编辑推荐：
本文系统探讨了无人机（UAV）网络中基于匹配博弈的分层计算卸载机制，提出了一种面向多无人机协同的高效任务分配策略。研究构建了包含数据采集无人机（DCUAV）与计算无人机（CUAV）的双层架构模型，综合考虑任务延迟、资源约束与能耗优化，设计了一种稳定且低复杂度的双边匹配算法。仿真结果表明，所提方案在服务效益与能耗控制方面显著优于随机卸载（RO）、贪婪任务效用（GTU）及贪婪计算收益（GCB）等基准方法，为无人机辅助物联网（IoT）中的实时计算服务提供了理论依据与工程参考。
近年来，无人机（UAV）凭借低成本、高机动性和易部署等优势，在车联网、海洋物联网等场景中得到广泛应用。无人机可根据网络需求扮演不同角色，如终端用户、移动边缘计算（MEC）服务器或中继节点，尤其在地面基础设施覆盖不足或超载区域发挥关键作用。现有物联网设备计算能力有限，难以处理复杂任务，而搭载边缘计算服务器的无人机可近距离收集数据并协助处理，显著提升网络性能。考虑到无人机能力差异导致的网络分层结构，本研究聚焦于分层无人机网络中的计算卸载问题。
系统采用三层架构：顶层为计算无人机（CUAV）集合M，中层为数据采集无人机（DCUAV）集合N，底层为无计算能力的地面终端设备。DCUAV负责覆盖区域内终端数据的采集与任务生成，CUAV作为稳定空中基站提供计算服务。网络采用旋翼无人机悬停服务模型，视为准静态系统。每个计算任务φik定义为元组(D, C, Tmax, R)，分别表示数据量、计算需求、最大容忍延迟和完成奖励。CUAV计算资源被划分为同质虚拟资源单元（VRU），每个VRU具有计算能力F，其数量q代表CUAV可并行处理任务的上限。
无人机间通信以视距链路（LoS）为主，信道增益hmn与距离平方成反比，传输速率rmn通过香农公式计算，其中Bmn为带宽，pn为发射功率，N0为噪声功率。
能量消耗分本地计算与卸载计算两种情形。本地计算能耗Eiloc与处理器电容参数γ、计算需求C及本地计算能力fi的平方成正比。卸载能耗包括传输能耗和CUAV计算能耗，其中传输能耗与数据量D和传输速率rij相关，计算能耗与CUAV的VRU计算能力F平方成正比。总任务延迟包含传输时间与计算时间。
DCUAV效用函数Un,m权衡延迟满意度ρ与能耗，其中ρ采用负指数曲线建模，λ和ξ为权重因子。CUAV效用函数Uk,m为任务奖励Rk与计算能耗的差值，δ为能耗权重。
联合优化问题目标为最大化DCUAV与CUAV效用，受限于任务延迟约束、CUAV负载约束、任务卸载决策二元性及唯一性约束。该问题为NP难整数规划问题，需设计低复杂度求解算法。
将卸载问题建模为任务集Γ与CUAV集M间的双边一对多匹配博弈，匹配函数Φ需满足三类条件：任务至多匹配一个CUAV、CUAV匹配任务数不超过其配额qm、匹配双向一致性。
任务偏好函数Pτ(m)综合延迟满意度与传输速率，优先选择高带宽、近距离、多资源的CUAV。CUAV偏好函数Pm(τ)侧重高奖励与低计算复杂度任务。
基于偏好列表构建与排序，算法通过多轮提议-应答机制实现稳定匹配。任务按偏好向CUAV发起请求，CUAV根据当前匹配与偏好决定接受或拒绝，直至所有任务完成匹配。
通过反证法证明算法输出的匹配结果不存在阻塞对，满足稳定性定义。算法在多项式时间内收敛，且兼顾双方利益均衡。
在2000m×2000m空域随机部署无人机，DCUAV高度100m，CUAV高度200m。信道带宽20MHz，发射功率0.5W。DCUAV计算能力0.5GHz，CUAV能力区间[5,10]GHz。任务数据量[1,3]Mb，计算需求[0.1,1]Gcycles。对比算法包括随机卸载（RO）、贪婪任务效用（GTU）、贪婪计算收益（GCB）及大规模场景下的学习型卸载（LTO）。
随DCU数量增加，计算任务总效用与CUAV效用均显著提升，所提算法始终优于基准方法。带宽增大会提升传输速率进而提高任务效用，但不影响CUAV效用。发射功率增加同样改善任务效用，而不改变CUAV效用分布。在大规模无人机群场景中，所提算法在扩展性与稳定性方面展现显著优势。
本研究通过匹配博弈理论解决了分层空中计算系统中的任务卸载问题，所提算法在保障延迟与资源约束的同时，实现了DCUAV与CUAV效用的联合优化。仿真验证了算法在服务效益、能耗控制与大规模场景适应性方面的优越性，为无人机辅助物联网的高效计算服务提供了有效解决方案。
生物通 版权所有
