无人机反向散射计算任务完成率最大化方案.pdf

第2 9 卷第1期2024年1月doi:10.13682/j.issn.2095-6533.2024.01.002无人机反向散射计算任务完成率最大化方案西安邮电大学学报JOURNAL OF XIAN UNIVERSITY OF POSTS AND TELECOMMUNICATIONSVol.29No.1Jan.2024刘伯阳1，党儒鸽，郭天润，张浩然1，刘超文1,2（1.西安邮电大学通信与信息工程学院，陕西西安7 10 12 1；2.陕西省信息通信网络及安全重点实验室，陕西西安7 10 12 1)摘要：对多用户边缘计算通信系统中的资源分配问题进行研究，提出一种无人机（Unmanned AerialVehicle,UAV)辅助的反向散射通信（BackscatterCommunication，Ba c k C o m）任务完成率最大化方案。该方案在UAV辅助的混合反向散射及主动传输边缘计算通信系统下建立非凸优化问题，利用连续凸近似（SuccessiveConvexApproximation，SCA)算法将该非凸优化问题转化为凸优化问题，最终获得反射系数、主动传输发射功率、反向散射及主动传输各阶段时间的次优解。仿真结果表明，所提方案在不同参数下均有效可靠，与反射和本地计算、主动传输和本地计算这两种方案相比，能够在有效降低系统能耗的同时使用户设备任务完成率最大。关键词：移动边缘计算；反向散射通信；无人机；主动传输；连续凸近似算法中图分类号：TN929.5Task completion rate maximization scheme for UAV-assistedLIU Boyangl*?,DANG Ruge,GUO Tianrun,ZHANG Haoran,LIU Chaowen2(1.School of Communications and Information Engineering,Xian University of Posts and Telecommunications,Xian 710121,China;2.Shaanxi Key Laboratory of Information Communication Network and Security,Xian 710121,China)Abstract:Aiming at the problem of resource allocation in multi-user edge computing communicationsystem,a task completion rate maximization scheme for unmanned aerial vehicle(UAV)assistedbackscatter communication(BackCom)is proposed.A non-convex optimization problem is estab-lished with the UAV assisted mixed backscattering and active transmission edge calculation commu-nication system.The successive convex approximation(SCA)algorithm is used to convert the non-convex optimization problem into a convex optimization problem.Finally,the suboptimal solutionsof reflection coefficient,active transmission transmit power,backscatter and active transmission timeat each stage are obtained.Simulation results show that the proposed scheme is effective and reliableunder different parameters.Compared with the two schemes of reflection and local computing,activetransmission and local computing,the proposed scheme can effectively reduce the system energyconsumption and maximize the user task completion rate.Keywords:mobile edge computing;backscatter communication;unmanned aerial vehicle;activetransmission;successive convex approximation algorithm随着物联网(Internet of Things,IoT)与通信技术的快速发展，虚拟现实（VirtualReality，VR）、增强现实1、自动驾驶及智慧城市等各种新兴应用迅收稿日期：2 0 2 3-0 9-14基金项目：陕西省自然科学基础研究计划项目（2 0 2 0 JQ-851）；陕西省普通高校青年杰出人才支持计划项目引文格式：刘伯阳，党儒鸽，郭天润，等.无人机反向散射计算任务完成率最大化方案J.西安邮电大学学报，2 0 2 4，2 9（1）：10-19.LIU B Y,DANG R G,GUO T R,et al.Task completion rate maximization scheme for UAV-assisted backscatter communication sys-temJJ.Journal of Xian University of Posts and Telecommunications,2024,29(1):10-19.文献标识码：Abackscatter communication system文章编号：2 0 9 5-6 533(2 0 2 4)0 1-0 0 10-10速涌现。这对IoT设备在计算速率、存储空间及传输延迟等方面提出了更高的要求，但IoT设备资源有限，易导致IoT设备在将计算任务卸载到边缘第2 9 卷第1期服务器的过程中能耗增高和时延增大。为改善这一问题，引人移动边缘计算2（Mobile Edge Com-puting,MEC)技术。该技术通过在网络边缘部署计算资源，为IoT设备提供计算卸载服务，从而降低能耗和计算时延。但是，以固定的方式部署边缘计算资源不具有灵活性，不能通过移动的方式满足IoT设备计算结果低时延和卸载时低能耗的要求。无人机(Unmanned Aerial Vehicle,UAV)具有机动性、灵活性和可操作性等特点3，由UAV辅助的通信系统的覆盖范围广、机动性高，且从空中到地面的通信大多为视距链路。因此，UAV辅助的MEC系统L4I被提出。在该系统中,UAV能够靠近IoT设备，向网络设施稀疏区域的IoT设备提供计算卸载服务以改善设备连接性，支持更灵活的移动计算5。考虑到IoT设备在MEC通信过程中电池容量有限，提出了无线供电通信网络6 （WirelessPowered Communication Networks,WPCN）以解决能源供应问题。由能量站向IoT设备发射射频(RadioFrequency,RF)信号，IoT设备接收到RF信号后将其转换为能量用于无线信息的传输。WPCN采用主动传输方式，为IoT设备配备专门的能量收集模块，但需要复杂的电路进行能量转换，增加了网络的复杂性和成本。因此，引人反向散射通信7 （Backscatter Communication,BackCom)这一被动传输通信技术。在通信过程中，IoT设备首先收集RF能量信号，再通过调制自身的天线阻抗改变信号的相位或振幅，携带IoT设备信息以完成数据的发送，该过程使得BackCom技术在通信网络中的电路能耗较低，成为一种节能的通信技术8 。因此，BackCom技术无需主动传输模块，可以有效改善网络复杂度并降低成本，使网络整体能耗小9。在偏远地区，提供RF能量的发射塔会因分布稀疏使得通信受阻。针对这种情况，将UAV辅助的无线通信系统与BackCom技术相结合，其中UAV作为移动发射源为偏远地区的通信设备提供RF信号10 1。同时,UAV在BackCom系统中还可以当作中继，通过联合优化UAV的轨迹、时间分配和反向散射系数最大化BackCom系统的吞吐量11。当存在较多反向散射设备时，反射通信可能会出现通信干扰，因此采用K-均值的区域划分方法将目标区域划分为若干子区域。