1.一种用于拥挤场馆中无人机辅助边缘计算方法，其特征在于，包括以下步骤：S1、通过基站实时监测场馆用户数量，当场馆内用户数量超过预设的拥挤阈值，根据用户位置数据，采用改进的自然最近邻优化的密度峰值聚类方法对无人机进行部署，构建物理实体网络，随后基站停止对该场馆区域内用户的服务；

S2、在基站端构建物理实体网络的数字孪生网络，拟合用户和无人机的信息，包括用户位置、计算资源最大值、用于本地处理的计算资源、与其数字孪生体之间计算资源的估计误差以及任务信息和无人机的位置、计算资源最大值、分配给每个用户的计算资源、与其数字孪生体之间计算资源的估计误差以及分配给每个用户的信道带宽；

S3、根据S2拟合的用户位置、计算资源最大值、用于本地处理的计算资源、与其数字孪生体之间计算资源的估计误差以及任务信息和无人机的位置、计算资源最大值、分配给每个用户的计算资源、与其数字孪生体之间计算资源的估计误差以及分配给每个用户的信道带宽，构建本地计算模型、无人机计算模型以及用户和无人机的任务数据队列与计算队列；

S4、根据用户本地处理时延、用户卸载任务的传输时延以及无人机的计算时延，计算用户的总时延，并构建无人机轨迹和计算资源分配的用户时延优化模型，即系统时延最小化问题；

S5、基于李雅普诺夫优化方法将系统时延最小化问题转化为李雅普诺夫漂移加罚最小化问题；

S6、基于就近空闲卸载的卸载决策，分别通过凸优化和PPO算法得到最优方案，并检测用户数量；

S7、当基站检测到场馆用户数量减少到拥挤阈值以下时，视为一般状态，边缘计算无人机不再接收新任务，并在处理完剩余任务后进入待机状态，当基站检测到场馆用户仍处于拥挤状态时，重复步骤S1 S6直至场馆用户数量减少到拥挤阈值以下。

~

2.根据权利要求1所述一种用于拥挤场馆中无人机辅助边缘计算方法，其特征在于，所述步骤S1具体包括：S1‑1、在活动开始前将预计到来的用户数量NUM以及活动开始时间信息发送给基站，将NUM设为拥挤阈值；

S1‑2、当场馆内用户数量小于NUM时，视为一般状态，若超过，则视为拥挤状态，当基站检测到场馆进入拥挤状态时，将场馆中所有用户的集合视作数据集，将用户视为数据点，使用自然最近邻居搜索算法获得数据集中每个数据点的自然邻居并计算每个数据点的密度；

S1‑3、获取每个数据点的代表点和稀疏邻居，代表点 的公式表示如下：稀疏邻居 的公式表示如下：

其中 和 均是数据点， 代表数据点 自然邻居的集合， 表示相应数据点的密度，代表点即该数据点密度最大的自然邻居；

S1‑4、统计所有的密度峰并任意访问一个密度峰，将它和它的稀疏邻居分到同一个聚类，其中如果数据点 满足 ，则数据点 为一个密度峰；

S1‑5、对所有未访问的密度峰重复步骤S1‑4，直到所有的密度峰都被访问；生成初始类簇；

S1‑6、根据初始类簇之间的相似度关系，合并相似度大于类间相似度阈值 的初始类簇，其中，类间相似度为 ， 是类  和类  的公共部分，是自然邻居特征值；设定一个类簇数据点数阈值 ，当一个类簇的数据点数超过数据点数阈值 时，该类簇不合并；

S1‑7、将类簇中数据点个数小于最小自然邻居数的类簇从合并类簇后得到的聚类结果中去除，并将这些类簇中的数据点标记为噪声点，获得最终的聚类结果，将最终类簇的数量定义为 ，并在每个类簇上空部署一架无人机，其中最小自然邻居数是数值最小的， 是数据点的自然邻居数；

S1‑8、无人机辅助的边缘计算系统由1个基站、 架无人机和 个用户组成，每架无人机的初始位置为其对应的类簇内所有数据点位置的平均值，边缘计算系统运行过程中，无人机会根据用户的任务量进行移动。

