这篇文档属于类型a，即报告了一项原创性研究。以下是对该研究的学术报告：
该研究的主要作者包括Yiming Miao、Kai Hwang（IEEE Life Fellow）、Di Wu（IEEE Senior Member）、Yixue Hao（IEEE Member）和Min Chen（IEEE Fellow）。他们分别来自香港中文大学（深圳）数据科学学院、中山大学计算机科学与工程学院、华中科技大学计算机科学与技术学院等机构。该研究于2023年5月发表在《IEEE Transactions on Industrial Informatics》期刊上，论文标题为《Drone Swarm Path Planning for Mobile Edge Computing in Industrial Internet of Things》。
随着5G技术在智慧城市和工业物联网（Industrial Internet of Things, IIoT）中的应用，智能设备和海量数据的爆发式增长对新一代物联网提出了挑战，特别是在数据感知、传输、存储、分析和应用方面。移动边缘计算（Mobile Edge Computing, MEC）作为5G及未来6G网络的关键支持技术，在分布式计算、无线连接和短距离通信方面展现出优势。然而，传统的固定基站存在部署成本高、通信距离远导致信道衰减、覆盖范围有限等问题。因此，如何在复杂地形或特定服务场景中部署边缘计算节点，并缩短通信距离，成为构建下一代MEC网络的重要问题。
无人机（Unmanned Aerial Vehicle, UAV）因其机动性和自主性，成为潜在的MEC节点。在UAV辅助的MEC网络中，传统MEC基站仍然存在，而UAV可以作为备用基站在固定基站受损时提供支持。UAV的飞行任务由地面站控制，通过动态轨迹优化，可以实现更高效的计算卸载或缓存服务。因此，UAV在人群聚集场所或复杂地形（如沙漠、荒野和海洋）中作为低成本MEC节点具有显著优势。
该研究提出了一种基于地面站和机载计算机控制的全局与局部路径规划（Ground-Air Controlled Global and Local Path Planning, GAGLPP）算法，用于多无人机辅助的MEC卸载。研究流程包括以下几个步骤：
全局路径规划：地面站根据监控区域的优先级、UAV的剩余能量以及UAV与目标点的距离，制定无人机群的调度和分配策略，以最小化全局飞行距离和能量消耗。具体来说，地面站通过计算UAV与目标区域之间的最短路径（基于欧几里得距离和大地测量距离）来确定飞行路径，并优化飞行时间和能量消耗。
局部路径规划与计算卸载：基于用户移动性，计算UAV的最佳通信覆盖范围，并联合优化局部路径规划和计算卸载，以最大化卸载服务数量并最小化计算任务的总延迟。研究通过高斯-马尔可夫（Gauss-Markov, GM）模型模拟用户移动性，动态调整UAV的飞行轨迹，确保UAV能够覆盖更多用户。
能量效率优化：基于路径规划和计算卸载的总延迟和能量消耗，提出了一种优化能量效率的UAV集群计算卸载策略。研究通过双循环迭代优化算法，最大化卸载服务数量并最小化路径长度，同时考虑用户移动性、任务完成延迟和UAV的通信覆盖范围。
研究通过仿真实验验证了GAGLPP算法的有效性，并与现有的局部路径规划算法（如圆形路径、直径路径和基于强化学习的路径规划）进行了对比。实验结果表明，GAGLPP算法在以下方面表现优异：
该研究提出的GAGLPP算法通过地面站和机载计算机的联合控制，实现了多无人机辅助的MEC卸载策略。在全局路径规划中，研究通过优化无人机群的调度和分配，最小化了能量消耗；在局部路径规划中，通过动态调整UAV的飞行轨迹，最大化卸载服务数量并最小化任务延迟。实验结果表明，GAGLPP算法在路径长度、卸载服务数量、任务延迟和能量效率方面均优于现有算法。该研究为智慧城市和工业物联网中的无人机群路径规划提供了新的解决方案，具有重要的科学价值和实际应用意义。
研究还探讨了UAV在不同飞行模式（如手动控制、单设备跟随和地面站远程控制）下的任务分配和调度策略，为未来研究提供了参考。此外，研究还提出了在UAV飞行过程中优化速度和旋翼飞行的方法，为进一步研究提供了方向。
通过该研究，研究人员为无人机群在智慧城市和工业物联网中的应用提供了新的理论支持和技术方案，具有重要的学术价值和实际应用前景。