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元组；

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。

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MEC服务器上；

在第一次传输某些特定的数据时，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，步骤2、建立通讯模型，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；因此，若任务 通过无人机被卸载到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；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

其中PsN代表物联网节点的发送功率，且σ2为高斯白噪声；

带宽分配策略必须满足

2)第二次传输：UAV→MEC服务器无人机Uk与MEC服务器之间的距离为无人机和MECS之间的通信非常好，以至于NLOS链路的情况可以被忽略；与(2)相似，无人机Uk与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MECS之间的可用频谱带宽；无人机Uk与MEC服务器之间的平均传输速率可以计算为其中PsU代表无人机的发送功率密度。

4.如权利要求3所述的最大化多无人机架构收益的方法，其特征在于，步骤3：建立节点任务总处理时间计算模型，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 (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

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MEC服务器上，然后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MEC服务器上，MEC服务器则可直接处理任务 即不需要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MEC服务器的计算资源可由F(每秒转的周期数)表示，且 表示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；类似于式(11)，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：

5.如权利要求4所述的最大化多无人机架构收益的方法，其特征在于，还包括：建立缓存模型，若数据 已经被MEC服务器缓存，任务 首先应该被卸载至MEC服务器上，因此，决策变量 应该满足而且，由于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

6.如权利要求5所述的最大化多无人机架构收益的方法，其特征在于，步骤4：建立能源消耗模型，分别从用户的角度(即物联网节点)和运营商(即MEC服务器和无人机)的角度建立能源消耗模型；

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，且β(β≥

2)是常数(通常接近3)，当任务 被卸载至MEC服务器时，能源消耗为

2)运营商的能源消耗：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；

类似于式(19)，当任务由MEC服务器计算时，能源消耗为类似于式(20)，将任务 从节点 转发至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。

7.如权利要求6所述的最大化多无人机架构收益的方法，其特征在于，步骤5：建立UAMEC系统的净收益计算模型，根据用户的QoE和运营商的OPEX对UAMEC的收入进行了研究；

部署、配置和维护UAMEC系统的成本不在本发明的研究范围之内，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MEC服务器和无人机消耗的能源是成本；特别的是，把提高的QoS作为收费标准，由MEC服务器和无人机消耗的能源价钱为运营商的OPEX；

在MEC服务器的协助下，借助于MECS，可以为将任务 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MEC服务器处理时，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OPEX为

总而言之，UAMEC系统的净收益为

8.如权利要求7所述的最大化多无人机架构收益的方法，其特征在于，步骤6：建立本方法的目标函数，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，本发明的目标函数为

9.如权利要求8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是高维混合(包含离散和连续变量)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，本发明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

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。