本研究的通讯作者为Beihang University的Jingjing Wang（高级会员，IEEE），研究团队包括清华大学侯祥旺（学生会员，IEEE）、王晶晶、白桐（会员，IEEE）、邓燕莎（高级会员，IEEE）、任勇（高级会员，IEEE）以及南安普顿大学的Lajos Hanzo（终身会士，IEEE）。该成果于2023年2月发表在《IEEE Journal on Selected Areas in Communications》（第41卷第2期）。
本研究属于水下物联网（Internet of Underwater Things, IoUT）与边缘计算交叉领域。由于水下电磁波衰减严重，传统射频通信技术难以适用，自主水下航行器（Autonomous Underwater Vehicle, AUV）成为水下数据收集的关键载体。然而，现有研究存在三个关键局限：
1. 固定轨迹问题：传统AUV采用椭圆等固定轨迹，导致远离轨迹的IoUT设备需通过多跳通信汇聚数据，增加能耗（如文献[7]）；
2. 环境因素忽略：现有轨迹优化仅考虑设备位置，未纳入水流速度、涡旋等动态环境影响（文献[8-10]）；
3. 资源协同不足：AUV、水面站与IoUT设备的计算、通信、存储资源缺乏系统级整合。
针对这些问题，研究团队提出多层级水下计算（Multi-Tier Underwater Computing, MTUC）框架，旨在通过环境感知的AUV轨迹设计与资源管理最大化系统经济效益。
研究构建了包含水面站、AUV群和IoUT设备的三层网络架构：
- 通信模型：采用浅水声学信道，综合考虑多径效应、多普勒效应和环境噪声。噪声模型包含湍流噪声（turbulence noise）、船舶噪声（shipping noise）、波浪噪声（waves noise）和热噪声（thermal noise），其功率谱密度通过公式(1)-(4)量化。
- 缓存模型：水面站通过缓存热门任务数据（如公式(22)-(23)）减少回传延迟，约束条件为存储容量上限$Ce$。
- 计算模型：任务$w{ki}$可本地处理或卸载至水面站，计算时间$t{ki}$包含传输时间$t^{da}{ki}$（设备→AUV）和$t^{as}{ki}$（AUV→水面站），以及水面站处理时间$t^{m}{ki}$（公式(24)-(30)）。
AUV轨迹设计转化为马尔可夫决策过程（Markov Decision Process, MDP），创新点包括：
- 流体动力学模型：基于Navier-Stokes方程构建涡流场模型（公式(43)-(47)），量化水流速度$v_c(p^a_j)$对AUV推进力的影响（公式(48)-(50)）；
- 能耗模型：AUV能耗分为悬停（公式(55)-(56)）和移动（公式(57)-(60)）两部分，其中移动能耗通过三段式平均流速近似计算（公式(57)）。
联合优化问题被建模为高维NP难问题（命题1证明见附录），研究采用异步优势演员-评论家（Asynchronous Advantage Actor-Critic, A3C）算法：
- 状态空间（公式70）：包含AUV坐标、卸载策略、缓存策略等；
- 动作空间（公式71）：联合优化卸载决策$o{ki}$、缓存策略$h{ki}$、带宽分配$r_{ki}$等；
- 奖励函数（公式73）：以系统利润（收益-成本）为目标，收益来自延迟与能耗降低，成本包含计算与AUV运动能耗。
环境感知轨迹优势
仿真显示，环境感知轨迹（图4(e)-4(h））相比传统设计（图4(a)-4(d））可避免涡流区域，系统利润提升23.6%（图5）。当AUV数量从1增至4时，利润提升显著，但超过5台后因边际效益递减而回落（图6）。
资源分配方案比较
本研究首次提出MTUC框架，其科学价值体现在：
1. 方法论创新：将流体动力学与强化学习结合，解决动态环境下的AUV轨迹优化；
2. 系统级优化：首次联合考虑AUV轨迹、计算卸载、缓存与资源分配，突破传统设备中心或AUV中心设计的局限；
3. 工程指导：为水下计算网络部署提供AUV数量配置准则（如300台设备需5台AUV）。
研究者指出未来可拓展方向：
- 水下设备故障概率建模；
- 联邦学习降低声学通信开销；
- 任务成功率的保障机制设计。
（报告字数：约1800字）