CN116016380A - 时敏业务异构网络资源调配方法、系统、设备及介质 - Google Patents
时敏业务异构网络资源调配方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116016380A CN116016380A CN202211615414.6A CN202211615414A CN116016380A CN 116016380 A CN116016380 A CN 116016380A CN 202211615414 A CN202211615414 A CN 202211615414A CN 116016380 A CN116016380 A CN 116016380A
- Authority
- CN
- China
- Prior art keywords
- resource allocation
- time
- electric power
- wind
- power station
- 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.)
- Pending
Links
- 238000013468 resource allocation Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000005540 biological transmission Effects 0.000 claims abstract description 81
- 238000004891 communication Methods 0.000 claims abstract description 60
- 230000006870 function Effects 0.000 claims abstract description 32
- 230000035945 sensitivity Effects 0.000 claims abstract description 31
- 208000001613 Gambling Diseases 0.000 claims abstract description 29
- 230000001149 cognitive effect Effects 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种时敏业务异构网络资源调配方法、系统、设备及介质,属于能源调度领域,包括:获取分布式风光电站历史时敏业务传输时延性能;基于风光电站资源调配架构,构建以电力物联网终端总数据传输时延最小化为目标函数的通信网络资源调配模型;将所述目标函数转换为多臂赌博机模型;采用基于时延敏感度认知贪婪算法求解多臂赌博机模型,得到分布式风光电站异构网络通信资源调配决策;利用历史时敏业务传输时延性能进行时延敏感认知学习,得到不同时敏业务电力物联网终端的资源调配决策。该方法对分布式风光电站异构网络通信资源调配决策进行学习,解决非全局信息下的资源调配问题,实现时敏业务通信资源的合理分配。
Description
技术领域
本发明属于风光电站通信技术领域,特别是涉及一种时敏业务异构网络资源调配方法、系统、设备及介质。
背景技术
分布式风光电站具有节能环保、高安全性、输配电损耗低和高自动化等优点,在新型电力系统中占有重要地位。分布式风光电站产生多种时敏业务包括信息采集类业务、调控指令类业务和应急通信类业务等,由于后续应用不同往往具有差异化传输时延需求。同时,分布式风光电站常建在铁路边坡、工业园区屋顶和乡村空闲地等不同场景,参与主体众多,使用电力线通信(Power Line Communication,PLC),4G/5G,电力无线专网,光纤等多种通信手段,形成异构通信网络使资源调配难度加大。分布式风光电站电力物联网终端难以从众多异构资源中做出合理的选择,无法满足不同业务差异化传输时延需求,异构网络资源利用率下降。因此,亟需设计一种面向分布式风光电站时敏业务的异构网络资源调配方法,满足业务差异化传输时延需求,为后续业务实现提供保障。
针对异构网络资源调配问题,现有方法如最大信道资源增益法在不同链路节点转发时,通过识别电力物联网终端间通信链路的信道资源增益,完成对于通信资源的选择,进而实现业务数据传输。然而,该方法基于全局信息已知的情况,难以应用于实际情况下全局信息未知的场景,同时忽略了分布式风光电站不同时敏业务的低时延通信需求保障。
现有分布式风光电站通信资源调配方法还面临以下问题:
现有分布式风光电站通信资源调配方法无法在全局信息未知的情况下实现异构通信网络资源调配。现有方法基于全局信息已知的情况,利用通信资源信道资源增益信息实现资源调配,然而在实际复杂运行场景中,分布式风光电站网关无法获得实时信道资源状态并进行通信资源调配。
分布式风光电站时敏业务的数据传输具有低时延需求,且不同的时敏业务有着不同的时延敏感度,即最低时延要求,现有网络通信资源配置方法大多忽略了不同时敏业务差异化最低时延要求,无法实现分布式风光电站异构资源配置与时敏业务低时延需求的最优适配。
发明内容
本发明提供了一种时敏业务异构网络资源调配方法、系统、设备及介质,本发明的方法能够完成非全局信息下时敏业务的异构通信网络资源调配优化,满足风光电站时敏业务差异化时延敏感度要求,实现分布式风光电站复杂异构网络的低时延控制的目的。
为达到上述目的,本发明采用以下技术方案予以实现:
一种时敏业务异构网络资源调配方法,包括:
获取分布式风光电站历史时敏业务传输时延性能;
基于风光电站资源调配架构,构建以电力物联网终端总数据传输时延最小化为目标函数的通信网络资源调配模型;将所述目标函数转换为多臂赌博机模型;采用基于时延敏感度认知贪婪算法求解多臂赌博机模型,得到分布式风光电站异构网络通信资源调配决策;
利用历史时敏业务传输时延性能对分布式风光电站异构网络通信资源调配决策进行时延敏感认知学习,得到不同时敏业务电力物联网终端的资源调配决策。
作为本发明的进一步改进,所述风光电站资源调配架构包括:分布式风电组件和光伏组件,风电组件和光伏组件上均部署有M个电力物联网终端为时敏业务提供数据;所述电力物联网终端通过电力线通信或微功率无线将采集的信道资源传输到风光电站网关;
M个电力物联网终端的集合表示为D={d1,...,dm,...,dM};存在K1个电力线信道资源,K2个微功率无线信道资源,集合表示为其中,ck,k=1,...,K1为电力线信道资源,ck,k=K1+1,...,K1+K2为微功率无线信道资源。
作为本发明的进一步改进,所述构建以电力物联网终端总数据传输时延最小化为目标函数的通信网络资源调配模型,包括:
采用时隙模型,共有T个等长时隙,集合表示为T={11,...,t,...,T};每个时隙开始时,电力物联网终端采集数据,风光电站网关为其调配信道资源,电力物联网终端根据资源调配决策传输数据;以二值变量sm,k,t∈{0,1}为信道资源调配指示变量;
电力物联网终端dm在第t时隙选择信道资源ck的传输速率Rm,k,t为:
其中,Bk表示信道资源ck的带宽,pm,k,t和hm,k,t分别表示传输功率和信道资源增益,σ0和σEMI分别表示高斯白噪声和电磁干扰;电力物联网终端dm选择信道资源ck的传输数据的时延表示为:
其中,Fm,t表示电力物联网终端dm在第t时隙传输的数据大小;
约束条件为:
约束1:信道资源调配约束,即每个时隙只能给每个电力物联网终端分配一个信道资源;
作为本发明的进一步改进,将所述目标函数转换为多臂赌博机模型,具体为:
作为本发明的进一步改进,所述利用历史时敏业务传输时延性能对分布式风光电站异构网络通信资源调配决策进行时延敏感认知学习,得到不同时敏业务电力物联网终端的资源调配决策,包括:
当λ>κm时,风光电站网关贪婪选择历史性能最优的摇臂;
当λ≤κm时,风光电站网关任意选择一个摇臂;
当t>T时,结束。
一种时敏业务异构网络资源调配系统,包括:
数据获取模块,用于获取分布式风光电站历史时敏业务传输时延性能;
决策求解模块,用于基于风光电站资源调配架构,构建以电力物联网终端总数据传输时延最小化为目标函数的通信网络资源调配模型;将所述目标函数转换为多臂赌博机模型;采用基于时延敏感度认知贪婪算法求解多臂赌博机模型,得到分布式风光电站异构网络通信资源调配决策;
认知学习模块,用于利用历史时敏业务传输时延性能对分布式风光电站异构网络通信资源调配决策进行时延敏感认知学习,得到不同时敏业务电力物联网终端的资源调配决策。
作为本发明的进一步改进,所述决策求解模块,目标函数包括:
约束1:信道资源调配约束,即每个时隙只能给每个电力物联网终端分配一个信道资源;
作为本发明的进一步改进,所述决策求解模块,将所述目标函数转换为多臂赌博机模型,具体为:
一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述时敏业务异构网络资源调配方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述时敏业务异构网络资源调配方法的步骤。
与现有技术相比,本发明具有以下有益效果:
针对双碳背景下分布式风光电站产生时敏业务差异化时延敏感度需求,本发明提供时敏业务异构网络资源调配方法,面向风光电站时敏业务,综合考虑风光电站时敏业务的差异化时延敏感度需求,利用历史时敏业务传输时延性能实现非全局信息下的差异化时敏业务资源调配决策优化。本发明采用基于时延敏感认知学习的异构网络资源调配算法来降低分布式风光电站时敏业务的数据传输时延。该方法利用历史时敏业务传输时延性能对分布式风光电站异构网络通信资源调配决策进行学习,解决非全局信息下的资源调配问题,实现时敏业务通信资源的合理分配。本发明降低分布式风光电站时敏业务的数据传输时延。该方法利用历史时敏业务传输时延性能对分布式风光电站异构网络通信资源调配决策进行学习,解决非全局信息下的资源调配问题,实现时敏业务通信资源的合理分配。
进一步,本发明分布式风光电站异构网络资源调配问题建模为一个多臂赌博机模型。本发明在传统的ε-贪婪算法的基础上创新,提出基于时延敏感度认知贪婪算法,根据不同时敏业务电力物联网终端的差异化时延敏感度动态调节探索因子,平衡摇臂选择的探索与利用的关系,从而针对性地降低分布式风光电站不同时敏业务数据传输时延,实现风光电站复杂异构网络时敏业务的低时延控制。
附图说明
图1为本发明提供的一种时敏业务异构网络资源调配流程图;
图2为风光电站资源调配架构图;
图3为基于时延敏感度认知贪婪算法的异构网络资源调配的流程图;
图4为本发明提供的一种时敏业务异构网络资源调配系统;
图5为本发明提供的一种电子设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示,本发明提出了一种时敏业务异构网络资源调配方法,包括:
S1,获取分布式风光电站历史时敏业务传输时延性能;
S2,基于风光电站资源调配架构,构建以电力物联网终端总数据传输时延最小化为目标函数的通信网络资源调配模型;将所述目标函数转换为多臂赌博机模型;采用基于时延敏感度认知贪婪算法求解多臂赌博机模型,得到分布式风光电站异构网络通信资源调配决策;
S3,利用历史时敏业务传输时延性能对分布式风光电站异构网络通信资源调配决策进行时延敏感认知学习,得到不同时敏业务电力物联网终端的资源调配决策。
本发明在传统的ε-贪婪算法的基础上创新,提出基于时延敏感度认知贪婪算法,根据不同时敏业务电力物联网终端的差异化时延敏感度动态调节探索因子,平衡摇臂选择的探索与利用的关系。当业务时延敏感度高时,探索因子将减小,从而更倾向于利用时延性能较好的摇臂以满足业务较高的时延要求;相反,当业务时延敏感度低时,探索因子将增大,从而更倾向于探索其他摇臂以避免资源调配决策陷入局部最优。所提算法能够针对性地降低分布式风光电站不同时敏业务数据传输时延,实现风光电站复杂异构网络时敏业务的低时延控制。
具体方法结合附图和实施例进行如下详细说明。
本发明考虑风光电站资源调配架构图如图2所示,风光电站部署大量分布式风电组件和光伏组件,组件上面部署大量电力物联网终端为时敏业务提供数据。
设有M个电力物联网终端,集合表示为D={d1,...,dm,...,dM}。风光电站异构网络中存在电力线通信、微功率无线等信道资源,电力物联网终端通过电力线通信或微功率无线将采集的数据传输到风光电站网关进行处理。
本发明采用时隙模型,设共有T个等长时隙,集合表示为T={11,...,t,...,T}。每个时隙开始时,电力物联网终端采集数据,风光电站网关为其调配信道资源,电力物联网终端根据资源调配决策传输数据。定义二值变量sm,k,t∈{0,1}为信道资源调配指示变量,sm,k,t=1表示电力物联网终端dm在第t时隙选择信道资源ck传输数据,否则sm,k,t=0。
电力物联网终端dm在第t时隙选择信道资源ck的传输速率Rm,k,t为
其中,Bk表示信道资源ck的带宽,pm,k,t和hm,k,t分别表示传输功率和信道资源增益,σ0和σEMI分别表示高斯白噪声和电磁干扰。因此,电力物联网终端dm选择信道资源ck的传输数据的时延表示为
其中,Fm,t表示电力物联网终端dm在第t时隙传输的数据大小。
约束1:信道资源调配约束,即每个时隙只能给每个电力物联网终端分配一个信道资源。
为解决上述问题,本发明将风光电站时敏业务的异构网络资源调配问题转化为多臂赌博机模型,多臂赌博机模型主要元素包括决策者、摇臂、奖励。
为了对上述多臂赌博机模型进行求解,本发明提出基于时延敏感度认知贪婪算法解决上述多臂赌博机模型,根据不同时敏业务电力物联网终端差异化时延敏感度动态调节探索因子,平衡摇臂选择的探索与利用的关系。电力物联网终端dm的探索因子κm定义如下为其中,α为常量,用于调整数量级,ηm为电力物联网终端dm的时延敏感度。当时延敏感度较高时,将减小探索因子,从而更倾向于“利用”,减少不必要“探索”导致的性能下降。相反,当时延敏感度较低时,将增大探索因子,从而更倾向于“探索”具有更优性能的资源调配策略。
所提基于时延敏感度认知贪婪算法流程图如图3所示,算法实施主要包含以下三个阶段。
当λ>κm时,风光电站网关贪婪选择历史性能最优的摇臂。当λ≤κm时,风光电站网关任意选择一个摇臂。
最后,当t>T时,算法结束。
其中,学习过程包括:每个时隙,风光电站网关(决策者)选择信道(摇臂),得到资源配置决策,根据配置的信道资源传输数据,得到对应的奖励电力物联网终端传输时延性能(奖励),从而更新选择信道(摇臂)的历史时敏业务传输时延性能,因此风光电站网关(决策者)可以不断学习哪个信道(摇臂)具有更好的电力物联网终端传输时延性能。
本发明还提出基于时延敏感认知学习的异构网络资源调配算法来降低分布式风光电站时敏业务的数据传输时延。该方法利用历史时敏业务传输时延性能对分布式风光电站异构网络通信资源调配决策进行学习,而无需获取风光电站异构网络的全局信息,解决非全局信息下的资源调配问题,实现时敏业务通信资源的合理分配。
如图4所示,本发明还提供一种时敏业务异构网络资源调配系统,包括:
数据获取模块,用于获取分布式风光电站历史时敏业务传输时延性能;
决策求解模块,用于基于风光电站资源调配架构,构建以电力物联网终端总数据传输时延最小化为目标函数的通信网络资源调配模型;将所述目标函数转换为多臂赌博机模型;采用基于时延敏感度认知贪婪算法求解多臂赌博机模型,得到分布式风光电站异构网络通信资源调配决策;
认知学习模块,用于利用历史时敏业务传输时延性能对分布式风光电站异构网络通信资源调配决策进行时延敏感认知学习,得到不同时敏业务电力物联网终端的资源调配决策。
作为可选实施例,所述模型构建模块,目标函数包括:
约束1:信道资源调配约束,即每个时隙只能给每个电力物联网终端分配一个信道资源;
作为可选实施例,所述决策求解模块,将所述目标函数转换为多臂赌博机模型,具体为:
如图5所示,本发明提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述时敏业务异构网络资源调配方法的步骤。
所述时敏业务异构网络资源调配方法包括以下步骤:
获取分布式风光电站历史时敏业务传输时延性能;
基于风光电站资源调配架构,构建以电力物联网终端总数据传输时延最小化为目标函数的通信网络资源调配模型;将所述目标函数转换为多臂赌博机模型;采用基于时延敏感度认知贪婪算法求解多臂赌博机模型,得到分布式风光电站异构网络通信资源调配决策;
利用历史时敏业务传输时延性能对分布式风光电站异构网络通信资源调配决策进行时延敏感认知学习,得到不同时敏业务电力物联网终端的资源调配决策。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述时敏业务异构网络资源调配方法的步骤。
所述时敏业务异构网络资源调配方法包括以下步骤:
获取分布式风光电站历史时敏业务传输时延性能;
基于风光电站资源调配架构,构建以电力物联网终端总数据传输时延最小化为目标函数的通信网络资源调配模型;将所述目标函数转换为多臂赌博机模型;采用基于时延敏感度认知贪婪算法求解多臂赌博机模型,得到分布式风光电站异构网络通信资源调配决策;
利用历史时敏业务传输时延性能对分布式风光电站异构网络通信资源调配决策进行时延敏感认知学习,得到不同时敏业务电力物联网终端的资源调配决策。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种时敏业务异构网络资源调配方法,其特征在于,包括:
获取分布式风光电站历史时敏业务传输时延性能;
基于风光电站资源调配架构,构建以电力物联网终端总数据传输时延最小化为目标函数的通信网络资源调配模型;将所述目标函数转换为多臂赌博机模型;采用基于时延敏感度认知贪婪算法求解多臂赌博机模型,得到分布式风光电站异构网络通信资源调配决策;
利用历史时敏业务传输时延性能对分布式风光电站异构网络通信资源调配决策进行时延敏感认知学习,得到不同时敏业务电力物联网终端的资源调配决策。
