电力系统变电站检查的无人机辅助移动边缘智能机器人资源分配策略

0认知机器人 2（2022）1-120ScienceDirect提供目录列表0认知机器人0期刊主页：http://www.k eaipublishing.com/en/journals/cogniti ve-robotics/0无人机辅助空地智能检查系统中的资源分配0张卓雅，徐飞，秦增实，谢悦0a 西安工程大学兵器科学与技术学院，中国西安 b 西安工程大学先进网络、监控与控制国家和省部共建工程实验室，中国西安 c西安工程大学计算机科学与工程学院，中国西安0文章信息0关键词：电力检查 资源分配遗传算法 无人机 移动边缘计算0摘要0随着电网技术和智能技术的进步，智能检查机器人（IR）应运而生，并有望成为未来变电站检查的主力军。其中，移动边缘计算提供了一种有望满足检查机器人通信和计算需求爆炸性增长的有前途的架构。检查机器人可以将收集的高清（HD）视频传输到相邻的边缘服务器进行数据处理和状态研究和判断。然而，远距离传输、高可靠性和低延迟的通信约束对任务卸载优化构成挑战。因此，本文介绍了无人机（UAV），并建立了UAV辅助移动边缘计算系统。无人机辅助和移动边缘计算结合形成边缘计算节点。通过这种方式，为IR提供通信和计算服务以进行快速数据处理。具体而言，为了优化系统能耗，提出了一种基于遗传算法的资源分配策略。通过优化IR的卸载决策和计算资源分配，IR的计算任务被卸载到能源高效的无人机上。实验结果表明，基于遗传算法的资源分配策略能够有效降低无人机和IR的能耗和成本，并有效实现资源的合理分配。结果验证了该算法在实际场景中的有效性和可靠性。01.引言0在电力系统中，变电站是电力工作的重要组成部分，是确保电力安全的基础。相关的线路检查工作是确保当地输配电网安全运行的首要任务。随着电力发展技术的智能更新，传统的基于逐塔检查的人工检查逐渐变为以地面机器人和无人机（UAV）为代表的智能、无人和安全检查模式[1]。检查机器人（IR）可以取代人员在复杂和危险的环境中实现全天候和高频率的检查，确保电网的稳定运行，并大大降低劳动成本[2]。这种利用智能机器人进行变电站检查的方式不仅具有人工检查的灵活性和智能性，而且克服并弥补了人工检查中的一些缺陷和不足。这是智能无人变电站检查技术的发展方向，并具有广阔的应用前景[3]。0�通讯作者地址：中国西安，西安工程大学兵器科学与技术学院，学府中路2号，邮编710021。电子邮件地址：857763129@qq.com（张卓雅）。0https://doi.org/10.1016/j.cogr.2021.12.002 收稿日期：2021年11月5日；修订稿收到日期：2021年12月8日；接受日期：2021年12月10日在线发表日期：2021年12月15日 2667-2413/© 2021 The Authors. Publishing Services by Elsevier B.V. on behalf of KeAi Communications Co. Ltd.本文是根据CC BY-NC-ND许可协议（http://creativecommons.org/licenses/by-nc-nd/4.0/）的开放获取文章。2 0Z. Zhang, F. Xu, Z. Qin等。认知机器人学2（2022）1-120然而，巡检中长距离信息传输的损失巨大，通信的可靠性和延迟无法得到保证[4]。移动边缘计算[5]（MEC）是一种新兴技术，它在靠近终端设备的无线接入网络提供了云计算能力。这使得各种应用和服务可以在移动网络边缘运行，不仅减少了服务延迟，还减少了移动核心网络其他部分的拥塞[5,6,7,8]。然而，由于变电站网络环境复杂，存在严重的电磁干扰和有限的频谱资源，红外任务卸载的实际应用仍面临一些挑战。然而，在传统的MEC服务架构中，MEC的位置通常是固定的，无法根据红外的需求灵活改变。针对传统MEC的缺陷，提出了无人机辅助MEC系统，该系统在军事和民用领域都取得了巨大成功[9-12]，如交通监控[13]，公共安全[14]，搜救[15]和灾害救援[16]。