为全面提取节点的全局特征,提高复杂网络关键节点识别结果的准确性,提出一种基于改进DDQN(double deep Q-network)算法的复杂网络关键节点识别方法。通过重构DDQN的初始奖励值、引入回退探索和优先访问方法,改进DDQN算法,提取节点全局特...为全面提取节点的全局特征,提高复杂网络关键节点识别结果的准确性,提出一种基于改进DDQN(double deep Q-network)算法的复杂网络关键节点识别方法。通过重构DDQN的初始奖励值、引入回退探索和优先访问方法,改进DDQN算法,提取节点全局特征,从而提升全局特征提取的效率和提取结果的准确性。引入聚类系数获取节点的局部特征,通过网络性能均值实验得到全局特征和局部特征的融合参数,对全局特征和局部特征进行融合,得到节点的重要度排序,从而实现关键节点识别。在7个真实网络数据集上的实验结果表明,此方法在基于网络性能均值的评价指标以及SIR模型上均优于对比的基线方法。证明其可以更全面地提取节点全局特征,更准确地识别关键节点。展开更多
针对无人机(UAV)空战环境信息复杂、对抗性强所导致的敌机机动策略难以预测,以及作战胜率不高的问题,设计了一种引导Minimax-DDQN(Minimax-Double Deep Q-Network)算法。首先,在Minimax决策方法的基础上提出了一种引导式策略探索机制;然...针对无人机(UAV)空战环境信息复杂、对抗性强所导致的敌机机动策略难以预测,以及作战胜率不高的问题,设计了一种引导Minimax-DDQN(Minimax-Double Deep Q-Network)算法。首先,在Minimax决策方法的基础上提出了一种引导式策略探索机制;然后,结合引导Minimax策略,以提升Q网络更新效率为出发点设计了一种DDQN(Double Deep Q-Network)算法;最后,提出进阶式三阶段的网络训练方法,通过不同决策模型间的对抗训练,获取更为优化的决策模型。实验结果表明,相较于Minimax-DQN(Minimax-DQN)、Minimax-DDQN等算法,所提算法追击直线目标的成功率提升了14%~60%,并且与DDQN算法的对抗胜率不低于60%。可见,与DDQN、Minimax-DDQN等算法相比,所提算法在高对抗的作战环境中具有更强的决策能力,适应性更好。展开更多
针对长江新链网络为航运业务提供网络资源时能耗较高的问题进行了研究,采用了网络资源和算力资源统一建模为底层网络资源的方法,构建了网络切片环境下网络资源管理模型。根据长江新链网络切片资源的特点,构建了最小化能耗的目标函数。...针对长江新链网络为航运业务提供网络资源时能耗较高的问题进行了研究,采用了网络资源和算力资源统一建模为底层网络资源的方法,构建了网络切片环境下网络资源管理模型。根据长江新链网络切片资源的特点,构建了最小化能耗的目标函数。通过构建马尔可夫决策模型,提出了基于双深度Q-Network(Double Deep Q-Network,DDQN)的长江新链网络切片资源分配算法。通过实验与相关算法进行了分析,验证了文中算法选择能耗低的网络资源为航运业务提供资源,降低了长江新链网络资源约13.7%的能耗,提升了约10.2%的资源分配成功率。展开更多
为避免异构网络下的电力无线网络阻塞,提高电力无线网络传输的可靠性,提出一种异构网络下的电力无线网络自适应选择方法。首先建立以网络负载率、用户密度、平均信息年龄、用户满意度的电力无线网络评分,并构建电力无线网络评分最大化...为避免异构网络下的电力无线网络阻塞,提高电力无线网络传输的可靠性,提出一种异构网络下的电力无线网络自适应选择方法。首先建立以网络负载率、用户密度、平均信息年龄、用户满意度的电力无线网络评分,并构建电力无线网络评分最大化的目标函数;然后采用双深度Q网络(Double Deep Q-Network,DDQN)对目标函数进行求解,并引入双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)对电力无线网络历史流量进行学习,并预测未来时刻量,将预测结果反馈到求解的优化策略中进行调整;最后通过仿真实验进行验证。结果表明,本方法不同业务量下,平均信息年龄为85.67 ms,网络切换率为36%,网络可靠性为99.58%,相较于对比方法,可明显减少网络频繁切换和网络拥塞等问题。由此得出,本方法能综合考虑异构网络下的电力无线网络网络负载率、用户密度、平均信息年龄、用户满意度,并及时调整电力无线网络流量,为不同业务分配更合适的接入网络,避免了电力无线网络阻塞和频繁切换,提高了电力无线网络传输的可靠性。展开更多
6G时代无线设备的激增和恶意干扰的加剧使得传统半空间覆盖的固定阵元可重构智能表面(reconfigurable intelligent surface,RIS)难以满足室内外全场景抗干扰需求。提出了一种可移动阵元同时透射与反射可重构智能表面(movable elements b...6G时代无线设备的激增和恶意干扰的加剧使得传统半空间覆盖的固定阵元可重构智能表面(reconfigurable intelligent surface,RIS)难以满足室内外全场景抗干扰需求。提出了一种可移动阵元同时透射与反射可重构智能表面(movable elements based simultaneous transmitting and reflecting reconfigurable intelligent surface,ME-STAR-RIS)辅助无线抗干扰传输方法,通过协同优化基站处的主动波束成形、发射功率以及ME-STAR-RIS处的柔性被动波束成形(包括阵元位置及相移系数)来实现抗干扰通信速率的最大化。针对ME-STAR-RIS辅助无线抗干扰传输方法设计面临的高维非凸联合优化难题,将优化问题描述为马尔可夫决策过程并采用双深度Q网络(double deep Q network,DDQN)算法进行求解,得到了优化的发射功率和柔性被动波束成形。仿真结果表明,ME-STAR-RIS抗干扰传输方法较传统方法能进一步提升系统的抗干扰性能。展开更多
文摘为全面提取节点的全局特征,提高复杂网络关键节点识别结果的准确性,提出一种基于改进DDQN(double deep Q-network)算法的复杂网络关键节点识别方法。通过重构DDQN的初始奖励值、引入回退探索和优先访问方法,改进DDQN算法,提取节点全局特征,从而提升全局特征提取的效率和提取结果的准确性。引入聚类系数获取节点的局部特征,通过网络性能均值实验得到全局特征和局部特征的融合参数,对全局特征和局部特征进行融合,得到节点的重要度排序,从而实现关键节点识别。在7个真实网络数据集上的实验结果表明,此方法在基于网络性能均值的评价指标以及SIR模型上均优于对比的基线方法。证明其可以更全面地提取节点全局特征,更准确地识别关键节点。
文摘针对无人机(UAV)空战环境信息复杂、对抗性强所导致的敌机机动策略难以预测,以及作战胜率不高的问题,设计了一种引导Minimax-DDQN(Minimax-Double Deep Q-Network)算法。首先,在Minimax决策方法的基础上提出了一种引导式策略探索机制;然后,结合引导Minimax策略,以提升Q网络更新效率为出发点设计了一种DDQN(Double Deep Q-Network)算法;最后,提出进阶式三阶段的网络训练方法,通过不同决策模型间的对抗训练,获取更为优化的决策模型。实验结果表明,相较于Minimax-DQN(Minimax-DQN)、Minimax-DDQN等算法,所提算法追击直线目标的成功率提升了14%~60%,并且与DDQN算法的对抗胜率不低于60%。可见,与DDQN、Minimax-DDQN等算法相比,所提算法在高对抗的作战环境中具有更强的决策能力,适应性更好。
文摘针对长江新链网络为航运业务提供网络资源时能耗较高的问题进行了研究,采用了网络资源和算力资源统一建模为底层网络资源的方法,构建了网络切片环境下网络资源管理模型。根据长江新链网络切片资源的特点,构建了最小化能耗的目标函数。通过构建马尔可夫决策模型,提出了基于双深度Q-Network(Double Deep Q-Network,DDQN)的长江新链网络切片资源分配算法。通过实验与相关算法进行了分析,验证了文中算法选择能耗低的网络资源为航运业务提供资源,降低了长江新链网络资源约13.7%的能耗,提升了约10.2%的资源分配成功率。
文摘为避免异构网络下的电力无线网络阻塞,提高电力无线网络传输的可靠性,提出一种异构网络下的电力无线网络自适应选择方法。首先建立以网络负载率、用户密度、平均信息年龄、用户满意度的电力无线网络评分,并构建电力无线网络评分最大化的目标函数;然后采用双深度Q网络(Double Deep Q-Network,DDQN)对目标函数进行求解,并引入双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)对电力无线网络历史流量进行学习,并预测未来时刻量,将预测结果反馈到求解的优化策略中进行调整;最后通过仿真实验进行验证。结果表明,本方法不同业务量下,平均信息年龄为85.67 ms,网络切换率为36%,网络可靠性为99.58%,相较于对比方法,可明显减少网络频繁切换和网络拥塞等问题。由此得出,本方法能综合考虑异构网络下的电力无线网络网络负载率、用户密度、平均信息年龄、用户满意度,并及时调整电力无线网络流量,为不同业务分配更合适的接入网络,避免了电力无线网络阻塞和频繁切换,提高了电力无线网络传输的可靠性。
文摘6G时代无线设备的激增和恶意干扰的加剧使得传统半空间覆盖的固定阵元可重构智能表面(reconfigurable intelligent surface,RIS)难以满足室内外全场景抗干扰需求。提出了一种可移动阵元同时透射与反射可重构智能表面(movable elements based simultaneous transmitting and reflecting reconfigurable intelligent surface,ME-STAR-RIS)辅助无线抗干扰传输方法,通过协同优化基站处的主动波束成形、发射功率以及ME-STAR-RIS处的柔性被动波束成形(包括阵元位置及相移系数)来实现抗干扰通信速率的最大化。针对ME-STAR-RIS辅助无线抗干扰传输方法设计面临的高维非凸联合优化难题,将优化问题描述为马尔可夫决策过程并采用双深度Q网络(double deep Q network,DDQN)算法进行求解,得到了优化的发射功率和柔性被动波束成形。仿真结果表明,ME-STAR-RIS抗干扰传输方法较传统方法能进一步提升系统的抗干扰性能。