2.根据权利要求1所述的一种时敏业务异构网络资源调配方法,其特征在于,所述风光电站资源调配架构包括:分布式风电组件和光伏组件,风电组件和光伏组件上均部署有M个电力物联网终端为时敏业务提供数据;所述电力物联网终端通过电力线通信或微功率无线将采集的信道资源传输到风光电站网关;
M个电力物联网终端的集合表示为D={d1,...,dm,...,dM};存在K1个电力线信道资源,K2个微功率无线信道资源,集合表示为C={c1,...,ck,...,cK1,...,cK1+K2},其中,ck,k=1,...,K1为电力线信道资源,ck,k=K1+1,...,K1+K2为微功率无线信道资源。
3.根据权利要求1所述的一种时敏业务异构网络资源调配方法,其特征在于,所述构建以电力物联网终端总数据传输时延最小化为目标函数的通信网络资源调配模型,包括:
采用时隙模型,共有T个等长时隙,集合表示为T={11,...,t,...,T};每个时隙开始时,电力物联网终端采集数据,风光电站网关为其调配信道资源,电力物联网终端根据资源调配决策传输数据;以二值变量sm,k,t∈{0,1}为信道资源调配指示变量;
电力物联网终端dm在第t时隙选择信道资源ck的传输速率Rm,k,t为:
其中,Bk表示信道资源ck的带宽,pm,k,t和hm,k,t分别表示传输功率和信道资源增益,σ0和σEMI分别表示高斯白噪声和电磁干扰;电力物联网终端dm选择信道资源ck的传输数据的时延表示为:
其中,Fm,t表示电力物联网终端dm在第t时隙传输的数据大小;
约束条件为:
约束1:信道资源调配约束,即每个时隙只能给每个电力物联网终端分配一个信道资源;
5.根据权利要求4所述的一种时敏业务异构网络资源调配方法,其特征在于,所述利用历史时敏业务传输时延性能对分布式风光电站异构网络通信资源调配决策进行时延敏感认知学习,得到不同时敏业务电力物联网终端的资源调配决策,包括:
当λ>κm时,风光电站网关贪婪选择历史性能最优的摇臂;
当λ≤κm时,风光电站网关任意选择一个摇臂;
当t>T时,结束。
6.一种时敏业务异构网络资源调配系统,其特征在于,包括:
数据获取模块,用于获取分布式风光电站历史时敏业务传输时延性能;
决策求解模块,用于基于风光电站资源调配架构,构建以电力物联网终端总数据传输时延最小化为目标函数的通信网络资源调配模型;将所述目标函数转换为多臂赌博机模型;采用基于时延敏感度认知贪婪算法求解多臂赌博机模型,得到分布式风光电站异构网络通信资源调配决策;
认知学习模块,用于利用历史时敏业务传输时延性能对分布式风光电站异构网络通信资源调配决策进行时延敏感认知学习,得到不同时敏业务电力物联网终端的资源调配决策。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1-5任一项所述时敏业务异构网络资源调配方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-5任一项所述时敏业务异构网络资源调配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211615414.6A CN116016380A (zh) | 2022-12-15 | 2022-12-15 | 时敏业务异构网络资源调配方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211615414.6A CN116016380A (zh) | 2022-12-15 | 2022-12-15 | 时敏业务异构网络资源调配方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116016380A true CN116016380A (zh) | 2023-04-25 |
Family
ID=86034576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211615414.6A Pending CN116016380A (zh) | 2022-12-15 | 2022-12-15 | 时敏业务异构网络资源调配方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116016380A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117560250A (zh) * | 2023-11-22 | 2024-02-13 | 重庆市华驰交通科技有限公司 | 一种智能网关的应用方法、装置和存储介质 |
-
2022
- 2022-12-15 CN CN202211615414.6A patent/CN116016380A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117560250A (zh) * | 2023-11-22 | 2024-02-13 | 重庆市华驰交通科技有限公司 | 一种智能网关的应用方法、装置和存储介质 |
CN117560250B (zh) * | 2023-11-22 | 2024-06-18 | 重庆市华驰交通科技有限公司 | 一种智能网关的应用方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109729528B (zh) | 一种基于多智能体深度强化学习的d2d资源分配方法 | |
CN110809306B (zh) | 一种基于深度强化学习的终端接入选择方法 | |
CN111372314A (zh) | 基于移动边缘计算场景下的任务卸载方法及任务卸载装置 | |
CN108541027A (zh) | 一种基于边缘云网络的通信计算资源置换方法 | |
CN113573324A (zh) | 工业物联网中协作式任务卸载和资源分配的联合优化方法 | |
Park et al. | Network resource optimization with reinforcement learning for low power wide area networks | |
CN109982434B (zh) | 无线资源调度一体智能化控制系统及方法、无线通信系统 | |
Liu et al. | Deep reinforcement learning based dynamic resource allocation in 5G ultra-dense networks | |
CN101588213B (zh) | 一种认知无线电网络中的频谱分配方法及装置 | |
CN116016380A (zh) | 时敏业务异构网络资源调配方法、系统、设备及介质 | |
CN109787696A (zh) | 基于案例推理与合作q学习的认知无线电资源分配方法 | |
CN113453358A (zh) | 一种无线携能d2d网络的联合资源分配方法 | |
Zhang et al. | Toward intelligent resource allocation on task-oriented semantic communication | |
CN103618674B (zh) | 基于自适应服务模型的联合分组调度和信道分配路由方法 | |
CN113747450B (zh) | 一种移动网络中业务部署方法、装置及电子设备 | |
CN109272167B (zh) | 一种基于uudn和q神经网络的绿色能量合作方法 | |
CN114126021A (zh) | 一种基于深度强化学习的绿色认知无线电的功率分配方法 | |
CN117114113A (zh) | 一种基于排队论的协同推理加速方法 | |
CN116436984A (zh) | 时间同步误差感知的边端协同分布式能源调控方法及系统 | |
CN115915454A (zh) | Swipt辅助的下行资源分配方法及装置 | |
CN113766661B (zh) | 用于无线网络环境的干扰控制方法及系统 | |
CN111372268A (zh) | 一种超密集网络中联合无线资源管理与任务卸载优化方法 | |
Long et al. | Multi User Offloading Strategy for Edge Computing in Charging Load Forecasting Scenario | |
Liu et al. | Spectrum Efficiency Optimization in V2X Communications: A NOMA-Based Solution | |
CN113766623B (zh) | 基于改进人工蜂群的认知无线电功率分配方法 |
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 |