1.摘要
随着电子技术的不断发展，消费电子设备已经成为人们日常生活中不可或缺的一部分。然而，设备功能日益复杂、数据量急剧增长，使得资源高效利用和计算性能提升成为消费电子网络中亟需解决的重要难题。现有方法在应对动态复杂环境时，往往难以兼顾全局优化与局部微调，导致资源调度效率低下，限制了系统扩展性。因此，本文提出了一种自适应增强灰狼优化算法（AEGWO），融合了猎鹰捕食策略，提升了无人机网络的协同计算能力。AEGWO算法创新性地引入了非线性收敛因子和个体最优学习机制，有效平衡了全局探索与局部优化，显著提升了资源调度效率与系统适应性。
2.系统模型和问题表述
系统架构
在低空复杂环境中，各类消费电子设备(
D
=
{
1
,
2
,
.
.
.
,
D
}
D=\{1,2,...,D\}
D={1,2,...,D} )分布在多个区域， 系统依赖多架无人机 (UAV)协同工作，高效处理与这些设备相关的计算任务。网络包含若干无人机，用
U
=
{
1
,
2
,
.
.
.
,
U
}
U=\{1,2,...,U\}
U={1,2,...,U} 表示，这些无人机被战略性地部署，为地面消费电子设备提供计算服务。该网络在指定的时间框架
T
=
{
1
,
2
,
.
.
.
,
T
}
T=\{1,2,...,T\}
T={1,2,...,T} 内运行。
D
D
D设备分散在不同区域，在每个时间间隔
t
t
t内，它们以防止干扰的方式共享频谱资源，从
而确保通信与计算的高效进行。
在初始时刻
t
=
1
t=1
t=1,系统会生成一系列计算任务，记为
S
(
t
)
=
{
M
(
t
)
,
C
(
t
)
,
τ
(
t
)
}
S(t)=\{M(t),C(t),\tau(t)\}
S(t)={M(t),C(t),τ(t)}。其中，
M
(
t
)
M(t)
M(t)代表计算任务的规模，
C
(
t
)
C(t)
C(t)表示执行该任务所需的CPU周期数，
τ
(
t
)
\tau(t)
τ(t)则指定任务必须完成的可接受延迟。其目标是确保这些任务能够高效地处理，满足消费电子网络对性能和资源利用的需求。
无人机运动建模
在系统中，第 u 架无人机在时刻 t 的位置信息表示为
L
u
(
t
)
=
{
v
u
(
t
)
,
θ
u
(
t
)
,
ψ
u
(
t
)
}
L_u(t) = \{v_u(t), \theta_u(t), \psi_u(t)\}
Lu(t)={vu(t),θu(t),ψu(t)}，其中，
v
u
(
t
)
v_u(t)
vu(t)表示无人机的飞行速度，
θ
u
(
t
)
\theta_u(t)
θu(t)和
ψ
u
(
t
)
\psi_u(t)
ψu(t)分别为无人机的俯仰角和偏航角。无
人机在三维空间中的运动方程表示为：
[
X
u
(
t
+
1
)
Y
u
(
t
+
1
)
Z
u
(
t
+
1
)
]
=
[
X
u
(
t
)
+
v
u
(
t
)
cos
(
θ
u
(
t
)
)
cos
(
ψ
u
(
t
)
)
Y
u
(
t
)
+
v
u
(
t
)
cos
(
θ
u
(
t
)
)
sin
(
ψ
u
(
t
)
)
Z
u
(
t
)
+
v
u
(
t
)
sin
(
θ
u
(
t
)
)
]
\left.\left[ \begin{array} {c}X_u(t+1) \\ Y_u(t+1) \\ Z_u(t+1) \end{array}\right.\right]= \begin{bmatrix} X_u(t)+v_u(t)\cos\left(\theta_u(t)\right)\cos\left(\psi_u(t)\right) \\ Y_u(t)+v_u(t)\cos\left(\theta_u(t)\right)\sin\left(\psi_u(t)\right) \\ Z_u(t)+v_u(t)\sin\left(\theta_u(t)\right) \end{bmatrix}
Xu(t+1)Yu(t+1)Zu(t+1)
=
Xu(t)+vu(t)cos(θu(t))cos(ψu(t))Yu(t)+vu(t)cos(θu(t))sin(ψu(t))Zu(t)+vu(t)sin(θu(t))
无人机的飞行功率
p
(
v
,
a
)
p(v,a)
p(v,a)表示为：
p
(
v
,
a
)
≈
c
1
v
3
+
c
2
v
(
1
+
a
2
−
(
a
T
v
)
2
v
2
g
2
)
p(v,a)\approx c_1v^3+\frac{c_2}{v}\left(1+\frac{a^2-\frac{\left(a^Tv\right)^2}{v^2}}{g^2}\right)
p(v,a)≈c1v3+vc2
1+g2a2−v2(aTv)2
其中，
v
v
v是无人机执行任务时的飞行速度，
a
a
a是飞行加速度，
a
T
a^T
aT是向心加速度，
g
g
g是重力加速度。为简化分析，在不考虑无人机加速度的情况下，可以将其表示为：
p
(
v
,
a
)
≈
c
1
v
3
+
c
2
v
p(v,a)\approx c_1v^3+\frac{c_2}{v}
p(v,a)≈c1v3+vc2
通信模型
地面设备通过无线通道将任务上传到无人机，并将结果传回地面。在计算完成后，设备
d
d
d在时刻
t
t
t的计算决策为
β
d
,
u
(
t
)
=
{
0
,
1
}
\beta_{d,u}(t)=\{0,1\}
βd,u(t)={0,1},其中
β
d
,
u
(
t
)
=
0
\beta_{d,u}(t)=0
βd,u(t)=0表示在本地处理任务，
β
d
,
u
(
t
)
=
1
\beta_{d,u}(t)=1
βd,u(t)=1表示在无人机上处理任务。在时刻
T
T
T的本地处理延迟表示：
t
d
(
t
)
=
C
d
(
t
)
β
d
,
u
(
t
)
λ
d
f
d
(
t
)