在每个子区域中，刘伯阳，等：无人机反向散射计算任务完成率最大化方案1系统模型UAV辅助的混合反向散射及主动传输MEC系统包括多个配备反向散射设备的用户、一个搭载MEC服务器和载波发射器的UAV,UAV为地面用户设备提供能量并执行其卸载的计算任务。用户设备在完成计算任务时一般采用部分卸载模式，即一部分在用户设备本地执行，另一部分被卸载到UAV上执行。将目标区域划分为N个子区域，令第i个子区域为；，第i个子区域上用户数的集合为M。系统采用三维直角坐标系，假设所有用户均固定在地面，第i个子区域中用户的水平坐标记为u=,y,iE，jEM。每个子区域质心坐标为eii，y T U A V 在每个子区域质心上空悬停，其在完成当前子区域的任务后，飞往下一个子区域。为了避免碰撞并保证通信质量，UAV以高于服务区域内最高障碍物的最低高度H飞行。系统模型如图1所示。11通过联合优化UAV轨迹及时间分配以最大化UAV辅助的BackCom的能量效率，同时降低系统中多个反向散射设备之间的通信干扰12 。考虑到IoT设备计算任务量大的问题，如果仅通过反向散射被动传输用户设备的计算任务，会使传输速率较慢，用户设备等待结果的时间更长。因此，在UAV辅助BackCom的基础上结合WPCN主动传输方式，拟提出UAV反向散射计算任务完成率最大化方案。首先，将UAV作为能源发射器为所有用户设备提供RF能量，在用户设备上携带反向散射装置可以进行任务数据卸载。其次，将所有用户分到若干子区域中，在每一个子区域，用户设备通过调节负载阻抗改变接收RF信号的幅度和相位，将用户设备数据发送到UAV上，并利用剩余能量进行主动传输。然后，建立网络资源分配的非凸优化问题，在满足UAV与用户设备计算资源和能量消耗的约束下，联合优化时间分配、反射系数、用户主动传输时的发射功率与本地算力分配，最小化用户设备与UAV加权总能耗且最大化用户任务完成率。针对所建立的非凸优化问题，采用连续近似（Successive ConvexApproximation，SCA)算法将其转化为凸优化问题。最后，通过仿真实验验证所提方案的有效性。12UAV到用户的通信链路用户到UAV的通信链路一UAV在该区域质心上方悬停区域质心888图1系统模型对N个子区域进行时间分配，令T表示UAV在第i个子区域中的悬停时间,将整个工作时间Z划分为N个时隙。每个时隙包括能量收集阶段的时间t订、反向散射阶段的时间t、主动传输阶段的时间ta订及UAV计算任务数据的时间t订等4个部分。考虑来自UAV的计算结果远小于来自用户设备的卸载任务，忽略从UAV到用户的数据回传产生的延迟13-141。为了减少用户通信时相互产生的干扰信号，采用时分多址接人15(Time Division Multiple Access,TDMA)进行数据卸载。基于TDMA协议，每个用户都被分配了相同卸载时间以保证用户通信的公平性。时间分配方案如图2 所示。T1T212能量12收集t.2问题建模2.1信道模型描述在所提的UAV辅助混合反向散射及主动传输的通信系统中，将多个用户进行区域划分，UAV在一定高度与地面用户进行通信，因此假设其通信链路为视距链路（Line of Sight,LoS），目的是实现最大化用户任务完成率，同时使系统总能耗最小化。UAV和用户之间的通信链路为LoS信道，UAV与第i个子区域的用户的信道功率增益表达式16 为西安邮电大学学报h,订=d汇订H+TeL汀-u,汀 2式中：表示参考距离为1m时的信道功率增益系数；d,表示UAV与第i个子区域的用户i之间的距离。888888M.一2图2 时间分配方案2024年1月(1)对UAV建立空对地（Air-to-Ground，A 2 G)和8地对空（Ground-to-Air，G 2 A）传播通道，考虑到A2G和G2A之间路径损耗指数的差距很小，因此假设两个路径损耗指数相同。2.2计算模型构建在MEC系统中，通过任务卸载辅助用户处理任务以改善IoT设备对密集型任务的低时延需求的问题。在每个子区域中，,均需要经历能量收集、反向散射、主动传输及本地计算4个阶段，对应4个模型，用户通过主动及被动卸载方式进行任务处理，最终得到该系统的总能耗。2.2.1能量收集用户设备采用能量收集模型17 存储更多能量，以支持其电路和卸载过程的能量消耗。UAV作为能源发射器向用户设备发射功率为P的RF信号，用户设备接收到RF信号后将其转化为能量，用于驱动用户的电路功耗、反向散射自身的数据及主动传输。在第i个子区域中，用户收集能量的计算表达式为TIMNM.