边缘计算赋能的低空网络中基于主动推理的联合优化算法

摘要

为了解决低空网络空域资源短缺、无人机(Unmanned Aerial Vehicle, UAV)能源受限及动态环境下算法泛化性不足的核心难题，提出一种边缘计算赋能的低空网络中基于主动推理的联合优化算法。考虑一个多接入边缘计算(Multi-Access Edge Computing, MEC)赋能的低空网络场景，UAV配备传感器用于收集数据，边缘计算平台负责处理所有数据。在保证服务质量的同时，通过优化UAV感知时间和发送功率以最大化运营商的经济效益。由于系统的高度动态特性及变量间的紧密耦合，将问题重新建模为马尔可夫决策过程(Markov Decision Process, MDP),并采用基于主动推理的深度强化学习(Deep Reinforcement Learning, DRL)算法进行求解。实验结果表明，所提算法与感知时间随机算法及发送功率固定算法相比，经济效益平均提升了16%,总时延平均降低了23%,总能耗也显著低于对比算法。

关键词

低空经济 / 无人机 / 多接入边缘计算 / 马尔可夫决策过程 / 深度强化学习

基金资助

国家自然科学基金项目(62271391,62471388); 东南大学移动通信全国重点实验室开放研究基金项目(2026D03)