技术新讯 > 电子通信装置的制造及其应用技术 > 一种中继辅助的WPT-MEC网络中系统能效优化方法  >  正文

一种中继辅助的WPT-MEC网络中系统能效优化方法

  • 国知局
  • 2024-08-02 14:50:19

本发明涉及网络处理,特别是一种中继辅助的wpt-mec网络中系统能效优化方法。

背景技术:

1、随着物联网技术和5g技术的发展,终端设备的数量和需求呈现快速增长趋势。为了应对终端产生的庞大数据和流量,可以在靠近终端设备的网络边缘部署计算及存储设备,将计算任务卸载到边缘服务器,可以显著减少终端设备的计算和网络传输压力。但由于电池容量有限,以及在大规模mec系统中,如果wd在地理上距离边缘服务器/ap较远,则连接的信道条件较差,由于远方wd与近处wd之间的信号干扰,导致数据传输效率低下。所以将中继技术引入wpt-mec系统可以提高卸载能力和能源效率,特别是当服务器和wd之间的无线信道条件较差时。

2、然而在系统实施时,通常还需要通过解决复杂的优化问题来实现预期的系统功能。对于wpt-mec系统来说,首先要考虑的问题就是资源分配和计算任务卸载。资源分配涉及边缘服务器的带宽、缓存以及cpu等资源的分配。任务卸载则需要考虑将哪些用户设备的任务卸载到边缘服务器执行。近年来,wpt-mec系统已经受到了越来越多的关注,关于wpt-mec系统的解决方法也有了广泛的研究,常用的解决方法通常为:

3、1.启发式方法:基于经验、直觉或启发性规则来指导搜索和决策过程。通过牺牲全局最优解的保证,以较快的速度找到一个相对较好的解。启发式规则通常基于问题的特征或领域专家的经验,减少搜索空间以提高搜索效率。

4、2.凸优化方法:凸优化理论的基础有严谨的数学证明,所取得的最优解通常具有理论上的最佳性能。但它要求问题的目标函数和约束条件满足凸性质,这使得凸优化方法往往无法直接应用于实际问题。而是需要对原问题作出近似转化,这也可能导致最优解的存在性失去保证。

5、3.深度强化学习方法:结合深度学习和强化学习的无模型方法。在这种方法中,存在决策的系统参与者被称为智能体,智能体通过与环境的交互来学习最优策略。在学习过程中采取各种动作,并根据观察到的奖励或惩罚来调整其行为。从而使得深度神经网络的参数逐渐与目标环境相拟合。

6、从优化目标的角度看,wpt-mec系统中任务卸载策略通常将系统的能效作为优化指标。由于用户设备的电池容量通常较小,能源受限问题在系统中尤为突出。包括最小化中继的总能耗,以及最大化用户设备单位能耗的任务计算量等。

7、从解决方法的角度看,一部分研究选择基于数学方法或机器学习算法求解,比如采用基于ofdma的无线供电(wp)mec中的反向散射辅助数据卸载,采用块坐标下降法对耦合的决策变量进行交替迭代优化,采用深度强化学习方法来协调每个时刻各个设备的策略等。另一部分研究引入中继来提高mec网络的计算能力,比如采用三节点模型或移动中继例如无人机。

8、phux.nguyen等为了克服处理能力有限的物联网计算密集型应用的突然需求,研究了物联网系统中基于ofdma的无线供电(wp)mec中的反向散射辅助数据卸载。通过联合优化网关(gw)处的发射功率、反向散射系数、时间分割(ts)比和二元决策矩阵来最大化总和计算速率。首先通过确定gw发射功率和后向散射系数的最佳值来简化问题。然后将原问题分解为两个子问题,即给定卸载决策矩阵的ts比率优化和给定ts比率的卸载决策优化。特别是获得的ts比率闭式表达式为大大提高了cpu的执行时间。基于这两个子问题的解决方案,利用块坐标下降法提出了一种高效算法,称为快速高效算法,能以较低的复杂性提供接近全局最优的解决方案。

9、zhang等提出了两种基于深度强化学习(drl)的算法:基于混合决策的演员-评论家学习(hybrid-ac)和多设备混合ac(md-hybrid-ac)动态计算卸载。hybrid-ac通过改进actor-critic架构来解决混合动作空间,其中actor输出对应于每个服务器的连续动作(卸载率和本地计算能力),critic评估连续动作并输出服务器选择的离散动作。md-hybrid-ac采用集中训练、分散执行的框架。它通过构建一个集中批评家来输出服务器选择来学习协调决策,该批评家考虑了所有设备的连续操作策略。提出的算法在消耗的时间和能量之间取得了良好的平衡,并且与基线卸载策略相比具有显着的性能提升。

10、中国专利cn116634544a,利用无人机、反向散射和ris技术的优势,首次通过集成mec、反向散射通信、无人机和ris技术提出了一种基于反向散射ris辅助无人机使能的mec能效最大化方法。通过寻找最优反向散射反射系数、计算资源、时间分配、ris相移和无人机轨迹,使系统能效最大,从而解决传统mec中存在的严重信道衰落和物联网设备能量有限的问题,有效提高了mec网络的系统吞吐量,同时显著降低物联网设备的通信和计算能耗。

11、中国专利cn116634545a,设计了一种bc辅助的mec网络中系统能效最大化方案。首先能量站向各用户发送搭载能量的无线信号,所有用户使用tdma方式,在各自分配的时隙内通过bc传播电路将用户任务卸载到mec服务器,所有时隙都可以吸收能量。随后用户利用收集的能量轮流主动传输,将任务卸载到mec服务器。最后,假设用户任务已经在bc和主动传输阶段完成卸载,所有mec服务器并行执行接收到的用户任务。通过最大化系统能量效率,寻找主动和被动卸载时间、mec服务器的计算频率和计算时间、用户的发送功率和卸载决策变量以及bc系数,从而解决物联网节点能量供应不足和计算能力受限的问题,有效提高用户的计算效率。

12、中国专利cn114710493a,提出一种基于noma-mec的物理层安全及能效优化方法,通过用户间的合作在提高系统卸载安全性的同时保证能耗最低而提出的卸载策略方法。该方法主要应用于安全通信和绿色通信方面,在多用户mec服务器的网络场景中,考虑了非正交多址的特性和系统消耗的能量,同时采用保密中断概率保证通信的安全,通过非凸函数的转换以及最优化求解,最终得到用户的合理卸载方案。

技术实现思路

1、针对现有技术中存在的问题,本发明的目的在于提供一种中继辅助的wpt-mec网络中系统能效优化方法。

2、为解决上述问题,本发明采用如下的技术方案。

3、一种中继辅助的wpt-mec网络中系统能效优化方法,包括以下步骤:

4、应用dinkelbach算法将原始分数规划问题转化为减法形式问题;

5、新的问题为混合整数非线性规划问题,使用乘字交替方向法对资源分配决策进行交替迭代优化。

6、所述原始分数规划问题为:

7、假设xk={0,1},表示用户k是否执行卸载,其中0表示本地计算,1表示边缘计算,其中能效包含两部分,第一部分是用户在时间帧内完成的总的加权任务数据量dtotal,第二部分是中继和用户总的能耗etotal,能效ee是用户完成的数据量和实际消耗的能量优化之比,即:

8、

9、其中ek表示第k个wd的权重,表示用户k选择本地计算的计算数据量,表示用户k卸载到中继的总比特数,和分别为中继本地计算的能耗和中继选择将数据卸载到边缘服务器的能耗,et为ap的能量消耗,分别表示为:

10、其中其中et=pat;则系统优化目标即为ee;

11、其中在每个时隙的前半部分,接入点会向所有无线设备无线充电at时间长度(其中a∈[0,1])的能量,φ表示处理一比特数据所需的cpu计算周期数,该值由应用的特性决定,并设定所有无线设备上该值都相等,μ是能量收集效率,p表示接入点的发射功率,hk表示第k个无线设备和接入点之间的信道增益,εk是cpu芯片的计算能效系数,b表示系统的通信带宽,nr是中继端接收设备的噪声功率,表示第k个无线设备和中继设备之间的信道增益,fr是中继本地计算的cpu频率,pr为中继向边缘服务器卸载数据的传输功率。并且,为避免无线设备相互干扰,选择卸载的wd将根据时分复用协议共享(t/2-at)时长的时间,而第k个wd的卸载时间表示为τkt,其中τk∈[0,1]。

