-
公开(公告)号：CN113645589B
公开(公告)日：2024-05-17
申请号：CN202110774836.7
申请日：2021-07-09
Applicant: 北京邮电大学 , 中国电子信息产业集团有限公司第六研究所
Abstract: 本发明公开一种基于反事实策略梯度的无人机集群路由计算方法，包括采用一种COMA动态自适应的强化学习算法，所述COMA算法采用了“集中式训练‑分布式执行”的混合架构。能够有效针对网络节点动态性高、网内流量波动性大的路由场景，COMA算法能够在网络平均生存时间与数据包传输成功率之间形成有效的权衡，进而实现高效而稳定的智能路由策略；能够更好地动态调正路由策略，实现对网络状态的全局最优响应。关于数据包将所选择的区域中的任意一个随机节点作为下一跳传输节点的设计，该设计不仅解决了多智能体环境下动作空间较大的问题，还提高了算法的稳定性，一定程度上减少了节点移动性对训练造成的干扰。
-
公开(公告)号：CN115473561A
公开(公告)日：2022-12-13
申请号：CN202110654258.3
申请日：2021-06-11
Applicant: 北京邮电大学 , 中国电子信息产业集团有限公司第六研究所
Abstract: 本发明公开一种基于协作Q学习的分布式卫星网络智能负载均衡方法，包括：所述方法将Co l l aQ强化学习算法应用于卫星通信，其数据传输过程为：1).地面将数据包发送到卫星，接收卫星将数据包缓存在队列中；2).卫星根据所提出的算法将数据包发送到相邻卫星；3).目的卫星将信息发送回地面上的目的地。每个轨道上分布的卫星数相等，将轨道数定义为m，每个轨道中的卫星数为n。相邻轨道之间的经度差为360°/m，同一轨道中相邻卫星之间的经度差为180°/n。在本发明中Co l l aQ算法在处理环境中复杂的Agent拓扑时具有良好的收敛性，并且可以很好地应对系统规模的变化。Col laQ的性能要优于DDPG，并且网络中的最大链路利用率相对较小，这意味着它可以更有效地实现负载平衡。
-
公开(公告)号：CN115473561B
公开(公告)日：2023-06-30
申请号：CN202110654258.3
申请日：2021-06-11
Applicant: 北京邮电大学 , 中国电子信息产业集团有限公司第六研究所
Abstract: 本发明公开一种基于协作Q学习的分布式卫星网络智能负载均衡方法，包括：所述方法将CollaQ强化学习算法应用于卫星通信，其数据传输过程为：1).地面将数据包发送到卫星，接收卫星将数据包缓存在队列中；2).卫星根据所提出的算法将数据包发送到相邻卫星；3).目的卫星将信息发送回地面上的目的地。每个轨道上分布的卫星数相等，将轨道数定义为m，每个轨道中的卫星数为n。相邻轨道之间的经度差为360°/m，同一轨道中相邻卫星之间的经度差为180°/n。在本发明中CollaQ算法在处理环境中复杂的Agent拓扑时具有良好的收敛性，并且可以很好地应对系统规模的变化。CollaQ的性能要优于DDPG，并且网络中的最大链路利用率相对较小，这意味着它可以更有效地实现负载平衡。
-
公开(公告)号：CN114035675A
公开(公告)日：2022-02-11
申请号：CN202111219044.X
申请日：2021-10-20
Applicant: 北京邮电大学 , 中国电子信息产业集团有限公司第六研究所
Abstract: 本发明公开一种基于智能集群元语的无人机按需组网交互系统与装置，包括无人机、以及由所述无人机构建的无人机节点、无人机节点知识库、无人机组网以及交互系统，每个所述无人机节点上分别设有一个所述交互系统，所述无人机节点知识库通过编码将自然语言信息其转化为IEML元语知识库，所述无人机组网采用的是分层分簇结构，簇内成员通过中心节点进行信息传递，簇间节点也是通过该中心节点向外传递信息，传递的信息是由所述IEML元语知识库信息做载体。在无人机高动态组网过程中组网信息以IEML表达方法进行信息的传递。此外将无人机本地自然语言知识库(数据集)转化为IEML知识库，通过部署在无人机上的交互系统模型进行编码训练，实现无人机自主交互。
-
公开(公告)号：CN113645589A
公开(公告)日：2021-11-12
申请号：CN202110774836.7
申请日：2021-07-09
Applicant: 北京邮电大学 , 中国电子信息产业集团有限公司第六研究所
Abstract: 本发明公开一种基于反事实策略梯度的无人机集群路由计算方法，包括采用一种COMA动态自适应的强化学习算法，所述COMA算法采用了“集中式训练‑分布式执行”的混合架构。能够有效针对网络节点动态性高、网内流量波动性大的路由场景，COMA算法能够在网络平均生存时间与数据包传输成功率之间形成有效的权衡，进而实现高效而稳定的智能路由策略；能够更好地动态调正路由策略，实现对网络状态的全局最优响应。关于数据包将所选择的区域中的任意一个随机节点作为下一跳传输节点的设计，该设计不仅解决了多智能体环境下动作空间较大的问题，还提高了算法的稳定性，一定程度上减少了节点移动性对训练造成的干扰。
-
Patent Agency Ranking
公开(公告)号：CN119625362A
公开(公告)日：2025-03-14
申请号：CN202510152391.7
申请日：2025-02-12
Applicant: 北京邮电大学
IPC: G06V10/762 , G06V20/17
Abstract: 本发明提供了一种基于图注意力网络的无人机集群网络凝聚聚类方法和装置，涉及无人机集群网络聚类的技术领域，包括：获取无人机集群网络的原始图；基于节点矩阵和当前图注意力网络的编码器，计算每个无人机节点在全部对应邻居节点影响下的隐藏表示，再预测每个无人机节点和对应的邻居节点之间的链接概率，生成无人机集群网络的重构图；根据原始图和重构图确定的重构损失，调整图注意力网络；基于凝聚聚类算法和隐藏表示将符合预设条件的无人机节点合并为多个节点簇，生成新的无人机集群网络；对新的无人机集群网络进行凝聚聚类操作；以缓解无人机集群网络的聚类效率，聚类精确度以及图结构信息利用率不高的技术问题。
-
公开(公告)号：CN118400271B
公开(公告)日：2024-09-06
申请号：CN202410842276.8
申请日：2024-06-27
Applicant: 北京邮电大学
Abstract: 本发明提供了一种面向任务连通性保持的网络拓扑智能生成方法与装置，涉及通信的技术领域，该方法是基于多智能体强化学习模型对所有接力节点进行部署的方案，无需在无人机网络中设置中央计算单元，通过在各个接力节点上部署策略网络，使得各个接力节点能够通过自身的状态数据决策自身的动作，因此，该方法避免了中央计算单元统一计算和策略传输的时延，有效地保证了无人机集群中接力节点部署的时效性。并且，该方法设置所有智能体执行动作后的奖励与无人机网络在下一时隙的连通分支数负相关，因此，该方法能够有效地减少无人机网络的连通分支数，保证无人机网络的连通性。
-
公开(公告)号：CN114785738A
公开(公告)日：2022-07-22
申请号：CN202210677447.7
申请日：2022-06-16
Applicant: 北京邮电大学
IPC: H04L47/125 , H04L47/56 , H04L47/6275 , H04L45/12 , H04L45/00
Abstract: 本发明提供了一种时间敏感流的调度方法、装置和电子设备，涉及通信的技术领域，包括：获取待调度的时间敏感流集合和目标网络的网络拓扑信息；基于时间敏感流集合和网络拓扑信息，确定目标时间敏感流集合和目标时间敏感流集合对应的目标时隙队列映射关系；基于目标时隙队列映射关系对目标时间敏感流集合中的目标时间敏感流进行调度。本发明方法在从待调度的时间敏感流集合中确定目标时间敏感流时，将时间敏感流的路由代价和交换机端口队列的可用资源情况共同作为可调度条件进行综合考量，从而使得目标网络在调度时间敏感流时能够最大化的利用其网络资源，进而有效地缓解了现有的时间敏感流的调度方法存在的网络负载不均衡的技术问题。
-
公开(公告)号：CN114221686B
公开(公告)日：2022-04-26
申请号：CN202210154367.3
申请日：2022-02-21
Applicant: 北京邮电大学 , 北京天弛网络有限公司
Abstract: 本发明提供了一种MIMO资源优化方法、装置和电子设备，涉及通信的技术领域，包括获取待优化MIMO地理区域的备选子波束集合和目标天线权值组的权值数量；基于权值数量和备选子波束集合确定初始飞蛾种群；利用预设飞蛾扑火算法对初始飞蛾种群进行迭代更新，直至达到预设结束条件；将预设结束条件下的最优飞蛾智能体对应的可选天线权值组确定为待优化MIMO地理区域的目标天线权值组。该方法采用的预设飞蛾扑火算法是基于策略函数和贪婪算法确定每代飞蛾种群中每个飞蛾智能体动作的算法，相比传统群体智能飞蛾扑火算法中的飞蛾单智能体的固定动作策略，该方法解决了传统算法存在的无效寻优问题，提升了算法对MIMO天线权值组的寻优速度。
-
公开(公告)号：CN114202066A
公开(公告)日：2022-03-18
申请号：CN202210154404.0
申请日：2022-02-21
Applicant: 北京邮电大学 , 北京天弛网络有限公司
Abstract: 本申请提供了一种网络控制方法、装置、电子设备及存储介质，涉及计算机网络技术领域，具体为：获取当前时刻的细粒度的数据平面的网络状态；利用存储本地网络环境历史数据的经验库和第二宽度学习网络，对第一宽度学习网络进行在线训练；利用在线训练完成第一宽度学习网络对当前时刻的网络状态进行处理，得到当前时刻的网络状态对应的最优执行动作；将当前时刻的最优执行动作封装为控制规则数据包，然后下发所述控制规则数据包。通过在线训练第一宽度学习网络，能够实时响应网络变化，快速地应对网络突发状况。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.044 seconds)
