CN113365355A - 一种空天地一体化网络下的多维资源管理方法及*** - Google Patents

一种空天地一体化网络下的多维资源管理方法及*** Download PDF

Info

Publication number
CN113365355A
CN113365355A CN202110477690.XA CN202110477690A CN113365355A CN 113365355 A CN113365355 A CN 113365355A CN 202110477690 A CN202110477690 A CN 202110477690A CN 113365355 A CN113365355 A CN 113365355A
Authority
CN
China
Prior art keywords
capacity
resource
time
constraint
space
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110477690.XA
Other languages
English (en)
Inventor
曲桦
赵季红
呼昱
朱召鹏
王涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202110477690.XA priority Critical patent/CN113365355A/zh
Publication of CN113365355A publication Critical patent/CN113365355A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0446—Resources in time domain, e.g. slots or frames
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

一种空天地一体化网络下的多维资源管理方法及***，包括以下步骤：构造能力资源时变图；在能力资源时变图基础上给出任务流、弧容量初始定义；将空天地一体化网络中多维资源管理的任务调度问题建模成基于能力资源时变图的多约束最大流问题；依据问题约束的弱耦合关系，提出基于原始分解和分支定界的联合资源算法，将原始问题分解成并行独立的子问题，通过分治思想将原始高复杂度资源分配问题高效求解。本发明针对SAGINUM空天地一体化网络效用最大化问题提出了一个基于原始分解与分支定界网络效用最大算法，该算法在时间复杂度、收敛性、网络收益最大化方面具有综合性优势。

Description

一种空天地一体化网络下的多维资源管理方法及***
技术领域
本发明属于网络资源管理技术领域，特别涉及一种空天地一体化网络下的多维资源管理方法及***。
背景技术
空天地一体化网路中多维资源管理算法尚处于起步阶段。空天地一体化网络作为未来向的多维异构网络，涉及到地面互联网，天基网络等多种异构网络，因为其庞大的网络体系，含有丰富的网络资源，同样空天地一体化网络支持各类复杂业务，网络规模极其巨大，网络节点类型多样，网络拓扑结构也呈现一种立体动态变化，这就对空天地一体化网络资源的高效管理即多维资源分配提出了挑战。现有的技术仅仅考虑天基网络下的少量资源管理策略，并没有考虑到空天地一体化网络的时变性、异构性以及资源的多维性。针对空天地一体化网络下的多维资源分配即网络效用最大化问题，亟需要一种方法来解决这个问题。
发明内容
本发明的目的在于提供一种空天地一体化网络下的多维资源管理方法及***，以解决上述问题。
为实现上述目的，本发明采用以下技术方案：
一种空天地一体化网络下的多维资源管理方法，包括以下步骤：
根据空天地一体化网络模型的应急场景，构造能力资源时变图；
在能力资源时变图基础上给出任务流、弧容量初始定义；
将空天地一体化网络中多维资源管理的任务调度问题建模成基于能力资源时变图的多约束最大流问题；
依据问题约束的弱耦合关系，提出基于原始分解和分支定界的联合资源算法，将原始问题分解成并行独立的子问题，通过分治思想将原始高复杂度资源分配问题高效求解。
进一步的，将空天地一体化网络模型的***规划周期划分T个周期，记作t∈Γ＝{1，…T}，同时构造能力资源时变图，用
Figure BDA0003047705030000021
表示。
进一步的，在能力资源时变图基础上给出弧流量定义
Figure BDA0003047705030000022
弧容量定义
Figure BDA0003047705030000023
可行任务流定义
Figure BDA0003047705030000024
可行任务数据流定义
Figure BDA0003047705030000025
进一步的，通过能力资源时变图中的可行任务流来表示空天地一体化网络中中应急场景下任务的执行过程，将空天地一体化网络中多维资源管理的任务调度问题建模成基于能力资源时变图的多约束最大流问题，具体为：
容量约束
可行任务数据流不能超过弧容量上限，即不能超过节点可提供的最大能力资源，建模为如下不等式
Figure BDA0003047705030000026
流守恒约束
定义
Figure BDA0003047705030000027
表示可行数据流中，属于处理弧的弧流量，流守恒约束建模为如下等式
Figure BDA0003047705030000028
处理约束
定义Bm表示中继节点的最大处理容量，单位为(bit)，每个时隙的处理弧流量小于处理的最大容量Bm；
Figure BDA0003047705030000029
为时隙开始时的初始处理量，处理约束建模为如下等式：
Figure BDA00030477050300000210
传输约束
定义引入布尔变量u(it，jt)，u(it，jt)＝1表示传输弧可用，也就表示在t时隙，节点i与节点j传输数据；反之，u(it，jt)＝0表示传输弧不可用，传输链路是双向链路；此外定义
Figure BDA0003047705030000031
表示t时刻的所有传输弧，定义u＝{u(t)|1≤t≤T}表示整个***规划周期的传输弧；传输约束建模为如下等式与不等式：
Figure BDA0003047705030000032
Figure BDA0003047705030000033
观测约束
与传输约束同理，定义布尔变量o(it，jt)，(it，jt)＝1表示观测弧可用，也就表示在t时隙，节点i与节点j存在观测机会，传输观测数据；反之，(it，jt)＝0表示观测不可用，同理观测链路也是双向链路；此外定义
Figure BDA0003047705030000034
表示t时刻的所有观测弧，定义o＝{o(t)|1≤t≤T}表示整个***规划周期的观测弧；观测约束建模为如下等式：
Figure BDA0003047705030000035
Figure BDA0003047705030000036
问题建模
基于上述约束，采用网络效用最大化框架，将空天地一体化网络中最大化网络效用问题SAGINUM建模成如下形式
Figure BDA0003047705030000037
其中U(f)代表网络效用函数，效用函数表示一定数量的任务后，任务的“满意度”级别；
Figure BDA0003047705030000038
表示可行任务流在时隙最后T时刻，节点i的处理数据量。
进一步的，针对上述SAGINUM问题提出基于原始分解与分支定界网络效用最大算法来求解；使用原始分解算法解决该问题：引入辅助向量来解耦连续时隙之间的耦合关系
Figure BDA0003047705030000039
其中L代表处理资源的状态向量，具有如下性质
Figure BDA00030477050300000310
将其引入流守恒约束，被转化成如下形式：
Figure BDA0003047705030000041
进一步的，通过引入辅助向量将原约束转化成新约束，进而将原始问题转化为如下新问题：
Figure BDA0003047705030000042
分解到每个时隙单独求解；
引入原始分解算法将P1转化为与时隙t相关的子问题，定义最优化函数qt＝(lF(t))与辅助向量lF(t)有关，其中1＜t＜T。定义
Figure BDA0003047705030000043
将原问题转化为以下问题：
Figure BDA0003047705030000044
给定lF(t)处理资源状态向量，求解问题p4
Figure BDA0003047705030000045
进一步的，p3需要求出所有规划周期里l_F(t)的和，通过给L来求解问题p4得到，问题p4分解为T个独立子问题，每一个独立子问题并行解决获得可行任务规划向量F(t)，传输规划向量u(t)以及观测规划向量o(t)；
采用分支定界的思路来解决每个时隙的观测，传输选择策略；将传输变量u(it，jt)，观测变量o(it，jt)进行松弛，使得0＜u(it，jt)＜1，0＜o(it，jt)＜1，松弛后变量u(it，jt)表示为节点之间存在传输机会的时间比例，o(it，jt)表示节点之间存在观测机会的时间比例；
定义LP问题为P3问题的松弛问题，其次，对LP问题进行求解，得到候选解的上界，也可设置为负无穷大；然后初始化栈，将求解的链路还原为可行链路，即变量u(it，jt)＝1，o(it，jt)＝1的链路，根据约束将与之冲突的链路设为不可行链路即变量u(it，jt)＝0，o(it，jt)＝0的链路，设置过程中不断将节点入栈；同时不断更新上下界以及最优解，如果上下界的差小于极小参量∈＞0，则该过程结束，否则，节点出栈，执行分支决策，即选择u(it，jt)接近1进行分支，将其入栈；如果选定则将该链路u(it，jt)设置为1，另一分支设置为0；
求解时隙问题P4，得到对应p3的问题目标q(1)，定义q★为q(lF(t))的最优解，问题p3的目标是找到最优的L★进而找到最优q★；因此采用次梯度算法寻找最优L★；通过以下迭代方式更新
Figure BDA0003047705030000046
Figure BDA0003047705030000047
其中k为迭代次数，a^((k))为正向迭代步长因子，g(l^((k)))分别是向量l在点l(k)出的次梯度，[·]^+为由存储约束创造的l在可行域上的映射。
进一步的，一种空天地一体化网络下的多维资源管理***，包括：
能力资源时变图构造模块用于根据空天地一体化网络模型的应急场景，构造能力资源时变图；
任务流、弧容量初始定义模块用于在能力资源时变图基础上给出任务流、弧容量初始定义；
任务调度问题建模模块用于将空天地一体化网络中多维资源管理的任务调度问题建模成基于能力资源时变图的多约束最大流问题；
资源分配求解模块用于依据问题约束的弱耦合关系，提出基于原始分解和分支定界的联合资源算法，将原始问题分解成并行独立的子问题，通过分治思想将原始高复杂度资源分配问题高效求解。
与现有技术相比，本发明有以下技术效果：
本发明针对SAGINUM空天地一体化网络效用最大化问题提出了一个基于原始分解与分支定界网络效用最大算法，该算法将一个复杂规模的问题转化为可以并行独立求解的子问题，每一个子问题通过分支定界算法求解所以其消耗了更少的时间，并且由于考虑了时隙划分策略，进而增加了算法的准确性，同时提高了网络效用。相比于其他算法在时间复杂度、收敛性、网络收益最大化方面具有综合性优势。
附图说明
图1应急场景下空天地一体化网络模型图
图2应急场景下空天地一体化网络能力资源时变图
图3算法执行时间对比图
图4算法网络效用对比图
图5算法迭代次数对比图
具体实施方式
以下集合附图对本发明进一步说明：
请参阅图1至图5，在图1场景下，将***规划周期划分T个周期，记作t∈Γ＝{1，…T}。同时构造能力资源时变图用
Figure BDA0003047705030000061
表示。
在能力资源时变图基础上给出弧流量定义
Figure BDA0003047705030000062
弧容量定义
Figure BDA0003047705030000063
可行任务流定义
Figure BDA0003047705030000064
可行任务数据流定义
Figure BDA0003047705030000065
通过能力资源时变图中的可行任务流来表示空天地一体化网络中中应急场景下任务的执行过程。因此，可以将空天地一体化网络中多维资源管理的任务调度问题建模成基于能力资源时变图的多约束最大流问题。
容量约束
可行任务数据流不能超过弧容量上限，即不能超过节点可以提供的最大能力资源，因此可以建模为如下不等式
Figure BDA0003047705030000066
流守恒约束
空天地一体化网络中每个中继节点都存有可供计算的资源以及存储器资源，为了表示可行任务流中任一节点的流入流量等于该节点的流出流量，定义
Figure BDA0003047705030000067
表示可行数据流中，属于处理弧的弧流量。因此，流守恒约束可以建模为如下等式
Figure BDA0003047705030000068
处理约束
考虑到每个节点配备的计算资源以及存储器大小限制，定义Bm表示中继节点的最大处理容量，单位为(bit)。每个时隙的处理弧流量小于处理的最大容量Bm。
Figure BDA0003047705030000071
因为时隙开始是的初始处理量。因此，处理约束可以建模为如下等式：
Figure BDA0003047705030000072
传输约束
由于空天地一体化网络中每个节点都配备了不等数量的收发设备与传感器，所以同一时隙只有一部分传输机会可以用来传输数据，也就是传输弧是否可用。因此，定义引入布尔变量u(it，jt)，u(it，jt)＝1表示传输弧可用，也就表示在t时隙，节点i与节点j可以传输数据。反之，u(it，jt)＝0表示传输弧不可用。同时，由于传输链路的建立是需要两端收发信机配合，所以传输链路是双向链路。此外定义
Figure BDA0003047705030000073
表示t时刻的所有传输弧，定义u＝{u(t)|1≤t≤T}表示整个***规划周期的传输弧。因此，传输约束可以建模为如下等式与不等式：
Figure BDA0003047705030000074
Figure BDA0003047705030000075
观测约束
与传输约束同理，定义布尔变量o(it，jt)，(it，jt)＝1表示观测弧可用，也就表示在t时隙，节点i与节点j存在观测机会，可以传输观测数据。反之，(it，jt)＝0表示观测不可用，同理观测链路也是双向链路。此外定义
Figure BDA0003047705030000076
表示t时刻的所有观测弧，定义o＝{o(t)|1≤t≤T}表示整个***规划周期的观测弧。因此，观测约束可以建模为如下等式：
Figure BDA0003047705030000077
Figure BDA0003047705030000081
问题建模
基于上述约束，可以采用网络效用最大化框架，将空天地一体化网络中最大化网络效用问题(SAGINUM)建模成如下形式
Figure BDA0003047705030000082
其中U(f)代表了网络效用函数，效用函数一般表示一定数量的任务后，任务的“满意度”级别，实际上取决于问题的设置，效用可以吞吐量，收益等，可以通过采用合适的效用函数，比如连续可微的凹函数例如：fi(x)＝wiln(x)，以此来达到任务的公平资源分配。这里考虑任务传输数据量。这里考虑
Figure BDA0003047705030000083
表示可行任务流在时隙最后T时刻，节点i的处理数据量。可以看出上述问题是一个混合整数线性规划(mixed integer linear programming，MILP)问题，该问题的算法复杂度随着变量的增加呈指数级增长(指数***)
针对上述SAGINUM问题提出了一个基于原始分解与分支定界网络效用最大算法(PDBB，Primal Decomosition and Branch and Bound Utility Maximization)来求解。观察上述约束，除了处理约束，在不同时隙的网络中不存在耦合关系，但是因为流守恒约束的存在，就有了不同时隙网络的耦合关系。进而发现，如果需要做出全局优化，因为不同时隙的耦合关系会导致解决问题的复杂度很大，由于目标函数是可分离的，而如果约束不存在，就可以转化成每个时隙的最大化问题，再通过迭代来最终解决问题。这类优化变量之间存在弱耦合关系的问题在最优化理论中经常出现。本发明考虑使用原始分解算法解决该问题。通过观察流守恒约束可以发现，连续两个时隙之间的耦合关系主要通过与可行数据流中处理弧的弧流量有关。因此，引入辅助向量来解耦连续时隙之间的耦合关系
Figure BDA0003047705030000084
Figure BDA0003047705030000085
其中L代表处理资源的状态向量，具有如下性质
Figure BDA0003047705030000091
将其引入流守恒约束，可以被转化成如下形式：
Figure BDA0003047705030000092
通过引入辅助向量将原约束转化成新约束，进而将原始问题转化为如下新问题：
Figure BDA0003047705030000093
此问题与原始问题等价，并且可以分解到每个时隙单独求解。
引入原始分解算法将P1转化为与时隙t相关的子问题，定义最优化函数qt＝(lF(t))与辅助向量lF(t)有关，其中1＜t＜T。定义
Figure BDA0003047705030000094
可以将原问题转化为以下问题：
Figure BDA0003047705030000095
给定lF(t)处理资源状态向量，可以求解问题p4
Figure BDA0003047705030000096
p3需要求出所有规划周期里LF(t)的和，可以通过给L来求解问题p4得到，问题p4的因为约束的改变可以分解为T个独立子问题，每一个独立子问题可以并行解决获得可行任务规划向量F(t)，传输规划向量u(t)以及观测规划向量o(t)。
同时该问题仍然是一个混合整数线性规划问题，这里因为其特殊结构，采用分支定界的思路来解决每个时隙的观测，传输选择策略。将传输变量u(it，jt)，观测变量o(it，jt)进行松弛，使得0＜u(it，jt)＜1，0＜o(it，jt)＜1，松弛后变量u(it，jt)可以表示为节点之间存在传输机会的时间比例，o(it，jt)表示节点之间存在观测机会的时间比例。
定义LP问题为P3问题的松弛问题，其次，对LP问题进行求解，得到候选解的上界，也可设置为负无穷大。然后初始化栈，将求解的链路还原为可行链路，即变量u(it，jt)＝1，o(it，jt)＝1的链路，根据约束将与之冲突的链路设为不可行链路即变量u(it，jt)＝0，o(it，jt)＝0的链路，设置过程中不断将节点入栈。同时不断更新上下界以及最优解，如果上下界的差小于极小参量∈＞0，则该过程结束。否则，节点出栈，执行分支决策，即选择u(it，jt)接近1进行分支，将其入栈。如果选定则将该链路u(it，jt)设置为1，另一分支设置为0。)，优先队列搜索等。这里考虑DFS，通过栈来实现。
算法求解时隙问题P4，进而可以得到一个对应p3的问题目标q(1)，定义q★为q(lF(t))的最优解。问题p3的目标是找到最优的L★进而找到最优q★。因此可以采用次梯度算法寻找最优L★。通过以下迭代方式更新
Figure BDA0003047705030000101
Figure BDA0003047705030000102
其中k为迭代次数，a^((k))为正向迭代步长因子，g(1^((k)))分别是向量l在点l(k)出的次梯度，[·]^+为由存储约束创造的l在可行域上的映射。在这个例子中，计算此映射问题可以等价于解决如下二次规划问题p5：
Figure BDA0003047705030000103

Claims (8)

1.一种空天地一体化网络下的多维资源管理方法，其特征在于，包括以下步骤：
根据空天地一体化网络模型的应急场景，构造能力资源时变图；
在能力资源时变图基础上给出任务流、弧容量初始定义；
根据任务流、弧容量初始定义将空天地一体化网络中多维资源管理的任务调度问题建模成基于能力资源时变图的多约束最大流问题；
依据问题约束的弱耦合关系，提出基于原始分解和分支定界的联合资源算法，将原始问题分解成并行独立的子问题，通过分治思想将原始高复杂度资源分配问题高效求解。
2.根据权利要求1所述的一种空天地一体化网络下的多维资源管理方法，其特征在于，将空天地一体化网络模型的***规划周期划分T个周期，记作t∈Γ＝{1,…T}，同时构造能力资源时变图，用
Figure FDA0003047705020000011
表示。
3.根据权利要求1所述的一种空天地一体化网络下的多维资源管理方法，其特征在于，在能力资源时变图基础上给出弧流量定义
Figure FDA0003047705020000012
弧容量定义
Figure FDA0003047705020000013
可行任务流定义
Figure FDA0003047705020000014
可行任务数据流定义
Figure FDA0003047705020000015
4.根据权利要求1所述的一种空天地一体化网络下的多维资源管理方法，其特征在于，通过能力资源时变图中的可行任务流来表示空天地一体化网络中中应急场景下任务的执行过程，将空天地一体化网络中多维资源管理的任务调度问题建模成基于能力资源时变图的多约束最大流问题，具体为：
容量约束
可行任务数据流不能超过弧容量上限，即不能超过节点可提供的最大能力资源，建模为如下不等式
Figure FDA0003047705020000016
流守恒约束
定义
Figure FDA0003047705020000017
表示可行数据流中，属于处理弧的弧流量，流守恒约束建模为如下等式
Figure FDA0003047705020000021
处理约束
定义Bm表示中继节点的最大处理容量，单位为(bit)，每个时隙的处理弧流量小于处理的最大容量Bm；
Figure FDA0003047705020000022
为时隙开始时的初始处理量，处理约束建模为如下等式：
Figure FDA0003047705020000023
传输约束
定义引入布尔变量u(it,jt),u(it,jt)＝1表示传输弧可用，也就表示在t时隙，节点i与节点j传输数据；反之，u(it，jt)＝0表示传输弧不可用，传输链路是双向链路；此外定义
Figure FDA0003047705020000024
表示t时刻的所有传输弧，定义u＝{u(t)∣1≤t≤T}表示整个***规划周期的传输弧；传输约束建模为如下等式与不等式:
Figure FDA0003047705020000025
Figure FDA0003047705020000026
观测约束
与传输约束同理，定义布尔变量o(it，jt),(it，jt)＝1表示观测弧可用，也就表示在t时隙，节点i与节点j存在观测机会，传输观测数据；反之，(it，jt)＝0表示观测不可用，同理观测链路也是双向链路；此外定义
Figure FDA0003047705020000027
表示t时刻的所有观测弧，定义o＝{o(t)∣1≤t≤T}表示整个***规划周期的观测弧；观测约束建模为如下等式：
Figure FDA0003047705020000028
Figure FDA0003047705020000029
问题建模
基于上述约束，采用网络效用最大化框架，将空天地一体化网络中最大化网络效用问题SAGINUM建模成如下形式
Figure FDA0003047705020000031
其中U(f)代表网络效用函数，效用函数表示一定数量的任务后，任务的“满意度”级别；
Figure FDA0003047705020000032
表示可行任务流在时隙最后T时刻，节点i的处理数据量。
5.根据权利要求4所述的一种空天地一体化网络下的多维资源管理方法，其特征在于，针对上述SAGINUM问题提出基于原始分解与分支定界网络效用最大算法来求解；使用原始分解算法解决该问题：引入辅助向量来解耦连续时隙之间的耦合关系
Figure FDA0003047705020000033
Figure FDA0003047705020000034
其中L代表处理资源的状态向量，具有如下性质
Figure FDA0003047705020000035
将其引入流守恒约束，被转化成如下形式：
Figure FDA0003047705020000036
6.根据权利要求5所述的一种空天地一体化网络下的多维资源管理方法，其特征在于，通过引入辅助向量将原约束转化成新约束，进而将原始问题转化为如下新问题：
Figure FDA0003047705020000037
分解到每个时隙单独求解；
引入原始分解算法将P1转化为与时隙t相关的子问题，定义最优化函数qt＝(lF(t))与辅助向量lF(t)有关，其中1<t<T；定义
Figure FDA00030477050200000310
将原问题转化为以下问题：
Figure FDA0003047705020000038
给定lF(t)处理资源状态向量，求解问题p4
Figure FDA0003047705020000039
7.根据权利要求6所述的一种空天地一体化网络下的多维资源管理方法，其特征在于，p3需要求出所有规划周期里lF(t)的和，通过给L来求解问题p4得到，问题p4分解为T个独立子问题，每一个独立子问题并行解决获得可行任务规划向量F(t)，传输规划向量u(t)以及观测规划向量o(t)；
采用分支定界的思路来解决每个时隙的观测，传输选择策略；将传输变量u(it,jt)，观测变量o(it,jt)进行松弛，使得0<u(it,jt)<1,0<o(it,jt)<1，松弛后变量u(it,jt)表示为节点之间存在传输机会的时间比例，o(it,jt)表示节点之间存在观测机会的时间比例；
定义LP问题为P3问题的松弛问题，其次，对LP问题进行求解，得到候选解的上界，也可设置为负无穷大；然后初始化栈，将求解的链路还原为可行链路，即变量u(it,jt)＝1,o(it,jt)＝1的链路，根据约束将与之冲突的链路设为不可行链路即变量u(it,jt)＝0,o(it,jt)＝0的链路，设置过程中不断将节点入栈；同时不断更新上下界以及最优解，如果上下界的差小于极小参量∈>0，则该过程结束，否则，节点出栈，执行分支决策，即选择u(it,jt)接近1进行分支，将其入栈；如果选定则将该链路u(it,jt)设置为1，另一分支设置为0；
求解时隙问题P4，得到对应p3的问题目标q(l)，定义q★为q(lF(t))的最优解，问题p3的目标是找到最优的L★进而找到最优q★；因此采用次梯度算法寻找最优L★；通过以下迭代方式更新
Figure FDA0003047705020000041
Figure FDA0003047705020000042
其中k为迭代次数，a^((k))为正向迭代步长因子，
Figure FDA0003047705020000043
分别是向量l在点l(k)出的次梯度，[·]^+为由存储约束创造的l在可行域上的映射。
8.一种空天地一体化网络下的多维资源管理***，其特征在于，包括：
能力资源时变图构造模块用于根据空天地一体化网络模型的应急场景，构造能力资源时变图；
任务流、弧容量初始定义模块用于在能力资源时变图基础上给出任务流、弧容量初始定义；
任务调度问题建模模块用于将空天地一体化网络中多维资源管理的任务调度问题建模成基于能力资源时变图的多约束最大流问题；
资源分配求解模块用于依据问题约束的弱耦合关系，提出基于原始分解和分支定界的联合资源算法，将原始问题分解成并行独立的子问题，通过分治思想将原始高复杂度资源分配问题高效求解。
CN202110477690.XA 2021-04-29 2021-04-29 一种空天地一体化网络下的多维资源管理方法及*** Pending CN113365355A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110477690.XA CN113365355A (zh) 2021-04-29 2021-04-29 一种空天地一体化网络下的多维资源管理方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110477690.XA CN113365355A (zh) 2021-04-29 2021-04-29 一种空天地一体化网络下的多维资源管理方法及***

