CN117639244A - 一种多域异构配电通信网络集中控制*** - Google Patents
一种多域异构配电通信网络集中控制*** Download PDFInfo
- Publication number
- CN117639244A CN117639244A CN202311604080.7A CN202311604080A CN117639244A CN 117639244 A CN117639244 A CN 117639244A CN 202311604080 A CN202311604080 A CN 202311604080A CN 117639244 A CN117639244 A CN 117639244A
- Authority
- CN
- China
- Prior art keywords
- network
- representing
- node
- power distribution
- matrix
- 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
Links
- 238000004891 communication Methods 0.000 title claims abstract description 129
- 239000011159 matrix material Substances 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000000547 structure data Methods 0.000 claims abstract description 16
- 238000010586 diagram Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims abstract description 6
- 239000003016 pheromone Substances 0.000 claims description 45
- 230000007704 transition Effects 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 10
- 241000257303 Hymenoptera Species 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000008020 evaporation Effects 0.000 claims description 6
- 238000001704 evaporation Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及配电通信网络控制技术领域，公开了一种多域异构配电通信网络集中控制***，包括：拓扑信息采集模块，采集配电通信网络的拓扑信息；图结构数据构建模块，基于拓扑信息构建图结构数据；训练模块，基于蚁群算法输出的最优解路径训练图神经网络模型；通信调度方案生成模块，将图结构数据输入训练好的图神经网络模型，输出邻接矩阵，并生成网络调度方案；通信调度模块，根据网络调度方案完成通信设备终端的通信调度；本发明通过图神经网络模型结合蚁群算法，能够减少蚁群算法输出最优解路径的迭代次数，降低蚁群算法的迭代计算时间，满足配电通信网络的实时性网络优化的要求，提升配电通信网络服务质量。
Description
技术领域
本发明涉及配电通信网络控制技术领域，更具体地说，它涉及一种多域异构配电通信网络集中控制***。
背景技术
随着智能配电业务建设与应用的深入，针对于配网通信***中节点数量多、覆盖面广、拓扑结构复杂多变的特性，通过多域异构配电通信网络集中控制***实现对多域异构配电网络的统一管控，同时合理分配和动态调整不同配电业务占用的通信***资源，从而提升网络服务质量。
现有技术根据起始节点和目标节点通过蚁群算法对配电通信网络进行网络拓扑分析，获得最优解路径。
然而配电通信网络为了提升网络服务质量需要实时的路径优化，对于传统的蚁群算法的迭代计算过程中需要一定的计算时间，尤其是在复杂的网络规模中，蚁群算法的计算复杂度急剧增加，蚁群算法的迭代计算时间增加，无法满足配电通信网络的实时性网络优化的要求，导致配电通信网络服务质量下降。
发明内容
本发明提供一种多域异构配电通信网络集中控制***，解决相关技术中传统的蚁群算法在复杂的配电通信网络的迭代计算的计算时间增加，无法满足配电通信网络的实时性网络优化的要求，从而导致配电通信网络服务质量下降的技术问题。
本发明提供了一种多域异构配电通信网络集中控制***，包括：
拓扑信息采集模块，其用于采集配电通信网络的拓扑信息；
拓扑信息包括：通信设备终端的数量、设备信息和通信设备终端的连接关系；标记通信设备终端的数量为N；
图结构数据构建模块，其用于基于配电通信网络的拓扑信息构建图结构数据；
图结构数据包括：顶点和顶点特征；
顶点与通信设备终端建立数据联系；
顶点特征根据通信设备终端的设备信息生成；
顶点之间存在边表示对应的通信设备终端之间存在连接关系；
训练模块，其用于基于迭代次数为M次的蚁群算法输出的最优解路径训练图神经网络模型；
通信调度方案生成模块，其用于将图结构数据输入训练好的图神经网络模型，输出邻接矩阵，并根据邻接矩阵生成网络调度方案，邻接矩阵的值表示顶点的连接关系；其中0表示两个顶点对应的通信设备终端之间不存在连接关系，1表示两个顶点对应的通信设备终端之间存在连接关系；
通信调度模块，其用于根据网络调度方案完成通信设备终端的通信调度。
进一步地，配电通信网络的拓扑信息由相关电力部门提供。
进一步地，通信设备终端的连接关系表示多个通信设备终端之间的网络连接状态，其中0表示通信设备终端之间无法进行网络连接，1表示通信设备终端之间能够进行网络连接。
进一步地，顶点特征表示为：，其中/>分别表示第i个通信设备终端的带宽、丢包率、网速和网络类型，网络类型属于网络类型集合，网络类型集合表示为：/>，其中/>分别表示网络类型为局域网、广域网、城域网、个人区域网、全球局域网和无线局域网；网络类型集合的元素值通过正整数表示。
进一步地，蚁群算法输出最优解路径包括以下步骤；
定义约束条件：当前最优解和最优解路径第一个节点必须是起始节点对应的通信设备终端，最后一个节点必须是目标节点对应的通信设备终端；
步骤S201，基于配电通信网络的拓扑信息构建网络延时矩阵；网络延时矩阵大小为N*N，N表示通信设备终端的数量，其中表示网络延时矩阵的第i行的第j列的元素，该元素的值表示第i个通信设备终端到达第j个通信设备终端的时间，单位毫秒，对于相同行相同列的元素的值赋值为0；
步骤S202，初始化参数；包括：蚁群规模m，信息素重要因子a，启发重要因子b，信息素释放总量Q，迭代次数起始值c，信息素浓度矩阵G，信息素浓度矩阵的大小为N*N，信息素浓度矩阵的元素值的初始值为常数，取值范围为[0.1,2]，信息素蒸发系数p，取值范围为（0,1），每只蚂蚁的可转移节点集合的初始元素个数为N；上述参数都为自定义参数；
步骤S203，计算状态转移概率；将m个蚂蚁随机分布在通信设备终端对应的节点，根据初始化参数计算每只蚂蚁的状态转移概率，通过轮盘赌算法选择下一个转移节点，并将下一个转移节点从可转移节点集合中删除；
状态转移概率的计算公式如下：
，其中/>表示第t次迭代的第k个蚂蚁从第i个节点转移到第j个节点的概率值，i≠j，/>表示第t次迭代的信息素浓度矩阵的第i行第j列的元素值，/>表示第t次迭代的信息素浓度矩阵的第i行第s列的元素值，/>表示蚂蚁在第t次迭代从第i个节点转移到第j个节点的期望程度，/>表示蚂蚁在第t次迭代从第i个节点转移到第s个节点的期望程度，，/>表示网络延时矩阵的第i行第j列的元素值，/>，/>表示网络延时矩阵的第i行第s列的元素值，/>表示第k个蚂蚁可转移节点集合；
步骤S204，获得当前最优解；当m个蚂蚁的可转移节点集合中的节点个数都为0时表示完成一次迭代，并计算从起始节点到目标节点的时间总和，取时间总和最小的蚂蚁的行驶路径作为当前最优解；
步骤S205，更新信息素浓度矩阵；
，其中/>表示第t+1个迭代次数的信息素浓度矩阵的第i行第j列的元素值，表示第t个迭代次数的信息素浓度矩阵的第i行第j列的元素值，/>表示m个蚂蚁在第i个节点连接到第j个节点释放的信息素浓度总和，/>表示第k个蚂蚁在第i个节点连接到第j个节点释放的信息素浓度，p表示信息素蒸发系数，Q为信息素释放总量；
步骤S206，判断是否满足迭代终止条件，如果满足迭代终止条件则输出当前最优解作为最优解路径，否则返回步骤S202；
终止条件包括：迭代次数达到最大迭代次数R；在连续迭代次数U内，当前最优解的变化值小于等于设定阈值V；其中R、U、V为自定义参数。
进一步地，图神经网络模型的计算公式包括：
第i个顶点的顶点更新特征的计算公式如下：
