基于改进差分进化算法的动态防空资源分配优化

面对动态防空资源分配问题中存在的空袭目标突现和雷达、发射车等资源受干扰现象,在综合考虑雷达、发射车和导弹等武器装备性能的基础上,基于目标集、资源集建立了最小化目标总拦截价值与生存概率的混合整数决策模型。提出了一种新的改进差分进化算法进行求解,采用反向学习策略生成初始解,确保初始种群的质量,设计了一种快速修复与重构的启发式规则作用于多阶段,以提升算法的搜索能力。仿真实验验证了该算法具有求解时间和求解精度上的优越性。该研究能使武器系统在动态事件的随机影响下,保持高效的作战能力和决策效果。

基于动态规划算法的资源应急分配优化模型

针对电力突发事件的资源应急分配问题,文中提出了基于动态规划的阶段优化模型。该模型依据各需求点的初始时刻需求,以最小化资源超时到达造成的损失为优化目标,进行资源的应急优化分配。同时考虑后续时刻资源需求的动态变化,基于上一阶段的优化目标叠加下一时刻资源需求缺乏量的惩罚项,从而实现不同时刻需求点之间资源的转运调度。文中采用自适应惯性系数和飞行时间来提高算法的收敛速度,并将所提IPSO应用于两阶段动态规划模型的求解。以人力资源数据进行的仿真结果表明,文中算法迭代40次即可收敛,显著优于传统PSO。且与单阶段优化模型在后续时刻出现明显人力资源缺乏的情况不同,该模型能够满足各需求点的动态需求,进而对应急资源进行合理分配。

考虑公平性的异质应急资源动态协同分配方法

为解决灾后大量不同类型、不同功能且互相耦合的异质应急资源在动态环境下难以高效且公平地协同分配的问题,提出1种动态的异质应急资源的公平分配方法。首先,分析异质应急资源分配效率与公平性的度量方法,建立1个以分配效率和公平性最大化为目标的整数规划模型;其次,基于滚动时域优化框架,设计动态异质应急资源分配方法;随后,通过大量实验验证本文提出的动态分配方法的有效性,并对影响分配公平性的因素进行分析,给出相应的管理建议。研究结果表明:本文提出的分配方法能实现高效且公平的异质资源协同分配。研究结果可为实际的灾后应急资源分配提供高效的动态决策方法和管理建议。

空地网络资源分配与无人机基站动态部署算法

为解决空地网络中地面设备数量变化引起的用户体验质量无法满足的问题,提出了一种智能网络资源分配与多无人机基站动态部署方案。首先,考虑用户体验质量和无人机、地面设备能量约束,以最小化系统总能耗为目标进行问题建模;其次,将多无人机的动态部署问题转化成具有连续动作集的马尔可夫决策过程,并根据优化目标设计了基于能耗惩罚的奖励函数;然后,采用基于确定性策略梯度的深度强化学习算法求解此问题;最后,通过仿真和对比实验验证所提方案的有效性和优越性。实验结果表明:对于海量用户场景,所提算法比深度强化学习和演员-评论家算法有更好的收敛性和更高的累积奖励,与单无人机和传统地面基站部署方案相比,所提方案系统的能耗降低约30%~40%,用户服务质量满意度提升约50%~60%。

动态不确定场景下认知工业物联网的资源分配策略

针对动态不确定场景下认知工业物联网(CIIoT)业务的时延保障难题,提出动态不确定场景下保障业务时延需求的CIIoT资源分配策略.构建基于时延敏感业务的时延模型,推导保障业务时延需求的速率解析解.基于时延模型建立以最大化网络吞吐量为目标的CIIoT资源优化模型,该模型考虑在动态不确定环境下联立基站发射功率约束、设备之间的干扰约束和业务传输时延保障约束.由于该模型存在动态不确定性,导致模型难以求解,采用鲁棒优化理论将不确定参数约束转化为确定性约束问题,提出在动态不确定场景下CIIoT的资源分配策略.仿真结果表明,所提算法在动态不确定环境下有效地保障了业务的时延需求,提高了网络吞吐量.

光纤网络动态路由联合资源最优分配方法

随着网络流量的增加,光纤网络动态路由计算复杂度随之增加,耗费更多的联合资源。为此,提出光纤网络动态路由联合资源最优分配方法。以有向图形式映射网络节点,计算路由传输频谱利用率。根据带宽、时延、网络延时抖动指标,获取动态路由联合资源。通过传输路径上链路的频谱连续度,选择连续度最佳的频谱业务,基于频谱感知和贪婪算法对业务分割合并,实现联合资源最优分配。实验结果表明,当业务负荷为400 Erlang时,所提方法的带宽阻塞率仅为10%,频谱利用率高达90%。另外,经过一个动态资源的传输周期,该方法的数据节点占比低,说明该方法具有较好的稳定性。

面向区域覆盖的多无人机动态通信资源分配方法

针对多无人机区域覆盖任务中的机间通信资源分配问题,提出了一种基于强化学习的多智能体动态通信资源分配模型。利用多智能体生成树覆盖方法生成任务区域内各个无人机的覆盖航线,对无人机与地面基站及无人机之间的通信链路进行建模。由于飞行环境的不确定性,将长期的资源分配问题建模为随机博弈模型,将无人机间的空-空链路视作一个智能体,每个智能体采取的动作包含选择工作频段和发送端的传输功率。在此基础上,基于双深度Q网络(DDQN)设计多智能体强化学习(MARL)模型,使得每个智能体通过奖励函数的反馈学习到最优通信资源分配策略。仿真结果表明:MARL模型能够在动态航迹下自适应选择最佳通信资源分配策略,提高时延约束下的负载交付成功率,同时降低空-空链路对空地下行链路的干扰并增大信道总容量。

动态控制下城市轨道交通通信资源分配

城市轨道交通系统通信速度对保障列车运行安全十分重要,但是日益复杂的通信系统对列车通信系统的功能、稳定性和效率的要求更高。本文探索了利用LET-U非授权频段传输业务的城市轨道交通通信系统,使用HQL(λ)算法进行通信资源的动态分配,在模拟仿真环境中,系统能够保持22.3Mbit/s以上的传输速率,满意度始终高于0.8,可以较好地满足用户需求。

大模型驱动下的云资源动态分配策略研究

随着云计算和人工智能技术的快速发展,大模型(如深度学习模型)在各类场景中得到了广泛应用,促使云资源的动态分配策略成了研究热点。文章探讨了大模型驱动下的云资源动态分配策略,分析了现有方法的局限性,并提出一种基于机器学习的智能动态分配框架,旨在提高资源利用效率,加快响应速度。通过实验验证,该框架在实际应用中表现出更优的资源调度效果和较低的延迟。

基于多卫星系统的负荷通信频谱资源动态分配与管理策略研究

随着多卫星系统的发展,频谱资源管理成为提高通信效率和系统可靠性的关键问题。本文研究了多卫星系统中负荷通 信频谱资源的动态分配与管理策略,旨在优化频谱资源的利用,提高通信系统的整体性能。通过分析多卫星系统的频谱资源管理 挑战,提出了基于认知无线电的频谱感知技术和动态分配与优化算法,并探讨了这些技术在多卫星通信系统中的应用,包括系统架 构设计、数据传输技术以及信道分配与干扰管理。通过仿真实验验证了所提方案的有效性和实用性,为多卫星系统负荷通信的稳 定运行提供了重要支持。

边缘计算动态资源分配在通信网络时延优化的研究

针对边缘计算动态资源分配的通信网络时延优化问题,提出一种基于深度强化学习的算法。该算法建立一个综合考虑边缘节点的异构性、地理分散性、能量因果性等约束条件,以及时延、能耗、费用等多目标优化指标的数学模型,充分反映边缘计算网络的复杂性和多样性。该算法使用多层感知器作为策略函数,通过策略梯度方法和随机梯度下降法进行动态资源分配决策,实现通信网络时延的最小化。仿真实验结果表明,该算法在不同场景和参数下均能有效降低通信网络时延,提高资源利用效率和系统性能。与固定资源分配算法、贪心资源分配算法以及基于遗传算法的资源分配算法相比,具有明显的优势,尤其是在处理边缘计算网络的动态性和不确定性方面。基于深度强化学习的动态资源分配算法为边缘计算资源管理问题提供一种新的解决方案,也为通信网络时延优化提供有力的支持。

基于流量感知的无线接入网智能切片资源分配方法研究

为保障业务服务等级协议(Service Level Agreements, SLA)需求,使不同应用间差异化的服务质量需求同时得到良好满足,无线接入网(Radio Access Network, RAN)的动态网络资源配置十分关键。本文针对网络流量波动、网络状态快速变化的场景,提出一种结合时间序列预测和深度强化学习的智能化带宽分配策略,通过合理利用长短期记忆(Long Short-Term Memory, LSTM)网络和Dueling深度Q网络(Dueling Deep Q Network, Dueling DQN)以最大限度提高无线接入网切片的频谱效率和SLA满意度。通过使用LSTM网络对切片中数据流量进行预测,可以将深度强化学习算法的计算周期与实际切片配置周期有效解耦。同时为了在保障LSTM性能的同时降低其计算复杂度,以适应RAN中有限的计算资源,本文采用控制神经元连接比例的随机连接长短期记忆(Randomly Connected LSTM, RCLSTM)网络。此外,Dueling DQN与传统DQN相比,能够提高切片策略学习过程的Q值估计精度,以提升收敛速度。仿真结果表明:与原始DQN、优势Actor-Critic(Advantage Actor Critic, A2C)和硬切片方法相比,所提RCLSTM-Dueling DQN方案可以通过提前感知网络性能变化,有效降低网络环境波动对密集流量场景下无线切片资源管理的影响,在具有三种不同流量波动模式及服务质量需求的RAN切片场景中,可以获得收敛速度、频谱效率和切片SLA满意率的明显提升。同时,10%连接比例的RCLSTM网络能在保持极低性能损失的前提下,将原始LSTM的计算时间降低约11%。

