电力SDN通信网中面向负载均衡的路由重构

在通信网络发生故障时,为确保路径可靠性与网络负载均衡的统一,由于软件定义网络（SDN）的通信网络体系在电力通信网中已具可行性,故结合SDN逻辑集中式架构下路由快速收敛的特点,构建了路径重构模型,并采用业务路由重构算法求解.首先依据业务紧急程度、端到端通信时延、带宽需求及对电网实际运行的影响程度等因素将业务分为不同的优先级;然后以链路可用度最大为目标,以业务时延、站点等级差等为约束建立模型,以流量标准差、业务恢复率为评价指标,并在IEEE14母线系统上进行测试验证.仿真结果表明,所提算法在保证业务性能的同时具有更低的流量标准差和站点等级差,能有效实现路径重构,并确保负载均衡.     

软件定义网络中应用蚁群优化的负载均衡算法

在软件定义网络中提出了一种应用蚁群优化的负载均衡算法,以负载均衡度为目标函数重定义了蚁群算法中的参数和操作,对软件定义网络数据流和网络拓扑进行合理设置,规划出流传输的最优路径,从而提升了网络资源利用率和流传输质量.仿真结果表明,与其他算法相比,新算法在负载均衡度、流接受率、流丢包率、时延以及网络吞吐量方面的性能都有明显的提升.     

异构网络中时延最小的多接入业务分配算法

以业务到达时延最小化为目标,提出一种联合网络选择和业务分配的并行多接入算法．该算法中考虑了不同网络的可利用传输速率和网络时延,利用贝克曼变化思想证明了最优业务分配问题存在门限值,可以根据门限选择最小的接入网络集合获得最小时延．仿真结果表明在重负载情况下,该算法不仅能获得最大吞吐量,并且能够有效地降低业务的到达时延．     

MANET多路径负载均衡方法

提出了一种移动自组织网络（MANET）中均匀分配业务量、减轻网络局部拥塞的多路径负载均衡方法. 通过基于Bloom滤波器的流量检测方法获得每个节点的负载,在源节点进行负载均衡. 多路径负载均衡方法路径选择标准为链路生存时间、端到端时延和转发路径当前的负载情况. 通过仿真对其性能进行了衡量和分析,仿真结果表明,该方法在分组投递率、端到端时延和所需的控制包开销方面优于传统多路径机制,该方法适用于节点密度较小的场景.      

保证服务质量的无线传感网节能跨层路由算法

针对无线传感器网络保证服务质量的路由问题,提出一种区分服务和优先级保证的无线传感网跨层节能算法,该算法对网络服务分级,在蚁群算法的路径选择时综合考虑节点的剩余能量、负载和节点位置信息,同时选择切换概率小的信道。仿真实验表明,该算法在保证服务质量的前提下,增加了路由的有效性和鲁棒性,降低并均衡各节点能耗,时延、网络生存周期等指标均体现较好性能。     

无线传感器网络中基于树的动态多路径容错路由协议

多路径路由对无线传感器网络的负载均衡和容错能力等方面都有一定改善作用。在研究一些多路径路由算法的基础上,对分层的无线传感器网络路由进行探索,提出了一种基于树的动态多路径路由的生成方法,快速获得当前节点的主路径与备用路径。仿真结果表明,该方法可有效地均衡网络负载、减少时延、提高网络的可靠性。     

基于QoS保障的服务功能链动态部署算法

第5代移动通信系统（5G）网络场景下服务功能链的部署是网络功能虚拟化研究中亟待解决的问题,现有部署方法难以在优化时延的同时保证服务功能链部署的可靠性,为此,提出了面向服务质量（QoS）需求的服务功能链部署模型,并设计了一种基于QoS保障的服务功能链动态部署算法.该算法在虚拟网络功能部署阶段通过对网络拓扑和可靠性的感知,采用基于PageRank思想的算法对节点进行评价,以负载均衡和协调链路映射为原则,将虚拟网络功能部署在综合资源能力最大的底层节点上,实现了时延和可靠性的全局优化,并通过选择满足可靠性需求的时延最短路径进行链路映射.仿真结果表明,该算法在降低服务功能链端到端时延的同时保证了部署的可靠性,并且提高了请求接受率和资源利用率.     

基于蚁群算法的无线传感器网络改进CTP路由协议

针对农业大棚无线传感器网络监测系统出现的节点负载不均衡、负载大的节点寿命短、节点间链路质量差、丢包和误码较为频繁、数据包时间延迟较严重等现象,利用蚁群能够发现从巢穴到食物源之间最优路径的特性,提出一种新的蚁群汇聚树路由协议ACA-CTP(Ant Colony Algorithm Collection Tree Protocol)。该算法将蚂蚁信息素、节点间链路质量、数据包时延等3个指标作为算法优化因子,改进蚁群算法的路径概率选择策略,并将改进后的蚁群算法与CTP路由协议相结合,在TinyOS平台上使用NesC语言实现新的路由协议。ACA-CTP路由协议利用改进后蚁群算法的全局寻优能力和快速收敛性,在源节点和目的节点间选择最优路由路径,保证监测数据实时准确地传输至监控平台。仿真结果表明:该算法延长了网络生存周期,降低了数据包传输时延和网络丢包率。     

基于多路径传输的动态负载均衡路由算法

针对当前数据中心网络面临的资源分配不够合理、资源利用率低等问题,提出一种基于多路径传输的动态负载均衡路由(multipath transmission-based dynamic load-balanced routing,MTDLR)算法.该算法利用软件定义网络(software-defined networking,SDN)架构集中控制的优势,建立实时全局资源视图,综合考虑多路径的链路带宽均衡度、路径带宽最优度和路由跳数等路径层面因素,为每条数据流选择最优路径.在此基础上,搭建SDN仿真平台进行性能测试,仿真结果表明:在多种拓扑结构的数据中心网络中,MTDLR算法较等价多路径(equal-cost multi-path,ECMP)算法和全局负载均衡(global load balancing,GLB)算法在带宽利用率、吞吐量等方面均有一定程度的提高.     

基于负载均衡的联合路由策略

针对目前IP over WDM网络中的路由算法在负载均衡方面存在的问题,提出了一种考虑负载
均衡的新型联合路由算法——负载均衡算法(LBA). 该算法在链路（包括逻辑链路和物理链
路）权值分配过程中考虑了节点负载的影响,并且在目标函数的选取中充分考虑了链路资源
的利用情况. 通过对节点负载分布的方差和业务阻塞率的仿真分析,验证了该算法在负载均
衡和网络资源优化利用及降低端到端时延等方面的优越性.     

基于DRL的MEC任务卸载与资源调度算法

为提高多接入边缘计算（MEC）任务卸载效率,提出了一个任务卸载和异构资源调度的联合优化模型.考虑异构的通信资源和计算资源,联合最小化用户的设备能耗、任务执行时延和付费,并利用深度强化学习（DRL）算法对该模型求最优的任务卸载算法.仿真结果表明,该优化算法比银行家算法的设备能耗、时延和付费的综合指标提升了27.6%.     

基于交替方向乘子法与深度强化学习算法的资源分配

为了研究在有限信道状态信息下,密集型网络的资源分配问题,提出了交替方向乘子法结合深度强化学习算法的模型驱动学习框架。该框架区别于数据驱动框架,能够根据具体问题进行一对一建模。针对资源分配的问题建模内容包括：将基站选择、功率和子载波分配用交替方向乘子法进行交替优化;用深度强化学习算法优化权重,求解目标函数,提高算法性能;框架利用有效信道状态信息而非多余信息,降低了通信开销;加强对最低用户服务质量要求参数的约束,可以在保证用户的体验下最大化小区频谱效率。仿真结果表明,该模型驱动学习框架在较少的迭代次数下即可收敛。     

意图驱动的自智网络资源按需服务

6G自智网络需要实现面向多层用户的网络自动化全场景按需服务,运营商用户亟需一种有效挖掘多层用户意图并实现资源自动化按需分配的方法,为此,提出了一种将用户意图转为策略对网络资源进行管理的全自动化框架。首先,考虑到意图挖掘数据的稀缺性,提出一种利用无标注语料以提高意图实体挖掘能力的方法。其次,综合考虑网络服务质量和用户业务需求,利用深度强化学习算法,对网络资源的划分进行优化和管理,提升用户使用体验的同时使网络负载均衡,资源达到最大化利用。实验结果表明,所提框架能够更准确挖掘用户意图、更精确划分网络资源,从而保障服务质量。     

MEC计算卸载与资源分配联合智能优化方案

移动边缘计算(MEC)中的分布式基站部署、有限的服务器资源和动态变化的终端用户使得计算卸载方案的设计极具挑战。鉴于深度强化学习在处理动态复杂问题方面的优势,设计了最优的计算卸载和资源分配策略,目的是最小化系统能耗。首先考虑了云边端协同的网络框架;然后将联合计算卸载和资源分配问题定义为一个马尔可夫决策过程,提出一种基于多智能体深度确定性策略梯度的学习算法,以最小化系统能耗。仿真结果表明,该算法在降低系统能耗方面的表现明显优于深度确定性策略梯度算法和全部卸载策略。     

基于强化学习的多阶段网络分组路由方法

多阶段网络被广泛应用于机器学习集群,由于多阶段网络中可用路径多,分组的路由是一个组合优化难题。现有基于启发式的路由算法由于缺乏性能保证,严重影响分组传输延迟。提出了基于强化学习的多阶段网络分组路由方法,使用一个新颖的策略迭代算法,通过学习的方式计算出最佳路由策略。算法通过在策略评估步骤中使用价值函数的最大似然估计器,克服了强化学习方法中蒙泰卡罗(MC)或时间差分(TD)价值估计器样本效率低的问题。为了应对组合优化时计算复杂度高的问题,算法在策略改进步骤中将组合动作空间上的优化分解为各组成动作的序列优化,以提高求解效率。基于NS-3网络模拟器的仿真实验结果表明,相较于现有最优的启发式路由策略,该算法学习到的路由策略降低了13.9%的平均分组延迟。     

应用深度强化学习的压边力优化控制

为改善板料拉深制造的成品质量,采用深度强化学习的方法进行拉深过程的压边力优化控制. 提出一种基于深度强化学习与有限元仿真集成的压边力控制模型,结合深度神经网络的感知能力与强化学习的决策能力,进行压边力控制策略的学习优化. 基于深度强化学习的压边力优化算法,利用深度神经网络处理巨大的状态空间,避免了系统动力学的拟合,并且使用一种新的网络结构来构建策略网络,将压边力策略划分为全局与局部两部分,提高了压边力策略的控制效果. 将压边力的理论知识用于初始化回放经验池,提高了深度强化学习算法在压边力控制任务中的学习效率. 实验结果表明,与传统深度强化学习算法相比,所提出的压边力控制模型能够更有效地进行压边力控制策略优化,成品在内部应力、成品厚度以及材料利用率3个质量评价指标的综合表现优于传统深度强化学习算法. 将深度强化学习中的策略网络划分为线性部分与非线性部分,并结合理论压边力知识来初始化回放经验,能够提高深度强化学习在压边力优化控制中的控制效果,提高算法的学习效率.     

基于蚁群优化算法的无线传感器网络跨层路由协议

针对无线传感器网络对实时性、鲁棒性及能耗平衡要求较高的特点,提出了基于蚁群算法和跨层优化的无线传感器网络路由协议ABCRO（Ant-Based＆Cross-layer Routing Optimization）。算法综合考虑各层之间的信息共享机制,将链路的通信开销和链路通信情况以数据的形式转换为网络性能优良的评估参数;通过将接纳控制网络节点机制、信息素禁忌表的双向更新、节点剩余能量信息维护及跳数更新等信息加入路由选择公式,有效增强算法的可扩展性,降低通信过程中的拥塞问题。仿真实验表明ABCRO算法能够较快的寻找出一条最优的路径,从而平衡网络能耗,降低冲突率,有效提高网络整体性能,延长网络寿命。     

无线传感器网络能效模型的量化评价与优化

为解决面向工业实时控制的无线传感器网络在性能和能量效率的平衡问题,提出了一种能效模型的量化评价和优化设计方案．该方案通过引入反馈控制的思想,运用层次分析法构建基于服务质量约束的能效模型评价方法,采用加权和的综合量化指标权重计算服务的可用性;在此基础上,给出了基于效用函数的优化模型并设计了一种多度量目标优化算法．仿真结果表明,该方法能对网络协议进行调整优化满足有限能量条件下的服务质量约束,保证数据传输可靠,降低能量消耗,延长网络生存时间．     

Optimization and Design of Cloud-Edge-End Collaboration Computing for Autonomous Robot Control Using 5G and Beyond

Robots have important applications in industrial production, transportation, environmental monitoring and other fields, and multi-robot collaboration is a research hotspot in recent years. Multi-robot autonomous collaborative tasks are limited by communication, and there are problems such as poor resource allocation balance, slow response of the system to dynamic changes in the environment, and limited collaborative operation capabilities. The combination of 5G and beyond communication and edge computing can effectively reduce the transmission delay of task offloading and improve task processing efficiency. First, this paper designs a robot autonomous collaborative computing architecture based on 5G and beyond and mobile edge computing(MEC). Then, the robot cooperative computing optimization problem is studied according to the task characteristics of the robot swarm. Then, a reinforcement learning task offloading scheme based on Q-learning is further proposed, so that the overall energy consumption and delay of the robot cluster can be minimized. Finally, simulation experiments demonstrate that the method has significant performance advantages.     

一种蚁群策略的双信道传感器网络路由算法

针对高负载无线传感器网络堵塞率比较高的问题,提出了一种基于蚁群策略的双信道传感器网络路由算法(CORA).该算法首先利用双信道通信模式降低了信道竞争过程中的数据碰撞和多播抑制几率;再利用最大感染球策略来压缩蚁群的寻路范围,进而降低网络的寻路能耗;借助分层图模型提出了一种两层网络联合优化的选路策略,该策略可将控制层中被堵塞的寻路业务有条件地下放在数据层中传输,从而降低网络的堵塞率和通信延迟.仿真结果表明,与一种基于蚂蚁策略的能量有效路由算法及一种基于蚁群策略的能量有效路由算法相比,CORA算法能将高负载网络下的堵塞率下调13%,且能有效降低数据包的平均通信时间和网络的通信能耗.