3.根据权利要求1所述一种用于拥挤场馆中无人机辅助边缘计算方法，其特征在于，所述步骤S2具体包括： S2‑1、将用户活动周期划分为 个时隙，每个时隙的时间为 ，用户位置为 , 分别是用户 的横纵坐标，在 时隙用户设备产生的任务为 ，其中 是任务编号，表示用户 任务产生的顺序； 表示用户 产生的第 个任务的数据量，单位为比特， 是计算用户 产生的第 个任务所需的CPU周期数；

S2‑2、在基站端构建物理实体网络的数字孪生网络，包括用户设备部分和无人机部分；

在 时隙，用户的数字孪生体 表示为：

其中 表示用户 的位置， 表示用户 的最大计算资源， 表示用户 在 时隙用于本地处理任务的计算资源， 是用户 与其数字孪生体之间计算资源的估计误差， 表示用户 在 时隙的上行传输功率；

在 时隙，无人机 的数字孪生体 表示为：其中 是无人机 在 时隙的位置，表示为 ，分别表示无人机 在 时隙的横纵坐标和高度， 是无人机 的最大计算资源， 代表无人机 在 时隙分别分配给 个用户的计算资源的集合，

是无人机 与其数字孪生体之间分别分配给 个用户的计算资源的估计误差， 表示无人机 在 时隙分别提供给 个用户的信道带宽。

4.根据权利要求1所述一种用于拥挤场馆中无人机辅助边缘计算方法，其特征在于，所述步骤S3具体包括： S3‑1、在 时隙， 个用户将一部分的任务进行本地处理，另一部分任务卸载到无人机上，用 表示用户 本地处理任务的比例， 表示用户卸载到无人机任务的比例， ；

S3‑2、在 时隙，用户 的数字孪生体估计的在本地计算过程中计算时延 表示为：其中， 表示用户 在 时隙用于本地处理任务的计算资源， 为用户 产生的第 个任务的数据量， 是计算用户 产生的第 个任务所需的CPU周期数；

用户 真实计算时延与其数字孪生体估计值之间的计算延迟间隙 表示为：其中 是用户 与其数字孪生体之间计算资源的估计误差；

在 时隙，用户 本地计算任务实际消耗时间 表示为：S3‑3、用户 的数据传输速率 ，表达式为：式中 表示无人机 在 时隙提供给用户 的信道带宽， 表示用户 在时隙的上行数据传输功率， 表示信道增益， 表示噪声功率， 是用户 与其类簇上空无人机 的距离，表示为：， 分别表示用户 的横纵坐标，

分别表示 时隙无人机 的横纵坐标及高度；

用户 在 时隙将任务 卸载到无人机 的传输时延 表示为：S3‑4、在 时隙，用户 将任务卸载到无人机 后，无人机 的数字孪生体估计的处理任务 的计算时延 表示为：其中 代表无人机 在 时隙分配给用户 的计算资源；

无人机 真实计算时延与其数字孪生体估计值之间的计算延迟间隙 表示为：其中 是无人机 与其数字孪生体之间分配给用户 的计算资源的估计误差；

在 时隙，无人机 完成用户 卸载的任务实际消耗时间 表示为：S3‑5、构建用户本地计算队列模型，其中用户 数据队列 的动态方程为：用户 计算队列 的动态方程为：

其中 表示每个时隙的时间， 和 分别为用户 在 时隙的数据和任务队列， 表示计算用户 产生的第 个任务所需的CPU周期数， 表示时隙用户 缓冲区任务编号的集合， 表示 时隙用户 卸载到无人机 的任务量，表示 时隙用户 本地处理的任务量，当用户 随机产生新任务 时，将 加入；队列执行任务采用先进先出的原则， 表示 时隙集合 中最小的编号，即最先进入用户 队列的任务的编号；当用户 通过计算和卸载使任务 离开队列时，将会从中移除；当 =0时， 和 均为0；为了保证队列稳定性，需满足：其中 表示用户的集合， 表示时隙数；

S3‑6、构建边缘计算服务器计算队列模型，其中无人机 的数据队列 的动态方程为：无人机 的计算队列 的动态方程为：

其中， 和 分别表示无人机 在 时隙的数据和计算队列，表示计算用户 卸载到无人机 的第 个任务所需的CPU周期数， 表示时隙无人机 缓冲区中来自用户 的任务编号的集合，当无人机 接收来自用户 的新任务 时，将 加入 ；当用户 通过计算使任务 离开队列时，将会从 中移除， 表示 时隙集合 中最小的编号，即用户 卸载的任务中最先进入无人机 队列的编号；当用户 没有将任务卸载到无人机 时， 和 均为0，当 =0时， 和 均为0；为了保证队列稳定性，需满足：其中 表示无人机的集合。

5.根据权利要求1所述一种用于拥挤场馆中无人机辅助边缘计算方法，其特征在于，所述步骤S4中无人机轨迹 表示为：其中 是无人机的飞行速度， 表示每个时隙的时间， 是第 架无人机上一时隙的位置； 用户总时延  包括用户本地计算时延、上行传输时延和无人机计算时延三部分，表达式为：其中， 表示用户的集合， 表示无人机的集合， 是用户 在 时隙本地计算过程中实际产生的计算时延， 表示用户 在 时隙将任务卸载到无人机 的传输时延， 表示在 时隙，无人机 完成用户 卸载的任务实际产生的计算时延；

构建用户时延 最小化优化模型表示为：

其中， 是问题P1优化变量的集合，表示为：式中 表示第1到第 架

无人机在 时隙分配给第1到第 个用户的带宽，表示 时隙第1到第 个用户分别用于本地计算的计算资源，

表示第1到第

架无人机在 时隙分别分配给 个用户的计算资源，表示 时隙第1到第 个用户的上行传输功率，表示 时隙第1到第 个用户卸载比例的集合，表示 时隙第1到第 架无人机位置的集合；

约束C1表示无人机 在 时隙提供给用户的信道带宽 之和不能大于无人机 拥有的总信道带宽 ，且 不能为负；

约束C2表示用户 在 时隙的上行数据传输速率 不为负且不能大于最大传输速率 ；

约束C3表示用户 在 时隙用于本地处理的计算资源 不为负且不能大于用户的总计算资源 ；

约束C4表示无人机 在 时隙分配给用户的计算资源 非负，且 之和不能大于无人机 所拥有的总计算资源 ；

约束C5表示卸载比例 不能大于1且不能小于0；

约束C6‑C7是无人机的轨迹约束，C6表示无人机最后一个时隙 的位置 与初始位置 相同，C7是无人机 位置 的表达式，即 时隙无人机 的位置等于上个时隙的位置 加上无人机 速度 与时间 的乘积；

约束C8‑C11是队列稳定性约束， 和 分别为用户 在 时隙的数据和任务队列， 和 分别表示无人机 在 时隙的数据和计算队列。

6.根据权利要求5所述一种用于拥挤场馆中无人机辅助边缘计算方法，其特征在于，所述步骤S5中：根据用户缓存任务队列和无人机缓存任务队列建立李雅普诺夫函数 ，表达式为：其中， 、

、 、

和

分别表示 时隙第1到第 个用户本地和第1到第 架无人机的任务数据与任务计算队列长度的集合，则李雅普诺夫漂移 为：即两个相邻时隙李雅普诺夫函数的差的期望，利用漂移加罚算法得到李雅普诺夫漂移加罚函数 为：其中 是非负权重参数；

得到李雅普诺夫漂移加罚函数的上界为：

其中

其中，

和 分别代表 、

、 、 、 、 、

和 的上界， 表示用户 产生的第 个

任务的数据量， 是用户 的数据传输速率， 表示计算用户 产生的第 个任务所需的CPU周期数， 表示计算用户 产生的第 个任务所需的CPU周期数， 表示 时隙用户 缓冲区任务的集合， 表示 时隙集合 中最小的编号，即最先进入用户 队列的任务的编号， 表示计算用户 卸载到无人机 的第 个任务所需的CPU周期数， 表示 时隙无人机 缓冲区中来自用户 任务的集合， 表示 时隙集合 中最小的编号，即用户 卸载的任务中最先进入无人机 队列的编号；