，其中/>表示第i个顶点的顶点更新特征，/>表示第i个顶点的顶点特征，/>表示第j个顶点的顶点特征，/>表示第一权重参数，/>表示第二权重参数，/>表示与第i个顶点存在边连接的顶点的集合，/>表示sigmoid激活函数；
邻接矩阵I的计算公式如下：
，其中/>表示第i个顶点的顶点更新特征，/>表示将N个顶点的顶点更新特征进行堆叠，T表示矩阵的转置操作，表示sigmoid激活函数；如果邻接矩阵的值大于等于0.5，则将该值替换为1，如果邻接矩阵的值小于0.5，则将该值替换为0。
进一步地，用于训练图神经网络模型的训练数据集的训练样本的邻接矩阵通过基于迭代次数为M次的蚁群算法输出的最优解路径生成，生成训练样本的邻接矩阵包括以下步骤：
步骤S301，提取最优解路径中的节点；
步骤S302，构建N*N大小的训练样本的邻接矩阵；
步骤S303，在训练样本的邻接矩阵上标注最优解路径中的节点对应的值为1，其余节点对应的值为0。
进一步地，基于迭代次数为M次的蚁群算法输出的最优解路径与图神经网络模型输出的邻接矩阵的差作为图神经网络模型的损失，用于反向传播更新图神经网络模型的参数。
本发明的有益效果在于：本发明通过图神经网络模型结合蚁群算法，能够减少蚁群算法输出最优解路径的迭代次数，降低蚁群算法的迭代计算时间，满足配电通信网络的实时性网络优化的要求，提升配电通信网络服务质量。
附图说明
图1是本发明的一种多域异构配电通信网络集中控制***的模块图；
图2是本发明的蚁群算法输出最优解路径的流程图；
图3是本发明的生成训练样本的邻接矩阵的流程图；
图4是本发明的分配10组任务的通信调度的结果图；
图5是本发明的集中式控制网络模型的示意图。
图中：拓扑信息采集模块101、图结构数据构建模块102、训练模块103、通信调度方案生成模块104、通信调度模块105。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。
如图1-图5所示，一种多域异构配电通信网络集中控制***，包括：
拓扑信息采集模块101，其用于采集配电通信网络的拓扑信息；
拓扑信息包括：通信设备终端的数量、设备信息和通信设备终端的连接关系；标记通信设备终端的数量为N；
图结构数据构建模块102，其用于基于配电通信网络的拓扑信息构建图结构数据；
图结构数据包括：顶点和顶点特征；
顶点与通信设备终端建立数据联系；
顶点特征根据通信设备终端的设备信息生成；
顶点之间存在边表示对应的通信设备终端之间存在连接关系；
训练模块103，其用于基于迭代次数为M次的蚁群算法输出的最优解路径训练图神经网络模型；
通信调度方案生成模块104，其用于将图结构数据输入训练好的图神经网络模型，输出邻接矩阵，并根据邻接矩阵生成网络调度方案，邻接矩阵的值表示顶点的连接关系；其中0表示两个顶点对应的通信设备终端之间不存在连接关系，1表示两个顶点对应的通信设备终端之间存在连接关系；
通信调度模块105，其用于根据网络调度方案完成通信设备终端的通信调度。
在本发明的一个实施例中，配电通信网络的拓扑信息由相关电力部门提供。
在本发明的一个实施例中，通信设备终端的连接关系表示多个通信设备终端之间的网络连接状态，其中0表示通信设备终端之间无法进行网络连接，1表示通信设备终端之间能够进行网络连接；可以通过不断发送心跳报文确定多个通信设备终端之间是否能互相进行网络请求。
在本发明的一个实施例中，顶点特征表示为：，其中/>分别表示第i个通信设备终端的带宽、丢包率、网速和网络类型，网络类型属于网络类型集合，网络类型集合表示为：/>，其中/>分别表示网络类型为局域网、广域网、城域网、个人区域网、全球局域网和无线局域网；网络类型集合的元素值通过正整数表示。
在本发明的一个实施例中，如图2所示，蚁群算法输出最优解路径包括以下步骤；
定义约束条件：当前最优解和最优解路径第一个节点必须是起始节点对应的通信设备终端，最后一个节点必须是目标节点对应的通信设备终端；
步骤S201，基于配电通信网络的拓扑信息构建网络延时矩阵；网络延时矩阵大小为N*N，N表示通信设备终端的数量，其中表示网络延时矩阵的第i行的第j列的元素，该元素的值表示第i个通信设备终端到达第j个通信设备终端的时间，单位毫秒，对于相同行相同列的元素的值赋值为0；
