所属栏目：计算机信息管理论文范文发布时间：2026-01-31浏览量:704
针对无人机(Unmanned aerial vehicle, UAV)辅助的内容分发系统中信息新鲜度的问题，提出了一种基于信息年龄(Age of information, AoI)的无人机缓存和轨迹优化算法，缓解了热点区域内用户请求长时间无法应答的问题。在无人机有限的缓存容量和覆盖范围内，通过优化地面用户成簇、无人机缓存策略以及轨迹，建立了所有用户获取请求内容的平均代价最小化问题。以无人机的覆盖半径作为成簇半径，采用AP(Affinity propagation)聚类算法对地面用户进行分簇;将无人机缓存问题转化为01背包问题，采用动态规划(Dynamic programming, DP)算法进行求解;通过遗传算法(Genetic algorithm, GA)求解无人机的飞行轨迹。仿真结果表明，该算法能够有效降低用户获得请求内容的平均代价。
关键词：无人机;缓存;信息年龄;轨迹;低空智联网
论文《基于信息年龄的无人机缓存和轨迹优化算法》发表在《数据采集与处理》，版权归《数据采集与处理》所有。本文来自网络平台，仅供参考。
引言
近年来，低空空域已成为人类经济活动和资源开发利用的重要领域，低空智联网因此得以发展，成为低空经济的重要支撑。低空智联网是指在低空空域实现“人-机-物”三元融合，通过网络化、数字化和智能化技术构建的智能化数字网络体系。随着无线通信技术和智能设备的发展，移动数据流量呈爆炸性增长，发展具有超高数据速率、超低延迟、大规模连接、极低能耗和高质量体验的通信系统成为迫切需求。移动边缘计算(Mobile edge computing, MEC)技术的出现，有效缓解了上述需求，它将云服务器放置在用户附近，为用户提供计算和存储服务。
无人机(Unmanned aerial vehicle, UAV)机动灵活、可控制性强，被广泛应用于各种具备缓存使能的通信系统中。已有相关研究围绕无人机辅助通信的地面网络内容交付和缓存展开，例如有研究通过联合优化缓存放置、无人机的资源分配和轨迹，最大化每个地面用户的最小吞吐量;也有研究制定无人机部署、缓存放置和用户关联的联合优化问题，以最大化用户体验质量。此外，还有学者针对无人机辅助网络中内容流行度的时空分布特征等建立数学模型，或研究多无人机场景下的任务卸载和缓存优化问题。但这些研究多关注系统吞吐量、时延或能耗，并未考虑信息年龄。
信息年龄(Age of information, AoI)用于描述信息的新鲜程度，通常指信息由源端产生至接收端的时间差，常应用在队列问题中。已有部分研究将缓存问题和信息年龄相结合，如推导小规模场景下缓存更新问题的整数线性公式，或构造最小化峰值AoI的凸优化问题等，但大多未考虑无人机辅助通信系统中信息年龄和缓存对系统性能的影响。
在具备缓存使能的无人机通信场景中，无人机具有体积小、可移动性强但缓存空间有限的特点。基于此，本文提出一种基于信息年龄的无人机缓存和轨迹优化算法，解决地面基站繁忙时，由缓存空间有限的无人机提供服务情况下，所有用户获取请求内容平均代价最小化的问题。通过将用户按无人机覆盖半径分簇，优化无人机缓存策略和轨迹，使所有用户请求得到应答。主要贡献如下：
1. 构建了以用户平均代价最小化为目标的无人机内容分发模型，采用AP聚类算法将用户分簇，无人机在簇首处悬停时簇内用户按频分多址(Frequency division multiple access, FDMA)方式获取请求内容，随后按轨迹应答所有用户请求。
2. 推导了用户获得请求内容的代价与簇首位置、无人机缓存和轨迹的关系，在相关约束下建立优化问题，并分解为成簇、缓存策略及轨迹优化3个子问题分别求解。
3. 采用AP聚类算法实现用户分簇，将缓存问题转化为01背包问题并通过动态规划算法求解，利用遗传算法优化无人机飞行轨迹。仿真结果表明，该算法能有效减小用户平均代价，保障信息新鲜度。
1 系统模型与问题建立
1.1 系统模型
系统由一个地面基站(Ground base station, GBS)、一架具备缓存功能的无人机以及N个用户组成。热点区域流量高峰时段，地面基站繁忙无法有效服务所有用户，无人机辅助基站为用户提供服务。地面基站可提供全部内容文件，文件数量F和流行度p_f在一定时间内不变，流行度服从Zipf分布，表达式为：
[p_{f}=frac{f^{-a}}{sum_{j=1}^{F} f^{-a}} quad 0<alpha<1, forall f]
式中α为偏好因子。每个内容文件有生命周期l_f，信息年龄超过生命周期则失效，需从基站获取。用户请求为二元变量r_{n,f}，r_{n,f}=1表示用户n请求内容f，反之则为0，每个用户仅产生一个请求，同一文件可重复请求。忽略用户移动性和高度，用户n的坐标为Z_n=(x_n, y_n)。
无人机以恒定速度v从基站出发，高度H恒定，与地面俯角为θ，覆盖半径为R_u=H tanθ。将N个用户按无人机覆盖范围分簇，簇首数目为M，簇首用户集合为CH⊆N，二元变量γ_{nj}表示用户n归属于簇首ch_j的簇，同簇用户集合为C_j={n | γ_{nj}=1, n∈N}。簇首位置即为无人机悬停服务位置，无人机按轨迹飞行，依次在各簇首悬停并为簇内用户提供服务。
1.2 缓存模型
无人机缓存容量有限，用c_{n,f}表示缓存策略，c_{n,f}=1表示缓存用户n请求的文件f，反之则为0。缓存约束为：
[sum_{f in mathcal{F}} c_{n, f} W_{f} leq S quad forall n in mathcal{N}]
式中S为无人机缓存容量，W_f为文件f的大小。
1.3 通信模型
(1)地面基站与无人机间的通信模型
假设地面基站到无人机的无线回程链路满足视距传输条件，无人机在簇首ch_j悬停时，传输速率为：
[R_{b, u}^{j}=B_{b} log _{2}left(1+frac{P_{b}}{P_{L} N_{0} B_{b}} ight)]
式中：B_b为基站带宽;P_b为基站传输功率;P_L为视距链接的路径损耗，P_L=10^{6.14}d²，d为基站到无人机的距离，d=√(||Z_GBS - Z_chj||² + H²);N₀为加性高斯白噪声的功率谱密度。文件f传输到无人机的时间为t_{b,u}=W_f / R_{b,u}^j。
(2)无人机与用户间的通信模型
假设无人机和用户之间的无线信道以视距链路为主，用户n∈C_j与无人机间的信道增益为β_{n,n}=β₀/(||Z_n - Z_chj||² + H²)。用户间平分无人机通信带宽，即B_n=B_u / N_c^j，其中B_n为分配给用户n的带宽，B_u为无人机通信带宽，N_c^j为簇C_j的用户数。无人机与用户n的传输速率为：
[R_{u, n}^{j}=B_{n} log _{2}left(1+frac{gamma_{0} P_{u}}{left| Z_{n}-Z_{ch_{j}} ight| ^{2}+H^{2}} ight)]
式中：γ₀=β₀/(B_n N₀)为参考距离d₀=1m处的信噪比;P_u为无人机的传输功率。文件f传输到用户n的时间为t_{u,n}=W_f / R_{u,n}^j。
1.4 AoI模型
信息年龄指数据从源端产生到接收端接收的时间差。假定从地面基站获得的内容文件新鲜度最高，忽略无人机初始从基站获取文件的时间，即无人机离开基站时缓存内容f的信息年龄a_f=0。既定轨迹为V=[V₁, V₂, …, V_j, …, V_M]，V_j对应簇首ch_j的簇，用户n∈C_j请求文件f时，信息年龄表示为：
[a_{n, f}= egin{cases}a_{f} & r_{n, f} c_{n, f}=1 且 a_{f} leq l_{f} \ a_{f}' & r_{n, f} c_{n, f}=0 或 a_{f}>l_{f}end{cases}]
式中：若文件f被缓存且信息年龄a_f=∑(i=1到j)t_i^fly + ∑(i=1到j-1)t_i^h ≤ l_f(t_i^fly为飞行时间，t_i^h为悬停时间)，则用户n获得文件f的信息年龄为a_f;若文件未被缓存或信息年龄失效，则无人机需转发请求至基站，用户获得文件的信息年龄为a_f'=t_{b,u}+t_{u,n}。
1.5 问题建立
定义用户n获得请求文件f的代价为E_n，表达式为：
[E_{n}= egin{cases}a_{f} & r_{n, f} c_{n, f}=1 且 a_{f} leq l_{f} \ a_{f}'+omega W_{f} & r_{n, f} c_{n, f}=0 或 a_{f}>l_{f}end{cases}]
式中：ω为惩罚因子。优化目标为通过调整成簇数目M、缓存内容c和飞行轨迹V，最小化所有用户的平均代价，优化问题P表示为：
[
egin{array}{rll}
P:: & min _{M, c, V} frac{1}{N} sum_{j in mathcal{F}} sum_{n in mathcal{N}} E_{n} & \
s.t. (C1) sum_{f in mathcal{F}} c_{n, f} W_{f} leq S & forall n in mathcal{N} \
(C2) a_{n, f} leq l_{f} & forall n, f & \
(C3) R_{u} geq R_{u, u'} & forall u, u' in C_{j}, 1 leq j leq M \
(C4) r_{n, f}, c_{n, f} in{0,1} & forall n, f
end{array}
]
约束(C1)为缓存容量约束;(C2)为信息年龄约束;(C3)为簇内用户距离约束，保证服务质量;(C4)为二元变量约束。
2 算法设计
由于缓存决策和轨迹耦合紧密且依赖用户位置，无法直接求解优化问题P，故将其分解为3个子问题，采用迭代方法优化缓存决策和轨迹，算法流程图如图2所示。
2.1 基于AP的成簇算法
为节省无人机飞行和悬停时间，降低用户代价，在保证有效覆盖的前提下减小成簇数目，子问题1(P1)表示为：
[
egin{aligned}
& P1: min _{M} C_{j} \
& s.t. (C3) R_{u} geq R_{u, u'} forall u, u' in C_{j}, 1 leq j leq M
end{aligned}
]
采用AP聚类算法求解P1，相邻用户传递两种信息：R(i,j)表示用户j适合作为用户i簇首的程度;A(i,j)表示用户i选择用户j作为簇首的合适程度。相似度矩阵Q(i,j)用负欧氏距离表示，信息迭代更新方程为：
[A(i, j)= egin{cases}sum_{k eq j} max {R(k, j), 0} & i=j \ min left{0, R(j, j)+sum_{k eq i, j} max {R(k, j), 0} ight} & i eq jend{cases}]
[R(i, j)=Q(i, j)-max _{k eq j}{S(i, k)+A(i, k)}]
收敛后，若用户j的置信值R(j,j)+A(j,j)>0，则用户j为簇首，簇首集合为CH={j | R(j,j)+A(j,j)>0}，成簇数目M=|CH|。
2.2 基于动态规划的缓存决策
用户成簇后，假定无人机轨迹V已知，子问题2(P2)等效为01背包问题：将无人机缓存容量视为背包体积，文件大小视为物品体积，文件价值视为物品价值，文件f的价值为：
[Val_{n, f}=sum_{n} a_{f}'+omega W_{f}-a_{f}]
子问题2表示为：
[
egin{aligned}
& P2: max _{c} Val_{n, f} \
& s.t. (C1) sum_{f in mathcal{F}} c_{n, f} W_{f} leq S forall n in mathcal{N} \
& (C4) r_{n, f}, c_{n, f} in{0,1} forall n, f
end{aligned}
]
采用动态规划算法求解，状态转移方程为：
[d p(i, j)=max {d p(i-1, j), d p(i-1, j- weight (i)+value(i))} quad j geq weight(i)]
式中：dp(i,j)表示在前i件文件中选择若干件放入承重为j的背包中可取得的最大价值;weight(i)为文件i的大小;value(i)为文件i的价值。通过回溯确定缓存结果。
2.3 基于遗传算法的轨迹优化
用户成簇后，假定无人机缓存c已知，子问题3(P3)表示为：
[
left{egin{array}{l}
P3: min _{V} frac{1}{N} sum_{f in mathcal{F}} sum_{n in mathcal{N}} E_{n} \
s.t. (C 2) a_{n, f} leq l_{f} forall n, f
end{array} ight.
