针对未来天基信息网络用户接入选择过程中接入节点候选集大、决策变量多和传统接入算法不够高效的问题,提出了粒子群(Particle Swarm Optimization,PSO)与优劣解距离法(Technique for Order Preference by Similarity to an Ideal Solut...针对未来天基信息网络用户接入选择过程中接入节点候选集大、决策变量多和传统接入算法不够高效的问题,提出了粒子群(Particle Swarm Optimization,PSO)与优劣解距离法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS)相结合的接入选择算法。建立了天基信息网络接入选择问题模型,引入优劣解距离法,在综合考虑多种决策变量的基础上对候选接入节点进行优劣排序并做出接入选择;设计了粒子群优化算法,利用反馈的网络性能参数驱动粒子群算法对权重向量做出优化,避免了人为确定系数时的主观性,进一步改善了网络性能。仿真结果表明,TOPSIS接入选择方法将接入阻塞率和路由时延分别降低了82%和3%,用户满意度和网络负载均衡提高了27%和12%,而PSO-TOPSIS方法使网络性能得到了进一步提高。展开更多
未来天基信息网络(space information network,SIN)领域将面临由结构复杂、环境动态、业务多样等发展趋势带来的挑战。数据驱动的深度强化学习(deep reinforcement learning,DRL)作为一种应对上述挑战的可行思路被引入SIN领域。首先简...未来天基信息网络(space information network,SIN)领域将面临由结构复杂、环境动态、业务多样等发展趋势带来的挑战。数据驱动的深度强化学习(deep reinforcement learning,DRL)作为一种应对上述挑战的可行思路被引入SIN领域。首先简要介绍了DRL的基本方法,并全面回顾了其在SIN领域的研究进展。随后,以星地网络场景的中继选择为例,针对大规模节点问题提出了基于平均场的DRL算法,并提出一种基于微调的模型迁移机制,用以解决仿真环境与真实环境之间的数据差异问题。仿真证明了其对网络性能优化的效果,且计算复杂度和时间效率均具有可行性。在此基础上归纳和总结了DRL方法在SIN领域的局限性与面临的挑战。最后,结合强化学习前沿进展,讨论了此领域未来的努力方向。展开更多
文摘针对未来天基信息网络用户接入选择过程中接入节点候选集大、决策变量多和传统接入算法不够高效的问题,提出了粒子群(Particle Swarm Optimization,PSO)与优劣解距离法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS)相结合的接入选择算法。建立了天基信息网络接入选择问题模型,引入优劣解距离法,在综合考虑多种决策变量的基础上对候选接入节点进行优劣排序并做出接入选择;设计了粒子群优化算法,利用反馈的网络性能参数驱动粒子群算法对权重向量做出优化,避免了人为确定系数时的主观性,进一步改善了网络性能。仿真结果表明,TOPSIS接入选择方法将接入阻塞率和路由时延分别降低了82%和3%,用户满意度和网络负载均衡提高了27%和12%,而PSO-TOPSIS方法使网络性能得到了进一步提高。
文摘未来天基信息网络(space information network,SIN)领域将面临由结构复杂、环境动态、业务多样等发展趋势带来的挑战。数据驱动的深度强化学习(deep reinforcement learning,DRL)作为一种应对上述挑战的可行思路被引入SIN领域。首先简要介绍了DRL的基本方法,并全面回顾了其在SIN领域的研究进展。随后,以星地网络场景的中继选择为例,针对大规模节点问题提出了基于平均场的DRL算法,并提出一种基于微调的模型迁移机制,用以解决仿真环境与真实环境之间的数据差异问题。仿真证明了其对网络性能优化的效果,且计算复杂度和时间效率均具有可行性。在此基础上归纳和总结了DRL方法在SIN领域的局限性与面临的挑战。最后,结合强化学习前沿进展,讨论了此领域未来的努力方向。
