DOI: https://doi.org/10.1109/tmc.2025.3571023
تاريخ النشر: 2025-05-19
المؤلف: Ziye Jia وآخرون
الموضوع الرئيسي: تطبيقات الطائرات بدون طيار وتحسينها
نظرة عامة
تقدم ورقة البحث نموذجًا هرميًا للحوسبة الطرفية متعددة الوصول الجوية (MEC) التي تدمج الطائرات بدون طيار (UAVs) والمنصات عالية الارتفاع (HAPs) لمعالجة الطلبات المتزايدة على الحوسبة في سيناريوهات الشبكة المستقبلية. يهدف النموذج إلى تقليل تكاليف الطاقة الإجمالية مع الأخذ في الاعتبار عدم اليقين في معلومات حالة القناة (CSI) بسبب الظروف البيئية غير المتوقعة. تم صياغة المشكلة كمشكلة غير خطية مختلطة الأعداد، والتي يصعب حلها. لتحسين نشر الطائرات بدون طيار، يستخدم المؤلفون خوارزمية K-means الموزونة، ويعيدون صياغة قيد الفرصة باستخدام التحسين القوي توزيعيًا (DRO)، ويحولون مشكلة DRO إلى تنسيق برمجة مخروطية من الدرجة الثانية مختلطة الأعداد (MISOCP). يتم تقسيم ذلك إلى مشكلتين فرعيتين، مع تطوير خوارزمية تحسين الحوت الثنائية (BWOA) لمعالجة المشكلة الفرعية الثنائية.
تشير النتائج إلى أن النموذج الهرمي المقترح يقلل بشكل فعال من استهلاك الطاقة مع مراعاة قيود سعة البطارية وعدم اليقين في CSI. من خلال محاكاة واسعة، يظهر المؤلفون أن خوارزميتهم تحقق حلولًا قريبة من المثالية مع تعقيد زمني أقل مقارنة بالطرق الأساسية. تشمل اتجاهات البحث المستقبلية استكشاف استراتيجيات نشر ديناميكية للطائرات بدون طيار لتعزيز قابلية تكيف النموذج وكفاءته.
مقدمة
في مقدمة ورقة البحث هذه، يتناول المؤلفون التحديات المتعلقة بتقديم خدمات الحوسبة الطرفية متعددة الوصول (MEC) للمستخدمين الأرضيين (GUs) في المناطق النائية، خاصة في سياق شبكات الاتصالات من الجيل السادس (6G). تسلط الورقة الضوء على إمكانيات الطائرات بدون طيار (UAVs) والمنصات عالية الارتفاع (HAPs) لتقديم تغطية شاملة وموارد حوسبة لهؤلاء المستخدمين. توفر الطائرات بدون طيار مرونة وسرعة في النشر، بينما توفر المنصات عالية الارتفاع قدرات حوسبة قوية وإمدادات طاقة. يؤكد المؤلفون على الحاجة إلى التعاون بين الطائرات بدون طيار والمنصات عالية الارتفاع لتعزيز جودة الخدمة (QoS) وتقليل زمن الانتظار في شبكات MEC الجوية، خاصة بالنظر إلى الطبيعة غير المتجانسة للمهام والموارد المحدودة.
تقترح الورقة إطار عمل جديد للحوسبة الطرفية الجوية (MEC) يتضمن الطائرات بدون طيار ومنصة عالية الارتفاع لخدمة المستخدمين الأرضيين النائيين، مع الأخذ في الاعتبار التحديات التي تطرحها معلومات حالة القناة غير المثالية (CSI) وروابط الاتصال الديناميكية. يقوم المؤلفون بصياغة مشكلة برمجة غير خطية مختلطة الأعداد (MINLP) تهدف إلى تقليل استهلاك الطاقة الإجمالي مع معالجة القيود المتعلقة بموقع الطائرات بدون طيار، وقرارات الاتصال، واستراتيجيات التحميل، وتخصيص الموارد. لحل هذه المشكلة المعقدة، يقدمون خوارزمية نشر K-means الموزونة لموقع الطائرات بدون طيار، ويعيدون صياغة قيد الفرصة إلى شكل برمجة مخروطية من الدرجة الثانية مختلطة الأعداد (MISOCP) باستخدام التحسين القوي توزيعيًا (DRO) وقيمة المخاطر الشرطية (CVaR)، ويستخدمون خوارزمية تحسين الحوت الثنائية (BWOA) لعملية اتخاذ قرار التحميل. تختتم المقدمة بتحديد مساهمات العمل وهيكل الورقة.
النتائج
في هذا القسم، يتم تقديم نتائج المحاكاة لتقييم الخوارزميات المقترحة لنشر الطائرات بدون طيار (UAVs) في منطقة 1 كم × 1 كم، مع التركيز على فعاليتها في خدمة المستخدمين الأرضيين (GUs). تشمل المحاكاة 30 مستخدمًا أرضيًا و6 طائرات بدون طيار، حيث تم نشر الأخيرة في مراكز تجمعات المستخدمين الأرضيين كما تحددها الخوارزمية 1. تتم مقارنة أداء خوارزمية تحسين الحوت المستوحاة بيولوجيًا (BWOA) مع حل مثالي تم الحصول عليه من خلال البحث الشامل، وخوارزمية تحميل جشعة، وخوارزمية التلدين المحاكي (SAA). تشير النتائج إلى أن BWOA تحقق أداءً قريبًا من المثالية مع تعقيد زمني أقل بشكل ملحوظ، خاصة مع زيادة حجم الشبكة.
يكشف التحليل الإضافي أن استهلاك الطاقة يرتفع مع عدد المستخدمين الأرضيين المخدومين، بينما لا يؤدي زيادة عدد الطائرات بدون طيار ببساطة إلى تغيير كبير في استخدام الطاقة لعدد ثابت من المستخدمين الأرضيين. تظهر خوارزمية نشر K-means الموزونة (WKD) كفاءة طاقة متفوقة مقارنة بأساس نشر عشوائي، مما يستوعب المزيد من المستخدمين الأرضيين ويحقق تحسينًا في استخدام الموارد. يتم التحقق من قوة الآلية المقترحة، وخاصة مركز التحكم في استجابة الطلب القائم على قيمة المخاطر الشرطية (CVaR)، ضد الظروف المثالية، مما يظهر زيادة في استهلاك الطاقة بسبب معلومات حالة القناة غير المثالية (CSI). بالإضافة إلى ذلك، تستكشف المحاكاة آثار التأخير المقبول وقوة الإرسال على استهلاك الطاقة وتردد وحدة المعالجة المركزية، مما يبرز أن زيادة التأخير المقبول وقوة الإرسال يمكن أن تؤدي إلى تقليل متطلبات الطاقة وتحسين الكفاءة الحوسبية لكل من المستخدمين الأرضيين والطائرات بدون طيار.
المناقشة
تستعرض قسم المناقشة في الورقة التقدمات الأخيرة في أنظمة الحوسبة الطرفية المحمولة المعتمدة على الطائرات بدون طيار (MEC)، مع تسليط الضوء على استراتيجيات تحسين مختلفة لتخصيص الموارد، ومسار الطائرات بدون طيار، وجدولة المهام. تشمل المساهمات الملحوظة استخدام التعلم العميق المعزز لإطارات عمل MEC التعاونية وأنظمة متعددة الطائرات بدون طيار، والتي أظهرت وعدًا في معالجة استهلاك الطاقة وتكاليف الحوسبة. ومع ذلك، غالبًا ما تتجاهل هذه الدراسات القيود التي تفرضها سعات بطارية الطائرات بدون طيار، خاصة بالنسبة للمهام الحساسة للزمن والتي تتطلب حوسبة مكثفة. بالمقابل، تُقدم المنصات عالية الارتفاع (HAPs) كبديل قابل للتطبيق نظرًا لسعة حمولتها الفائقة وتغطيتها المستقرة، مما يمكن أن يعزز خدمات MEC.
تؤكد الورقة على الحاجة إلى خوارزميات قوية لإدارة عدم اليقين في معلومات حالة القناة (CSI) التي يتم تجاهلها عادةً في الأبحاث الحالية. يقترح المؤلفون نموذجًا تعاونيًا يشمل كل من الطائرات بدون طيار والمنصات عالية الارتفاع لتقديم خدمات MEC موثوقة مع الأخذ في الاعتبار CSI غير المثالية. يهدف هذا النهج إلى الاستفادة من نقاط القوة للمنصات الجوية لتحسين كفاءة الطاقة، وتقليل زمن الانتظار، وتعزيز القدرات الحوسبية. تحدد الأقسام اللاحقة نموذج MEC جوي ذو طبقتين، ونماذج الاتصال والحوسبة، وصياغة مشكلة تتضمن قيود الفرصة لتحسين تكاليف الطاقة مع الالتزام بالمواعيد النهائية للمهام وقيود الموارد.
DOI: https://doi.org/10.1109/tmc.2025.3571023
Publication Date: 2025-05-19
Author(s): Ziye Jia et al.
Primary Topic: UAV Applications and Optimization
Overview
The research paper presents a hierarchical model for aerial multi-access edge computing (MEC) that integrates unmanned aerial vehicles (UAVs) and high altitude platforms (HAPs) to address increasing computational demands in future network scenarios. The model aims to minimize total energy costs while accounting for uncertainties in channel state information (CSI) due to unpredictable environmental conditions. The problem is formulated as a mixed-integer nonlinear problem, which is challenging to solve. To optimize UAV deployment, the authors employ a weighted K-means algorithm, reformulate the chance constraint using distributionally robust optimization (DRO), and transform the DRO problem into a mixed-integer second order cone programming (MISOCP) format. This is further decomposed into two subproblems, with a binary whale optimization algorithm (BWOA) developed to address the binary subproblem.