]
P3可等效为旅行商问题(TSP)，属于NP-hard问题，采用遗传算法求解，步骤如下：
1. 创建K条染色体作为初始种群，每条染色体代表一条可行轨迹;
2. 计算每条染色体的适应度fit(k);
3. 通过选择、交叉和变异操作产生下一代，更新适应度;
4. 迭代至最大演化代数，选取适应度最小的染色体作为最优轨迹。
3 仿真结果与分析
采用Matlab进行仿真，N个用户随机分布在以(0,0)、(0,300)、(300,0)、(300,300)为顶点的矩形区域内，地面基站坐标为(0,0)，仿真参数如表1所示。
表1 仿真参数
|参数|数值|
|用户数目N|20|
|文件数目F|100|
|基站带宽B_b/MHz|10|
|基站发射功率P_b/dBm|40|
|功率谱密度N₀/(dBm•Hz⁻¹)|-174|
|基准距离为1m的信道增益β₀/dB|-60|
|无人机带宽B_u/MHz|10|
|无人机发射功率P_u/dBm|27|
|无人机飞行高度H/m|100|
|无人机飞行速度v/(m•s⁻¹)|30|
算法收敛情况如图3所示，收敛条件为目标函数值连续M_l次不变化或达到最大迭代次数M_k(M_l
为评估算法性能，选取两种对比算法：对比算法1(缓存优化，轨迹按就近转移飞行)和对比算法2(轨迹优化，缓存按文件流行度进行)。图5显示，随着用户数目增加，三种算法的用户平均代价均上升，但本文算法始终低于对比算法，表明其优化效果更优。图6表明，用户数目相同时，无人机飞行速度越快，平均代价越小，因为飞行时间缩短有利于保持缓存内容新鲜度。图7显示，缓存空间越大，平均代价越小，可缓存更多请求内容，减少从基站获取的次数。图8表明，偏好因子越大，文件流行度越集中，缓存内容能服务更多用户，平均代价越低。
4 结束语
本文在无人机辅助内容分发网络中，针对用户请求内容新鲜度问题，通过优化用户成簇、无人机缓存策略和飞行轨迹，提出了一种最小化用户平均代价的优化算法。该算法应用AP聚类算法确定无人机悬停位置，通过动态规划和遗传算法分别优化缓存和轨迹，有效保障了信息新鲜度。仿真结果验证了算法在降低用户平均代价方面的有效性。未来可加入无人机能耗及用户移动性的研究，使场景更具体细化。
参考文献
[1] 董超, 经宇骞, 屈毓锛, 等. 面向低空智联网频谱认知与决策的云边端融合体系架构[J]. 通信学报, 2023, 44 (11): 1-12.
[2] TRAN D H, CHATZINOTAS S, OTTERSTEN B. Satellite- and cache-assisted UAV: A joint cache placement, resource allocation, and trajectory optimization for 6G aerial networks[J]. IEEE Open Journal of Vehicular Technology, 2022, 3: 40-54.
[3] ZHANG T, WANG Y, LIU Y, et al. Cache-enabling UAV communications: Network deployment and resource allocation[J]. IEEE Transactions on Wireless Communications, 2020, 19(11): 7470-7483.
[4] WANG E, DONG Q, LI Y, et al. Content placement considering the temporal and spatial attributes of content popularity in cache-enabled UAV networks[J]. IEEE Wireless Communications Letters, 2022, 11(2): 250-253.
[5] WU H, LYU F, ZHOU C, et al. Optimal UAV Caching and trajectory in aerial-assisted vehicular networks: A learning-based approach[J]. IEEE Journal on Selected Areas in Communications, 2020, 38(12): 2783-2797.
[6] CHEN Y J, LIAO K M, KU M L, et al. Mobility-aware probabilistic caching in UAV-assisted wireless D2D networks[C]//Proceedings of 2019 IEEE Global Communications Conference (GLOBECOM). USA: IEEE, 2019: 1-6.
[7] ASHERALIEVA A, NIYATO D. Game theory and Lyapunov optimization for cloud-based content delivery networks with device-to-device and UAV-enabled caching[J]. IEEE Transactions on Vehicular Technology, 2019, 68(10): 10094-10110.
[8] LUO J, SONG J, ZHENG F C, et al. User-centric UAV deployment and content placement in cache-enabled multi-UAV networks[J]. IEEE Transactions on Vehicular Technology, 2022, 71(5): 5656-5660.
[9] 王心一, 陈志江, 雷磊, 等. 多无人机网络边缘智能计算卸载算法[J]. 数据采集与处理, 2023, 38(6): 1286-1298.
[10] CHAI S, LAU V K N. Multi-UAV trajectory and power optimization for cached UAV wireless networks with energy and content recharging-demand driven deep learning approach[J]. IEEE Journal on Selected Areas in Communications, 2021, 39 (10): 3208-3224.
[11] KAUL S, YATES R, GRUTESER M. Real-time status: How often should one update? [C]//Proceedings of IEEE INFOCOM. Orlando, FL, USA: IEEE, 2012: 2731-2735.
[12] KOSTA A, PAPPAS N, EPHREMIDES A, et al. The age of information in a discrete time queue: Stationary distribution and non-linear age mean analysis[J]. IEEE Journal on Selected Areas in Communications, 2021, 39(5): 1352-1364.
[13] SORET B, RAVIKANTI S, POPOVSKI P. Latency and timeliness in multi-hop satellite networks[C]//Proceedings of 2020 IEEE International Conference on Communications (ICC). Dublin, Ireland: IEEE, 2020: 1-6.
[14] LIU Z, JI B. Towards the tradeoff between service performance and information freshness[C]//Proceedings of 2019 IEEE International Conference on Communications. Shanghai, China: IEEE, 2019: 1-6.
[15] AHANI G, YUAN D, SUN S. Optimal scheduling of age-centric caching: Tractability and computation[J]. IEEE Transactions on Mobile Computing, 2022, 21(8): 2939-2954.
[16] YANG L, ZHENG F C, JIN S. Edge caching with real-time guarantees[C]//Proceedings of the 96th Vehicular Technology Conference (VTC2022-Fall). USA: IEEE, 2022: 1-6.
[17] ZHU J, LI R, ZHAO Z, et al. AoI-based temporal attention graph neural network for popularity prediction and content caching [J]. IEEE Transactions on Cognitive Communications and Networking, 2023, 9(2): 345-358.
[18] XIE M, YANG L. An architecture for AoI and cache hybrid multicast/unicast/D2D with cell-free massive MIMO systems[J]. IEEE Access, 2023, 11: 43080-43088.
[19] LYU J, ZENG Y, ZHANG R. UAV-aided offloading for cellular hotspot[J]. IEEE Transactions on Wireless Communications, 2018, 17(6): 3988-4001.
[20] KALANTARI E, YANIKOMEROGLU H, YONGACOGLU A. Wireless networks with cache-enabled and backhaullimited aerial base stations[J]. IEEE Transactions on Wireless Communications, 2020, 19(11): 7363-7376.
[21] ZHANG T, WANG Y, YI W, et al. Joint optimization of caching placement and trajectory for UAV-D2D networks[J]. IEEE Transactions on Communications, 2022, 70(8): 5514-5527.
[22] LIU J, TONG P, WANG X, et al. UAV-aided data collection for information freshness in wireless sensor networks[J]. IEEE Transactions on Wireless Communications, 2021, 20(4): 2368-2382.
[23] NGUYEN N T, LIU B H. The mobile sensor deployment problem and the target coverage problem in mobile wireless sensor networks are NP-hard[J]. IEEE Systems Journal, 2019, 13(2): 1312-1315.