t_d(t)=\frac{C_d(t)\beta_{d,u}(t)\lambda_d}{f_d(t)}
td(t)=fd(t)Cd(t)βd,u(t)λd
其中
C
d
(
t
)
C_d(t)
Cd(t) 表示设备
d
d
d 的计算任务规模，
f
d
(
t
)
f_d(t)
fd(t) 表示设备的计算能力，
λ
d
\lambda_d
λd 是功耗系数的固定值，与设备芯片架构有关。当任务从地面上传到无人机时，采用等化信道方法，并根据香农定理，设备
d
d
d 向无人机
u
u
u 上传计算任务的速率
R
d
,
u
t
r
a
n
s
(
t
)
R_{d,u}^{trans}(t)
Rd,utrans(t) 表示为:
R
d
,
u
t
r
a
n
s
(
t
)
=
B
log
2
(
1
+
H
d
,
u
t
(
t
)
P
u
t
(
t
)
σ
2
)
R_{d,u}^{trans}(t)=B\log_2\left(1+\frac{H_{d,u}^t(t)P_u^t(t)}{\sigma^2}\right)
Rd,utrans(t)=Blog2(1+σ2Hd,ut(t)Put(t))
其中
B
B
B是每个通信信道的带宽，
H
d
,
u
t
(
t
)
H_{d,u}^t(t)
Hd,ut(t)表示设备与无人机之间的信道增益，
P
u
t
(
t
)
P_u^t(t)
Put(t)表示信号发射功率，
σ
2
\sigma^{2}
σ2是高斯噪声。因此，传输时延表示为:
t
d
,
u
t
r
a
n
s
(
t
)
=
M
u
(
t
)
R
d
,
u
t
r
a
n
s
(
t
)
β
d
,
u
(
t
)
t_{d,u}^{trans}(t)=\frac{M_u(t)}{R_{d,u}^{trans}(t)}\beta_{d,u}(t)
td,utrans(t)=Rd,utrans(t)Mu(t)βd,u(t)
其中
M
u
(
t
)
M_u(t)
Mu(t)是上传到无人机的任务规模。无人机执行任务的计算时间为：
t
d
,
u
c
o
m
p
(
t
)
=
C
u
(
t
)
f
u
c
o
m
p
(
t
)
β
d
,
u
(
t
)
t_{d,u}^{comp}(t)=\frac{C_u(t)}{f_u^{comp}(t)}\beta_{d,u}(t)
td,ucomp(t)=fucomp(t)Cu(t)βd,u(t)
其中
f
u
c
o
m
p
(
t
)
f_u^{comp}(t)
fucomp(t)是无人机的CPU主频。
下行延迟被忽略，因为计算结果的数据返回量极小，回传速率远大于上传速率。因此，设备
任务的总计算时延包括本地计算、任务上传延迟以及无人机执行任务的延迟，表示为:
T
d
,
u
a
l
l
(
t
)
=
t
d
(
t
)
+
t
d
,
u
t
r
a
n
s
(
t
)
+
t
d
,
u
c
o
m
p
(
t
)
T_{d,u}^{all}(t)=t_d(t)+t_{d,u}^{trans}(t)+t_{d,u}^{comp}(t)
Td,uall(t)=td(t)+td,utrans(t)+td,ucomp(t)
在满足能量消耗限制的前提下，分配和调度计算与通信资源，使整个网络中的任务执行总时延达到最小：
3.灰狼算法GWO原理
4.增强灰狼算法AEGWO
策略1：核心公式修改
X i ( t + 1 ) = ξ × X α ( t ) + X β ( t ) + X δ ( t ) 3 + c 1 × r × ( X b e s t − X ( t ) ) , \begin{aligned} X_{i}(t+1) & =\xi\times\frac{X_\alpha(t)+X_\beta(t)+X_\delta(t)}{3} \\ & +c_1\times r\times(X_{best}-X(t)), \end{aligned} Xi(t+1)=ξ×3Xα(t)+Xβ(t)+Xδ(t)+c1×r×(Xbest−X(t)),
策略2：非线性收敛因子和阻碍系数
a ( t ) = a i n i t i a l − ( a i n i t i a l − a f i n a l ) × ( e ( t m a x − 1 ) ) 2 a\left(t\right)=a_{initial}-\left(a_{initial}-a_{final}\right)\times\left(e^{\left(\frac{t}{max}-1\right)}\right)^2 a(t)=ainitial−(ainitial−afinal)×(e(maxt−1))2
策略3：螺旋包围
X i ( t + 1 ) = X b e s t ( t ) × L e v y ( D i m ) + X R ( t ) + ( y − x ) × r a n d X_{i}\left(t+1\right)=X_{best}\left(t\right)\times Levy\left(Dim\right)+X_{R}\left(t\right)+\left(y-x\right)\times rand Xi(t+1)=Xbest(t)×Levy(Dim)+XR(t)+(y−x)×rand
5.结果展示
PS：效果不是太好🤣
6.参考文献
[1] Yang X, Feng J, Liu L, et al. Optimizing Resource Utilization in Consumer Electronics Networks Through an Enhanced Grey Wolf Optimization Algorithm With UAV Collaboration[J]. IEEE Transactions on Consumer Electronics, 2025.
7.代码获取
xx
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
