移動邊緣計(jì)算（MEC）是云計(jì)算技術(shù)在邊緣基礎(chǔ)設(shè)施之上的應(yīng)用拓展。考慮一個高能效的無人機(jī)移動邊緣計(jì)算系統(tǒng),通過聯(lián)合優(yōu)化無人機(jī)的運(yùn)動軌跡、任務(wù)卸載策略和計(jì)算資源分配來最小化系統(tǒng)的能耗。為解決以上問題,提出一種雙層優(yōu)化方法,在上層用基于無監(jiān)督學(xué)習(xí)的信道增益-自組織特征映射網(wǎng)絡(luò)（h-SOM）對用戶進(jìn)行實(shí)時聚類,該聚類是以信道增益作為判斷類別的指標(biāo)并得到無人機(jī)的最佳部署位置;在下層根據(jù)無人機(jī)的部署,將計(jì)算卸載和計(jì)算資源分配問題轉(zhuǎn)化為混合整數(shù)非線性規(guī)劃問題（MINLP）,并采用帶有精英初始策略和自適應(yīng)雙變異策略的改進(jìn)差分進(jìn)化算法（IDE）進(jìn)行迭代求解,精英初始策略可以根據(jù)h-SOM的聚類結(jié)果提供優(yōu)秀的初始解,自適應(yīng)雙變異策略能夠提高算法的全局搜索能力并促進(jìn)算法收斂,從而獲得更好的任務(wù)卸載決策。通過仿真實(shí)驗(yàn)驗(yàn)證了所提方法的有效性,并與傳統(tǒng)算法進(jìn)行了比較,其優(yōu)化效果顯著,為MEC系統(tǒng)的聯(lián)合優(yōu)化提供了一種新思路。 

【文章來源】：計(jì)算機(jī)工程與應(yīng)用. 2020,56(21)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

系統(tǒng)模型

自組織特征映射網(wǎng)絡(luò)（Self-Organizing Feature Map,SOM）也稱Kohonen網(wǎng)絡(luò)。該網(wǎng)絡(luò)是一個由全連接的神經(jīng)元陣列組成的無導(dǎo)師、自組織、自學(xué)習(xí)網(wǎng)絡(luò)。SOM網(wǎng)絡(luò)能夠以自適應(yīng)的方式實(shí)現(xiàn)任意維度輸入信號的聚類[19]。在本研究中使用SOM網(wǎng)絡(luò)描述如下。5.2.1 SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

SOM網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，由輸入層和輸出層（競爭層）組成。輸入層神經(jīng)元個數(shù)為n，輸出層由m個神經(jīng)元組成的二維平面陣列，輸入層與輸出層各神經(jīng)元之間實(shí)現(xiàn)全連接。SOM網(wǎng)絡(luò)能將任意維度的輸入模式在輸出層映射成二維圖形，并保持其拓?fù)浣Y(jié)構(gòu)不變。網(wǎng)絡(luò)通過反復(fù)學(xué)習(xí)輸入向量使權(quán)重向量與輸入向量分布趨于一致。5.2.2 h-SOM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

【參考文獻(xiàn)】：
期刊論文
[1]SOM神經(jīng)網(wǎng)絡(luò)算法的研究與進(jìn)展[J]. 楊占華,楊燕.  計(jì)算機(jī)工程. 2006(16)



本文編號：3550245