基于深度强化学习的网络能耗与吞吐量联合优化路由方法

    公开(公告)号:CN114710439B

    公开(公告)日:2024-05-28

    申请号:CN202210437000.2

    申请日:2022-04-22

    Abstract: 本发明公开了一种基于深度强化学习的网络能耗与吞吐量联合优化路由方法,首先将数据中心网络的路由调度描述为具有两个目标的混合整数非线性规划问题,即最大化网络吞吐量和最小化能量消耗;其次为深度强化学习算法生成大量的训练数据,主要包括当前网络状态、决策行为、奖励和新网络状态;最后选择卷积神经网络和全连接神经网络作为智能体,并使用训练数据对智能体进行训练操作,其核心理论是选择贝尔曼方程来评估每个行为的结果、定义贝尔曼误差为损失函数,通过梯度下降法来对其进行优化,直至收敛。本发明提供的方法适用于大规模、高动态性的数据中心网络,相较于其他方案(如帕累托最优)具备效率高和成本低的优点。

    一种基于贪婪遗传算法的数据中心光网络带宽资源分配方法和系统

    公开(公告)号:CN119815219A

    公开(公告)日:2025-04-11

    申请号:CN202411967574.6

    申请日:2024-12-30

    Abstract: 本发明公开了一种基于贪婪遗传算法的数据中心光网络带宽资源分配方法和系统,方法包括:借助贪婪算法获取遗传算法的初始种群,并初始化配置参数,通过编码建立遗传算法染色体与解空间之间的对应关系;针对获取的种群的每个染色体进行适应度计算;判断遗传算法是否达到终止条件,如果达到,则算法结束,输出最优解;否则进入下一步按照排名选择法进行染色体选择;基于染色体适应度随机从种群中选择一定数量的染色体;从所选择的染色体中选取若干染色体进行交叉操作和变异操作;进行最佳染色体判断及选取;然后回到适应度计算步骤进行迭代计算;本发明提供的方法适用于突发性高负载流量的数据中心光网络,相比其他方案(如ONU随机迁移等)具有较高带宽资源满意度的优势。

Patent Agency Ranking