与传统MEC服务架构相比，无人机具有巨大的潜在优势。一方面，无人机通过红外提供了视距（LOS）通信链路，可以缓解信号阻塞和阴影。另一方面，无人机可以灵活部署，其灵活性优势可以用于动态调整无人机的位置，从而进一步缩短传输距离并提供良好的通信条件[17]。尽管无人机辅助MEC具有诸多运行挑战，首先，无人机的机载能量通常是有限的。为了提高巡检效率，无人机应优化其计算能力，在有限的时间内最大限度地提高能量效率。其次，计算资源的分配不容忽视；如果没有适当的分配，计算能量消耗可能会激增，或者卸载的任务可能无法及时完成。因此，根据变电站巡检的要求，考虑红外和无人机的巡检优势，本文提出了一种基于无人机的红外资源分配算法。无人机充当移动边缘服务器，以最大限度地提高巡检效率，从而实现变电站的三维高效独立巡检。优化问题以能量消耗为指标，以最小化无人机和红外的能量消耗，并通过遗传算法求解。无人机的目标是收集红外的巡检数据，而不消耗红外的能量，计算和处理这些数据，最终通过计算实现相应的红外指挥，这对推动无人机软硬件能力的提升，促进电网安全、高效、智能巡检和应急支持技术的发展和进步具有参考意义。本文的主要贡献总结如下：1.在红外巡检过程中，收集的任务可以传输到无人机边缘服务器进行计算。在无人机辅助空地巡检系统中，我们将无人机资源分配优化问题描述为混合整数非线性问题。在红外的时间延迟约束下，通过优化无人机资源分配和红外卸载决策，最小化巡检机器人和无人机的能量消耗之和。2.为了解决这一问题，我们利用遗传算法的强大全局搜索能力来提高收敛速度和性能。通过选择、交叉和突变操作，找到满足收敛条件并输出最优解。3.通过仿真实验验证了算法的可行性。首先，通过实验分析算法的收敛性，然后分析算法的能量消耗和延迟。仿真结果表明，遗传算法在节能性能方面优于其他算法。本文结构如下。第二部分介绍了无人机辅助MEC系统的相关研究。第三部分描述了系统模型。第四部分给出了算法的详细步骤。第五部分进行了仿真实验，并最终总结本文。02. 相关工作0移动边缘计算通过将任务卸载到网络边缘服务器为物联网设备提供计算服务。这样，MEC可以减少任务执行过程中的延迟和能量消耗。胡等人[18]研究了将无人机作为计算服务器，帮助用户设备(UE)计算其任务。目标是在任务约束、信息因果约束、带宽分配约束和无人机轨迹约束下，最小化无人机和UE的加权能量消耗总和。华等人[19]介绍了一个场景，地面基站为单个无人机提供计算卸载服务。无人机从初始位置飞到最终位置。通过联合优化无人机飞行路径和比特分配，通过连续凸逼近获得了最小无人机能量消耗的次优解。张等人[20]研究了基于时分多址和正交频分多址的多用户移动边缘计算卸载系统，并利用凸优化技术和KKT条件获得了问题的最优解。周等人[21]研究了UAVMEC无线供电系统中的资源分配框架，并通过联合优化CPU频率、卸载器传输功率和无人机轨迹，最大化了加权和计算比特的数量。程等人[22]使用迭代解算法，通过连续凸逼近解决了UAV辅助移动边缘计算系统中的资源分配、无人机轨迹和联合优化问题，并研究了平衡无人机能量和完成时间的帕累托最优解。杨等人[23]联合优化用户关联、功率控制和计算功率分配，以最小化多用户UAV移动边缘计算场景中的功率和问题。王等人[24]设计了无人机作为边缘服务器，将分布式传感器和移动设备集成到智能主题公园中，以增强用户体验，如无人机互动经典、交通控制、手势预测、旅行设计和寻找失踪人员。季等人[25]设计了一种无人机辅助移动边缘计算系统，通过UE和无人机之间的上行和下行实现卸载。提出了两种接入方法，联合优化无人机轨迹和计算资源分配，以最小化加权能量消耗和UE和无人机的成本。𝑃 𝐿 𝑛 = 𝛽0 ( 𝑥 − 𝑥 𝑛 ) 2 + ( 𝑦 − 𝑦 𝑛 ) 2 + 𝐻 2 (1) 3 0Z. Zhang, F. Xu, Z. Qin等人。认知机器人学2 (2022) 1-120图1. 无人机辅助空地巡检系统。0徐等人[26]研究了无人机辅助移动边缘计算系统中的安全问题。一个无人机被称为帮助地面终端计算卸载任务，另一个无人机充当干扰器，抑制恶意窃听者。徐等人[27]提出了一种设备之间的能量收集通信方法，联合优化无线资源分配和飞行高度，利用变量放松和变量替换方法将考虑的非凸问题转化为凸问题。使用拉格朗日对偶理论导出了鲁棒资源分配的闭合表达式。魏等人[28]提出了一种基于分布式深度强化学习的方法，通过分布式探索过程，在与均匀移动设备协作学习成本高效的卸载策略，实现了灵活的学习方案。基于无人机的移动边缘计算在许多领域得到了广泛研究。在智能巡检中，对基于无人机的空地巡检的研究较少。因此，研究了无人机辅助空地巡检问题。当无人机用作移动边缘计算服务器时，巡检机器人可以将收集的高清视频传输到相邻的移动边缘服务器进行数据处理和设备状态研究和判断。一方面，它可以节省巡检机器人的能量消耗。另一方面，与巡检机器人相比，无人机辅助移动边缘服务器具有更快的计算速度，可以满足巡检机器人的实时要求。03. 问题分析03.1. 系统模型0我们考虑了一种无人机辅助的空地检测系统，如图1所示。该系统由安装在无人机上的MEC服务器和�个IR组成，IR的集合由N = {1 , 2 ..., �}表示。无人机的飞行高度固定在�。假设已知IR在地面上相对于无人机的位置。无人机部署在IR附近，以实现低任务卸载延迟和更高效的执行目的。我们考虑了一个三维笛卡尔坐标系。因此，无人机的坐标可以表示为( �, �, �，IR的坐标可以表示为( � � , � � , 0) � ∈  �。03.1.1. 通信模型在无线接入中，我们假设IR工作在非重叠的频段，以避免LoS地面到空中上行的严重干扰[29]。因此，从IR到无人机的信道功率增益如公式(1)所示。0其中，� 0 是参考距离 � = 1 ����� ( � ) 处的信道功率增益。Z. Zhang, F. Xu, Z. Qin et al. Cognitive Robotics 2 (2022) 1–12 ℎ = ( 𝑥 − 𝑥 ) 2 + ( 𝑦 − 𝑦 ) 2 (2) 𝑅 ( ℎ 𝑛 ) = 𝐵 log 2 (1 + 𝑃 𝑇 𝑃 𝐿 𝑛 2 ) (3) 𝑈 𝑛 = 1 , 𝑈𝐴𝑉 𝑒𝑥𝑒𝑐𝑢𝑡𝑖𝑜𝑛 0 , 𝐿𝑜𝑐 𝑎𝑙 𝑒𝑥𝑒𝑐 𝑢𝑡𝑖𝑜𝑛 (4) 𝑡 𝐿 𝑛, 0 = 𝑆 𝑛 (5) 𝐸 𝐿 = 𝜂( 𝑓 0 ) 𝛾𝑡 𝐿 (6) 𝑡 𝑢 𝑛 = 𝐷 𝑛 ( ) (7) 𝑡 𝑐 𝑛 = 𝑆 𝑛 (8) 𝑁 𝑈 𝑛 𝑓 𝑛 ≤ 𝐹 (9) 𝐸 𝑛 = 𝑃 𝑇 𝐷 𝑛 ( ) + 𝜂( 𝑓 𝑛 ) 𝛾𝑡 𝑐 𝑛 (10) 𝑡 𝑁 𝑛 = 𝐷 𝑛 𝑅 ( ℎ 𝑛 ) + 𝑆 𝑛 𝑓 𝑛 (11) 𝑡 𝐻 = max { 𝑡 𝑐 𝑛 + 𝑡 𝑢 𝑛 } 𝑛 ∈ 𝑁 (12) 𝐸 𝐻 = 𝑃 𝐻 𝑡 𝐻 (13) 4 0IR � 与无人机之间的水平距离可以表示为0对于IR �，数据传输速率可以表示为0其中，� 是信道带宽，� � 是IR的传输功率，� 2 表示高斯白噪声功率。03.1.2. 计算任务模型 我们假设每个IR只有一个等待执行的任务。IR的任务表示为( � � , � � )，其中 � � 是IR � 输入数据的大小，� �表示完成任务所需的CPU周期总数。其中，� � 和 � �是范围内的随机值。有两种计算任务的方式。根据任务量和无人机MEC服务器的计算能力，IR的任务可以在本地计算或卸载到无人机边缘服务器。使用� ={ � � , � ∈  � }表示所有IR的卸载决策矩阵。卸载决策表示为01) 本地计算 IR在本地计算中消耗的时间表示为：0其中，� 0 表示IR � 的计算资源。因此，本地计算中IR设备的能耗表示为0其中，�表示CPU的有效开关电容，是反映IR处理能力和功耗关系的系数。�是一个正数。2）无人机计算当任务在无人机上执行时，任务首先被传输到无人机，然后由无人机上的MEC服务器执行。执行后，结果返回给IR。