DRL-Based Trajectory Optimization and Computation-Aware Resource Allocation for UAV-Assisted Edge Computing Networks

doi:10.1109/JIOT.2025.3597502

DRL-Based Trajectory Optimization and Computation-Aware Resource Allocation for UAV-Assisted Edge Computing Networks

2025-10-10

0

PRE

AI

DOI：10.1109/JIOT.2025.3597502

原文链接

原文求助

摘要

En 中文

无人机（UAV）网络在动态环境中面临严峻挑战，传统方法将轨迹优化和资源分配视为独立问题，未能捕捉它们复杂的相互依赖关系，导致性能次优、能耗过高和处理延迟。本文通过一种新颖的混合方法解决这些局限性，该方法独特地将深度强化学习（DRL）与凸优化相结合进行联合优化。我们的创新之处在于两个相互依赖的算法：1）基于DRL的中继无人机轨迹优化算法（DRL-RUTOA），利用模型无关元学习实现快速环境适应；2）计算感知的多无人机轨迹优化算法（CA-MUTOA），采用效益-成本优先级机制进行选择性计算卸载。与以往方法不同，我们构建了一个统一的多目标优化框架，同时平衡网络吞吐量、能效和计算任务管理。仿真结果表明，我们的集成方法显著优于传统方法，实现网络吞吐量提升35%、处理延迟降低28%和能耗降低42%。此外，我们的框架展现出更优的收敛效率，仅需15次迭代，而传统方法需32～42次，证实其在复杂任务环境中资源受限的无人机操作中的实际可行性。

Keyword:

deep reinforcement learning (DRL)

resource allocation

trajectory optimization

uncrewed aerial vehicle (UAV) networks

DRL-Based Trajectory Optimization and Computation-Aware Resource Allocation for UAV-Assisted Edge Computing Networks

摘要

期刊

机构

引用论文