Publications (1)

Publication Number Publication Date
CN113365355A true CN113365355A (zh) 2021-09-07

Family

ID=77525812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110477690.XA Pending CN113365355A (zh) 2021-04-29 2021-04-29 一种空天地一体化网络下的多维资源管理方法及***

Country Status (1)

Country Link
CN (1) CN113365355A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114500296A (zh) * 2022-01-25 2022-05-13 西安电子科技大学 基于功能扩展图的通信、存储和计算资源统一表征方法
CN115514652A (zh) * 2022-09-19 2022-12-23 北京航空航天大学 服务功能链部署方法、装备及存储介质
CN116074199A (zh) * 2022-12-28 2023-05-05 西安电子科技大学 6g空天地场景细粒度按需服务方法
CN117997704A (zh) * 2024-04-03 2024-05-07 北京邮电大学 一种空天地一体化网络管控平台

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080134193A1 (en) * 2006-11-08 2008-06-05 Board Of Regents, The University Of Texas System System, Method and Apparatus for Allocating Resources by Constraint Selection
CN103906239A (zh) * 2012-12-25 2014-07-02 北京邮电大学 无线资源分配方法和装置
CN111342993A (zh) * 2020-02-03 2020-06-26 西安交通大学 一种基于sdn空天地控制器部署架构及控制方法
CN111970044A (zh) * 2020-08-15 2020-11-20 哈尔滨工业大学（威海） 基于拉格朗日松弛的卫星网络时隙分配与路由规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080134193A1 (en) * 2006-11-08 2008-06-05 Board Of Regents, The University Of Texas System System, Method and Apparatus for Allocating Resources by Constraint Selection
CN103906239A (zh) * 2012-12-25 2014-07-02 北京邮电大学 无线资源分配方法和装置
CN111342993A (zh) * 2020-02-03 2020-06-26 西安交通大学 一种基于sdn空天地控制器部署架构及控制方法
CN111970044A (zh) * 2020-08-15 2020-11-20 哈尔滨工业大学（威海） 基于拉格朗日松弛的卫星网络时隙分配与路由规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周笛: "面向任务的空间信息网络资源管理方法研究", 《中国优秀博士论文电子期刊网》 *
汪宇: "空间信息网络资源管理架构及方法研究", 《中国优秀博士论文电子期刊网》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114500296A (zh) * 2022-01-25 2022-05-13 西安电子科技大学 基于功能扩展图的通信、存储和计算资源统一表征方法
CN114500296B (zh) * 2022-01-25 2023-02-07 西安电子科技大学 基于功能扩展图的通信、存储和计算资源统一表征方法
CN115514652A (zh) * 2022-09-19 2022-12-23 北京航空航天大学 服务功能链部署方法、装备及存储介质
CN115514652B (zh) * 2022-09-19 2023-12-19 北京航空航天大学 服务功能链部署方法、装备及存储介质
CN116074199A (zh) * 2022-12-28 2023-05-05 西安电子科技大学 6g空天地场景细粒度按需服务方法
CN117997704A (zh) * 2024-04-03 2024-05-07 北京邮电大学 一种空天地一体化网络管控平台
CN117997704B (zh) * 2024-04-03 2024-06-18 北京邮电大学 一种空天地一体化网络管控平台

Similar Documents

Publication Publication Date Title
CN113365355A (zh) 一种空天地一体化网络下的多维资源管理方法及***
Deng Distributed generalized Nash equilibrium seeking algorithm for nonsmooth aggregative games
CN110119399B (zh) 基于机器学习的业务流程优化方法
Rahili et al. Optimal routing for autonomous taxis using distributed reinforcement learning
Saharidis et al. Exact solution methodologies for linear and (mixed) integer bilevel programming
García et al. Production and vehicle scheduling for ready-mix operations
Li et al. Network topology optimization via deep reinforcement learning
Ding et al. A multiobjective discrete combination optimization method for dynamics design of engineering structures
Quirynen et al. Tailored presolve techniques in branch‐and‐bound method for fast mixed‐integer optimal control applications
Necoara et al. Distributed nonlinear optimal control using sequential convex programming and smoothing techniques
Rahwan et al. Distributing coalitional value calculations among cooperating agents
Trodden et al. Adaptive cooperation in robust distributed model predictive control
Nguyen et al. Evolving large reusable multi-pass heuristics for resource constrained job scheduling
Hermans et al. Almost decentralized model predictive control of power networks
Djelassi et al. Hierarchical programming for worst-case analysis of power grids
Asheralieva et al. Ultra-reliable low-latency slicing in space-air-ground multi-access edge computing networks for next-generation internet of things and mobile applications
Saxena et al. Enumeration technique for solving linear fractional fuzzy set covering problem
Huang et al. A primal decomposition approach to globally coupled aggregative optimization over networks
Guo et al. Neighborhood Modularization-based Artificial Bee Colony Algorithm for Disassembly Planning with Operation Attributes
Dridi et al. Heuristic approach for the optimization of the dynamic multi-vehicle pickup and delivery problem with Time Windows
Goerigk et al. On the complexity of robust multi-stage problems in the polynomial hierarchy
Hasuike et al. Probability maximization model of 0–1 knapsack problem with random fuzzy variables
Gao et al. A λ-cut approximate algorithm for goal-based bilevel risk management systems
CN117687801B (zh) 一种跨域分布式计算***、方法、存储介质和电子设备
CN114710196B (zh) 一种软件定义卫星网络虚拟网络功能迁移方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210907