CN115277420A - 一种虚拟现实网络资源管理方法 - Google Patents

一种虚拟现实网络资源管理方法 Download PDF

Info

Publication number
CN115277420A
CN115277420A CN202211180711.2A CN202211180711A CN115277420A CN 115277420 A CN115277420 A CN 115277420A CN 202211180711 A CN202211180711 A CN 202211180711A CN 115277420 A CN115277420 A CN 115277420A
Authority
CN
China
Prior art keywords
optimization model
user
virtual reality
small base
indoor small
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211180711.2A
Other languages
English (en)
Other versions
CN115277420B (zh
Inventor
施建锋
杨虎生
黄柏圣
潘成胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202211180711.2A priority Critical patent/CN115277420B/zh
Publication of CN115277420A publication Critical patent/CN115277420A/zh
Application granted granted Critical
Publication of CN115277420B publication Critical patent/CN115277420B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种虚拟现实网络资源管理方法，本发明中可见光定位系统向卫星提供用户的位置信息，在卫星产生相应的虚拟图像，并传输给室内小基站，室内小基站通过太赫兹链路将虚拟图像传输给用户。通过选取恰当的服务顺序、室内小基站和用户之间的关联，以及选择合适的可见光接入点，可以有效地实现虚拟图像传输时延的最小化。该问题是一个非线性问题，通过大M方法将非线性问题转换为一个线性混合整数规划问题，并通过Q‑learning算法实现最小传输时延。

Description

一种虚拟现实网络资源管理方法
技术领域
本发明涉及一种虚拟现实网络资源管理方法，属于天地一体化网络的无线资源管理技术领域。
背景技术
在传统的虚拟现实VR服务中，一般忽略了VR用户的准确位置，或者定位VR用户的位置信息不准确，从而影响VR用户的体验感问题。另外，由于一些不可抗拒因素（地震、战争等）的影响，可能会对地面基站造成破坏，这对传统的VR图像的形成造成了一定的影响。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种虚拟现实网络资源管理方法。
为达到上述目的，本发明提供一种虚拟现实网络资源管理方法，包括：
基于Q-learning算法，对预先获取的整数优化模型进行资源分配，最小化传输时延；
预先获取整数优化模型，通过以下步骤实现：
构建非线性初始优化模型；
基于大M法，将非线性初始优化模型转化为线性混合的整数优化模型。
优先地，构建的非线性初始优化模型的表达式为：
Figure 596DEST_PATH_IMAGE001
Figure 704110DEST_PATH_IMAGE002
Figure 655885DEST_PATH_IMAGE003
Figure 502356DEST_PATH_IMAGE004
Figure 881385DEST_PATH_IMAGE005
Figure 337774DEST_PATH_IMAGE006
其中，u为用户与室内小基站之间的关系，T为服务顺序，
Figure 703028DEST_PATH_IMAGE007
，N为用户的数量，τ n 为用户n的传输时延；
其中，
Figure 295683DEST_PATH_IMAGE008
，
Figure 845613DEST_PATH_IMAGE009
，
Figure 258140DEST_PATH_IMAGE010
，K为可见光接入点的数量，I为服务时隙的数量，B为室内小基站的数量；
γ nki =1表示第k个可见光接入点在第i个时隙为第n个用户服务，u nβ =1表示第β个室内小基站为第n个用户服务，T ni =1表示在第i个时隙为第n个用户服务。
优先地，基于大M法，将非线性初始优化模型转化为线性混合的整数优化模型，通过以下步骤实现：
引入变量
Figure 427084DEST_PATH_IMAGE011
，
Figure 874246DEST_PATH_IMAGE012
为预设的中间参数，非线性初始优化模型转化为：
Figure 595077DEST_PATH_IMAGE013
Figure 760480DEST_PATH_IMAGE014
Figure 467535DEST_PATH_IMAGE015
Figure 769204DEST_PATH_IMAGE016
Figure 660936DEST_PATH_IMAGE017
Figure 48055DEST_PATH_IMAGE018
Figure 60267DEST_PATH_IMAGE019
其中，K为可见光接入点的数量，
Figure 482021DEST_PATH_IMAGE020
；
利用大M法，将转化后的非线性初始优化模型转变为线性混合的整数优化模型：
Figure 544655DEST_PATH_IMAGE021
Figure 419070DEST_PATH_IMAGE022
Figure 467929DEST_PATH_IMAGE023
Figure 744189DEST_PATH_IMAGE024
Figure 977725DEST_PATH_IMAGE025
Figure 339436DEST_PATH_IMAGE026
Figure 191985DEST_PATH_IMAGE027
其中，S为在卫星处生成的VR图像大小，M为预设的中间参数，C β 表示卫星传输到第β个室内小基站的信息速率；C nβi 表示在第i个服务时隙时第β个室内小基站传输给第n个用户的信息速率。
优先地，基于Q-learning算法，对预先获取的整数优化模型进行资源分配，最小化传输时延，通过以下步骤实现：
若不符合C7-C12的约束，则将设定的小奖励值赋予给奖励值R i ，更新Q值表；
若符合C7-C12的约束，则将
Figure 588332DEST_PATH_IMAGE028
赋予给奖励值R i ，更新Q值表。
优先地，Q值表的更新公式如下：
Figure 992768DEST_PATH_IMAGE029
其中，Q(s i+1 , a i+1 )为Q值表中的第i+1行第i+1列的值，Q(s i , a i )为Q值表中的第i行第i列的值，a i 是第i个动作，s i 是采取动作a i-1 后的状态，α为学习率，R i 是在状态s i 下采取第i个动作a i 时的奖励值，γ为折扣率，s i+1 是采取动作a i 后的状态；a为动作a i 的集合，
Figure 576196DEST_PATH_IMAGE031
是在状态s i+1 下采取的动作。
一种虚拟现实网络资源管理分配系统，包括：
资源分配模块，用于基于Q-learning算法，对预先获取的整数优化模型进行资源分配，最小化传输时延；
构建模块，用于构建非线性初始优化模型；
转换初始模型模块，用于基于大M法，将非线性初始优化模型转化为线性混合的整数优化模型。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述方法的步骤。
本发明所达到的有益效果：
本发明根据大M方法，将非线性初始优化模型转化为线性混合的整数优化模型，基于Q-learning算法，对转化后的整数优化模型进行资源分配，从而实现所有用户的传输时延最小化。
附图说明
图1为本发明的流程图；
图2为通信链路的示意图；
图3为本发明和传统算法的传输时延对比图。
具体实施方式
以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种虚拟现实网络资源管理方法，包括：
步骤1，基于通信链路，选取合适的服务顺序、室内小基站和用户之间的关联，以及选择合适的可见光接入点；
步骤2，基于步骤1，构建初始化模型；其中，初始优化模型为非线性优化模型，以所有用户的传输速率最小化为目标，优化用户与室内小基站的关联以及服务顺序；
步骤3，基于大M法，将非线性初始优化模型转化为线性混合的整数优化模型；
步骤4，基于Q-learning算法，对转化后的整数优化模型进行资源分配，从而实现所有用户的传输时延的最小化。
