基于图学习的密集空间网络传输资源调度方法

doi:10.12263/DZXB.20201217

电子学报 ›› 2021, Vol. 49 ›› Issue (11): 2133-2137.DOI: 10.12263/DZXB.20201217

基于图学习的密集空间网络传输资源调度方法

刘润滋¹, 吴伟华², 张文柱¹, 周笛², 张琰²

^1.西安建筑科技大学信息与控制工程学院，陕西西安 710055
^2.西安电子科技大学综合业务网理论及关键技术国家重点实验室，陕西西安 710071

收稿日期:2020-10-30 修回日期:2021-07-08 出版日期:2021-11-25 发布日期:2021-11-25
作者简介:刘润滋女，1988年生，山东潍坊人.现为西安建筑科技大学信息与控制工程学院副教授，主要研究方向为无线自组织网络、空间信息网络智能组网技术等.E-mail:rzliu@xauat.edu.cn
吴伟华（通信作者）男，1988年生，河北石家庄人.现为西安电子科技大学通信工程学院讲师，主要研究方向为无线通信网络、资源管理方法设计、随机网络优化等.E-mail:whwu@xidian.edu.cn
基金资助:
国家自然科学基金(61701365);中国博士后科学基金(2018M643581);陕西省重点研发计划(2021GY-066);陕西省自然科学基金(2020JQ-686);陕西省高校科协青年人才托举计划基金(20200112);陕西省博士后科研基金(2018BSHEDZZ47)

Graph Learning Based Transmission Resources Scheduling in Dense Space Networks

Run-zi LIU¹, Wei-hua WU², Wen-zhu ZHANG¹, Di ZHOU², Yan ZHANG²

^1.School of Information and Control Engineering，Xi’an University of Architecture and Technology，Xi’an，Shaanxi 710055，China
^2.The State Key Laboratory of ISN，Xidian University，Xi’an，Shaanxi 710071，China

Received:2020-10-30 Revised:2021-07-08 Online:2021-11-25 Published:2021-11-25

摘要/Abstract

摘要：

面对密集空间网络传输资源调度问题中的复杂度以及有效性挑战，本文以图论模型为纽带，将传统数学模型与机器学习方法相结合，提出一种基于图学习的密集空间网络传输资源调度方法.该方法基于图论模型对问题结构的认知将密集空间网络资源调度问题分解，由数学模型与基于图结构的强化学习交替配合完成整个求解过程.实验结果表明，与传统的基于数学模型的资源调度方法相比，所提方法能将资源调度收益提升25.1%，且其训练结果对网络场景变化具有较好的适应性.

关键词: 密集空间网络, 资源调度, 机器学习, 深度强化学习, 图论

Abstract:

Facing the challenges of the transmission resource schedule of dense space networks, we combine the mathematical models and machine learning methods, and propose a graph learning based approach for the scheduling of transmission resources in dense space networks. In the proposed method, transmission resource scheduling problem is decomposed based on the knowledge of the problem structure brought by graph theory. On this basis, mathematical model and reinforcement learning alternately complete the whole solution process. Simulation results show that, compared with the traditional mathematical model-based methods, the proposed method improves the scheduling profits by 25.1%, and its training results have better generality.

Key words: dense space network, resource scheduling, machine learning, deep reinforcement learning, graph theory

中图分类号:

TN919

刘润滋, 吴伟华, 张文柱, 周笛, 张琰. 基于图学习的密集空间网络传输资源调度方法[J]. 电子学报, 2021, 49(11): 2133-2137.

Run-zi LIU, Wei-hua WU, Wen-zhu ZHANG, Di ZHOU, Yan ZHANG. Graph Learning Based Transmission Resources Scheduling in Dense Space Networks[J]. Acta Electronica Sinica, 2021, 49(11): 2133-2137.

