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

• 学术论文 • 上一篇    下一篇

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. 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. 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:

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: