摘要：在無(wú)人機(jī)巡檢電力通信光纜設(shè)備時(shí)將產(chǎn)生的視覺(jué)數(shù)據(jù)卸載到云端處理，通過(guò)邊緣計(jì)算優(yōu)化電力通信光纜設(shè)備的深度學(xué)習(xí)檢測(cè)運(yùn)算量。由ROSLink（robot operating system，ROS）從機(jī)器人操作系統(tǒng)提取電力通信光纜設(shè)備的數(shù)據(jù)，然后嵌入JSON進(jìn)行序列化后將信息發(fā)送至云端，進(jìn)而實(shí)現(xiàn)圖像的云計(jì)算卸載。深度學(xué)習(xí)模塊中DeepBrain云子系統(tǒng)啟動(dòng)云服務(wù)器的多個(gè)GPU，高速同步處理多架無(wú)人機(jī)的批量圖像。實(shí)驗(yàn)表明，將視覺(jué)數(shù)據(jù)卸載至云端后電壓降低率和功耗是機(jī)載GPU處理的50%，可延長(zhǎng)無(wú)人機(jī)續(xù)航時(shí)間、縮短圖像實(shí)時(shí)處理時(shí)間。

關(guān)鍵詞：無(wú)人機(jī)；云計(jì)算卸載；邊緣計(jì)算；深度學(xué)習(xí)；電力通信光纜設(shè)備

中圖分類號(hào)：TM762；TQ39文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-5922（2024）10-0140-05

Research on intelligent detection technology of communication optical cable equipment based"on improved edge algorithm

HU Xin1，SHEN Wei1，LI Wei2，WANG Xinglong2，CHEN Yijun2

（1. State Grid Jiangsu Taizhou Power Supply Branch Co.，Ltd.，Taizhou 225300，Jiangsu China；2. State Grid Jiangsu Electric Power Co.，Ltd.，Nanjing 210000，China）

Abstract：When the unmanned aerial vehicle inspects the power communication optical cable equipment， the gen?erated visual data is offloaded to the cloud for processing， and the deep learning detection calculation of the powercommunication optical cable equipment is optimized through edge computing. ROSLink（robot operating system，ROS）extracted the data of the Power communication optical cable equipment from the robot operating system andthen embeded JSON for serialization and sent the information to the cloud，thereby achieving cloud computingoffloading of the image. The DeepBrain cloud subsystem in the deep learning module activated multiple GPUs of thecloud server to process batch images of various drones simultaneously at high speed. Experiments showed that thevoltage reduction rate and power consumption after offloading the visual data to the cloud were 50% of the onboardGPU processing，extending the UAV’s lifetime and shortening real-time image processing time.

Key words：unmanned aerial vehicle；cloud computing offloading；edge computing；deep learning；power communi?cation optical cable equipment

電力通信光纜設(shè)備在信息傳輸方面起著至關(guān)重要的作用，這些設(shè)備常年承受惡劣天氣[1-2]，較高的機(jī)械張力和極高的電壓功率，存在安全隱患，需要及時(shí)維修或更換[3-4]，若不及時(shí)處理，將影響電力通信網(wǎng)安全運(yùn)行，威脅電力通信光纜安全及其穩(wěn)定運(yùn)行。利用無(wú)人機(jī)巡檢電力通信光纜設(shè)備，拍攝光纜線、金具和纜架等設(shè)備的高分辨率圖片或視頻，然后分析潛在缺陷，具有不受地形限制、巡檢速度快、效率高的特點(diǎn)，已成為電力設(shè)備巡檢主流[5-6]。目前可利用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法來(lái)處理從無(wú)人機(jī)采集的航空?qǐng)D像[7-8]。無(wú)人機(jī)巡檢輸電光纜線路途中實(shí)時(shí)處理大量計(jì)算機(jī)視覺(jué)數(shù)據(jù)、規(guī)劃無(wú)人機(jī)飛行路徑、分析設(shè)備故障，需要消耗過(guò)多能量[9-11]，但其機(jī)載能量的能力有限，因此無(wú)人機(jī)網(wǎng)絡(luò)環(huán)境下邊緣采集數(shù)據(jù)的實(shí)時(shí)處理仍然是一個(gè)挑戰(zhàn)。構(gòu)建UAV輔助邊緣計(jì)算模型并且利用塊坐標(biāo)下降的兩步迭代優(yōu)化算法，實(shí)現(xiàn)了約定時(shí)間內(nèi)最小化用戶終端能耗[12]。利用正交自適應(yīng)鯨魚優(yōu)化算法的云計(jì)算任務(wù)調(diào)度方法研究[13]?；谏疃葟?qiáng)化學(xué)習(xí)提出多用戶多任務(wù)下的任務(wù)卸載調(diào)度與資源分配算法，在降低延遲和本地耗能方面有比較優(yōu)越的性能[14]因此，本文提出對(duì)基于云計(jì)算卸載和邊緣計(jì)算的巡檢方案進(jìn)行評(píng)估，確定高效的無(wú)人機(jī)巡檢電力通信光纜設(shè)備方案。

1計(jì)算方法

1. 1云計(jì)算模型

云計(jì)算是通過(guò)服務(wù)器在無(wú)線接入點(diǎn)將大規(guī)模圖像數(shù)據(jù)傳輸?shù)皆贫诉M(jìn)行計(jì)算分析，遠(yuǎn)端云節(jié)點(diǎn)圖像數(shù)據(jù)傳播時(shí)延為ttc，包括無(wú)人機(jī)端傳輸數(shù)據(jù)至無(wú)線接入點(diǎn)時(shí)間tkue=kr×xkcloud及無(wú)線接入點(diǎn)至云端節(jié)點(diǎn)×xcloudk至云端節(jié)點(diǎn)的傳輸速率，xkcloud為云端節(jié)點(diǎn)的工作量，若Ccloud為云端節(jié)點(diǎn)執(zhí)行能力，遠(yuǎn)端云節(jié)點(diǎn)計(jì)算模型平穩(wěn)狀態(tài)下，其計(jì)算時(shí)間為：

當(dāng)邊緣節(jié)點(diǎn)到云端節(jié)點(diǎn)的傳播時(shí)延為?t，則云端節(jié)點(diǎn)執(zhí)行卸載任務(wù)的時(shí)延為：

1. 2邊緣計(jì)算模型

邊緣計(jì)算是指在邊緣（即無(wú)人機(jī)）使用帶有嵌入式GPU的Jetson Nano、Raspberry Pi設(shè)備執(zhí)行深度學(xué)習(xí)計(jì)算。

數(shù)據(jù)傳輸模型主要包括無(wú)線傳輸與互聯(lián)網(wǎng)傳輸2部分。若無(wú)人機(jī)分配的通信帶寬為B，hup為終端kk

與邊緣節(jié)點(diǎn)間的信道增益，假設(shè)無(wú)人機(jī)端k傳輸速率為r，則數(shù)據(jù)傳輸速率為：

邊緣節(jié)點(diǎn)為無(wú)人機(jī)k分配的計(jì)算數(shù)據(jù)為Ck，為邊緣節(jié)點(diǎn)單位時(shí)間可執(zhí)行的GPU周期次數(shù)。

無(wú)人機(jī)k的任務(wù)執(zhí)行時(shí)延期為：

式中：邊緣節(jié)點(diǎn)執(zhí)行卸載任務(wù)的時(shí)延tedge數(shù)據(jù)從無(wú)人機(jī)端傳輸至邊緣節(jié)點(diǎn)的傳輸時(shí)延ttek

1. 3無(wú)人機(jī)云計(jì)算能耗模型

1. 3. 1無(wú)人機(jī)自身計(jì)算能耗

無(wú)人機(jī)GPU的頻率為fc，執(zhí)行無(wú)人機(jī)UVAk總能耗為：

其中無(wú)人機(jī)UVAk計(jì)算1 bit需要消耗的能量Ec（lfc）為γcC l（f）c2，在T內(nèi)計(jì)算Ibit的數(shù)據(jù)kksk，CPU的頻率fkm為。

1. 3. 2無(wú)人機(jī)飛行能耗

假設(shè)無(wú)人機(jī)飛行高度不變且在每個(gè)時(shí)間間隔內(nèi)，無(wú)人機(jī)飛行能耗只與速度有關(guān)，與加速度無(wú)關(guān)，飛行能耗表達(dá)式和動(dòng)能相似，所以能耗與飛行速度平方成正比，在第n個(gè)時(shí)間間隔內(nèi)無(wú)人機(jī)飛行速度是vnc：

1. 3. 3數(shù)據(jù)傳輸能耗

正交與非正交傳輸數(shù)據(jù)方式的能耗不同，當(dāng)以正交方式傳輸數(shù)據(jù)時(shí)，在第n個(gè)時(shí)間間隔中，第k個(gè)無(wú)人機(jī)UVAk與云端間傳輸?shù)纳闲袛?shù)據(jù)為L(zhǎng)kmnbit，下行數(shù)據(jù)為L(zhǎng)kcnbit，數(shù)據(jù)傳輸在時(shí)間?/K內(nèi)完成。正交方式傳輸數(shù)據(jù)能耗為：

當(dāng)數(shù)據(jù)以正交方式傳-輸數(shù)據(jù)時(shí)上行和下行能表達(dá)式相同，上式中g(shù)kn（pnc）表示無(wú)人機(jī)與云端在第n個(gè)時(shí)間間隔的路徑能耗，其表達(dá)式如下：

式中：g0表示在1 W的傳輸能耗在1 m路徑內(nèi)的收益。數(shù)據(jù)傳輸信道模型為加性高斯白噪聲（AWGN），能量譜密為N。

當(dāng)采用非正交方式時(shí)，上行傳輸能耗為：

式中：上行傳輸數(shù)據(jù)合集為L(zhǎng)m

由此可知，當(dāng)采取非正交方式時(shí)無(wú)人機(jī)傳輸數(shù)據(jù)受其他無(wú)人機(jī)的影響。

2構(gòu)建DeepBrain系統(tǒng)

2. 1DeepBrain結(jié)構(gòu)

DeepBrain系統(tǒng)是將無(wú)人機(jī)繁重的計(jì)算工作卸載到云端，利用云資源執(zhí)行深度學(xué)習(xí)任務(wù)，從而達(dá)到降低能耗，延長(zhǎng)無(wú)人機(jī)的任務(wù)時(shí)長(zhǎng)目的。其DeepBrain系統(tǒng)結(jié)構(gòu)如圖1所示，包括以下4個(gè)子系統(tǒng)：

無(wú)人系統(tǒng)層：包括無(wú)人機(jī)、機(jī)載傳感器和無(wú)線通信接口，負(fù)責(zé)采集電力通信光纜設(shè)備圖像。本研究通過(guò)無(wú)人機(jī)上的WiFi接口連接到4G/5G便攜式WiFi路由器實(shí)現(xiàn)邊緣、云服務(wù)器通信。在偏遠(yuǎn)或地形復(fù)雜地區(qū)，使用無(wú)線客戶終端設(shè)備（CPE）為無(wú)人機(jī)巡檢設(shè)備提供網(wǎng)絡(luò)訪問(wèn)、邊緣計(jì)算和緩存。

邊緣層：該層旨在提高系統(tǒng)的可擴(kuò)展性，減少云層的負(fù)載。邊緣計(jì)算中心靠近無(wú)人機(jī)，將一部分深度學(xué)習(xí)計(jì)算從云端遷移到邊緣，并且分散于多個(gè)服務(wù)器之間。

