本发明涉及通信，尤其涉及一种用于多无人机的联合轨迹和深度学习任务优化方法。
背景技术：
1、近年来无人机在作战、监视、媒体和救援等各个领域被广泛应用，特别是在无线通信领域，无人机凭借其优越的机动性和高度的灵活性，可以构建高效的地面通信系统并且快速飞到指定位置，由于无人机飞行高度较低，距离地面终端较近，可以减少长信道造成的失真。无人机还可以根据需求在三维空间内灵活选择位置，并与地面终端建立通信网络。此外，当有大量密集的地面终端任务时，可以通过无人机进行边缘计算来处理地面终端任务，每个地面终端任务都可以卸载到无人机上提高工作效率。综上所述，在地震等大量基础设施遭到破坏的自然灾害中，无人机支持的无线通信可以极大地提高救灾的准确性、可靠性和速度。
2、尽管由无人机构建的空地无线通信网络具有这些优点，但存在四个个尚未解决的技术问题。首先，与基站不同，无人机在飞行过程中并非固定在地面，容易受到空中强风等环境因素的影响，可能导致通信链路不稳定和信息失真，降低地空通信的可靠性；其次，无人机在三维空间中运动，在向地面终端传输信息时也在运动。通信链路总是受到无人机运动轨迹的影响，因此无人机运动轨迹的优化设计非常困难；同时，在信息传输和任务处理过程中，无人机和地面终端会消耗大量能量，无人机在飞行和信息传输过程中的能量消耗受到各种因素的影响；最后，在任务卸载过程中，不容易确定将多少任务卸载给无人机，以及何时高效、快速地完成整个工作过程。通常，上述的问题相互关联的，不能同时解决。因此，如何对空域通信系统进行优化，使其达到最佳效果是一个十分重要的问题。
技术实现思路
1、本发明的目的在于克服现有技术的缺点，提供了一种用于多无人机的联合轨迹和深度学习任务优化方法，解决了现有技术存在的问题。
2、本发明的目的通过以下技术方案来实现：一种用于多无人机的联合轨迹和深度学习任务优化方法，所述方法包括：
3、初始化地面终端和无人机的配置信息，并设置迭代次数变量以及初始化无人机轨迹；
4、根据初始化条件，获得初始的目标函数值，将无人机的能耗问题描述为并设定约束条件，并优化无人机与地面终端的链接、优化无人机轨迹以及优化无人机计算资源分配；
5、判断第i次迭代时得到的目标函数值是否达到预先设置的目标数值eval，如果达到，则得到最优的无人机与地面终端的链接αun、最优的无人机计算资源分配最优的无人机轨迹以及最小的无人机能耗值，否则继续进行迭代。
6、所述设置迭代次数变量以及初始化无人机轨迹包括：
7、设置初始值为1的迭代次数变量i；
8、设置无人机的初始轨迹为首尾相连的椭圆形轨迹，且无人机在飞行过程中保持匀速飞行，初始化无人机轨迹的起始位置为第u个无人机在第m段的位置为
9、所述获得初始的目标函数值包括：
10、获取第u个无人机在第m段飞行产生的推进能耗
11、获取第u个无人机服务第n个地面终端产生的能耗eun；
12、得到第u个无人机总能耗结合初始化的第u个无人机的轨迹得到初始化无人机能耗其中，β为权重值。
13、所述将无人机的能耗问题描述为并设定约束条件包括：
14、将无人机的能耗问题描述为
15、设定地面基站的链接限制为即一个基站只能选择一个无人机进行链接；
16、设定无人机计算资源的最大值为
17、设定对每个任务的服务需求约束为和即延迟时间必须小于任务截止时间，sn为中间结果的数据量，doff为地面终端分配给边缘的任务量，为信道速率，ts为间隙时长；
18、设定无人机轨迹的起始点为
19、设定无人机的飞行速度为
20、所述优化无人机与地面终端的链接包括：
21、将问题进行拆解，根据给定的无人机轨迹利用凸优化工具计算第i次迭代时最优的无人机与地面终端链接方式αun[i]，得到拆解后的子问题为并通过cvx使用凸优化技术进行求解，最后得到第i次迭代时的次优解αun[i]，且满足以下约束条件：
22、地面基站的链接限制为即一个基站只能选择一个无人机进行链接；对每个任务的服务需求约束为和即延迟时间必须小于任务截止时间，其中mn为地面终端完成本地深度学习任务所需要的时隙数量，m'n为第n个地面终端将中间结果上传至无人机需要的时隙数量。
23、所述优化无人机轨迹包括：
24、将问题进行拆解，得到拆解后的子问题为且满足以下约束条件：
25、对每个任务的服务需求约束为和即延迟时间必须小于任务截止时间；无人机轨迹的起始点为定无人机的飞行速度为θ表示松弛参数。
26、对约束条件中的信道速率进行转换得到以实现使用凸优化工具进行次优解求解，其中为公式简化的中间参数，常量常量a<0，hm为无人机在当前时隙的高度，dnm为无人机在当前时隙和第n个地面终端的距离，n0为噪声变量，p为无人机的固定发射功率，b为带宽，c为光速；
27、将信道速率进一步转换为并令简化得到
28、选取一个局部点代入中将其转换为可凸的形式，并进行泰勒展开得到将和代入和中得到新的约束条件和
29、所述优化无人机轨迹包括：
30、将问题进行拆解，得到拆解后的子问题为通过cvx工具直接进行求解得到最优的无人机轨迹并满足以下约束条件：
31、无人机轨迹的起始点为定无人机的飞行速度为θ表示松弛参数；和
32、所述优化无人机计算资源分配包括：
33、根据给定的无人机与地面终端的链接αun[i]，通过公式利用cvx计算第i次迭代时最优的无人机计算资源分配的次优解
34、本发明具有以下优点：
35、1、考虑了多无人机构建空地通信系统，可分配给地面终端卸载任务的计算资源更多，可以更快速的解决密集地面终端任务需求。
36、2、将地面终端的深度学习任务部分卸载到无人机来进行计算，充分利用无人机的计算资源，减轻地面终端的任务压力。
37、3、联合优化了多无人机与地面终端的链接、无人机的轨迹以及深度学习任务卸载的问题，使得最小化无人机能耗的同时最大化无线通信速率，提升无人机与地面终端通信能效。
1.一种用于多无人机的联合轨迹和深度学习任务优化方法，其特征在于：所述方法包括：
2.根据权利要求1所述的一种用于多无人机的联合轨迹和深度学习任务优化方法，其特征在于：所述设置迭代次数变量以及初始化无人机轨迹包括：
3.根据权利要求2所述的一种用于多无人机的联合轨迹和深度学习任务优化方法，其特征在于：所述获得初始的目标函数值包括：
4.根据权利要求3所述的一种用于多无人机的联合轨迹和深度学习任务优化方法，其特征在于：所述将无人机的能耗问题描述为并设定约束条件包括：
5.根据权利要求4所述的一种用于多无人机的联合轨迹和深度学习任务优化方法，其特征在于：所述优化无人机与地面终端的链接包括：
6.根据权利要求4所述的一种用于多无人机的联合轨迹和深度学习任务优化方法，其特征在于：所述优化无人机轨迹包括：
7.根据权利要求6所述的一种用于多无人机的联合轨迹和深度学习任务优化方法，其特征在于：对约束条件中的信道速率进行转换得到以实现使用凸优化工具进行次优解求解，其中为公式简化的中间参数，常量常量a<0，hm为无人机在当前时隙的高度，dnm为无人机在当前时隙和第n个地面终端的距离，n0为噪声变量，p为无人机的固定发射功率，b为带宽，c为光速；
8.根据权利要求7所述的一种用于多无人机的联合轨迹和深度学习任务优化方法，其特征在于：所述优化无人机轨迹包括：
9.根据权利要求4所述的一种用于多无人机的联合轨迹和深度学习任务优化方法，其特征在于：所述优化无人机计算资源分配包括：