计算结果回传时间t.0F,i=n Ptih,i 式中，n表示能量收集效率18 。2.2.2反向散射在该阶段，用户根据反射系数(O;订 1)将接收到的RF信号分为两部分。一部分用于将待处理的数据任务反向散射到UAV的MEC服务器上，另一部分转化为能量进行存储。通过反向散射实现用户卸载任务量的计算表达式19 为h,=4Blog2(1+S,iP(h,i)M.式中：B表示通信带宽；表示反向散射与主动传输之间的性能差异2 0 1；表示UAV处的噪声功率。用户i反向散射时收集的能量与用户i在其他子时隙上不进行反向散射时收集能量的计算表达式2 1-2 2 1分别为(4)M.(2)(3)第2 9 卷第1期反向散射卸载任务时会产生电路能耗。反向散射时用户i的电路能耗的计算表达式为E.,i=Pela.b式中，Peir.b表示反向散射时恒定的电路功耗。在反向散射期间,用户收集的总能量为Fb,i=Fb l,+Fb 2,i2.2.3主动传输用户进行主动传输时，在第i个子区域用户的发射功率记为P,订，其通过主动传输进行卸载的任务量的计算表达式19 为(8)M.主动传输时用户i能耗的计算表达式为tE,i=P,+Peir.aM,M.式中，Pcir.a表示主动传输阶段电路的恒定功耗。整个卸载过程包括反向散射卸载和主动传输卸载，用户卸载的总任务量与卸载时总能耗的计算表达式分别为Ioff,i=I b,i+I a,iEf.,i=Eb,i+Ea,i2.2.4本地计算用户的本地计算不需要诸如带宽的无线电资源，每个用户可以同时执行本地计算和主动传输。第i个子区域用户i进行本地计算的CPU频率表示为fL,订，则用户j本地计算任务量与本地计算能耗的计算表达式2 3 分别为(12)CL订Er,i=(t.i+t)k,i(fi.,i)3(13)式中：C,订表示第i个子区域用户i计算1bit数据所需的计算资源量，即所需CPU周期数；k;订表示第i个子区域用户的有效电容系数，取决于其处理器的芯片架构。在整个计算模型下，UAV的能耗分为4部分。第一部分为UAV对用户设备发射RF信号所消耗的能量，其发射总能耗的计算表达式为NEem=P(ti+t,i )i-1第二部分为UAV计算的总能耗。UAV除了发射时需要耗能外，在处理用户卸载任务时也需要刘伯阳，等：无人机反向散射计算任务完成率最大化方案(5)M（6)M,(7)(9)(10)(11)(14)13耗能。UAV计算总能耗的计算表达式为NME=2t.ic(fu.,i)3i=1j=1式中：K表示UAV的有效电容系数，取决于其处理器的芯片架构；fu,订表示UAV给第i个子区域的用户i分配的CPU频率。第三部分为UAV在每个子区域悬停的能耗，其计算表达式为Eh=Ph（ti+ti+ta+ti）（16)式中，Pho表示UAV在悬停过程中消耗的功率。最后一部分为UAV在每个子区域之间飞行的能耗，其计算表达式为E,=P,Tr式中：P表示UAV在飞行过程中的消耗功率；T表示UAV飞行的时间。用户i与UAV总能耗的计算表达式分别为ME=(E,i+E,i)+E.,i(18)i=1j=1Eu=Eem+Ec+Eho+Er基于以上分析，联合优化子区域各阶段的时间分配、反向散射系数、用户主动传输时的发射功率及本地计算时用户设备的计算资源分配，针对每一个子区域，最大化任务完成率及最小化系统中用户与UAV的加权总功耗。子区域各阶段的时间分配的表达式为A=te,tb,ta,te,T其中，te=t1,te2,.,teNth=t,1,t,2,tbNta=ta1,ta2,.,taNte=t1,t2,tNT=T1,T2,.,TN所有用户反向散射系数表示为=11,1 m1，主动传输时用户设备发射信号功率表示为P-P1,P,1,PM1,PN,PmM,N,本地计算时每个用户设备的CPU频率表达式为f-f.i1,f.2i,.,f.m,i,.,f.N,fL.2N，f L.M NJ。此时，所建立的优化问题为NMPi:max,2uLi-a(E+Eu)M.A.a.P.1-1(15)(17)Ni=1(19)(20)14s.t.Ci:F,+Fb l.,i+Fb 2,jiEb,i+Ea,i +EL.,i C,订MBlog:(1+P,Li/h,Lil)M,M,Blog,(1+s,iP(h,i)tBlog:(1+P,hi)MC4:0fi,ifL.maxCs：te L+t+ta+t订 Ti,NZTiZ-T,i=1C,:0;i1Cr:00，确保其为凸函数。对于目标函数t.ifu,0C式中5.m0.Fm,m0.确保0.0.为凸函数；te订表示第i个子区域上在第k次送代时UAV的计算时间。用凸近似函数O2,O：代替目标函数中的耦合项后，目标函数即转换为凸函数。在约束C中,针对P,ta 耦合项,其处理方法与目标函数中的有所不同。将其进行变换，得到凸近似函数的计算表达式为0.=(P,+)(P,+(ta,)-Pj,i(P,-Pj,i)-ta.i(t,i-ta,i)式中，Pi表示第i个子区域上用户i在第k次送代时主动传输阶段用户的传输功率。对于约束C中存在的Ei,订项，其具体表达式为EL,=（ta+t订),（fL)”，仍然存在（fL,订)ta，（fi,)t订两项，其处理2024年1月(21)Et,i=(ta+ti)k,i(ft,i)3中存在的t订（fL,订）耦合项，以及E,汀=P,汀+Pcir.aM,M,中存在的ta订P,订耦合项,均可以采用 SCA算法处理。这两个耦合项的凸近似函数可以分别表示为O,=ti(fu.ji)+tei(fi.,i)3+(ti-te.ai)+2(fL.,ifL.ji)?2O=t.iP,i+t a.Li P,i+(t.i-ta,i)?+2(P,汀 -Pj,i)222(22)(23)(24)t.i订o?tb,Lio第2 9 卷第1期方式与式（2 1）和式（2 2）不同，需要引人辅助变量r订=(f,订)，并添加约束项r订（fL.,i)”。此时等价为r,it 和r,订t两个耦合项，采用SCA算法，得到凸近似函数的计算表达式分别为0.=(r,+,(r)+(ta i)-rji(r,i-rix)-tai(ti-ta.i)(r,+）(（r）”+(te.,i)-riji(r,-r ji)-te.i(ti-te.a i)对于约束Ci中的Ebi,订中含有,t 两变量相乘，仍给出其凸近似函数为(tb.i)”)-j,(,i-ji,)-tb.,i(ti-tb i)式中，i.订表示第i个子区域上用户i在第k次代时的反向散射系数。对于约束C中的一tifL,，一t订fi.,订这两个耦合项，基于SCA算法的第k次迭代，获得在局部点的下界计算表达式分别为0.=(fi,-1.-(fw,i)+(tai)-fi(f,i-ftji-ta,i(ta.i-tai)(28)(fi,iti)-(fiji)”+2(te.i)-fiji(fL,i-fL.ji)-te.i(teoki 一ti)针对约束中C耦合变量中有一项为对数函数的情况，使用透视函数方法取近似。假设a,=;it,对于Fi=log2(等效为=ti log(1+(a,LiP(hi)2)刘伯阳，等：无人机反向散射计算任务完成率最大化方案2(（2 5)(26)(27)2(29)(1+(a,iP(h,i)thi?15.显然，为的透视函数。此时，为凹函数，即为凹函数。同理，令P,=P,i t.i 那么对于F:=log:(1+(P,ih,:)则有:=.;g(1+(P,Lh:)为的透视函数，I为凹函数,则也为凹函数。此时,约束C和约束C，变换为Cs:0,itiC7:0P,iPmaxt.i上述两个约束均为凸约束，其中iEv，jEM i。约束C3用1,近似后，仍是凹函数。针对该情况，利用SCA算法处理非凸约束。对于这两个凹函数，在任意可行点处进行一阶泰勒展开，得到全局下界，分别表示为(30)L,汀-;汀-PL)+j,i=ta.ilo g(1+!ta.io2ti订-ta,汀Vg?(t.,i,P,i)LP,-P,汀其中，Vgi(tb.i,aj,i)=1og2（(1+SaaLiP(h,i21sj,;LiP(h,i)?In2tbaLiJo?+sajLij(h,Li)b.P(h,i)21n2th.aLio+$aaLiP(h,iVg2(ta.,i,Pi,i)=(1og:(1+PaLih)ta.L订o?1P,ih,1n2ta,io+P,.ih,ia.订h,订1n2ta,Lio?+Pjih,Li最后，对基于SCA算法的第k次迭代的具有可行解的重构问题可以转换为(31)16P2:min.H.A.P.fPeir.bM,y(P,Tr+Pho(t.i汀+=1t订+ta订+t)+2t.ik,(fu,i）+i-1j-1N2(t.+)2（32)=1i=1.j=1s.t.Ci:Peir.bt,i+O+Pe i r a t a i+k,i(O,+O,)一nM,Ptih,i+n Ph,iO,-n tiPh,i-(M,-1)t,iPh,i0C2:;iL,订+C,BB20M,M.C:Bx,i+Byj,iCa:0fi.,if L.m a xCs:tei+t+ta 订+t T NTiZ-T,i=1C:0a,itLiC,:0P,订0,令k=0。