1. 项目背景与核心问题
在无人机辅助的边缘计算场景中,通信质量直接决定了整个系统的性能上限。然而实际部署时,我们常常面临一个棘手问题:有限的无线信道资源如何在高动态环境下实现最优分配?特别是在存在恶意干扰的情况下,传统静态分配方案往往表现不佳。
这个项目提出了一种基于Stackelberg博弈论的智能分配策略,其核心创新点在于:
- 将无人机基站视为领导者(Leader),干扰源视为跟随者(Follower)
- 通过双层博弈模型实现抗干扰的动态信道分配
- 在Matlab环境中验证了算法对系统吞吐量的提升效果
注:Stackelberg博弈是博弈论中的经典模型,特别适合描述这种存在决策先后顺序的对抗场景。相比传统的纳什均衡,它能更好地反映现实中的主导-从属关系。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 系统建模与博弈框架
2.1 网络拓扑结构
典型的部署场景包含三个关键角色:
- 无人机基站(UAV-BS):配备MEC服务器,提供边缘计算服务
- 地面用户设备(UE):需要传输计算任务到边缘节点
- 干扰源:可能是恶意设备或同频段的其他系统
信道特征建模需要考虑:
- 空地信道的LoS概率
- 小尺度衰落(Rayleigh/Rician)
- 干扰信号的时变特性
2.2 效用函数设计
领导者(无人机)的效用函数包含:
matlab复制function U_leader = leader_utility(channel_alloc, power)
% 计算系统总吞吐量
throughput = sum(log2(1 + SINR(channel_alloc, power)));
% 考虑能耗惩罚项
energy_cost = 0.1 * sum(power);
U_leader = throughput - energy_cost;
end
跟随者(干扰源)的效用则侧重:
- 最大化对特定信道的干扰效果
- 最小化自身暴露风险(通过干扰功率控制)
3. 博弈求解算法实现
3.1 反向归纳法求解
Stackelberg均衡的求解采用经典的反向归纳流程:
- 跟随者响应分析:
matlab复制function [power_jammer]