图/表 5

图1 密集空间网络场景

图2 冲突图

图3 损失函数L(Θ)随训练步数变化

图4 归一化资源调度收益随任务数变化

图5 训练结果适应性验证

参考文献 13

1	Zhang Z, Zhang W, Tseng F H. Satellite mobile edge computing: Improving QoS of high-speed satellite-terrestrial networks using edge computing techniques[J]. IEEE Network, 2019, 33(1): 70 - 76.
2	姜会林, 付强, 赵义武, 刘显著. 空间信息网络与激光通信发展现状及趋势[J]. 物联网学报, 2019, 3(2): 1 - 8.
	Jiang H L, Fu Q, Zhao Y W, LIU X Z. Development status and trend of space information network and laser communication[J]. Chinese Journal on Internet of Things, 2019, 3(2): 1 - 8. (in Chinese)
3	Rojanasoonthon S, Bard J. A GRASP for parallel machine scheduling with time windows[J]. INFORMS Journal on Computing, 2005, 17(1): 32 - 51.
4	Wang L, Jiang C, Kuang L, et al. Mission scheduling in space network with antenna dynamic setup times[J]. IEEE Transactions on Aerospace and Electronic Systems, 2019, 55(1): 31 - 45.
5	Baek S, Han S, Cho K, et al. Development of a scheduling algorithm and GUI for autonomous satellite missions[J]. Acta Astronautica, 2011, 68(7-8): 1396 - 1402.
6	Barbulescu L, Watson J P, Whitley L D, et al. Scheduling space-ground communications for the air force satellite control network[J]. Journal of Scheduling, 2004, 7(1): 7 - 34.
7	Chen M, Challita U, Saad W, et al. Artificial neural networks-based machine learning for wireless networks: A tutorial[J]. IEEE Communications Surveys & Tutorials, 2019, 21(4): 3039 - 3071.
8	Liang L, Ye H, Yu G, et al. Deep-learning-based wireless resource allocation with application to vehicular networks[J]. Proceedings of the IEEE, 2019, 108(2): 341 - 356.
9	Sun H, Chen X, Shi Q, et al. Learning to optimize: Training deep neural networks for interference management[J]. IEEE Transactions on Signal Processing, 2018, 66(20): 5438 - 5453.
10	Deng B, Jiang C, Yao H, et al. The next generation heterogeneous satellite communication networks: Integration of resource management and deep reinforcement learning[J]. IEEE Wireless Communications, 2019, 27(2): 105 - 111.
11	Meng X, Wu L, Yu S. Research on resource allocation method of space information networks based on deep reinforcement learning[J]. Remote Sensing, 2019, 11(4): 448.
12	Qiu C, Yao H, Yu F R, et al. Deep q-learning aided networking, caching, and computing resources allocation in software-defined satellite-terrestrial networks[J]. IEEE Transactions on Vehicular Technology, 2019, 68(6): 5871 - 5883.
13	Song B, Yao F, Chen Y, et al. A hybrid genetic algorithm for satellite image downlink scheduling problem[J]. Discrete Dynamics in Nature and Society, 2018: 1531452.

[1]	李纪三, 纪彦星, 曹鼎, 刘溶, 任渊. 基于广义时间窗的旋转相控阵雷达资源调度算法[J]. 电子学报, 2022, 50(5): 1050-1057.
[2]	易令, 李泽平. 基于深度强化学习的码率自适应算法研究[J]. 电子学报, 2022, 50(5): 1192-1200.
[3]	黄璐, 蔚保国, 李宏生, 李隽, 贾浩男, 程建强, 李雅宁. GNSS拒止环境下的伪卫星指纹定位方法[J]. 电子学报, 2022, 50(4): 811-822.
[4]	崔亚奇, 何友, 唐田田, 熊伟. 一种深度学习航迹关联方法[J]. 电子学报, 2022, 50(3): 759-763.
[5]	蒋华伟, 郭陶, 杨震. 车辆路径问题研究进展[J]. 电子学报, 2022, 50(2): 480-492.
[6]	肖硕, 黄珍珍, 张国鹏, 杨树松, 江海峰, 李天旭. 基于SAC的多智能体深度强化学习算法[J]. 电子学报, 2021, 49(9): 1675-1681.
[7]	张梦, 郑建宏, 刘香燕, 何云. 基于集成学习的全双工中继系统安全中继选择方案研究[J]. 电子学报, 2021, 49(9): 1852-1856.
[8]	郑海颖, 王峰, 姜维, 王志强, 姚西文. 神经网络训练策略对高分辨率遥感图像场景分类性能影响的评估[J]. 电子学报, 2021, 49(8): 1599-1614.
[9]	周东明, 张灿龙, 李志欣, 王智文. 基于多层级视觉融合的图像描述模型[J]. 电子学报, 2021, 49(7): 1286-1290.
[10]	侯秀聪, 赖晓平, 曹九稳. 正则化超限学习机的最大分划广义交替方向乘子法[J]. 电子学报, 2021, 49(4): 625-630.
[11]	陈长青, 郭春, 崔允贺, 申国伟, 蒋朝惠. 基于API短序列的勒索软件早期检测方法[J]. 电子学报, 2021, 49(3): 586-595.
[12]	韩冲, 王俊丽, 吴雨茜, 张超波. 基于神经进化的深度学习模型研究综述[J]. 电子学报, 2021, 49(2): 372-379.
[13]	陈思光, 陈佳民, 赵传信. 基于深度强化学习的云边协同计算迁移研究[J]. 电子学报, 2021, 49(1): 157-166.
[14]	仇祝令, 查宇飞, 吴敏, 王青. 基于注意力学习的正则化相关滤波跟踪算法[J]. 电子学报, 2020, 48(9): 1762-1768.
[15]	黄志清, 曲志伟, 张吉, 张严心, 田锐. 基于深度强化学习的端到端无人驾驶决策[J]. 电子学报, 2020, 48(9): 1711-1719.

基于图学习的密集空间网络传输资源调度方法

Graph Learning Based Transmission Resources Scheduling in Dense Space Networks

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 13

相关文章 15

编辑推荐

Metrics