步骤S202，初始化参数；包括：蚁群规模m，信息素重要因子a，启发重要因子b，信息素释放总量Q，迭代次数起始值c，信息素浓度矩阵G，信息素浓度矩阵的大小为N*N，信息素浓度矩阵的元素值的初始值为常数，取值范围为[0.1,2]，信息素蒸发系数p，取值范围为（0,1），每只蚂蚁的可转移节点集合的初始元素个数为N；上述参数都为自定义参数；优选的，m=20，a=1，b=2，Q=100，p=0.5，c=1，G的元素值的初始值为1；
步骤S203，计算状态转移概率；将m个蚂蚁随机分布在通信设备终端对应的节点，根据初始化参数计算每只蚂蚁的状态转移概率，通过轮盘赌算法选择下一个转移节点，并将下一个转移节点从可转移节点集合中删除；
状态转移概率的计算公式如下：
其中表示第t次迭代的第k个蚂蚁从第i个节点转移到第j个节点的概率值，i≠j，/>表示第t次迭代的信息素浓度矩阵的第i行第j列的元素值，/>表示第t次迭代的信息素浓度矩阵的第i行第s列的元素值，/>表示蚂蚁在第t次迭代从第i个节点转移到第j个节点的期望程度，/>表示蚂蚁在第t次迭代从第i个节点转移到第s个节点的期望程度，/>，/>表示网络延时矩阵的第i行第j列的元素值，，/>表示网络延时矩阵的第i行第s列的元素值，/>表示第k个蚂蚁可转移节点集合；
步骤S204，获得当前最优解；当m个蚂蚁的可转移节点集合中的节点个数都为0时表示完成一次迭代，并计算从起始节点到目标节点的时间总和，取时间总和最小的蚂蚁的行驶路径作为当前最优解；
步骤S205，更新信息素浓度矩阵；
其中表示第t+1个迭代次数的信息素浓度矩阵的第i行第j列的元素值，/>表示第t个迭代次数的信息素浓度矩阵的第i行第j列的元素值，/>表示m个蚂蚁在第i个节点连接到第j个节点释放的信息素浓度总和，/>表示第k个蚂蚁在第i个节点连接到第j个节点释放的信息素浓度，p表示信息素蒸发系数，Q为信息素释放总量；
步骤S206，判断是否满足迭代终止条件，如果满足迭代终止条件则输出当前最优解作为最优解路径，否则返回步骤S202；
终止条件包括：迭代次数达到最大迭代次数R；在连续迭代次数U内，当前最优解的变化值小于等于设定阈值V；其中R、U、V为自定义参数；优选的，R=50，U=3，V=0.2。
在本发明的一个实施例中，图神经网络模型的计算公式包括：
第i个顶点的顶点更新特征的计算公式如下：
其中表示第i个顶点的顶点更新特征，/>表示第i个顶点的顶点特征，/>表示第j个顶点的顶点特征，/>表示第一权重参数，/>表示第二权重参数，/>表示与第i个顶点存在边连接的顶点的集合，/>表示sigmoid激活函数；
邻接矩阵I的计算公式如下：
其中表示第i个顶点的顶点更新特征，/>表示将N个顶点的顶点更新特征进行堆叠，T表示矩阵的转置操作，/>表示sigmoid激活函数；如果邻接矩阵的值大于等于0.5，则将该值替换为1，如果邻接矩阵的值小于0.5，则将该值替换为0。
在本发明的一个实施例中，用于训练图神经网络模型的训练数据集的训练样本的邻接矩阵通过基于迭代次数为M次的蚁群算法输出的最优解路径生成，如图3所示，生成训练样本的邻接矩阵包括以下步骤：
步骤S301，提取最优解路径中的节点；
步骤S302，构建N*N大小的训练样本的邻接矩阵；
步骤S303，在训练样本的邻接矩阵上标注最优解路径中的节点对应的值为1，其余节点对应的值为0；例如：训练样本的邻接矩阵的第d行的第h列的元素值为1，表示最优解路径中的节点经过第d个通信设备终端和第h个通信设备终端。
在本发明的一个实施例中，基于迭代次数为M次的蚁群算法输出的最优解路径与图神经网络模型输出的邻接矩阵的差作为图神经网络模型的损失，用于反向传播更新图神经网络模型的参数。
如图4所示，将10组通信设备终端的数量为200的配电通信网络分别通过单一蚁群算法和本发明的图神经网络模型进行通信调度，通过本发明的图神经网络模型进行通信调度的时间显著低于通过单一蚁群算法进行通信调度的时间。
此外本发明提供集中式控制网络模型，使得网络控制和转发进行分离，并且可以直接编程，例如软件定义网络(SDN)。
如图5所示，集中式控制网络模型包括：转发平面，控制平面和业务平面。其最下层是转发平面，负责数据处理，数据转发和网络状态的收集。中间为控制平面，通过南向接口，负责基础设施层资源的编排，维护网络的拓扑和状态等信息。最上层为业务平面，主要是各种各样的业务和应用，通过调用控制器的北向接口获取所需资源。网络智能被集中在基于软件的控制器上，它能够对整个网络进行管理。因此，网络对于上层应用和策略引擎只是单一的、逻辑的交换机。这样极大程度上简化了网络的设计和运行，同时也能够简化网络设备，它不再需要了解和处理成千上万的协议，只需要接受来自控制层的指令即可。
上面对本实施例的实施例进行了描述，但是本实施例并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本实施例的启示下，还可做出很多形式，均属于本实施例的保护之内。
Claims (8)
1.一种多域异构配电通信网络集中控制***，其特征在于，包括：
拓扑信息采集模块，其用于采集配电通信网络的拓扑信息；
拓扑信息包括：通信设备终端的数量、设备信息和通信设备终端的连接关系；标记通信设备终端的数量为N；
图结构数据构建模块，其用于基于配电通信网络的拓扑信息构建图结构数据；
图结构数据包括：顶点和顶点特征；
顶点与通信设备终端建立数据联系；
顶点特征根据通信设备终端的设备信息生成；
顶点之间存在边表示对应的通信设备终端之间存在连接关系；
训练模块，其用于基于迭代次数为M次的蚁群算法输出的最优解路径训练图神经网络模型；
通信调度方案生成模块，其用于将图结构数据输入训练好的图神经网络模型，输出邻接矩阵，并根据邻接矩阵生成网络调度方案，邻接矩阵的值表示顶点的连接关系；其中0表示两个顶点对应的通信设备终端之间不存在连接关系，1表示两个顶点对应的通信设备终端之间存在连接关系；
通信调度模块，其用于根据网络调度方案完成通信设备终端的通信调度。
2.根据权利要求1所述的一种多域异构配电通信网络集中控制***，其特征在于，配电通信网络的拓扑信息由相关电力部门提供。
3.根据权利要求1所述的一种多域异构配电通信网络集中控制***，其特征在于，通信设备终端的连接关系表示多个通信设备终端之间的网络连接状态，其中0表示通信设备终端之间无法进行网络连接，1表示通信设备终端之间能够进行网络连接。
4.根据权利要求1所述的一种多域异构配电通信网络集中控制***，其特征在于，顶点特征表示为：，其中/>分别表示第i个通信设备终端的带宽、丢包率、网速和网络类型，网络类型属于网络类型集合，网络类型集合表示为：/>，其中分别表示网络类型为局域网、广域网、城域网、个人区域网、全球局域网和无线局域网；网络类型集合的元素值通过正整数表示。
5.根据权利要求1所述的一种多域异构配电通信网络集中控制***，其特征在于，蚁群算法输出最优解路径包括以下步骤；
定义约束条件：当前最优解和最优解路径第一个节点必须是起始节点对应的通信设备终端，最后一个节点必须是目标节点对应的通信设备终端；
步骤S201，基于配电通信网络的拓扑信息构建网络延时矩阵；网络延时矩阵大小为N*N，N表示通信设备终端的数量，其中表示网络延时矩阵的第i行的第j列的元素，该元素的值表示第i个通信设备终端到达第j个通信设备终端的时间，单位毫秒，对于相同行相同列的元素的值赋值为0；
步骤S202，初始化参数；包括：蚁群规模m，信息素重要因子a，启发重要因子b，信息素释放总量Q，迭代次数起始值c，信息素浓度矩阵G，信息素浓度矩阵的大小为N*N，信息素浓度矩阵的元素值的初始值为常数，取值范围为[0.1,2]，信息素蒸发系数p，取值范围为（0,1），每只蚂蚁的可转移节点集合的初始元素个数为N；上述参数都为自定义参数；
步骤S203，计算状态转移概率；将m个蚂蚁随机分布在通信设备终端对应的节点，根据初始化参数计算每只蚂蚁的状态转移概率，通过轮盘赌算法选择下一个转移节点，并将下一个转移节点从可转移节点集合中删除；
状态转移概率的计算公式如下：
，其中/>表示第t次迭代的第k个蚂蚁从第i个节点转移到第j个节点的概率值，i≠j，/>表示第t次迭代的信息素浓度矩阵的第i行第j列的元素值，/>表示第t次迭代的信息素浓度矩阵的第i行第s列的元素值，/>表示蚂蚁在第t次迭代从第i个节点转移到第j个节点的期望程度，/>表示蚂蚁在第t次迭代从第i个节点转移到第s个节点的期望程度，，/>表示网络延时矩阵的第i行第j列的元素值，/>，/>表示网络延时矩阵的第i行第s列的元素值，/>表示第k个蚂蚁可转移节点集合；
步骤S204，获得当前最优解；当m个蚂蚁的可转移节点集合中的节点个数都为0时表示完成一次迭代，并计算从起始节点到目标节点的时间总和，取时间总和最小的蚂蚁的行驶路径作为当前最优解；
步骤S205，更新信息素浓度矩阵；
，其中表示第t+1个迭代次数的信息素浓度矩阵的第i行第j列的元素值，/>表示第t个迭代次数的信息素浓度矩阵的第i行第j列的元素值，/>表示m个蚂蚁在第i个节点连接到第j个节点释放的信息素浓度总和，/>表示第k个蚂蚁在第i个节点连接到第j个节点释放的信息素浓度，p表示信息素蒸发系数，Q为信息素释放总量；