云層：用于時(shí)間緊迫性較低的圖像數(shù)據(jù)處理，邊緣服務(wù)器無(wú)法滿足深度神經(jīng)網(wǎng)絡(luò)算法需要的大量存儲(chǔ)和計(jì)算資源。同時(shí)，云服務(wù)器可提供部署生成式對(duì)抗網(wǎng)絡(luò)（GANs）、語(yǔ)義分割算法、無(wú)人機(jī)和用戶管理等服務(wù)。

終端用戶層：通過(guò)互聯(lián)網(wǎng)使用DeepBrain系統(tǒng)的最終用戶，其通過(guò)Web服務(wù)應(yīng)用程序接口（APIs）與云端交互，使用交互式儀表板實(shí)時(shí)監(jiān)控?zé)o人機(jī)的狀態(tài)，并在需要時(shí)發(fā)送命令；通過(guò)邊緣或云端的深度學(xué)習(xí)應(yīng)用程序接收并處理來(lái)自無(wú)人機(jī)的實(shí)時(shí)數(shù)據(jù)；終端用戶通過(guò)命令儀表板顯示無(wú)人機(jī)路徑規(guī)劃和圖像處理結(jié)果。

2. 2系統(tǒng)組件

DeepBrain系統(tǒng)組件如圖2所示。它由無(wú)人機(jī)子系統(tǒng)、云端子系統(tǒng)和終端用戶子系統(tǒng)3個(gè)子系統(tǒng)組成。

無(wú)人機(jī)子系統(tǒng)：由無(wú)人機(jī)硬件組成，包括電機(jī)、傳感器及其低級(jí)驅(qū)動(dòng)器。

云端子系統(tǒng)：是在計(jì)算、存儲(chǔ)和網(wǎng)絡(luò)方面擁有大量資源的遠(yuǎn)程服務(wù)器，充當(dāng)無(wú)人機(jī)和終端用戶之間的中繼。

用戶子系統(tǒng)：用戶子系統(tǒng)通過(guò)ROSLink網(wǎng)橋客戶端與云端子系統(tǒng)的ROSLink實(shí)現(xiàn)云與無(wú)人機(jī)交互，利用儀表板可視化在云端進(jìn)行的深度學(xué)習(xí)推理結(jié)果，實(shí)時(shí)監(jiān)控?zé)o人機(jī)的活動(dòng)，并通過(guò)互聯(lián)網(wǎng)發(fā)送命令遠(yuǎn)程控制無(wú)人機(jī)。

本文研究了有無(wú)計(jì)算卸載2種算法的傳輸和計(jì)算能耗如圖3所示。

3實(shí)驗(yàn)結(jié)果與分析

3. 1實(shí)驗(yàn)裝置

建立4G連接無(wú)人機(jī)實(shí)驗(yàn)臺(tái)，評(píng)估不同條件下DeepBrain系統(tǒng)的性能。采用4G定制無(wú)人機(jī)，載有GPS、指南針、加速度計(jì)、陀螺儀等傳感器和Raspber?ry PI3計(jì)算模塊。同時(shí)在Raspberry PI3機(jī)載計(jì)算機(jī)上設(shè)有Navio2自動(dòng)駕駛儀防護(hù)罩。無(wú)人機(jī)配備了連接到Raspberry PI 3的USB攝像頭，并使用ROSLink協(xié)議通過(guò)mavros接口來(lái)傳輸無(wú)人機(jī)的內(nèi)部狀態(tài)和圖像數(shù)據(jù)。

無(wú)人機(jī)利用ROS可將無(wú)人機(jī)機(jī)載傳感器和執(zhí)行器進(jìn)行交互，利用APIs軟件鏈接硬件資源。ROSLink從ROS中提取圖像、傳感器狀態(tài)、位置、運(yùn)動(dòng)狀態(tài)數(shù)據(jù)，將其嵌入JSON序列化消息中，利用DP通過(guò)互聯(lián)網(wǎng)控制，監(jiān)控和與無(wú)人機(jī)通信。DP可實(shí)現(xiàn)不受距離限制的對(duì)無(wú)人機(jī)進(jìn)行隨時(shí)隨地控制，且可為無(wú)人機(jī)提供云計(jì)算資源的訪問(wèn)權(quán)限，以減輕繁重的計(jì)算負(fù)擔(dān)。

3. 2實(shí)驗(yàn)結(jié)果

3. 2. 1對(duì)無(wú)人機(jī)能耗的影響

當(dāng)存在計(jì)算卸載時(shí)無(wú)人機(jī)使用ROSLink協(xié)議將數(shù)據(jù)從Raspberry Pi傳輸?shù)皆贫?，在GPU服務(wù)器上進(jìn)行遠(yuǎn)程處理；當(dāng)使用機(jī)載系統(tǒng)處理無(wú)計(jì)算卸載時(shí)，無(wú)人機(jī)利用嵌入式NVIDIA Jetson TX2板作為機(jī)載GPU服務(wù)器，在無(wú)需計(jì)算卸載的情況下實(shí)時(shí)處理采集的圖像數(shù)據(jù)。表1給出了有無(wú)計(jì)算卸載情況下平均電壓下降率和瞬時(shí)功耗。

當(dāng)不考慮無(wú)人機(jī)飛行電機(jī)能耗的影響，只關(guān)注通信和計(jì)算時(shí)，云計(jì)算卸載比機(jī)載GPU處理節(jié)省功耗，在計(jì)算卸載的情況下，電壓降低率和功耗幾乎是機(jī)載GPU處理的一半。

3. 2. 2對(duì)帶寬的影響

圖4和圖5分別顯示在計(jì)算卸載和無(wú)計(jì)算卸載的情況下，云端測(cè)量的不同數(shù)量無(wú)人機(jī)隨時(shí)間的接收和傳輸數(shù)據(jù)。結(jié)果顯示當(dāng)無(wú)人機(jī)數(shù)量增加時(shí)，接收的數(shù)據(jù)量線性增加。數(shù)據(jù)輸出隨連接到無(wú)人機(jī)數(shù)量而增加。將云計(jì)算卸載和機(jī)載處理方法相比較，數(shù)據(jù)卸載到云端會(huì)提高云端的帶寬和資源利用率。

圖6顯示了在無(wú)人機(jī)有無(wú)計(jì)算卸載、數(shù)量增加時(shí)的平均接收帶寬，相對(duì)于無(wú)人機(jī)的數(shù)量，總帶寬線性累積。與機(jī)載處理方法相比，在云端進(jìn)行計(jì)算卸載需要高達(dá)32倍的帶寬資源。上述結(jié)果表明當(dāng)無(wú)人機(jī)的數(shù)量大規(guī)模增加時(shí)，需要平衡計(jì)算卸載和機(jī)載處理的比例以避免過(guò)度使用云資源。

3. 2. 3實(shí)時(shí)保障

（1）云執(zhí)行時(shí)間。在云端處理圖像幀需要更長(zhǎng)時(shí)間。云端的圖像數(shù)據(jù)有計(jì)算卸載時(shí)平均處理時(shí)間為7.25 ms，當(dāng)沒(méi)有計(jì)算卸載排除圖像數(shù)據(jù)時(shí)，則會(huì)下降到2.25 ms，計(jì)算卸載將導(dǎo)致在云端轉(zhuǎn)發(fā)圖像幀的CPU周期增加3倍；

（2）平均延遲。計(jì)算卸載時(shí)考慮數(shù)據(jù)有無(wú)壓縮的情況，當(dāng)數(shù)據(jù)進(jìn)行機(jī)載處理時(shí)（即無(wú)計(jì)算卸載），平均延遲小于0.5 s，無(wú)數(shù)據(jù)壓縮時(shí)平均延遲達(dá)到3.2 s，數(shù)據(jù)壓縮時(shí)為1.7 s；

（3）深度學(xué)習(xí)計(jì)算任務(wù)的執(zhí)行次數(shù)。

表2顯示了平均執(zhí)行時(shí)間以及平均每秒幀數(shù)和標(biāo)準(zhǔn)差的結(jié)果。

由表2可知，基于云的GPU顯示出相近的性能（RTX 2080 Ti比基于邊緣的設(shè)備快12～15倍），然而，基于邊緣的設(shè)備上的執(zhí)行時(shí)間差異更小。與現(xiàn)有電力設(shè)備無(wú)人機(jī)巡檢技術(shù)相比，將數(shù)據(jù)卸載至云端后電壓降低率和功耗是機(jī)載GPU處理的50%，可延長(zhǎng)無(wú)人機(jī)續(xù)航時(shí)間、縮短圖像實(shí)時(shí)處理時(shí)間。

4結(jié)語(yǔ)

在最近關(guān)于將互聯(lián)網(wǎng)應(yīng)用到無(wú)人機(jī)的研究工作中[15-16]，存在爭(zhēng)議的問(wèn)題是數(shù)據(jù)應(yīng)該嵌入到邊緣層還是卸載到云端[17-19]。每種方法在成本、帶寬要求、處理速度和能耗方面都有其自身的優(yōu)勢(shì)和局限性[20]。在本文中，對(duì)無(wú)人機(jī)在有無(wú)計(jì)算卸載的情況下對(duì)能耗、實(shí)時(shí)性、幀速率和帶寬等參數(shù)進(jìn)行評(píng)估。根據(jù)實(shí)驗(yàn)結(jié)果提出，當(dāng)有足夠的網(wǎng)絡(luò)資源可保證視覺(jué)數(shù)據(jù)在云端進(jìn)行處理時(shí)，計(jì)算卸載有效，并且可允許高達(dá)20幀/s的幀速率，然而，對(duì)于低容量設(shè)備，在壓縮前不可以高幀速率進(jìn)行傳輸。壓縮會(huì)導(dǎo)致重要特征丟失，而這些特征對(duì)于深度學(xué)習(xí)模型提取對(duì)象并對(duì)其進(jìn)行分類至關(guān)重要。在這種情況下，使用嵌入式GPU設(shè)備在邊緣處理圖像可能更合適，可適用由于資源不足而無(wú)法通過(guò)互聯(lián)網(wǎng)流到云端的高分辨率圖像處理。另一種策略是將一部分計(jì)算轉(zhuǎn)移到云上，另一部分通過(guò)邊緣計(jì)算處理。此外，高質(zhì)量圖像的計(jì)算卸載增加的端到端延遲可忽略。然而，與基于云的計(jì)算卸載相比，邊緣計(jì)算在傳輸數(shù)據(jù)時(shí)增加時(shí)間延遲，與嵌入式設(shè)備的GPU處理相比云端更慢。根據(jù)實(shí)驗(yàn)結(jié)果，云計(jì)算卸載中圖像的傳輸延遲可能比邊緣深度學(xué)習(xí)的處理時(shí)間稍高。

【參考文獻(xiàn)】

[1]伍鵬，林力輝，吳曉杰，等.基于“互聯(lián)網(wǎng)+”大數(shù)據(jù)的輸電巡檢智能管控平臺(tái)研發(fā)及應(yīng)用[J].電網(wǎng)與清潔能源，2020，36（3）：55-59.

[2]魯軒，郗來(lái)迎，趙赫男，等.基于無(wú)人機(jī)和圖像缺陷識(shí)別算法的輸電線路巡檢系統(tǒng)研究[J].電子設(shè)計(jì)工程，2019，27（12）：147-151.

[3]招志強(qiáng)，陳建文.無(wú)人機(jī)遙感監(jiān)測(cè)下配電線路終端故障檢測(cè)方法[J].粘接，2020，44（12）：176-180.

[4]林澤鵬.電力設(shè)備巡檢的相關(guān)建議及常見(jiàn)檢修策略[J].通信電源技術(shù)，2018，35（9）：236-237.

[5]馬聰，李德泉，汪培月，等.基于分布式無(wú)線傳感網(wǎng)絡(luò)的電纜隧道無(wú)人機(jī)巡檢技術(shù)[J].電子設(shè)計(jì)工程，2022，30（17）：175-179

[6]于培永，張慧琳，郭志剛，等.立體化智能電力系統(tǒng)巡檢平臺(tái)關(guān)鍵技術(shù)研究[J].粘接，2022，49（5）：122-125.

[7]楊毅，羅向源，楊帥，等.高壓電纜通道可視化定位技術(shù)研究[J].粘接，2021，46（6）：157-160.

[8]柯敏.基于深度學(xué)習(xí)的無(wú)人機(jī)遙感影像水體識(shí)別[J].江西科學(xué)，2017，35（1）：50-52.

[9]徐思雅，邢逸斐，郭少勇，等.基于深度強(qiáng)化學(xué)習(xí)的能源互聯(lián)網(wǎng)智能巡檢任務(wù)分配機(jī)制[J].通信學(xué)報(bào)，2021，42（5）：191-204.

[10]朱程雯，黃曉明，龔慶武，等.基于ACO的無(wú)人機(jī)巡線路徑規(guī)劃研究[J].電網(wǎng)與清潔能源，2021，37（3）：71-77.

[11]張毅，劉天立，劉越，等.深度學(xué)習(xí)在輸電線路無(wú)人機(jī)巡檢中識(shí)別防振錘缺陷的應(yīng)用[J].武漢大學(xué)學(xué)報(bào)（工學(xué)版），2022，55（10）：1065-1071.

[12]余雪勇，朱燁，邱禮翔，等.基于無(wú)人機(jī)輔助邊緣計(jì)算系統(tǒng)的節(jié)能卸載策略[J].系統(tǒng)工程與電子技術(shù)，2022，44（3）：1022-1029.

[13]張金泉，徐壽偉，李信誠(chéng)，等.基于正交自適應(yīng)鯨魚優(yōu)化的云計(jì)算任務(wù)調(diào)度[J].計(jì)算機(jī)應(yīng)用，2022，42（5）：1516-1523.

[14]鄺祝芳，陳清林，李林峰，等.基于深度強(qiáng)化學(xué)習(xí)的多用戶邊緣計(jì)算任務(wù)卸載調(diào)度與資源分配算法[J].計(jì)算機(jī)學(xué)報(bào)，2022，45（4）：812-824.

[15]汪楊凱，曾宏宇，趙然，等.基于航線自主規(guī)劃的變電站無(wú)人機(jī)巡檢[J].粘接，2021，48（12）：173-177.

[16]黃琴.基于北斗通信技術(shù)的無(wú)人機(jī)運(yùn)動(dòng)軌跡跟蹤控制系統(tǒng)設(shè)計(jì)[J].計(jì)算機(jī)測(cè)量與控制，2022，30（12）：137-142.

[17]金儉，鄭倩.基于邊緣云環(huán)境的工作流調(diào)度與卸載決策算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2021，42（9）：2509-2518.

[18]丁可欣，仲智，朱潔.基于邊緣云的動(dòng)態(tài)和搶占式任務(wù)卸載調(diào)度算法研究[J].華南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，55（1）：113-120.

[19]鄭忠斌，熊增薪.基于邊緣計(jì)算的5G云網(wǎng)絡(luò)架構(gòu)計(jì)算卸載策略研究[J].粘接，2021，47（8）：97-101.

[20]胡恒，金鳳林，郎思琪.移動(dòng)邊緣計(jì)算環(huán)境中的計(jì)算卸載技術(shù)研究綜述[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（14）：60-74.