步骤2 令优化的变量集合为V=T 订，ta,i,tb,i,te,i,te,i,fi.j,i,aj.i,ai,Pj订,Pi，j，迭代终止规则为一V-，其中表示第k次迭代所获得变量的最优值，是期望的精度。如果满足中止规则转至步骤4,否则转至步骤3。西安邮电大学学报M,步骤3从P，中得到变量的次优解，令NK;1(0,+0)+M,+Peir.at.M,M;M(O:+O。)-M;t.ifu.,iC汇订2024年1月V=v+r(v-Vk-i),r=r-i(1-lrk),其中l表示迭代步长，且kk十1。直到为一个平稳解。步骤4获得问题P，最终的次优解*，原始问题P1得到解决。4仿真实验4.1仿真环境和参数设置为验证所提方案的性能，在Matlab 2020a 中进行仿真实验，所使用硬件配置为1lthGenIntelCore i5-11400F2.60GHz六核处理器和16 GiB内存。仿真环境为所有的用户都位于一个50mX50m的二维区域内，利用K-均值算法将目标区域分为N个子区域。UAV分别在每个子区域上方悬停，并向用户设备发射射频信号，用户可进行反向散射与主动传输。具体仿真参数如表1所示。表1仿真参数参数工作时间Z/s发射功率P。/WUAV悬停功率Ph/WUAV飞行功率Pr/W噪声功率。?/dBmCPU周期数C,i/c y c l e bit-1用户设备最大CPU频率fL.max/Hz反向散射电路功耗Pei.b/W主动传输电路功耗Peir.a/W有效电容系数k;i，k u带宽B/Hz1m时信道功率增益系数p/dB能量转换效率4.2仿真结果及分析为了验证所提方案的有效性，在通信带宽、最大发射功率、UAV能耗权重系数等方面进行仿真对比。在所提方案中,通信带宽B与用户最大发射功率Pmax:对能耗与用户任务完成率的影响如图3所示。在图3（a）中，当用户发射信号的最大功率Pmax增大时，为了使任务完成率增加，用户需采用较大的发射功率进行任务卸载，此时用户能耗也会增加。当带宽增加时，可产生更高的任务卸载速率，用户会倾向于主动传输，其发射功率也会增加，导致用户设备能耗增加。在图3(b)中,UAV能耗随取值15650804010001X1032 X10-81 X10-31X10-276X104-300.9第2 9 卷第1期最大发射功率增大而减小，这是由于用户最大发射功率Pmax增加时,用户的发射功率P,订具有更大的决策空间，相比于较小的Pmax值，容易得到更优的任务完成率与能耗加权和，此时UAV能耗会随之下降。当带宽B增大时，用户卸载的传输速率增大，卸载任务量增加，导致UAV的计算能耗增大，因此UAV能耗随着带宽B增加而增加。在图3(c)中，用户平均任务完成率会随着最大发射功率Pmmax的增加而增大，当带宽增加时，用户平均任务完成率会增大，这是由于用户卸载任务时的传输速率增大，传输的任务量增多。0.025-B=6 10*Hz-B=710HzBB=810*Hz0.0200.0150.0101.0320.2320.0319.8319.6319.4319.2319.01.00.50.40.30.20.11.0图3用户最大发射功率对能耗和任务完成率的影响刘伯阳，等：无人机反向散射计算任务完成率最大化方案任务完成率下降。0.0300.0250.0200.0150.010440=0.10.005F2-0-0=0.2B0=0.3 0.0001.52.0用户最大发射功率Pmx/W(a)对用户能耗的影响B=6 10 Hz0B=7 10*Hz日-B=8 10Hz1.52.0用户最大发射功率Pma/W(b)对无人机能耗的影响AB=6 10Hz0-B=7 10*HzBB=810Hz1.52.0用户最大发射功率Pm/W(c）对用户任务完成率的影响17在建立目标问题时，引人了UAV能耗权重系数、总能耗权重系数与任务完成率进行折中。这两个权重系数对用户能耗、UAV能耗与用户平均任务完成率的影响如图4所示。由图4(a)和图4(b)可以看出，当UAV权重系数增加时，无人机在系统优化时所占的比例更高，系统会倾向于产生较小UAV能耗的决策,因此UAV能耗会下降。当总能耗权值增大时，系统倾向于降低用户与UAV的总能耗，则用户能耗与无人机能耗均会降低。在图4(c)中,随着UAV权重的增加,系统总能耗的权重增加,整个系统会更看重能耗的减小,从而导致2.53.02.53.02.53.00.532031531030530029529028540=0.10-0=0.228080=0.32750.50.300.250.200.150.1040=0.10.05-0-0=0.2 B0=0.30.000.5图4无人机权重系数对能耗和任务完成率的影响0.6无人机权重系数平(a)对用户能耗的影响中中A0.60.7无人机权重系数(b)对无人机能耗的影响0.60.7无人机权重系数(c)对用户任务完成率的影响0.70.80.80.80.90.90.918为了进一步验证所提方案的性能，将其与反向散射和本地计算、主动传输和本地计算这两种方案进行对比，具体如图5所示。由图5可以看出，主动传输和本地计算结合的方案优于反向散射和本地计算结合的方案，这是因为反向散射过程中信号会经历双重衰落，信道衰落更严重，导致卸载速率变小，任务完成率降低。所提方案的能耗加权和与任务完成率相较于其他两种方案处于下面的位置，符合目标函数最小化的预期，优于上述两种对比方案。结合反向散射的低功耗与主动传输的高卸载速率的优势，使得系统在最小化能耗的同时任务完成率最大。因此，所提方案在能耗最小化的系统中进行任务处理时是可行且有效的。302520151005025结语由于多样化新兴应用的出现，对物联网终端设备的计算资源和电池容量提出了更高的要求，导致密集型计算任务与有限资源之间产生了冲突。针对该问题，提出了UAV辅助BackCom任务完成率最大化方案。由UAV为地面用户设备提供能量并辅助其完成计算任务。用户设备不但可以进行反向散射传输任务数据，还可利用收集的能量进行主动传输卸载任务，提高了数据传输速率，从而降低计算延迟。在该方案下建立能耗最小化及任务完成率最大化的非凸优化问题,利用基于 SCA算法的迭代算法，将非凸优化问题转化为凸问题，再采用标准凸优化工具得到原问题的次优解。为了验证所提方案的有效性，对其最大发射功率及能耗权重系数进行仿真验证。用户平均任务完成率随着其最大发射功率的增大而增大，系统能耗随着UAV能耗权重系数的增大而减小。仿真结果表明，所提方案与仅考虑反射和本地计算、仅考虑主动传输和本地计算这两种方案相比，能耗与任务完成率加权西安邮电大学学报和最小，能够达到在最小化能耗的同时最大化任务完成率的目标，可以有效改善物联网中密集型计算任务与资源分配之间的冲突。参考文献1SSHI W,JIE C,QUAN Z.Edgecomputing:Vision andchallengesJJ.IEEE Internet of Things Journal,2016,3(5):637-646.2高聪，陈煜喆，张擎，等.边缘计算：发展与挑战J.西安邮电大学学报，2 0 2 1，2 6（4）：7-19.GAO C,CHEN Y Z,ZHANG Q,et al.Edge compu-ting:Development and challengesJ.Journal of XianUniversity of Posts and Telecommunications,2021,26(4):7-19.(in Chinese)3ZHOU F,HU R Q,LI Z,et al.Mobile edgecomputing一会一反向散射+本地计算方案in unmanned aerial vehicle networksJJ.IEEE Wireless一一主动传输+本地计算方案一日一所提方案中34通信带宽B/Hz图 53种方案的对比结果2024年1月Communications,2020,27(1):140-146.4 JEONG S,SIMEONE O,KANG J.Mobile edge com-puting via a UAV-mounted cloudlet:Optimization ofbit allocation and path planningJJ.IEEE Transactionson Vehicular Technology,2018,67(3):2049-2063.5刘伯阳，杨宁乐，马杰，等.无人机移动边缘计算位置部署与资源分配方案J.西安邮电大学学报，2 0 2 1，2 6(1):33-38.56x105LIU B Y,YANG N L,MA J,et al.Optimal deploymentand resource allocation for UAV-enabled mobile edgecomputing networksJJ.Journal of Xian University ofPosts and Telecommunications,2021,26(1):33-38.