-
公开(公告)号：CN111935777A
公开(公告)日：2020-11-13
申请号：CN202010496098.X
申请日：2020-06-03
Applicant: 东南大学 , 网络通信与安全紫金山实验室
Abstract: 本发明提供了一种基于深度强化学习的5G移动负载均衡方法，包括：初始化参数；开始进行每一轮循环，从已完成初始化的系统环境中获取初始状态后，开始进行每轮内部的每一小步循环；结束当前小步的循环，若当前小步次数未达到设定的最大步数，则转入循环步骤；否则转入下一步；结束当前轮次的循环，若当前轮次次数未达到设定的最大轮次次数，则转入循环步骤；否则转入下一步；利用训练好的动作网络实现移动负载均衡，将系统内各个基站的状态作为动作网络的输入，得到动作网络的输出值并作用到系统中的各个基站，根据A3事件对用户进行切换。本发明能够实现用户与基站之间的重新分配，进而降低过载小区的负载，实现系统的负载均衡。
-
公开(公告)号：CN111935777B
公开(公告)日：2023-04-28
申请号：CN202010496098.X
申请日：2020-06-03
Applicant: 东南大学 , 网络通信与安全紫金山实验室
IPC: H04W28/086 , H04L41/16 , G06N3/0464 , G06N3/092
Abstract: 本发明提供了一种基于深度强化学习的5G移动负载均衡方法，包括：初始化参数；开始进行每一轮循环，从已完成初始化的系统环境中获取初始状态后，开始进行每轮内部的每一小步循环；结束当前小步的循环，若当前小步次数未达到设定的最大步数，则转入循环步骤；否则转入下一步；结束当前轮次的循环，若当前轮次次数未达到设定的最大轮次次数，则转入循环步骤；否则转入下一步；利用训练好的动作网络实现移动负载均衡，将系统内各个基站的状态作为动作网络的输入，得到动作网络的输出值并作用到系统中的各个基站，根据A3事件对用户进行切换。本发明能够实现用户与基站之间的重新分配，进而降低过载小区的负载，实现系统的负载均衡。
-
公开(公告)号：CN113365312A
公开(公告)日：2021-09-07
申请号：CN202110689823.X
申请日：2021-06-22
Applicant: 东南大学 , 网络通信与安全紫金山实验室
Abstract: 本发明公开了强化学习和监督学习相结合的移动负载均衡方法，包括以下步骤：首先初始化参数；然后开始当前轮次的循环，获取系统初始状态，开始每轮内部的小步的循环，进行强化学习过程，小步循环结束，转入下一轮次进行循环，直到达到设定的最大轮次，循环结束：更新数据池并采样，更新每一个实际执行网络的参数，最后将系统内各个基站的状态作为实际执行网络的输入，得到网络的输出值即每个基站自身的小区偏置值，并作用到系统中的各个基站，根据A3事件对用户进行切换，从而实现用户与基站之间的重新分配，进而降低过载小区的负载，实现系统的负载均衡。本发明具有较高的稳定性和负载均衡能力，以及较好的泛化性和迁移能力。
-
公开(公告)号：CN113365312B
公开(公告)日：2022-10-14
申请号：CN202110689823.X
申请日：2021-06-22
Applicant: 东南大学 , 网络通信与安全紫金山实验室
Abstract: 本发明公开了强化学习和监督学习相结合的移动负载均衡方法，包括以下步骤：首先初始化参数；然后开始当前轮次的循环，获取系统初始状态，开始每轮内部的小步的循环，进行强化学习过程，小步循环结束，转入下一轮次进行循环，直到达到设定的最大轮次，循环结束：更新数据池并采样，更新每一个实际执行网络的参数，最后将系统内各个基站的状态作为实际执行网络的输入，得到网络的输出值即每个基站自身的小区偏置值，并作用到系统中的各个基站，根据A3事件对用户进行切换，从而实现用户与基站之间的重新分配，进而降低过载小区的负载，实现系统的负载均衡。本发明具有较高的稳定性和负载均衡能力，以及较好的泛化性和迁移能力。
-
-
-
Search Results
4
records
(took 0.04 seconds)
