期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
移动边缘网络中基于双深度Q学习的高能效资源分配方法
被引量：
11
1
作者
喻鹏
张俊也
+4 位作者
李文璟
周凡钦
丰雷
付澍
邱雪松
《通信学报》
EI
CSCD
北大核心
2020年第12期148-161,共14页
为了提升移动边缘网络中系统的能量使用效率,面向多任务、多终端设备、多边缘网关、多边缘服务器共存网络架构的下行通信过程,提出了一种基于双深度Q学习(DDQL)的通信、计算、存储融合资源分配方法。以任务平均能耗最小化为优化目标,设...
为了提升移动边缘网络中系统的能量使用效率,面向多任务、多终端设备、多边缘网关、多边缘服务器共存网络架构的下行通信过程,提出了一种基于双深度Q学习(DDQL)的通信、计算、存储融合资源分配方法。以任务平均能耗最小化为优化目标,设置任务时延和通信、计算、存储资源限制等约束条件,构建了对应的资源分配模型。依据模型特征,基于DDQL框架,提出了适用于通信和计算资源智能决策、存储资源按需分配的资源分配模型和算法。仿真结果表明,所提出的基于DDQL资源分配方法可以有效地解决多任务资源分配问题,具有较好的收敛性和较低的时间复杂度,在保障业务服务质量的同时,相对于基于随机算法、贪心算法、粒子群优化算法、深度Q学习等方法,降低了至少5%的任务平均能耗。
展开更多
关键词
移动边缘网络
融合资源分配
高能效
双深度q学习
在线阅读
下载PDF
职称材料
基于深度强化学习的测井曲线自动深度校正方法
被引量：
3
2
作者
熊文君
肖立志
+1 位作者
袁江如
岳文正
《石油勘探与开发》
EI
CAS
CSCD
北大核心
2024年第3期553-564,共12页
针对传统测井曲线深度校正需要手动调整曲线,而对于多口井的深度校正工作量巨大,需要大量人工参与,且工作效率较低的问题,提出一种多智能体深度强化学习方法(MARL)来实现多条测井曲线自动深度匹配。该方法基于卷积神经网络(CNN)定义多...
针对传统测井曲线深度校正需要手动调整曲线,而对于多口井的深度校正工作量巨大,需要大量人工参与,且工作效率较低的问题,提出一种多智能体深度强化学习方法(MARL)来实现多条测井曲线自动深度匹配。该方法基于卷积神经网络(CNN)定义多个自上而下的双滑动窗口捕捉测井曲线上相似的特征序列,并设计一个智能体与环境的互动机制来控制深度匹配过程。通过双深度Q学习网络(DDQN)选取一个动作来平移或缩放测井特征序列,并利用反馈的奖励信号来评估每个动作的好坏,以学习到最优的控制策略达到提升深度校正精度的目的。研究表明,MARL方法可以自动完成多口井、不同测井曲线的深度校正任务,减少人工干预。在油田实例应用中,对比分析了动态时间规整(DTW)、深度Q学习网络(DQN)和DDQN等方法的测试结果,DDQN算法采用双网络评估机制有效改进了算法的性能,能够识别和对齐测井曲线特征序列上更多的细节,具有较高的深度匹配精度。
展开更多
关键词
人工智能
机器
学习
深度
校正
测井曲线
多智能体
深度
强化
学习
卷积神经网络
双深度q学习
网络
在线阅读
下载PDF
职称材料
题名
移动边缘网络中基于双深度Q学习的高能效资源分配方法
被引量：
11
1
作者
喻鹏
张俊也
李文璟
周凡钦
丰雷
付澍
邱雪松
机构
北京邮电大学网络与交换技术国家重点实验室
重庆大学微电子与通信工程学院
出处
《通信学报》
EI
CSCD
北大核心
2020年第12期148-161,共14页
基金
国家重点研发计划基金资助项目(No.2018YFE0205502)。
文摘
为了提升移动边缘网络中系统的能量使用效率,面向多任务、多终端设备、多边缘网关、多边缘服务器共存网络架构的下行通信过程,提出了一种基于双深度Q学习(DDQL)的通信、计算、存储融合资源分配方法。以任务平均能耗最小化为优化目标,设置任务时延和通信、计算、存储资源限制等约束条件,构建了对应的资源分配模型。依据模型特征,基于DDQL框架,提出了适用于通信和计算资源智能决策、存储资源按需分配的资源分配模型和算法。仿真结果表明,所提出的基于DDQL资源分配方法可以有效地解决多任务资源分配问题,具有较好的收敛性和较低的时间复杂度,在保障业务服务质量的同时,相对于基于随机算法、贪心算法、粒子群优化算法、深度Q学习等方法,降低了至少5%的任务平均能耗。
关键词
移动边缘网络
融合资源分配
高能效
双深度q学习
Keywords
mobile edge network
integrated resource allocation
energy-efficient
DD
q
L
分类号
TN929.5 [电子电信—通信与信息系统]
在线阅读
下载PDF
职称材料
题名
基于深度强化学习的测井曲线自动深度校正方法
被引量：
3
2
作者
熊文君
肖立志
袁江如
岳文正
机构
中国石油大学(北京)
中国石油勘探开发研究院
出处
《石油勘探与开发》
EI
CAS
CSCD
北大核心
2024年第3期553-564,共12页
基金
中国石油天然气集团有限公司-中国石油大学(北京)战略合作科技专项(ZLZX2020-03)。
文摘
针对传统测井曲线深度校正需要手动调整曲线,而对于多口井的深度校正工作量巨大,需要大量人工参与,且工作效率较低的问题,提出一种多智能体深度强化学习方法(MARL)来实现多条测井曲线自动深度匹配。该方法基于卷积神经网络(CNN)定义多个自上而下的双滑动窗口捕捉测井曲线上相似的特征序列,并设计一个智能体与环境的互动机制来控制深度匹配过程。通过双深度Q学习网络(DDQN)选取一个动作来平移或缩放测井特征序列,并利用反馈的奖励信号来评估每个动作的好坏,以学习到最优的控制策略达到提升深度校正精度的目的。研究表明,MARL方法可以自动完成多口井、不同测井曲线的深度校正任务,减少人工干预。在油田实例应用中,对比分析了动态时间规整(DTW)、深度Q学习网络(DQN)和DDQN等方法的测试结果,DDQN算法采用双网络评估机制有效改进了算法的性能,能够识别和对齐测井曲线特征序列上更多的细节,具有较高的深度匹配精度。
关键词
人工智能
机器
学习
深度
校正
测井曲线
多智能体
深度
强化
学习
卷积神经网络
双深度q学习
网络
Keywords
artificial intelligence
machine learning
depth matching
well log
multi-agent deep reinforcement learning
convolutional neural network
double deep
q
-network
分类号
P631.4 [天文地球—地质矿产勘探]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
移动边缘网络中基于双深度Q学习的高能效资源分配方法
喻鹏
张俊也
李文璟
周凡钦
丰雷
付澍
邱雪松
《通信学报》
EI
CSCD
北大核心
2020
11
在线阅读
下载PDF
职称材料
2
基于深度强化学习的测井曲线自动深度校正方法
熊文君
肖立志
袁江如
岳文正
《石油勘探与开发》
EI
CAS
CSCD
北大核心
2024
3
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