(inChinese)6ZENG Y,CLERCKX B,ZHANG R.Communicationsand signals design for wireless power transmissionJ.IEEE Transactions on Communications,2017,65(5):2264-2290.7FILOMENO M D L,DE CAMPOS M L R,POOR HV,et al.Hybrid power line/wireless systems:An opti-mal power allocation perspectiveJ.IEEE Transac-tions on Wireless Communications,2020,19(10):6289-6300.8SHI L,YE Y,CHU X,et al.Computation bits maximi-zation in a backscatter assisted wirelessly poweredMEC network JJ.IEEE Wireless CommunicationsLetters,2021,25(2):528-532.9LYU B,YANG Z,GUO H,et al.Relay cooperation en-hanced backscatter communication for Internet ofThingsLJJ.IEEE Internet Things,2019,6（2):2 8 6 0-2871.1o DU Y,YANG K,WANG K,et al.Joint resources andworkflow scheduling in UAV-enabled wirelessly-pow-ered MEC for IoT systemsJJ.IEEE Transactions on第2 9 卷第1期Vehicular Technology,2019,68(10):10187-10200.11 ZOU Y,XU J,GONG S,et al.Backscatter-aided hybriddata offloading for wireless powered edge sensor net-worksCJ/Proceedings of the 2019 IEEE Global Com-munications Conference.Waikoloa:IEEE,2019:1-6.12 TANG G,LI X,JI H,et al.Optimization of trajectoryscheduling and time allocation in UAV-assisted back-scatter communicationC/Proceedings of the 2021IEEE International Conference on Communications Work-shops(ICC Workshops).Nanjing:IEEE,2021:1-6.13刘伯阳，王怡心，杨宁乐，等.无人机边缘计算高能效任务完成率最大化方案J.西安邮电大学报，2 0 2 2，2 7(4):1-9.LIU B Y,WANG Y X,YANG N L,et al.Task com-pletion rate maximization for energy-efficient UAV-as-sisted MEC networksJJ.Journal of Xian Universityof Postsand Telecommunications,2022,27(4):1-9.(inChinese)14 YOU C,ZENG Y,ZHANG R,et al.Asynchronousmobile edge computation offloading:Energy-efficientresource managementJ.IEEE Transactions WirelessCommunications,2018,17(11):7590-7605.15 XU D F,SUN Y,NG D