雷达干扰资源分配的模糊多属性动态规划模型

雷达干扰资源分配是电子对抗领域的一个重要研究课题 ,合理干扰资源的分配可使有限的干扰资源发挥最佳的干扰效果 ,另外干扰决策都需以资源分配作为基础。该文利用多属性决策方法和模糊集理论 ,确定适合于雷达干扰效果评估的模糊优选模型 ;用动态规划原理建立了适合雷达干扰资源分配问题的模型。文中实例表明 ,该方法是可行。

TWDM-PON中用户行为感知的动态资源分配策略

TWDM-PON是下一代光接入网的主流方案,具有带宽高、距离长、用户多等特点.针对用户行为差异性增大的问题,为有效降低网络时延及提升资源分配的公平性,提出一种用户行为感知的动态资源分配策略.根据用户行为带来的业务动态变化状况,动态调整ONU的轮询机制以满足用户服务水平变化要求,并划分子周期交替发送不同等级的业务,设计高效的数据块加载方法来实现负载均衡的多波长传输.仿真结果表明,与传统策略相比,所提策略在保证资源利用率高达95%的同时,既使业务平均时延改善50%以上,也使资源分配具有更好的公平性.

下行链路MIMO-OFDM系统中的动态资源分配

研究了多用户MIMO-OFDM系统中的下行链路子载波和功率分配问题。为了在保证用户公平性和服务质量(QoS)要求的同时,实现基站发射功率最小化的目标,提出了一种新的子载波分配准则,并且根据该准则,提出了一种新的动态资源分配方案,能够充分利用多用户分集。所提出算法中采用了自适应子载波分配,自适应调制和特征波束赋形等技术。仿真结果表明,提出算法能够显著提高系统性能,从而降低所需发射功率。

基于策略的适应性工作流资源动态分配技术

基于工作流执行系统的适应性需求 ,提出了资源动态分配管理模块体系结构 ,修改和补充了 HP公司的工作流资源管理技术 .在需求策略、资格策略和替换策略的基础上增加了优先策略和情景策略 ,有助于实现资源的动态分配 ;利用重写技术和各种策略直接把需求转化为对应的 SQL查询语句 ,简单实用 .

基于YARN的分布式资源动态调度与协同分配系统

Storm on YARN是目前主流的分布式资源调度框架,但其存在需要人工干预和无法根据资源可用性实时调整系统资源的不足。根据流数据处理的实时延迟计算系统负载情况,在Storm平台上基于YARN设计分布式资源调度和协同分配系统。建立包含系统层和任务层的双层调度模型,系统层通过对流数据处理负载的实时监测进行资源分配预测,任务层利用ZooKeeper和YARN对集群资源的高效管理能力进行动态资源管理。实验结果表明,该系统可以实时调整集群资源分布,有效减小系统延迟。

基于效益博弈的云计算资源动态可协调分配策略研究

在对用户的任务进行计算资源分配时,为了有效提高计算资源的利用效率,减少任务执行所需要的成本,提出了一种基于效益博弈的云计算资源动态可协调分配机制。该机制采用时间矩阵和费用矩阵作为任务效益的衡量指标,提出效益博弈模型,通过该模型的效益计算方程来得到最好的资源分配策略。为了使得计算资源能够合理地按需进行分配,提出了动态可协调分配机制,在合理地分配资源,满足所有任务正常执行时所需资源的同时,最大化任务的执行效益。实验仿真及对比结果表明,在任务完成时间、任务执行的平均成本、任务完成成功率上,本文算法都取得了较好的效果。

MIMO-OFDM系统中具有QoS保证的动态资源分配

该文在研究了多用户MIMO-OFDM系统中的动态资源分配问题的基础上,提出了一种MIMO-OFDM系统中以获取最大系统吞吐量为目标的新的动态资源分配算法。该算法在满足用户QoS需求的基础上,充分利用多用户分集特性,使系统对空-频二维资源和发送功率进行了有效利用,从而使系统的吞吐量得到了大幅度提高。仿真结果表明,该算法具有良好的性能,能够有效提高系统的吞吐量。

Spark Streaming动态资源分配策略

针对Spark Streaming作为混合大数据计算平台流处理组件时资源调整周期长和不能满足多应用多用户个性化需求的问题,提出了一种多应用下动态资源分配策略(DRAM)。该策略增加了应用全局变量来控制动态资源分配过程。首先,获取历史执行数据反馈和应用全局变量;然后,进行资源增减计算;最后,进行资源增减执行。实验结果表明,所提策略能够有效调整应用资源配额,且在稳定数据流和不稳定数据流两种情况下,其处理延时相比原Spark平台的Streaming策略和Core策略都有所降低;同时该策略也能够提高集群资源利用率。