移動邊緣計算（MEC）是云計算技術在邊緣基礎設施之上的應用拓展�？紤]一個高能效的無人機移動邊緣計算系統(tǒng),通過聯(lián)合優(yōu)化無人機的運動軌跡、任務卸載策略和計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)督學習的信道增益-自組織特征映射網(wǎng)絡（h-SOM）對用戶進行實時聚類,該聚類是以信道增益作為判斷類別的指標并得到無人機的最佳部署位置;在下層根據(jù)無人機的部署,將計算卸載和計算資源分配問題轉(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雙變異策略的改進差分進化算法（IDE）進行迭代求解,精英初始策略可以根據(jù)h-SOM的聚類結果提供優(yōu)秀的初始解,自適應雙變異策略能夠提高算法的全局搜索能力并促進算法收斂,從而獲得更好的任務卸載決策。通過仿真實驗驗證了所提方法的有效性,并與傳統(tǒng)算法進行了比較,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】：計算機工程與應用. 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（Self-Organizing Feature Map,SOM）也稱Kohonen網(wǎng)絡。該網(wǎng)絡是一個由全連接的神經(jīng)元陣列組成的無導師、自組織、自學習網(wǎng)絡。SOM網(wǎng)絡能夠以自適應的方式實現(xiàn)任意維度輸入信號的聚類[19]。在本研究中使用SOM網(wǎng)絡描述如下。5.2.1 SOM神經(jīng)網(wǎng)絡結構

SOM網(wǎng)絡結構如圖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)元之間實現(xiàn)全連接。SOM網(wǎng)絡能將任意維度的輸入模式在輸出層映射成二維圖形，并保持其拓撲結構不變。網(wǎng)絡通過反復學習輸入向量使權重向量與輸入向量分布趨于一致。5.2.2 h-SOM神經(jīng)網(wǎng)絡學習算法

【參考文獻】：
期刊論文
[1]SOM神經(jīng)網(wǎng)絡算法的研究與進展[J]. 楊占華,楊燕.  計算機工程. 2006(16)



本文編號：3550245