将问题P1转化为李雅普诺夫漂移加罚函数加罚最小化问题P2，表达式如下：的表达式如下：

。

7.根据权利要求6所述一种用于拥挤场馆中无人机辅助边缘计算方法，其特征在于，所述步骤S6具体包括：S6‑1、对无人机 的数据队列 和计算队列 均设置一个阈值，分别表示为 和 ，若用户 处于任一类簇内，则用户 将任务卸载到该类簇上空的无人机 ，当无人机 的数据队列 超过 或者计算队列 超过时，用户 不会将任务卸载到无人机 ，而是根据其他无人机队列的动态方程来判断其空闲程度，动态方程的值越小，代表无人机越空闲，用户 将任务卸载到最空闲的无人机上；若用户 作为噪声点被排除，则用户 将任务卸载到最空闲的无人机上；

S6‑2、求解无人机在每个时隙的位置变化  ，具体表达式如下：其中，目标函数 中用户 的数据传输速率 关于无人机轨迹 是非凸的，引入松弛变量 ，则 转换为：

其中 ， 表示信道增益， 表示噪声功

率，其中， 表示用户 的横纵坐标，  分别表示 时隙无人机 的横纵坐标以及高度， 表示用户与无人机之间的距离的平方，引入局部点 ，将转换后的 利用连续凸逼近技术进行一阶泰勒展开，则目标函数转换为：优化问题P2重构为：

通过凸优化工具CVX对最优的无人机轨迹 进行求解；

S6‑3、给定无人机轨迹 ，求解 ，

构建的优化问题表示为：

构建一个Critic网络和两个Actor网络，两个Actor网络结构相同，分别为Actor‑old和Actor‑new；

边缘计算实体网络状态表示为：

其中， 表示第1到第个 用

户将任务卸载至第1到第 架无人机的无线传输速率；

表示第1到第 个用户和第1到第 架无人机分别拥有的计算资源； 表示 时隙第1到第 个用户的最大传输功率， 表示第1到第 架无人机的总带宽；

表示 时隙第1到第 个用户随机生成的任务；

将 作为 时隙的动作空间；

奖励函数 表示为：

式中， 表示惩罚项，在边缘计算实体网络运行过程中，如果约束未被满足，则会相应给出一个惩罚数值；

初始化Actor‑new网络、Actor‑old网络和Critic网络，设置抽取样本大小为 ， 为正整数，奖励折扣因子为 ；

S6‑3‑1、将环境信息 输入到Actor‑new网络，得到一个动作A，再将动作A输入到环境中，得到奖励R和下一步的状态 ，再将 输入到Actor‑new网络，循环该步骤，直到存储了 组 ；

S6‑3‑2、将S6‑3‑1中最后一次循环得到的 输入到Critic网络中，得到状态的折扣回报 ，计算折扣奖励：，

得到 ，其中T为时隙数量，

分别为 到T‑1时隙的奖励值；

S6‑3‑3、将存储的状态 组合输入到Critic网络中，得到所有状态的 值，集合为， 与 的差值，即优势值表示为 ；

S6‑3‑4、求优势值平方的均值，表示为 ；

S6‑3‑5、将存储的状态 组合输入到Actor‑old和Actor‑new网络中，分别得到正态分布Normal1和Normal2，将存储的动作A组合输入到正态分布Normal1和Normal2，得到每个动作对应的prob1和prob2；

S6‑3‑6、计算 ，

其中 是prob2除以prob1得到的比例,  的用途是剪裁，将其保持在 内， 用来确定范围大小；

S6‑3‑7、循环步骤S6‑3‑5、S6‑3‑6，用Actor‑new网络权重来更新Actor‑old网络；

S6‑3‑8、循环步骤S6‑3‑1到S6‑3‑7，得到最优的计算资源分配方案；

S6‑4、循环执行步骤S6‑2和步骤S6‑3，直到相邻两次迭代下用户总时延差的绝对值小于预设阈值，或者达到最大预设迭代次数时，迭代结束，即获得无人机的轨迹以及最优的卸载比例、计算资源分配方案。