为了最小化系统效用函数，需要建立卫星边缘计算多用户多任务模型，并考虑用户卸载决策和带宽分配的问题。然而，由于卸载决策是二进制变量，上述问题作为混合整数规划问题，通过一般的优化工具无法得到有效解决。
为了解决这些问题，来自哈尔滨工业大学的贾敏教授及其团队在Electronics期刊发表的论文中，提出了一种联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法 (图 1)。
作者提出了一种基于深度学习通过多个并行的深度神经网络 (DNNs) 生成卸载决策的方法。首先，系统随机初始化 DNNs 的参数并且清空内存，然后系统将用户生成的不同任务的大小作为 DNNs 的输入，然后得到 DNNs 生成相应的卸载决策。然后，系统通过推导出的最优带宽分配方案为每个用户分配带宽，通过得到的卸载决策和为每个用户分配的带宽计算系统的效用函数值。接着，系统从计算得到的系统效用函数值中找到最优的系统效用函数值对应的卸载决策，并将输入的任务大小和相应输出的卸载决策增加到内存中。最后，DNNs 随机从内存中抽取一批数据样本用于训练 DNNs 并且通过梯度下降算法在更新 DNNs 的参数值，以获得接近最优的卸载决策 (图 2)。
作者通过大量的实验来验证所提出的联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法的优越性，包括：收敛性分析，系统效用函数值的对比分析，系统与 DNN 的时间成本分析。仿真结果表明，所提的算法能在较少的训练步数内取得良好的收敛效果，在不同系统参数下，与对比算法相比，得到最优的系统效用函数值，且获得较优异的系统和 DNN 的时间成本 (图 3–图 8)。
本研究研究了一种在低轨卫星上配备边缘服务器，形成边缘计算低轨卫星的场景，同时，作者考虑多用户多任务场景，提出了一种基于深度学习的卸载算法来获得接近最优的卸载决策，并通过自适应最优带宽分配算法将带宽分配给每个用户，以获得最优的系统效用函数值。作者提出的算法有效地解决了卫星边缘计算中的卸载决策问题和带宽分配问题，具备在卫星边缘计算技术领域中获得广泛应用的价值。
期刊涵盖的研究包括但不限于以下领域：电子材料、微电子学、光电子学、工业电子、电力电子、生物电子、微波和无线通信、计算机科学与工程、系统与控制工程、电路和信号处理、半导体器件、人工智能、电动和自动驾驶汽车、量子电子等。期刊致力于快速发表与广泛电子领域相关的、最新的技术突破以及前沿发展。2021 Impact Factor2.6902021 CiteScore