12、应用dinkelbach算法将原始分数规划问题转化为减法形式问题:

13、引入的参数λ为上一次迭代获得的ee值,因此,每次迭代都会更新λ,并在下一次迭代中作为常数参与优化计算,直至收敛。其中根据引理;当wd决定在本地计算时,分配的卸载时间也应该是0,可以将问题进一步简化,但是得到的新问题仍然是一个非凸问题,目标和约束的每一项都是单变量凹的或联合凹的;

14、由于变量a和τ耦合约束使得传统的分解方法不起作用,引入两个额外的人工变量{m,t},根据上述引理,能效最大问题可以公式化为以下混合整数非线性规划问题:

15、

16、资源分配算法涉及充电时间a,用户卸载时间τ,用户是否卸载x,中继的传输功率分配方式以及cpu频率分配方式,其中卸载方式x为二元变量,其他为受约束的连续变量,如果xk=0,变量tk和τk对目标无关紧要,从上面的问题可以看出,τ和a之间的耦合被消除,因此问题可以分解为每个wd的m个子问题,这时候问题可以使用admm技术进行有效分解,求解出最优解。

17、使用admm技术进行有效分解:

18、通过将拉格朗日乘子引入约束我们可以将新的问题的部分增广拉格朗日写为:

19、

20、其中u={x,τ,m},v={fr,pr,a,t},θ={β,γ},β={β1,β2,...βm},γ={γ1,γ2,...γm},更新固定步长c>0。对应的对偶函数为:

21、

22、bm×1表示一个(m×1)的二元向量,取值为0或1。则对偶问题为:

23、

24、admm方法通过迭代更新u,v和θ来解决对偶问题。共分为3步来进行更新,我们将第l次迭代中的值表示为ul,vl,θl。

25、在第l+1次迭代中,按如下顺序执行变量的更新:

26、⑴给定vl,θl,我们首先相对于u最大化l,其中:

27、

28、可以分解为m个并行子问题:

29、

30、分别考虑xk=0和xk=1,每个子问题都变成了严格凸问题,通过使用牛顿法,求解m个并行子问题后,得到最优解:ul+1={xl+1,τl+1,ml+1},步骤⑴的总体计算复杂度为o(m);

31、⑵给定ul+1,然后我们相对于v最大化l,相应地,原始优化问题可以等价地写为如下:

32、

33、

34、由于约束不是凸约束,通过变量替换转化为标准凸优化问题,并借助标准凸优化工具来求解,{pr,fr}和{t,a}之间的关系仅由该约束定义,因此,可分别迭代地优化{pr,fr}和{t,a}:

35、给定{t,a},问题被简化为关于{pr,fr}的严格凸问题,如下:

36、

37、通过在约束中引入乘数ψ,下面的引理建立了和ψ之间的关系:

38、

39、

40、存在唯一的使优化目标最大化的ψ*,而通过bi-search可以找到满足约束的ψ*,然后代入引理中得到

41、一旦导出了{pr,fr},假设它是常数以获得最优的{t*,a*},令则经过处理后就转化为标准凸问题,具体为:

42、

43、该问题是凸的,可以使用标准凸编程工具直接求解,因此,通过交替求解两个问题,当满足收敛条件时,可以得到vl+1的次优解;

44、⑶给定ul+1和vl+1,我们相对于θ最小化l,通过:

45、

46、

47、重复上述步骤⑴至⑶,直到满足指定的停止标准,停止标准由两个阈值指定:绝对容差(例如,)和相对容差。

48、本发明的有益效果

49、相比于现有技术,本发明的优点在于:

50、首先,降低优化问题的求解难度;

51、其次,对于类似的现有技术,为了避免在大规模mec系统中,如果wd在地理上距离边缘服务器/ap较远,则连接的信道条件较差,由于远方wd与近处wd之间的信号干扰,导致数据传输效率低下,本方法通过引入中继来进行辅助wpt-mec系统,能够有效的消除双远近效应的影响。

52、再者,对比于强化学习或启发式方法等,在不同的网络设置下,我们提出的方案始终能够比其他基准方案实现更高的能源效率。

本文地址:https://www.jishuxx.com/zhuanli/20240801/244024.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。