì)。這表明車輛分配給各MEC服務(wù)器之間的帶寬是由無(wú)人機(jī)、基站與車輛之間的距離來(lái)決定的，當(dāng)車輛靠近無(wú)人機(jī)或基站時(shí)，無(wú)人機(jī)或基站會(huì)多分配一些帶寬給該車輛以減少系統(tǒng)平均通信時(shí)延。當(dāng)多輛車輛匯集一起時(shí)，無(wú)人機(jī)傾向于確保多輛車輛平均共享可用的帶寬，這有助于提高系統(tǒng)通信效率，防止某車輛占用過(guò)多帶寬，從而影響其他車輛的通信需求。由于無(wú)人機(jī)后半段軌跡中跟隨車輛1、2，無(wú)人機(jī)分配的帶寬總體也會(huì)多于基站2、3。

此外，本文還比較了圖6中車輛1在每個(gè)時(shí)隙中卸載到每個(gè)服務(wù)器的計(jì)算任務(wù)比例。可以觀察到，雖然無(wú)人機(jī)MEC服務(wù)器的計(jì)算能力遠(yuǎn)不如基站MEC服務(wù)器，但總體上也承擔(dān)了大部分的計(jì)算任務(wù)，這表明了無(wú)人機(jī)發(fā)揮的關(guān)鍵作用。由于車輛本地計(jì)算能力的不足，本地處理任務(wù)的比例保持在20%以下。車輛卸載計(jì)算任務(wù)給各基站的比例則與各車輛和基站之間的距離相關(guān)的，當(dāng)車輛靠近基站或基站計(jì)算資源空閑時(shí)，各車輛會(huì)多分配計(jì)算任務(wù)來(lái)提高系統(tǒng)平均計(jì)算效率。此外，由于具有高質(zhì)量的通信信道，無(wú)人機(jī)服務(wù)器耗盡了其CPU頻率，以便完成每個(gè)時(shí)隙的計(jì)算任務(wù)。

為了評(píng)估所提出的聯(lián)合優(yōu)化算法的性能，本文設(shè)計(jì)了幾種基準(zhǔn)方案：a）無(wú)基站計(jì)算，計(jì)算任務(wù)僅由無(wú)人機(jī)和車輛本地計(jì)算；b）僅基站和本地計(jì)算，計(jì)算任務(wù)僅在基站和車輛本地上計(jì)算；c）固定軌跡，無(wú)人機(jī)位于固定位置（0，0，50） ；d）平均計(jì)算資源分配，其中無(wú)人機(jī)和基站的CPU頻率平均分配；e）平均帶寬分配，其中信道的帶寬資源平均分配給所有無(wú)人機(jī)和基站MEC服務(wù)器。如圖7所示，本文比較了不同基準(zhǔn)方案與不同無(wú)人機(jī)CPU頻率在系統(tǒng)中完成所有任務(wù)的平均時(shí)延，揭示了無(wú)人機(jī)的Fuav，max對(duì)完成時(shí)延的影響。

從圖7可以看出本文算法都優(yōu)于其他基準(zhǔn)方案，僅基站和本地計(jì)算方案幾乎保持不變?？傮w上由于Fuav，max的增加，無(wú)人機(jī)有更多的計(jì)算資源來(lái)處理計(jì)算任務(wù)。因此，完成計(jì)算任務(wù)的平均時(shí)延隨著Fuav，max的增加而逐漸減少。而當(dāng)無(wú)人機(jī)CPU頻率大于4 GHz時(shí)，無(wú)基站計(jì)算和僅基站和本地計(jì)算方案的平均時(shí)間均大于其余方案，驗(yàn)證了本文中車輛計(jì)算任務(wù)三層卸載策略部署后的性能的顯著提高。

圖8比較了5種不同計(jì)算任務(wù)大小的算法的平均時(shí)延?？梢钥闯觯骄鶗r(shí)延隨著計(jì)算任務(wù)規(guī)模的增加而增加。由于隨著計(jì)算任務(wù)規(guī)模的增加，車輛在計(jì)算卸載過(guò)程中的通信和計(jì)算的時(shí)延也會(huì)增加，導(dǎo)致完成計(jì)算任務(wù)處理的總時(shí)延增加。此外，隨著計(jì)算任務(wù)量增大，僅基站和本地計(jì)算的曲線快速增大，這意味著僅基站和本地計(jì)算方案是低效的，特別是在計(jì)算任務(wù)量需求大的情況下尤為明顯。這一現(xiàn)象也準(zhǔn)確地驗(yàn)證了無(wú)人機(jī)在提高系統(tǒng)計(jì)算效率方面不可缺少的計(jì)算能力。由于無(wú)基站計(jì)算方案缺少基站MEC服務(wù)器，并且車輛本地和無(wú)人機(jī)的計(jì)算資源稍顯不足，導(dǎo)致該方案的平均時(shí)延遠(yuǎn)大于其他方案，這說(shuō)明了本文提出的空地協(xié)同的重要性。

當(dāng)Fuav，max=10 GHz時(shí)，通信帶寬與系統(tǒng)平均時(shí)延的關(guān)系如圖9所示，從圖9可以看出可用的通信帶寬對(duì)系統(tǒng)完成計(jì)算任務(wù)平均時(shí)延的影響。可以很容易地發(fā)現(xiàn)，平均任務(wù)完成時(shí)延隨著通信帶寬的增加而穩(wěn)步減少，但隨著通信帶寬的逐漸增加而出現(xiàn)減少的趨勢(shì)減緩現(xiàn)象。此外，由于該算法聯(lián)合優(yōu)化了無(wú)人機(jī)的飛行軌跡、計(jì)算資源分配、通信帶寬分配和任務(wù)卸載比例分配，與無(wú)基站計(jì)算方案、僅基站和本地計(jì)算方案、固定軌跡方案、平均計(jì)算資源方案和平均帶寬方案相比，該算法的時(shí)延分別降低了41.91%、21.7%、4.3%、16.07%和5.73%?？偟膩?lái)說(shuō)，本文算法性能均優(yōu)于其他基準(zhǔn)方案。

4 結(jié)束語(yǔ)

本文對(duì)面向車聯(lián)網(wǎng)的無(wú)人機(jī)輔助空地協(xié)同移動(dòng)邊緣計(jì)算系統(tǒng)資源分配和軌跡優(yōu)化方法進(jìn)行了研究。構(gòu)建了最小化車輛的最大平均通信計(jì)算時(shí)延的目標(biāo)函數(shù)，提出了基于塊坐標(biāo)下降的四層迭代優(yōu)化算法，通過(guò)聯(lián)合優(yōu)化帶寬分配、計(jì)算任務(wù)卸載比例分配、無(wú)人機(jī)軌跡和計(jì)算資源分配，實(shí)現(xiàn)了最小化系統(tǒng)任務(wù)完成的平均時(shí)延的目的。實(shí)驗(yàn)結(jié)果表明，與基準(zhǔn)方案相比，所提算法能夠有效降低車輛的平均通信計(jì)算時(shí)延。此外，本文還證明了無(wú)人機(jī)服務(wù)器與基站服務(wù)器協(xié)同合作的可靠性。對(duì)于未來(lái)的工作，主要考慮將這項(xiàng)工作擴(kuò)展到多無(wú)人機(jī)協(xié)作模型，進(jìn)一步降低空地協(xié)同MEC場(chǎng)景中的時(shí)延。

參考文獻(xiàn)：

[1]Abbas N， Zhang Yan，Taherkordi A， et al. Mobile edge computing： a survey [J]. IEEE Internet of Things Journal， 2017， 5 （1）： 450-465.

[2]Mach P， Becvar Z. Mobile edge computing：a survey on architecture and computation offloading [J]. IEEE Communications Surveys amp; Tutorials， 2017， 19 （3）： 1628-1656.

[3]Shi Weisong， Cao Jie， Zhang Quan， et al. Edge computing： vision and challenges [J]. IEEE Internet of Things Journal， 2016， 3 （5）： 637-646.

[4]Sabella D， Vaillant A，Kuure P， et al. Mobile-edge computing architecture： the role of MEC in the Internet of Things [J]. IEEE Consumer Electronics Magazine， 2016， 5 （4）： 84-91.

[5]Sun Lu， Wan Liangtian， Wang Jiashuai， et al. Joint resource scheduling for UAV-enabled mobile edge computing system in Internet of Vehicles [J]. IEEE Trans on Intelligent Transportation Systems， 2023， 24 （12）： 15624-15632.