以图2的通信链路为例，其由1个卫星、1个地面网关和带有室内定位系统的室内网络组成。室内网络由α个可见光接入点和β个室内小基站组成，室内共有N个用户。
假设从地面网关到室内小基站传输无损耗，那么室内小基站的接收到的信息速率C β 表示为：
Figure 232437DEST_PATH_IMAGE032
其中，B 1为卫星的信号带宽，P r 为室内小基站接收功率，N 0为奈奎斯特噪声功率。
那么，信号从卫星到室内小基站的延迟Φ为：
Figure 483289DEST_PATH_IMAGE033
,
其中，S为在卫星处生成的VR图像大小。
第i个服务时隙时第β个室内小基站传输给第n个用户的信息速率C nβi 表示为：
Figure 58627DEST_PATH_IMAGE034
其中，B 2是室内小基站的信号带宽，g nβi 是室内太赫兹通信链路的损失；N nβi 是总噪声，由奈奎斯特噪声功率和分子吸收功率组成。
分子系数功率表示为：
Figure 129351DEST_PATH_IMAGE035
其中，c为光速；f为室内小基站的工作频率，π为圆周率；d nβi 为第n个用户到第β个室内小基站的距离；δ(d nβi )为遵循比尔—朗伯定理的介质的透射率,P为VR设备端的接收功率。
那么，信号从室内小基站到第n个用户的时延表示为：
Figure 822239DEST_PATH_IMAGE036
那么，总时延τ表示为：
Figure 927598DEST_PATH_IMAGE037
因此，可以构建以下初始优化模型，该模型以所有用户时延的最小化为目标，优化用户与室内小基站的关联和服务顺序。具体如下：
构建的非线性初始优化模型的表达式为：
Figure 673837DEST_PATH_IMAGE038
Figure 497437DEST_PATH_IMAGE002
Figure 229900DEST_PATH_IMAGE039
Figure 455345DEST_PATH_IMAGE040
Figure 372486DEST_PATH_IMAGE041
Figure 417802DEST_PATH_IMAGE006
其中，u为用户与室内小基站之间的关系，T为服务顺序，
Figure 953957DEST_PATH_IMAGE007
，N为用户的数量，τ n 为用户n的传输时延；
其中，
Figure 33908DEST_PATH_IMAGE008
，
Figure 121950DEST_PATH_IMAGE009
，
Figure 654563DEST_PATH_IMAGE010
，K为可见光接入点的数量，I为服务时隙的数量，B为室内小基站的数量；
γ nki =1表示第k个可见光接入点在第i个时隙为第n个用户服务，u nβ =1表示第β个室内小基站为第n个用户服务，T ni =1表示在第i个时隙为第n个用户服务。
基于大M法，将非线性初始优化模型转化为线性混合的整数优化模型，通过以下步骤实现：
引入变量
Figure 994408DEST_PATH_IMAGE011
，
Figure 928866DEST_PATH_IMAGE012
为预设的中间参数，非线性初始优化模型转化为：
Figure 187809DEST_PATH_IMAGE013
Figure 207718DEST_PATH_IMAGE014
Figure 852719DEST_PATH_IMAGE015
Figure 641684DEST_PATH_IMAGE016
Figure 71528DEST_PATH_IMAGE017
Figure 578733DEST_PATH_IMAGE018
Figure 260381DEST_PATH_IMAGE019
其中，K为可见光接入点的数量，
Figure 903852DEST_PATH_IMAGE020
；
利用大M法，将转化后的非线性初始优化模型转变为线性混合的整数优化模型：
Figure 770177DEST_PATH_IMAGE021
Figure 499098DEST_PATH_IMAGE022
Figure 984437DEST_PATH_IMAGE023
Figure 482415DEST_PATH_IMAGE024
Figure 519641DEST_PATH_IMAGE025
Figure 735859DEST_PATH_IMAGE026
Figure 759309DEST_PATH_IMAGE027
其中，S为在卫星处生成的VR图像大小，M为预设的中间参数，C β 表示卫星传输到第β个室内小基站的信息速率；C nβi 表示在第i个服务时隙时第β个室内小基站传输给第n个用户的信息速率。
基于Q-learning算法，对预先获取的整数优化模型进行资源分配，最小化传输时延，通过以下步骤实现：
若不符合C7-C12的约束，则将设定的小奖励值赋予给奖励值R i ，更新Q值表；
若符合C7-C12的约束，则将
Figure 377372DEST_PATH_IMAGE028
赋予给奖励值R i ，更新Q值表。
Q值表的更新公式如下：
Figure 585500DEST_PATH_IMAGE029
其中，Q(s i+1 , a i+1 )为Q值表中的第i+1行第i+1列的值，Q(s i , a i )为Q值表中的第i行第i列的值，a i 是第i个动作，s i 是采取动作a i-1 后的状态，α为学习率，R i 是在状态s i 下采取第i个动作a i 时的奖励值，γ为折扣率，s i+1 是采取动作a i 后的状态；a为动作a i 的集合，
Figure 289014DEST_PATH_IMAGE031
是在状态s i+1 下采取的动作。
一种虚拟现实网络资源管理分配系统，包括：
资源分配模块，用于基于Q-learning算法，对预先获取的整数优化模型进行资源分配，最小化传输时延；
构建模块，用于构建非线性初始优化模型；
转换初始模型模块，用于基于大M法，将非线性初始优化模型转化为线性混合的整数优化模型。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述方法的步骤。
Q-learning算法中的状态：N个用户；动作：B个室内小基站；奖励：当违反所述的约束时，赋予设定的小奖励值，当符合所述的约束时，赋予的奖励值为
Figure 614691DEST_PATH_IMAGE028
，从而不断的更新Q表；目标：最小化传输时延。