步骤S206，判断是否满足迭代终止条件，如果满足迭代终止条件则输出当前最优解作为最优解路径，否则返回步骤S202；
终止条件包括：迭代次数达到最大迭代次数R；在连续迭代次数U内，当前最优解的变化值小于等于设定阈值V；其中R、U、V为自定义参数。
6.根据权利要求1所述的一种多域异构配电通信网络集中控制***，其特征在于，图神经网络模型的计算公式包括：
第i个顶点的顶点更新特征的计算公式如下：
，其中/>表示第i个顶点的顶点更新特征，/>表示第i个顶点的顶点特征，/>表示第j个顶点的顶点特征，/>表示第一权重参数，/>表示第二权重参数，/>表示与第i个顶点存在边连接的顶点的集合，/>表示sigmoid激活函数；
邻接矩阵I的计算公式如下：
，其中/>表示第i个顶点的顶点更新特征，/>表示将N个顶点的顶点更新特征进行堆叠，T表示矩阵的转置操作，/>表示sigmoid激活函数；如果邻接矩阵的值大于等于0.5，则将该值替换为1，如果邻接矩阵的值小于0.5，则将该值替换为0。
7.根据权利要求1所述的一种多域异构配电通信网络集中控制***，其特征在于，用于训练图神经网络模型的训练数据集的训练样本的邻接矩阵通过基于迭代次数为M次的蚁群算法输出的最优解路径生成，生成训练样本的邻接矩阵包括以下步骤：
步骤S301，提取最优解路径中的节点；
步骤S302，构建N*N大小的训练样本的邻接矩阵；
步骤S303，在训练样本的邻接矩阵上标注最优解路径中的节点对应的值为1，其余节点对应的值为0。
8.根据权利要求1所述的一种多域异构配电通信网络集中控制***，其特征在于，基于迭代次数为M次的蚁群算法输出的最优解路径与图神经网络模型输出的邻接矩阵的差作为图神经网络模型的损失，用于反向传播更新图神经网络模型的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311604080.7A CN117639244A (zh) | 2023-11-28 | 2023-11-28 | 一种多域异构配电通信网络集中控制*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311604080.7A CN117639244A (zh) | 2023-11-28 | 2023-11-28 | 一种多域异构配电通信网络集中控制*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117639244A true CN117639244A (zh) | 2024-03-01 |
Family
ID=90035210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311604080.7A Pending CN117639244A (zh) | 2023-11-28 | 2023-11-28 | 一种多域异构配电通信网络集中控制*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117639244A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117933667A (zh) * | 2024-03-21 | 2024-04-26 | 广州疆海科技有限公司 | 虚拟电厂的资源调度方法、装置、计算机设备和存储介质 |
| CN118052590A (zh) * | 2024-04-16 | 2024-05-17 | 长春慧程科技有限公司 | 一种基于ai的汽车零部件供应链管理*** |
-
2023
- 2023-11-28 CN CN202311604080.7A patent/CN117639244A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117933667A (zh) * | 2024-03-21 | 2024-04-26 | 广州疆海科技有限公司 | 虚拟电厂的资源调度方法、装置、计算机设备和存储介质 |
| CN118052590A (zh) * | 2024-04-16 | 2024-05-17 | 长春慧程科技有限公司 | 一种基于ai的汽车零部件供应链管理*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107172166B (zh) | 面向工业智能化服务的云雾计算*** | |
| CN117639244A (zh) | 一种多域异构配电通信网络集中控制*** | |
| Wang et al. | A tree-based particle swarm optimization for multicast routing | |
| CN113285831B (zh) | 网络行为知识智能学习方法、装置、计算机设备及存储介质 | |
| CN110290077B (zh) | 一种基于实时业务配置的工业sdn资源分配方法 | |
| CN114143264A (zh) | 一种SRv6网络下基于强化学习的流量调度方法 | |
| Kumar et al. | Using clustering approaches for response time aware job scheduling model for internet of things (IoT) | |
| CN114298178A (zh) | 一种多智能体的通信学习方法 | |
| CN107911300A (zh) | 基于鲸鱼算法的组播路由优化方法及其在Spark平台上的应用 | |
| Manalastas et al. | Where to go next?: A realistic evaluation of AI-assisted mobility predictors for HetNets | |
| CN113676357B (zh) | 面向电力物联网中边缘数据处理的决策方法及其应用 | |
| He et al. | Towards intelligent provisioning of virtualized network functions in cloud of things: A deep reinforcement learning based approach | |
| Abdel-Kader | An improved discrete PSO with GA operators for efficient QoS-multicast routing | |
| Lotfi et al. | Attention-based open ran slice management using deep reinforcement learning | |
| Chen et al. | Profit-aware cooperative offloading in uav-enabled mec systems using lightweight deep reinforcement learning | |
| CN116634504A (zh) | 基于改进nsga-ii算法的无人机组网拓扑关系与带宽分配优化策略 | |
| CN112333102B (zh) | 基于知识图谱的软件定义网络路由选择方法和*** | |
| CN116133082A (zh) | 一种提高航空自组网拓扑持续时间的多跳分簇方法 | |
| CN116155805A (zh) | 分布式智能路由方法、***、电子设备和存储介质 | |
| Hsieh et al. | Deep reinforcement learning-based task assignment for cooperative mobile edge computing | |
| CN114640643A (zh) | 基于群体智能的信息跨社群传播最大化方法及*** | |
| CN110163249B (zh) | 基于用户参数特征的基站分类识别方法及*** | |
| CN116132354B (zh) | 一种无人机集群网络化传输路径优化方法及*** | |
| Kim et al. | Generative service provisioning for IoT devices using line graph structure | |
| Yang et al. | Virtual network function placement based on differentiated weight graph convolutional neural network and maximal weight matching |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |