1.一种最大化多无人机架构收益的方法，其特征在于，包括：步骤1、获取部署无人机协助的移动边缘计算UAMEC系统区域内的待服务地区集合与待服务地区内的物联网节点集合，获取待服务地区和物联网节点坐标，获取待服务地区内无人机的飞行高度，获取物联网节点产生的任务，设共有K个待服务地区，定义第k个待服务的地区为DRk，那么所有待服务地区可由集合DR＝{DR1,DR2,...,DRK}表示；

设在地区DRk内有Nk个物联网节点，且在地区DRk内的第i个节点由 表示，因此地区DRk内的所有节点可由集合 表示；

无人机盘旋在地区的中心时，无人机可以为这个地区内的节点提供转发服务，无人机按照预定的轨迹飞行，且飞行高度为H，并且将盘旋在地区DRk的无人机记做Uk；

设定K＝{1，2，...,K}作为地区的指示下标，设定Nk＝{1,2,...,Nk}为地区DRk内的物联网节点的指示下标；

应用了3D欧几里得坐标系，且它的原点为基站的坐标，则地区DRk和节点 的坐标分别为(Xk,Yk,0)和步骤2、依据步骤1获取的数据，建立通信模型；

步骤3、建立节点任务总处理时间计算模型；

步骤4、建立用户能源消耗计算模型和运营商的能源消耗计算模型；

步骤5、建立无人机协助的移动边缘计算UAMEC系统的净收益计算模型；

步骤6、共同优化卸载策略，缓存策略，带宽分配和计算资源分配来最大化运营商的净收益，并构建最大化多无人机架构收益方法的目标函数；

其中步骤2移动边缘计算MEC服务器将计算结果传回物联网节点的传输时延可忽略不计；来自物联网节点 的任务可被定义为 若任务 通过无人机被卸载到移动边缘计算MEC服务器上，那么它应该经历了两次传输过程：

1)第一次传输：物联网节点→无人机，当无人机盘旋在地区的中心时，无人机将和地区中心有相同的水平坐标；地区DRk和节点 的坐标分别为(Xk,Yk,0)和 因此节点与无人机Uk之间的距离为考虑到障碍物的屏蔽，无人机与物联网节点之间的通信链路应是视线LOS和非视线NLOS信道的概率叠加；节点 与无人机Uk之间的路径损耗为其中ηL和ηNL分别代表LOS和NLOS链路相应的衰减因子；c为光速，g为载频频率；节点与无人机Uk之间有LOS链路的概率为其中δ和ε表示与环境相关的系数，并且 为

因此，节点 与无人机Uk之间的平均路径损耗为

在物联网节点与无人机之间采用频分多址FDMA技术，位于同一区域的物联网节点共享带宽；假设无人机和物联网节点之间的带宽为BU，并且 为分配给节点 的带宽比例；因此带宽分配策略可由 表示；根据香农定理，节点 与无人机Uk之间的平均传输速率为

2

其中 代表物联网节点的发送功率，且σ为高斯白噪声；

带宽分配策略必须满足

其中， 代表任务 是否被卸载到MEC服务器， 代表卸载而 代表不卸载，而代表任务 是否被MEC服务器缓存， 代表缓存而 代表不缓存；

2)第二次传输：UAV→移动边缘计算MEC服务器，无人机Uk与移动边缘计算MEC服务器之间的距离为无人机和移动边缘计算MEC服务器之间的通信非常好，以至于NLOS链路的情况可以被忽略；无人机Uk与移动边缘计算MEC服务器之间的路径损耗可表示为无人机与MEC之间的链路采用时分多址TDMA方式；B是无人机和移动边缘计算MEC服务器之间的可用频谱带宽；无人机Uk与移动边缘计算MEC服务器之间的平均传输速率可以计算为其中 代表无人机的发送功率密度；

其中步骤3根据本地和MEC计算方法的处理时间来建立模型；

1)本地计算：定义节点 的计算能力为 其中 为每秒转的周期数；不同的物联网节点可能有不同的计算能力；本地计算任务 的计算时延为其中， 代表任务 所需待处理的数据量大小，而 代表数据的计算复杂度；

2)MEC计算：对于MEC计算，节点 应该先将他的计算任务 通过无人机Uk卸载至移动边缘计算MEC服务器上，然后移动边缘计算MEC服务器可以处理任务 但如果任务 所需的数据都已缓存在移动边缘计算MEC服务器上，移动边缘计算MEC服务器则可直接处理任务 即不再需要数据传输过程了；在部署了缓存后，任务 的卸载时延为移动边缘计算MEC服务器的计算资源可由每秒转的周期数Fm表示，且 表示移动边缘计算MEC服务器分配给节点 的计算资源比例，因此计算资源的分配策略可以由表示；移动边缘计算MEC服务器计算任务 的计算时延为计算资源分配策略需要满足

总的来说，任务 总的处理时间为

为了在规定的时间内完成任务，任务的处理时延必须小于截止时间：此处， 代表任务 可接受的最长处理时间；

其中步骤4分别从用户的角度和运营商的角度建立能源消耗模型，用户即物联网节点，运营商即移动边缘计算MEC服务器和无人机；

1)用户的能源消耗：对于物联网节点，能源消耗在本地计算任务时的计算，或者将任务卸载到移动边缘计算MEC服务器时的传输；

当任务 在本地计算时，能源消耗为

其中 为计算功率，μ是取决于平均开关电容和平均活度因子的一个常数，β是常数，且β≥2，当任务 被卸载至移动边缘计算MEC服务器时，能源消耗为

2)运营商的能源消耗：移动边缘计算MEC服务器主要在接收和计算任务时消耗能量，而无人机的能耗主要消耗在转发任务上；

当任务由移动边缘计算MEC服务器计算时，能源消耗为

将任务 从节点 转发至移动边缘计算MEC服务器时，MEC和无人机的能源消耗为其中 和 分别代表无人机和MEC的接收功率；

其中步骤5根据用户的用户体验质量

QoE和运营商的运营成本OPEX对无人机协助的移动边缘计算UAMEC的收入进行了研究；

关注系统搭建完成后带来的收益；更明确地说，运营商向物联网节点提供通信，计算和缓存资源从而获得盈利，而移动边缘计算MEC服务器和无人机消耗的能源是成本；把提高的QoS作为收费标准，由移动边缘计算MEC服务器和无人机消耗的能源价钱为运营商的运营成本OPEX；

在移动边缘计算MEC服务器的协助下，借助于移动边缘计算MEC服务器，可以将任务的计算时间和能量消耗节省为对能够节约的时间和能源进行收费，且对节点 收费的单位价格分别为 和 则运营商可获得的收益为当任务 由移动边缘计算MEC服务器处理时，移动边缘计算MEC服务器和无人机Uk为能源的单位价格为γ，因此运营商的运营成本OPEX为总而言之，无人机协助的移动边缘计算UAMEC系统的净收益为建立缓存模型，若数据 已经被移动边缘计算MEC服务器缓存，任务 首先应该被卸载至移动边缘计算MEC服务器上，因此，决策变量 应该满足而且，由于移动边缘计算MEC服务器的缓存资源有限，假设MEC的缓存资源为Ce，为了保障数据缓存不超过最大缓存能力，缓存策略应该满足其中步骤6通过共同优化卸载策略O，缓存策略H，带宽分配R和计算资源分配F来最大化运营商的净收益，目标函数为

2.如权利要求1所述的最大化多无人机架构收益的方法，其特征在于，步骤1：定义第k个待服务的地区为DRk，那么所有待服务地区可由集合DR＝{DR1,DR2,...,DRK}表示；

设在地区DRk内有Nk个物联网节点，且在地区DRk内的第i个节点由 表示，因此地区DRk内的所有节点可由集合 表示；

无人机盘旋在地区的中心时，无人机可以为这个地区内的节点提供转发服务，无人机按照预定的轨迹飞行，且飞行高度为H，并且将盘旋在地区DRk的无人机记做Uk；

设定K＝{1，2，...,K}作为地区的指示下标，设定Nk＝{1,2,...,Nk}为地区DRk内的物联网节点的指示下标；

应用了3D欧几里得坐标系，且它的原点为基站的坐标，则地区DRk和节点 的坐标分别为(Xk,Yk,0)和假设每个物联网节点都有一个待执行的任务，物联网节点既可以本地执行任务也可以将任务卸载到移动边缘计算MEC服务器上执行；节点 产生的任务由元组表示，其中 代表输入数据的大小，单位为bit； 为任务的计算复杂度，单位为cycles/bit；且 为任务的截止时间，单位为s；定义 为任务的卸载策略，可以被分配0或1来指示任务 是否被卸载到移动边缘计算MEC服务器上；

在第一次传输某些特定的数据时，移动边缘计算MEC服务器可以选择是否存储数据；如果数据被存储，那么在未来它就可以不经过传输直接被使用；因此，数据的缓存策略可以由表示，如果移动边缘计算MEC服务器缓存数据 否则

3.如权利要求2所述的最大化多无人机架构收益的方法，其特征在于，问题P是包含离散和连续变量的高维混合优化问题，因此确定性算法很难去求解；为了在限制下得到问题P的最优解，构建了高维混合自适应粒子群MHAPSO算法；定义MaxI为最大迭代次数，MaxP为总的粒子数，群体中的每一个粒子都代表问题P的一个可行解，第u个粒子在t代的位置和飞行速度为其中， 为物联网节点任务卸载的分配比例值， 为物联网节点缓存资源的分配比例值， 为物联网节点带宽资源的分配比例值， 为物联网节点计算资源的分配比例值；

为物联网节点任务卸载的分配策略的迭代更新速度， 为物联网节点缓存资源的分配策略的迭代更新速度， 为物联网节点带宽资源的分配策略的迭代更新速度， 为物联网节点计算资源的分配策略的迭代更新速度； 代表所有的物联网节点数目；

评估粒子位置的适应度函数为

其中 为可行域，ρ和 分别为惩罚系数和惩罚函数， 为

其中， 表示：保障数据缓存总量不超过最大缓存容量；

表示：保障分配给物联网节点的总带宽比例总和不能超过

1； 表示：保障分配给物联网节点的计算资源比例总和不能超过1； 表示：保障每个任务都能在规定的时间内被完成；

第u个粒子的速度更新公式为

其中 是第u个粒子在(t+1)代的惯性权重； 和 为学习因子；ξ1和ξ2是(0,1)之间的随机数； 和Gbest(t)代表第u个粒子的历史最优和t代为止的全局最优；

采用自适应更新权重的方式，权重的更新为

其中， 和 代表在t代的最小和平均适应度，wmax和wmin为最大和最小惯性权重；

粒子的更新为

其中，A(:)代表矩阵A中的每一个元素，ξ3和ξ4是(0,1)之间的随机数。