[6]Hayat S，Yanmaz E， Muzaffar R. Survey on unmanned aerial vehicle networks for civil applications： a communications viewpoint [J]. IEEE Communications Surveys amp; Tutorials， 2016， 18 （4）： 2624-2661.

[7]Zhang Songge， Zhou Jianshan， Tian Daxin， et al. Robust cooperative communication optimization for multi-UAV-aided vehicular networks [J]. IEEE Wireless Communications Letters， 2020， 10 （4）： 780-784.

[8]Wang Longjie， Zhou Qiang， Shen Yan. Computation efficiency maximization for UAV-assisted relaying and MEC networks in urban environment [J]. IEEE Trans on Green Communications and Networking， 2022， 7 （2）： 565-578.

[9]Zhang Jiao， Zhou Li， Zhou Fuhui， et al. Computation-efficient offloading and trajectory scheduling for multi-UAV assisted mobile edge computing [J]. IEEE Trans on Vehicular Technology， 2019， 69 （2）： 2114-2125.

[10]Hu Qiyu， Cai Yunlong， Yu Guangding， et al. Joint offloading and trajectory design for UAV-enabled mobile edge computing systems [J]. IEEE Internet of Things Journal， 2018， 6 （2）： 1879-1892.

[11]Shang Bodong， Liu Lingjia. Mobile-edge computing in the sky： energy optimization for air-ground integrated networks [J]. IEEE Internet of Things Journal， 2020， 7 （8）： 7443-7456.

[12]Shi Dong， Xia Yuanjun，Kamruzzaman J. Quantum particle swarm optimization for task offloading in mobile edge computing [J]. IEEE Trans on Industrial Informatics， 2022， 19 （8）： 9113-9122.

[13]Qi Qiuyi， Shi Tuo， Qin Ke，et al. Completion time optimization in UAV-relaying-assisted MEC networks with moving users [J]. IEEE Trans on Consumer Electronics， 2024， 70（1）： 1246-1258.

[14]郎磊， 王荊寧， 王一， 等. 無(wú)人機(jī)輔助通信中基于用戶軌跡的無(wú)線資源和航跡優(yōu)化 [J]. 通信學(xué)報(bào)， 2022， 43 （3）： 225-232. （Lang Lei， Wang Jingning， Wang Yi， et al. Radio resource and tra-jectory optimization for UAV assisted communication based on user route [J]. Journal on Communications， 2022， 43 （3）： 225-232.）

[15]Liu Xin， Lai Biaojun， Lin Bin， et al. Joint communication and tra-jectory optimization for multi-UAV enabled mobile internet of vehicles [J]. IEEE Trans on Intelligent Transportation Systems， 2022， 23 （9）： 15354-15366.

[16]Deng Taoyu， Chen Yueyun， Chen Guang， et al. Task offloading based on edge collaboration in MEC-enabled IoV networks [J]. Journal of Communications and Networks， 2023， 25 （2）： 197-207.

[17]Xu Yu， Zhang Tiankui， Liu Yuanwei， et al. UAV-assisted MEC networks with aerial and ground cooperation [J]. IEEE Trans on Wireless Communications， 2021， 20 （12）： 7712-7727.

[18]Fan Wenhao， Liu Jie， Hua Mingyu，et al. Joint task offloading and resource allocation for multi-access edge computing assisted by parked and moving vehicles [J]. IEEE Trans on Vehicular Technology， 2022， 71 （5）： 5314-5330.

[19]Zhang Weiwen， Wen Yonggang， Guan K， et al. Energy-optimal mobile cloud computing under stochastic wireless channel [J]. IEEE Trans on Wireless Communications， 2013， 12 （9）： 4569-81.

[20]Guo Min， Wang Wei， Huang Xing，et al. Lyapunov-based partial computation offloading for multiple mobile devices enabled by harvested energy in MEC [J]. IEEE Internet of Things Journal， 2021， 9 （11）： 9025-9035.

[21]Guimaraes D A， Floriano G H， Chaves L S. A tutorial on the CVX system for modeling and solving convex optimization problems [J]. IEEE Latin America Trans， 2015， 13（5）： 1228-1257.