在机会网络中,网络拓扑结构动态变化,节点之间间歇性连接,这种间歇性连接是由于缺乏网络基础设施和终端设备随机移动所造成的,机会网络的这些特性使得路由算法的设计成为一项具有挑战性的研究课题.本文提出一种基于无监督学习模型X-Mean...在机会网络中,网络拓扑结构动态变化,节点之间间歇性连接,这种间歇性连接是由于缺乏网络基础设施和终端设备随机移动所造成的,机会网络的这些特性使得路由算法的设计成为一项具有挑战性的研究课题.本文提出一种基于无监督学习模型X-Means的机会网络路由算法XMROP(Opportunistic network routing algorithm based on unsupervised learning model X-Means),致力于利用机器学习模型来做出路由决策.该路由算法提出新的聚类模型应用模式,解决现阶段机会网络中应用聚类模型所存在的问题,综合考虑连接强度、节点活跃度、缓存等属性特征,定义新的节点中心度度量来衡量节点活跃程度,使用X-Means聚类模型对样本数据集进行训练,以适应机会网络拓扑结构的动态变化,提升路由算法性能.仿真实验结果表明,与KROP,DBSCAN-R,Prophet路由算法相比,XMROP具有更好的性能,从而验证了研究方案的有效性.展开更多
针对深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法在一些大状态空间任务中存在学习效果不佳及波动较大等问题,提出一种基于渐近式k-means聚类算法的多行动者深度确定性策略梯度(multi-actor deep deterministic po...针对深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法在一些大状态空间任务中存在学习效果不佳及波动较大等问题,提出一种基于渐近式k-means聚类算法的多行动者深度确定性策略梯度(multi-actor deep deterministic policy gradient based on progressive k-means clustering,MDDPG-PK-Means)算法.在训练过程中,对每一时间步下的状态进行动作选择时,根据k-means算法判别结果辅佐行动者网络的决策,同时随训练时间步的增加,逐渐增加k-means算法类簇中心的个数.将MDDPG-PK-Means算法应用于MuJoCo仿真平台上,实验结果表明,与DDPG等算法相比,MDDPG-PK-Means算法在大多数连续任务中都具有更好的效果.展开更多
文摘在机会网络中,网络拓扑结构动态变化,节点之间间歇性连接,这种间歇性连接是由于缺乏网络基础设施和终端设备随机移动所造成的,机会网络的这些特性使得路由算法的设计成为一项具有挑战性的研究课题.本文提出一种基于无监督学习模型X-Means的机会网络路由算法XMROP(Opportunistic network routing algorithm based on unsupervised learning model X-Means),致力于利用机器学习模型来做出路由决策.该路由算法提出新的聚类模型应用模式,解决现阶段机会网络中应用聚类模型所存在的问题,综合考虑连接强度、节点活跃度、缓存等属性特征,定义新的节点中心度度量来衡量节点活跃程度,使用X-Means聚类模型对样本数据集进行训练,以适应机会网络拓扑结构的动态变化,提升路由算法性能.仿真实验结果表明,与KROP,DBSCAN-R,Prophet路由算法相比,XMROP具有更好的性能,从而验证了研究方案的有效性.
文摘针对深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法在一些大状态空间任务中存在学习效果不佳及波动较大等问题,提出一种基于渐近式k-means聚类算法的多行动者深度确定性策略梯度(multi-actor deep deterministic policy gradient based on progressive k-means clustering,MDDPG-PK-Means)算法.在训练过程中,对每一时间步下的状态进行动作选择时,根据k-means算法判别结果辅佐行动者网络的决策,同时随训练时间步的增加,逐渐增加k-means算法类簇中心的个数.将MDDPG-PK-Means算法应用于MuJoCo仿真平台上,实验结果表明,与DDPG等算法相比,MDDPG-PK-Means算法在大多数连续任务中都具有更好的效果.
