(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111627783.2 (22)申请日 2021.12.2 9 (65)同一申请的已公布的文献号 申请公布号 CN 113987692 A (43)申请公布日 2022.01.28 (73)专利权人 华东交通大 学 地址 330013 江西省南昌市经济技 术开发 区双港东大街808号 (72)发明人 邓芳明　曾紫琪　解忠鑫　韦宝泉　 曾晗　毛威　单运　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 代理人 雷玉龙 (51)Int.Cl. G06F 30/15(2020.01)G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01) G06F 111/08(2020.01) (56)对比文件 CN 113271627 A,2021.08.17 审查员 王茜 (54)发明名称 用于无人机和边缘计算服务器的深度神经 网络分区方法 (57)摘要 本发明公开了一种用于无人机和边缘计算 服务器的深度神经网络分区方法， 该方法首先建 立系统成本模 型， 然后将无人机与边缘计算服务 器执行DNN过程中的分区决策问题， 转化为粒子 寻优问题， 且基于混沌变异二进制粒子群算法对 二进制粒子寻优问题进行求解， 得出无人机与边 缘计算服务器 之间最优分区点， 能够最大限度的 利用无人机的计算资源， 实现系统能耗和时延总 成本的最小化， 有效的提高了无人机执行任务的 效率， 本发明能够根据DNN的分层结构和输出数 据大小， 以及每层网络计算所需能耗， 在移动设 备和边缘计算服务器之间合理划分DN N。 权利要求书4页 说明书10页 附图1页 CN 113987692 B 2022.03.22 CN 113987692 B 1.一种用于无 人机和边 缘计算服务器的深度神经网络分区方法， 其特 征在于， 包括： 获取深度神经网络中每层DNN网络输出数据大小以及每层DNN网络计算能耗， 并根据无 人机与边缘计算服务器的计算能力、 无人机到边缘计算服务器的距离， 分析无人机与边缘 计算服务器运行每层DN N网络的能耗以及时延， 建立系统成本模型； 将无人机与边缘计算服务器执行DNN过程中的分区决策问题， 转化为粒子寻优问题， 基 于混沌变异二进制粒子群算法进行粒子寻优问题的求解， 并结合所述系统成本模型， 得出 无人机与边 缘计算服务器之间最优分区点， 所述 最优分区点对应的系统成本最低； 其中， 将无人机与边缘计算服务器执行DNN过程中的分区决策问题， 转化为粒子寻优问 题， 基于混沌变异 二进制粒子群算法进 行粒子寻优问题的求解， 并结合所述系统成本模型， 得出无人机与边 缘计算服务器之间最优分区点的步骤具体包括： 分析DNN网络最优 分区点具体为求解 ， t表示时隙， T表示时隙t的最大值， j表示第j层D NN网络，Sc(j,t)表示在第j层DNN网络分区时系统的成本， 在分析DNN网络最优 分区点时， 用一个一位二进制数表示分区决策， 二进制数为0时， 表 示DNN网络在无人机上运 行； 二进制数为1时， 表示DNN网络在边缘计算服务器上执行， DNN网络最优分区点的选取问 题就是解决 的0‑1整数规划问题； 将解决 的0‑1整数规划问题表示为二进制 粒子群粒子寻优问题， 具体是 不同的粒子去选择自己最佳的位置， 以及在不同条件下快速搜寻符合场景 的位置集合， 用 Mi表示计算DNN网络前i层的计算任务， 用粒子 表示前i层DNN网络， 用符号 表示第k次 迭代后粒子 在第 维的取值， 即粒子位置， 粒子位置表示DNN网络分区决策， ∈{0, 1}； 用符号 表示第k次迭代后第 个粒子的第 维速度， 粒子速度表示粒子位置发 生变化的概 率； 首先对每个粒子给出一个初始化的随机位置和速度， 然后进行迭代计算， 粒子的速度 和位置更新公式表示 为： 其中， 表示第k+1次迭代后第 个粒子的第 维速度，w、e1和e2分别表示三个系 统参数，rand()是一个随机函数， 取值范围为[0,1]， 表示粒子 的第 维位置在 第k次迭代后的历史最优解， 表示整个粒子群中所有粒子在第 维经过第k次迭代 的历史最优解， 和 的取值范围均为[0,1]；权　利　要　求　书 1/4 页 2 CN 113987692 B 2使用Sigmo id函数将粒子 速度映射 为更新的位置， 表达式如下： 其中， 表示 的Sigmoid函数； 则粒子位置的更新公式采用下式表示： 其中， ∈[0,1]， 是一个均匀分布的随机数， 表示第k+1次迭代后粒子 在 第 维的取值； 当 =0时， 表示计算任务Mi在无人机上执行， 第 i层DNN网络之后的计 算任务在边缘计算服务器上执行； 当 =1时， 表示所有DNN网络的计算任务都在边缘计 算服务器上执行。 2.根据权利要求1所述的用于无人机和边缘计算服务器的深度神经网络分区方法， 其 特征在于， 所述系统成本模型包括系统能耗模型； 所述系统能耗模型包括数据传输能耗模型、 无人机计算能耗模型、 无人机飞行能耗模 型； 所述系统能耗模型的表达式为： Ec(j,t)=Etrans(t)+E(j)+Efly 其中，Ec(j,t)表示系统能耗， Etrans(t)表示将无人机运行第j层DNN网络后输出的数据 传输至边缘计算服务器的能耗， E(j)表示在无人机上执行到第j层DNN网络的计算能耗， Efly 表示无人机的飞行能耗， t 表示时隙； 所述数据传输能耗模型的表达式为： 其中，P(t)表示无人机的传输功率， τ表示时隙持续时间， B表示带宽， R(t)表示在时隙t 内数据的传输 速率， σ2表示高斯白噪声功率， h[t]表示时隙t中的信道增益； 所述无人机计算能耗模型的表达式为： 权　利　要　求　书 2/4 页 3 CN 113987692 B 3