如图3所示，随着室内小基站数量的增加，本发明对VR用户的平均时延（单位ms）和传统算法对VR用户的平均时延如表1所示，由表1可知本发明的平均时延明显低于传统算法的平均时延。
表1
室内小基站的数量 1 2 3 4 5 6 7 8 9
传统算法的平均时延 33 31 24.33 21.33 16 14.67 14.33 13.67 11.67
本发明的平均时延 32.23 26.32 19.66 16.33 11.08 9.939 9.447 8.725 6.878
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种虚拟现实网络资源管理方法，其特征在于，包括：
基于Q-learning算法，对预先获取的整数优化模型进行资源分配，最小化传输时延；
预先获取整数优化模型，通过以下步骤实现：
构建非线性初始优化模型；
基于大M法，将非线性初始优化模型转化为线性混合的整数优化模型。
2.根据权利要求1所述的一种虚拟现实网络资源管理方法，其特征在于，
构建的非线性初始优化模型的表达式为：
Figure 67088DEST_PATH_IMAGE001
Figure 649379DEST_PATH_IMAGE002
Figure 777872DEST_PATH_IMAGE003
Figure 267759DEST_PATH_IMAGE004
Figure 798098DEST_PATH_IMAGE005
Figure 82449DEST_PATH_IMAGE006
其中，u为用户与室内小基站之间的关系，T为服务顺序，
Figure 698238DEST_PATH_IMAGE007
，N为用户的数量，τ n 为用户n的传输时延；
其中，
Figure 991816DEST_PATH_IMAGE008
，
Figure 376661DEST_PATH_IMAGE009
，
Figure 97492DEST_PATH_IMAGE010
，K为可见光接入点的数量，I为服务时隙的数量，B为室内小基站的数量；
γ nki =1表示第k个可见光接入点在第i个时隙为第n个用户服务，u nβ =1表示第β个室内小基站为第n个用户服务，T ni =1表示在第i个时隙为第n个用户服务。
3.根据权利要求2所述的一种虚拟现实网络资源管理方法，其特征在于，
基于大M法，将非线性初始优化模型转化为线性混合的整数优化模型，通过以下步骤实现：
引入变量
Figure 433533DEST_PATH_IMAGE011
，
Figure 265223DEST_PATH_IMAGE012
为预设的中间参数，非线性初始优化模型转化为：
Figure 770154DEST_PATH_IMAGE013
Figure 661886DEST_PATH_IMAGE014
Figure 986688DEST_PATH_IMAGE015
Figure 622069DEST_PATH_IMAGE016
Figure 981506DEST_PATH_IMAGE017
Figure 44140DEST_PATH_IMAGE018
Figure 856238DEST_PATH_IMAGE019
其中，K为可见光接入点的数量，
Figure 29731DEST_PATH_IMAGE020
；
利用大M法，将转化后的非线性初始优化模型转变为线性混合的整数优化模型：
Figure 243674DEST_PATH_IMAGE021
Figure 477210DEST_PATH_IMAGE022
Figure 776604DEST_PATH_IMAGE023
Figure 753787DEST_PATH_IMAGE024
Figure 822237DEST_PATH_IMAGE025
Figure 226674DEST_PATH_IMAGE026
Figure 780408DEST_PATH_IMAGE027
其中，S为在卫星处生成的VR图像大小，M为预设的中间参数，C β 表示卫星传输到第β个室内小基站的信息速率；C nβi 表示在第i个服务时隙时第β个室内小基站传输给第n个用户的信息速率。
4.根据权利要求3所述的一种虚拟现实网络资源管理方法，其特征在于，
基于Q-learning算法，对预先获取的整数优化模型进行资源分配，最小化传输时延，通过以下步骤实现：
若不符合C7-C12的约束，则将设定的小奖励值赋予给奖励值R i ，更新Q值表；
若符合C7-C12的约束，则将
Figure 498966DEST_PATH_IMAGE028
赋予给奖励值R i ，更新Q值表。
5.根据权利要求4所述的一种虚拟现实网络资源管理方法，其特征在于，
Q值表的更新公式如下：
Figure 484239DEST_PATH_IMAGE029
其中，Q(s i+1 , a i+1 )为Q值表中的第i+1行第i+1列的值，Q(s i , a i )为Q值表中的第i行第i列的值，a i 是第i个动作，s i 是采取动作a i-1 后的状态，α为学习率，R i 是在状态s i 下采取第i个动作a i 时的奖励值，γ为折扣率，s i+1 是采取动作a i 后的状态；a为动作a i 的集合，
Figure 997260DEST_PATH_IMAGE030
是在状态s i+1 下采取的动作。
6.一种虚拟现实网络资源管理分配系统，其特征在于，包括：
资源分配模块，用于基于Q-learning算法，对预先获取的整数优化模型进行资源分配，最小化传输时延；
构建模块，用于构建非线性初始优化模型；
转换初始模型模块，用于基于大M法，将非线性初始优化模型转化为线性混合的整数优化模型。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至5中任一项所述方法的步骤。
CN202211180711.2A 2022-09-27 2022-09-27 一种虚拟现实网络资源管理方法 Active CN115277420B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211180711.2A CN115277420B (zh) 2022-09-27 2022-09-27 一种虚拟现实网络资源管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211180711.2A CN115277420B (zh) 2022-09-27 2022-09-27 一种虚拟现实网络资源管理方法

Publications (2)

Publication Number Publication Date
CN115277420A true CN115277420A (zh) 2022-11-01
CN115277420B CN115277420B (zh) 2023-02-03

Family

ID=83756807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211180711.2A Active CN115277420B (zh) 2022-09-27 2022-09-27 一种虚拟现实网络资源管理方法

Country Status (1)

Country Link
CN (1) CN115277420B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111405568A (zh) * 2020-03-19 2020-07-10 三峡大学 基于q学习的计算卸载和资源分配方法及装置
CN112543049A (zh) * 2020-11-16 2021-03-23 北京科技大学 一种集成地面卫星网络的能效优化方法及装置
CN112732359A (zh) * 2021-01-14 2021-04-30 广东技术师范大学 多用户混合计算卸载方法、装置、电子设备及存储介质
US20210142059A1 (en) * 2019-11-11 2021-05-13 Lg Electronics Inc. Xr device for providing ar mode and vr mode and method for controlling the same
CN114189892A (zh) * 2021-12-15 2022-03-15 北京工业大学 一种基于区块链和集体强化学习的云边协同物联网系统资源分配方法
CN114980160A (zh) * 2022-04-27 2022-08-30 北京科技大学 一种无人机辅助的太赫兹通信网络联合优化方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210142059A1 (en) * 2019-11-11 2021-05-13 Lg Electronics Inc. Xr device for providing ar mode and vr mode and method for controlling the same
CN111405568A (zh) * 2020-03-19 2020-07-10 三峡大学 基于q学习的计算卸载和资源分配方法及装置
CN112543049A (zh) * 2020-11-16 2021-03-23 北京科技大学 一种集成地面卫星网络的能效优化方法及装置
CN112732359A (zh) * 2021-01-14 2021-04-30 广东技术师范大学 多用户混合计算卸载方法、装置、电子设备及存储介质
CN114189892A (zh) * 2021-12-15 2022-03-15 北京工业大学 一种基于区块链和集体强化学习的云边协同物联网系统资源分配方法
CN114980160A (zh) * 2022-04-27 2022-08-30 北京科技大学 一种无人机辅助的太赫兹通信网络联合优化方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
袁泉等: "基于Q-learning算法的vEPC虚拟网络功能部署方法", 《通信学报》 *

Also Published As

Publication number Publication date
CN115277420B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
CN110581898B (zh) 基于5g和边缘计算的物联网数据终端系统
CN106781663A (zh) 用于处理停车位预约信息的系统和方法
CN105809323A (zh) 任务分配方法和系统
CN108933743B (zh) 一种基于dsp的网络流量分配方法和装置
CN109889397B (zh) 抽签方法、区块生成方法、设备及存储介质
CN104035926A (zh) 一种互联网信息的投放和系统
CN106453608A (zh) 一种基于云端的移动应用的后台请求自适应调度算法
CN105072139A (zh) 推荐方法和装置
CN115099420A (zh) 一种面向无线联邦学习的模型聚合权重动态分配方法
CN115277420B (zh) 一种虚拟现实网络资源管理方法
CN104135743A (zh) 一种lte-a蜂窝网络中基于缓存控制的资源分配方法
CN104662842A (zh) 基于网格的流量测量
CN116989819B (zh) 一种基于模型解的路径确定方法及装置
CN108228197A (zh) 一种在集群中安装软件的方法和装置
CN112001074B (zh) 一种基于植被覆盖率的污染物治理方法、装置、存储介质
CN109697224B (zh) 一种账单消息处理方法、装置和存储介质
CN113591999B (zh) 一种端边云联邦学习模型训练系统及方法
CN113965837B (zh) 光网络动态频谱分区方法、装置、存储介质和计算机设备
CN110069708A (zh) 一种跨媒介推广的推广效果预估方法、装置、介质和设备
CN113242459B (zh) 一种新视频曝光方法、装置、介质及计算机设备
CN107665135A (zh) 一种升级程序的推送方法及装置
Guo et al. Correction of sub-seasonal predictions of summer precipitation in Southwest China based on the Transformer-Seq2Seq-DNN ensemble deep learning model
CN113344074A (zh) 模型训练方法、装置、设备及存储介质
CN111208980B (zh) 一种数据分析处理方法和系统
CN110909018A (zh) Sql语句生成方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant