基于深度强化学习的战术通信网络路径优选算法

针对作战业务的异质性、链路类型的多样性以及链路状态的时变性,使得满足业务服务质量需求的端到端传输路径的决策空间指数级上升,导致业务与最优路径的匹配更加困难的问题,提出了一种基于深度强化学习的战术通信网络路径优选算法(DRL-ST)。DRL-ST通过Dueling DQN构建了端到端传输路径决策模型,并利用SumTree存储结构对采样机制进行优化,以提升模型的收敛速度;进一步,在对传输路径端到端QoS参数进行刻画的基础上,构建基于多业务特征的奖励函数,实现了业务服务质量需求与传输路径的最优匹配。实验结果表明,与传统算法相比,DRL-ST在满足业务服务质量需求的同时,端到端时延和丢包率分别降低了16.78%和28.43%,且吞吐量最大提升了20.36%。

基于遗传算法的阵列天线波束能量定量控制技术

提出发射天线(如无线局域网天线、基站天线等)辐射强度随用户信号强度的变化而实时调整的技术.该技术基于遗传算法,将阵列天线波束能量定量控制问题转化为一个带有约束条件的极值问题.在算法的适应度函数设计中,通过自适应罚函数将发射阵列天线和接收天线间的能量传输效率与接收天线信号强度构成一个简单的极值函数,得到阵列天线的最优激励分布.高频电磁结构仿真软件(HFSS)的验证结果表明:阵列天线辐射的信号强度在接收天线处能达预期值.可见,该技术能实现对阵列天线波束能量的定量控制.