由于无人机返回的结果远小于任务卸载的时间，我们忽略任务返回延迟[30]。因此，IR �上传计算任务到无人机所需的时间为：0无人机边缘服务器执行计算任务所需的时间为：0其中，� � 表示由无人机分配给IR � 的计算资源。计算资源以每秒CPU周期总数表示。如果IR � 在本地执行任务，则 � � = 0 。IR �将任务卸载到无人机上执行，然后根据无人机的计算资源动态分配资源。此外，资源分配的最大值是无人机边缘服务器的总计算资源，其公式如下：0其中，�代表无人机边缘服务器支持的最大计算能力。因此，无人机完成IR�任务所消耗的总能量如公式（10）所示。0总完成时间包括上传时间和计算时间，如公式（11）所示：03.1.3. 无人机悬停模型0当无人机在固定位置悬停一段时间时，其悬停时间和能量消耗分别表示为：0其中，� � 是无人机的悬停功率。Z. Zhang, F. Xu, Z. Qin et al. Cognitive Robotics 2 (2022) 1–12 min 𝑈 𝑛 , 𝑓 𝑛 𝑀 ∑𝑛 =1 (1 − 𝑈 𝑛 ) 𝐸 𝐿 𝑛, 0 + ( 𝑁 ∑𝑛 =1 𝑈 𝑛 𝐸 𝑛 + 𝐸 𝐻 ) 𝑠.𝑡. 𝐶1 ∶ 𝑈 𝑛 = {01} ∀𝑛 ∈ 𝑁 𝐶2 ∶ 1 − 𝑈 𝑛 𝑡 𝐿 𝑛, 0 + 𝑈 𝑛 𝑡 𝑁 𝑛 ≤ 𝑇 ∀𝑛 ∈ 𝑁 𝐶3 ∶ 𝑁 ∑𝑛 =1 𝑈 𝑛 𝑓 𝑛 ≤ 𝐹 𝐶4 ∶ 𝑓 𝑛 > 0 , 𝑈 𝑛 = 1 ∀𝑛 ∈ 𝑁 (14) 5 03.2. 问题表述0根据第3.1节的系统模型，本节描述了问题的公式化模型。考虑到系统同时包括多个IR和一个无人机，我们需要共同优化无人机计算资源分配和IR卸载决策，以在延迟约束下最小化系统能量消耗。这包括在本地计算模式或无人机计算模式下完成任务所需的能量。因此，优化问题可以如公式（14）所示：0C1表示二进制卸载决策，� � =0表示IR任务只能在本地执行，否则卸载到无人机上执行。C2确保IR任务可以在给定的延迟约束内计算和完成。C3表示所有IR卸载任务所需的总计算资源不超过无人机MEC服务器的总计算能力。C4表示如果任务在无人机上执行，则� � > 0。04. 解决问题的方法0从第3节的介绍可以看出，问题（14）是一个非凸非线性优化问题，无法用传统的优化方法解决。启发式算法是一种可以在很短的时间内获得搜索问题的最优解的算法，具有解决这个问题的优势。此外，在我们的场景中可能有数百个IR，计算复杂度可能很高。此外，我们还需要同时优化卸载决策和计算资源分配变量，而启发式算法可以解决许多优化问题，适合解决我们场景中的问题。例如，遗传算法（GA）在解决优化问题时具有出色的性能和低计算复杂度。它是一种通过模拟生物进化来解决复杂问题的随机搜索算法。它主要采用适者生存的思想作为其进化原则。GA从多组初始解开始，并通过一些遗传操作（选择、交叉和突变）直到达到可接受的解或收敛。特别是，遗传算法的交叉和突变操作可以保持种群多样性，扩大搜索范围，不容易陷入局部最优解。因此，在搜索整个局部区域方面非常强大。基于GA的基本思想和特点，本文提出了一种基于遗传算法的无人机辅助移动边缘计算中的资源分配方法。在每次迭代中，随机选择个体进行选择、交叉和突变。最后，使用轮盘赌选择策略，将具有最低适应度值的个体替换为下一代种群中的最优个体，保持种群数量的一致性，直到满足收敛条件并输出最优解。其目的是在IR延迟约束下有效降低无人机和IR的能量消耗，并进行仿真测试以验证其性能。04.1. 遗传算法04.1.1. 流程图在图2中的遗传算法流程图中，�代表迭代次数，�max代表最大迭代次数。首先，初始化种群，然后设置遗传算法的适应度函数。适应度函数越大，结果越好。然后根据适应度函数选择、交叉和变异，产生下一代更好的新物种。经过连续迭代，直到达到最佳个体。具体过程如算法1所示。04.1.2. 问题编码问题编码方法直接影响算法的搜索效率和性能[31]。因此，需要高效的问题编码来处理MEC中的卸载决策和计算资源分配。本文采用实数编码方法，将每个计算卸载策略和资源分配策略视为一个个体。每个个体包含�个IR的决策编码。其中，我们对��进行归一化。个体结构如表1所示。04.1.3. 适应度函数适应度函数是评估个体性能的主要指标。一般来说，适应度函数越大，个体性能越好。更具体地说，当总数据传输延迟超过延迟约束或IR卸载任务的总大小超过UAV上MEC的总计算能力时，认为个体是不可行的。I 1 I 2 …I n 𝑈 1 𝑈 2 …𝑈 𝑛 𝑓 1 𝑓 2 …𝑓 𝑛 𝐹 𝑖𝑡𝑛𝑒𝑠𝑠 = −( 𝑁 ∑𝑛 =1 (1 − 𝑈 𝑛 ) 𝐸 𝐿 𝑛, 0 + 𝑁 ∑𝑛 =1 ( 𝑈 𝑛 𝐸 𝑛 + 𝐸 𝐻 ) + 𝑃 𝑒𝑛𝑎𝑙𝑡𝑦 ) (15) 6 0Z. 张，F. 徐，Z. 秦等。认知机器人学2（2022）1-120图2. 遗传算法流程图。0算法1 遗传算法。01：输入：O个体，GA的迭代次数K，GA的参数��，��，�� 2：输出：经过K次迭代后的O个体和最佳历史适应度值 3：初始化：设k=04：步骤1：如果k>K，则跳出；否则转到步骤2； 5：步骤2：根据公式（18）初始化种群 6：步骤3：计算并评估个体适应度值，根据公式（17）7：步骤4：在种群中找到适应度最高的个体������，并将其记录在个体历史适应度�����中。 8：步骤5：如果������>�����，�����=������，否则�����=��−1����。9：步骤6：交叉：随机选择两个个体，进行交叉操作，交叉概率为�� 10：步骤7：变异：对每个个体，使用变异概率��进行变异操作11：步骤8：选择：通过锦标赛方法从种群中选择�个体。如果�����不在父代集合中，则使用�����替换父代集合中的最差个体 12：步骤9：k=k+1，转到步骤10表1 个体结构。0本文解决的优化问题是在延迟约束下联合优化UAV上MEC服务器的IR卸载决策和计算资源分配，以最小化UAV和IR的能耗和成本。因此，该算法中的适应度函数定义为：0������� 0�=1 ��[max(0,((1−��)���,0+�����)−�)] (16)7 0Z. 张，F. 徐，Z. 秦等。认知机器人学2（2022）1-120图3. 种群初始化。0图4. 遗传算法的交叉操作。0公式（16）是一个惩罚函数，该惩罚函数防止个体进入不可行区域，从而迫使种群收敛到可行的极值点。其中，��代表惩罚因子。例如(1−��)���,0+0� � � � � ) − � > 0，在这种情况下，C2中的延迟约束无法满足，因此适应度低且不易被选择的个体。因此，通过适应度函数的迭代，我们可以逐渐找到最优解。04.1.4. 种群初始化 首先，初始化所有红外线的任务。红外线 � 的执行位置由随机数 � � ∈ (0 , 1) 确定，当随机数为 � � ∈ (0 , 0.5)时，任务不被卸载并在本地执行。当随机数为 � � ∈ (0.5 , 1)时，红外的任务被卸载并在无人机上执行而不是边缘服务器上执行。为每个红外线的任务生成一个随机数，并根据随机结果选择分配给红外线的计算资源，从而生成一组初始化解，如图3所示。在种群初始化过程中，任务无需考虑其他任务的卸载和无人机边缘服务器的负载，只需生成自己的随机解。然而，由于任务执行延迟的要求，初始化的任务可能导致一些计算缺陷。例如，任务计算量过大，红外执行任务本地，导致延迟超过约定要求，从而影响红外的服务质量。因此，我们使用遗传算法通过选择、交叉和变异种群中的个体来改变执行位置和分配的计算资源。04.1.5. 遗传操作 (1) 选择操作为了防止当前种群的最优个体在下一代中丢失，使得遗传算法无法收敛到全局最优解，我们在父代种群中采用轮盘选择策略。轮盘选择方法根据个体的适应度值计算每个个体在后代中的概率。适应度值越好，被选择的概率越大。(2) 交叉和变异操作01 ○ 交叉交叉操作的主要目的是根据一定策略使两个配对的个体交换一些基因，产生两个新个体。这是产生新个体的主要方法。本文采用传统的单点交叉方法产生适应度更高的个体。在图4中，通过在两个父代的相同位置生成交叉点，产生两个新的后代个体。02 ○ 变异首先，初始化种群。种群中的每个个体包含所有红外线的一组解，然后计算每个个体的适应度值。根据适应度值越大，个体在后代中的概率越高的原则，进行交叉操作。为了避免种群最优解陷入局部优化，我们通过变异操作增加种群的个体多样性。具体的变异操作如图5所示。IR computing power 𝑓 0 1 × 10 cycle/sec 8 le/sec 8 0Z. Zhang, F. Xu, Z. Qin等人。认知机器人学 2 (2022) 1–120图5. 遗传算法的变异操作。0表2 模拟参数。0参数值0信道带宽20MHz0高斯白噪声功率 � 2 − 104dBm 红外发射功率 � �0.1W 信道功率增益 � 0 − 30dB 无人机悬停功率� � 1000W05. 模拟实验0在这一部分，我们首先评估算法的收敛性，然后将算法与其他基准算法进行比较，以验证所提出算法的性能。参数设置如表2所示。我们认为无人机和红外分布在100*100平方米的区域内，红外的位置已经确定。05.1. 测试比较0为了验证所提算法的性能，将遗传算法（GA）与蚁群算法（AG）、全部卸载和本地执行优化进行了比较。首先解决了系统的最小计算成本，并比较分析了遗传算法和蚁群算法两种卸载策略下的总能耗与红外线数量之间的关系，以及四种卸载模式下不同红外线数量的延迟和能耗的关系。05.2. 仿真结果分析0根据表2中的仿真参数设置，分析了所提算法的性能。首先，分析了遗传算法的收敛性。算法的收敛性是为了验证在无限次迭代的假设下所提算法是否最终能找到全局最优解。算法的收敛性是问题分析的基础。程序运行多次，取平均值作为优化结果，然后从以下三个方面分析了卸载策略的性能：首先是遗传算法和蚁群算法的系统能耗开销与红外线数量之间的关系。其次是在四种卸载策略（全部卸载、本地执行、遗传算法和蚁群算法）下终端数量与系统总能耗之间的关系。第三是在四种卸载策略下终端数量与总系统延迟之间的关系。0图6显示了遗传算法资源分配策略的收敛评估。终端数量为� =200，算法设置的最大迭代次数为100。从图中可以看出，算法在早期迅速收敛并不断搜索最优值。遗传算法在迭代约50次时收敛，此后系统的总能耗不会减少。算法在早期不断搜索全局最优解，在后期具有良好的全局搜索能力。0图7显示了遗传算法和蚁群算法系统在不同红外线数量下的总能耗比较。在两种算法下，系统的总能耗随着红外线数量的增加逐渐增加，因为任务处理延迟和能耗也随着红外线数量的增加逐渐增加。0图8显示了本地执行、全部卸载、遗传优化和蚁群优化四种卸载策略下不同红外线数量和延迟之间的关系。在四种模式下，系统的总延迟随着红外线数量的增加而增加。当红外线数量较小时，蚁群算法的卸载延迟几乎与遗传算法相同9 0Z. Zhang, F. Xu, Z. Qin等人。认知机器人学2（2022）1-120图6. 遗传算法的收敛性。0图7. 迭代次数和总系统能耗。10 0Z. Zhang, F. Xu, Z. Qin等人。认知机器人学2（2022）1-120图8. 红外线数量和总系统延迟。0图9. 红外线数量和总系统能耗。11 0Z. Zhang, F. Xu, Z. Qin等人。认知机器人学2（2022）1-120遗传算法和蚁群算法两种卸载策略下的总能耗与红外线数量之间的关系，总延迟和能耗与四种卸载模式下不同红外线数量的关系进行了比较和分析。06. 总结0在本文中，将遗传算法应用于无人机辅助空地检测系统的资源分配。首先，设计遗传算法的初始解，然后通过选择、交叉和变异获得一组资源分配解。为了获得问题的最优解，通过增加个体数量和迭代次数找到问题的全局最优解。通过所得适应度函数得到的最优个体是问题的最优解。第一组实验结果评估了遗传算法的收敛性。第二组和第三组实验表明，遗传算法在时延和能耗方面低于比较实验，表明遗传算法能够优化问题的结果。0竞争利益声明0作者声明，他们没有任何已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。0致谢0本文得到以下资助：（1）中国高级网络监控与控制国家和省级联合工程实验室（GSYSJ2018006）；（2）陕西省自然科学基础研究项目（2020JQ-817）；（3）2021年西安市碑林区应用技术研究与开发项目（GX2137）。0参考文献0[1] P.E.N.G. XY , Q.I.A.N. JJ , M.A.I. XM , 等，大型无人直升机自动巡线技术及其应用，南方电力系统技术，2016年第10卷，第2期，24-31页，76。0[2] Y. TENG , S. CHEN , J.Q. DENG , 等，智能巡检机器人系统在苏通GIL实用隧道项目中的应用，高压工程，2019年第45卷，第2期，393-401页。0[3] S. Huang , Z.S. Wu , Z.G. Ren , H.J. Liu , Y. Gui , 电力智能巡检机器人综述，电测技术，2020年第57卷，第02期，26-38页。[4] Z.X. Chen , J.W. Yang , N. X , X.C. Tian ,基于无线能量传输和多级边缘卸载的空地协同检测算法，电力系统技术（2021），1-10页[2021-11-02]。0[5] Z.S. Li , R.C. Xie , L. Sun , T. Huang , 移动边缘计算综述，电信科学，2018年第34卷，第01期，87-101页。[6] S. Sarkar , S. Chatterjee , S. Misra ,物联网环境中雾计算适用性评估，IEEE云计算交易，2018年1-3月，第6卷，第1期，46-59页。0[7] Y. Mao , C. You , J. Zhang , K. Huang , K.B. Letaief , 移动边缘计算综述：通信视角，IEEE通信调查与教程，2017年第19卷，第四季度，2322-2358页。0[8] Y. Zeng , R. Zhang , T.J. Lim , 无人机通信：机遇与挑战，IEEE通信杂志，2016年5月，第54卷，第5期，36-42页。0[9] L. Gupta , R. Jain , G. Vaszkun , 无人机通信网络中的重要问题综述，IEEE通信调查与教程，2016年第18卷，第2期，1123-1152页。0[10] M.J. Neely , 无线下行链路中的智能丢包，以实现最佳能量-延迟折衷，IEEE自动控制系统杂志，2009年3月，第54卷，第3期，565-579页。[11] H. Yu , M.J. Neely ,一种新的反压算法，用于联合速率控制和路由，具有逐渐消失的效用最优差距和有限的队列长度，IEEE/ACM网络交易，2018年8月，第26卷，第4期，1605-1618页。0[12] G. Sharma , R. Mazumdar , N. Shro�, 移动自组织网络中的时延和容量折衷，IEEE/ACM网络交易，2007年10月，第15卷，第5期，981-992页。0[13] Z. Mao , C.E. Koksal , N.B. Shro�, 具有能量补充的多跳传感器网络的近似最优功率和速率控制:有限能量和数据存储的基本限制, IEEE自动控制交易57(4)(2012年4月)815-829 .0[14] Y. Wang , Z.-Y. Ru , K. Wang , P.-Q. Huang , 多无人机启用的移动边缘计算中大规模移动用户的联合部署和任务调度优化, IEEE网络交易50(9)(2020年9月)3984-3997 .0[15] Y. Zeng , R. Zhang , 轨迹优化的能源高效无人机通信, IEEE无线通信交易16(6)(2017年6月)3747-3760 . [16] W. Fan , Y. Liu , B. Tang , F. Wu , Z. Wang ,基于移动边缘计算启用的基站合作的计算卸载, IEEE Access 6(2018)22622-22633 .0[17] C. Wang , F.R. Yu , C. Liang , Q. Chen , L. Tang , 无线蜂窝网络中移动边缘计算的联合计算卸载和干扰管理, IEEE车辆技术交易66(8)(2017年8月)7432-7445 .0[18] X. Hu , K. Wong , K. Yang , Z. Zheng , 无人机辅助中继和边缘计算:调度和轨迹优化, IEEE无线通信交易18(10)(2019年10月)4738-4752 .0[19] M. Hua , Y. Huang , Y. Sun , Y. Wang , L. Yang , 蜂窝连接的无人机移动边缘计算系统的能量优化, 2018年IEEE国际通信系统大会(ICCS)上的论文, 2018, 1-6页 .0[20] C. You , K. Huang , H. Chae , B. Kim , 移动边缘计算卸载的能源高效资源分配, IEEE无线通信交易16(3)(2017年3月)1397-1411 .0[21] F. Zhou , Y. Wu , R.Q. Hu , Y. Qian , 无人机启用的无线供电移动边缘计算系统中的计算速率最大化, IEEE选择通信领域杂志36(9)(2018年9月)1927-1941 .0[22] C. Zhan , H. Hu , X. Sui , Z. Liu , D. Niyato , 无人机启用的移动边缘计算系统中的完成时间和能量优化, IEEE物联网杂志7(8)(2020年8月)7808-7822 .12 0Z. Zhang, F. Xu, Z. Qin 等，认知机器人学2(2022)1-120[23] Z. Yang , C. Pan , K. Wang , M. Shikh-Bahaei , 无人机启用的移动边缘计算网络中的能源高效资源分配, IEEE无线通信交易18(9)(2019年9月)4576-4589 .0[24] J. Wang , K. Liu , J. Pan , 移动到移动边缘计算的在线无人机搭载边缘服务器调度, IEEE物联网杂志7(2)(2020年2月)1375-1386 . [25] J. Ji , K. Zhu , C. Yi , D. Niyato ,无人机辅助移动边缘计算系统中的能量消耗最小化:联合资源分配和轨迹设计, IEEE物联网杂志8(10)(2021年)8570-8584 15 May15 .0[26] Y. Xu , T. Zhang , D. Yang , Y. Liu , M. Tao , 无人机辅助移动边缘计算系统安全的联合资源和轨迹优化, IEEE通信交易69(1)(2021年1月)573-588 .0[27] Y. Xu, Z. Liu, C. Huang, C. Yuen, 基于能量收集的D2D通信下无人机辅助网络的稳健资源分配算法, IEEE物联网杂志8(23)(2021年)17161-17171 1 Dec.1, doi: 10.1109/JIOT.2021.3078264 .0[28] D. Dwa , C. Jmb , B. Ll , 等，多无人机移动边缘计算网络的计算卸载:一种分布式深度强化学习方法[J], 计算机网络(2021) .0[29] W. Fan , Y. Liu , B. Tang , F. Wu , Z. Wang , 基于移动边缘计算启用的基站合作的计算卸载, IEEE Access 6(2018)22622-22633 .0[30] S. Sardellitti , G. Scutari , S. Barbarossa , 蜂窝移动边缘计算的无线电和计算资源联合优化, IEEE信号与信息处理网络上的交易1(2)(2015年6月)89-103 .0[31] Y.G. XI , T.Y. CHAI , W.M. YUN , 对遗传算法的调查[J], 控制理论与应用(06)(1996)697-708 .