The findings indicate that the proposed hierarchical model effectively minimizes energy consumption while accommodating the limitations of battery capacities and uncertainties in CSI. Through extensive simulations, the authors demonstrate that their algorithm achieves near-optimal solutions with lower time complexity compared to baseline methods. Future research directions include exploring dynamic deployment strategies for UAVs to enhance the model’s adaptability and efficiency.
Introduction
In the introduction of this research paper, the authors address the challenges of providing multi-access edge computing (MEC) services to ground users (GUs) in remote areas, particularly in the context of sixth generation (6G) communication networks. The paper highlights the potential of unmanned aerial vehicles (UAVs) and high altitude platforms (HAPs) to deliver ubiquitous coverage and computing resources to these users. UAVs offer flexibility and rapid deployment, while HAPs provide robust computing capabilities and energy supply. The authors emphasize the need for cooperation between UAVs and HAPs to enhance the quality of service (QoS) and reduce latency in aerial MEC networks, especially given the heterogeneous nature of tasks and limited resources.
The paper proposes a novel aerial MEC framework that incorporates UAVs and an HAP to serve remote GUs, taking into account the challenges posed by imperfect channel state information (CSI) and dynamic communication links. The authors formulate a mixed integer non-linear programming (MINLP) problem aimed at minimizing total energy consumption while addressing constraints related to UAV positioning, connection decisions, offloading strategies, and resource allocation. To solve this complex problem, they introduce a weighted K-means deployment algorithm for UAV positioning, reformulate the chance constraint into a mixed integer second order cone programming (MISOCP) form using distributionally robust optimization (DRO) and conditional value-at-risk (CVaR), and employ a binary whale optimization algorithm (BWOA) for the offloading decision-making process. The introduction concludes by outlining the contributions of the work and the structure of the paper.
Results
In this section, the simulation results are presented to evaluate the proposed algorithms for deploying Unmanned Aerial Vehicles (UAVs) in a 1 km × 1 km area, with a focus on their effectiveness in serving Ground Users (GUs). The simulations involve 30 GUs and 6 UAVs, with the latter deployed at the centers of GU clusters as determined by Algorithm 1. The performance of the proposed Biologically-Inspired Whale Optimization Algorithm (BWOA) is compared against an optimal solution obtained through exhaustive search, a greedy offloading algorithm, and a simulated annealing algorithm (SAA). Results indicate that BWOA achieves near-optimal performance with significantly lower time complexity, especially as network scale increases.
Further analysis reveals that energy consumption rises with the number of served GUs, while simply increasing UAVs does not significantly alter energy usage for a fixed number of GUs. The proposed Weighted K-means Deployment (WKD) algorithm demonstrates superior energy efficiency compared to a random deployment baseline, accommodating more GUs and optimizing resource utilization. The robustness of the proposed mechanism, particularly the Conditional Value-at-Risk (CVaR)-based Demand Response Control Center (DRCC), is validated against ideal conditions, showing increased energy consumption due to imperfect Channel State Information (CSI). Additionally, the simulations explore the effects of tolerable delay and transmission power on energy consumption and CPU frequency, highlighting that increased tolerable delay and transmission power can lead to reduced energy requirements and improved computational efficiency for both GUs and UAVs.
Discussion
The discussion section of the paper reviews recent advancements in UAV-based Mobile Edge Computing (MEC) systems, highlighting various optimization strategies for resource allocation, UAV trajectory, and task scheduling. Notable contributions include the use of deep reinforcement learning for collaborative MEC frameworks and multi-UAV systems, which have shown promise in addressing energy consumption and computation costs. However, these studies often overlook the limitations posed by UAV battery capacities, particularly for delay-sensitive and computation-intensive tasks. In contrast, High Altitude Platforms (HAPs) are presented as a viable alternative due to their superior payload capacity and stable coverage, which can enhance MEC services.
The paper emphasizes the need for robust algorithms to manage uncertainties in Channel State Information (CSI) that are typically ignored in existing research. The authors propose a cooperative model involving both UAVs and HAPs to provide reliable MEC services while accounting for imperfect CSI. This approach aims to leverage the strengths of aerial platforms to improve energy efficiency, reduce latency, and enhance computational capabilities. The subsequent sections outline a two-layer aerial MEC model, communication and computation models, and a problem formulation that incorporates chance constraints to optimize energy costs while adhering to task deadlines and resource limitations.