MMFeb, 2024

下一代网络中自适应交通路由的深度增强学习方法

PDF
TL;DR我们研究并开发了一种深度强化学习（DRL）方法，用于自适应流量路由，该方法利用深度图卷积神经网络（DGCNN）在 DRL 框架中学习流量行为，并通过 Q 值估计选择路由路径，实现对流量动态的快速适应。与 OSPF 协议相比，实验结果表明了该框架的有效性和适应性，在增加网络吞吐量高达 7.8% 和减少 16.1% 的流量延迟方面取得了显著效果。
发现论文，激发创造
  • 深度强化学习遇见图神经网络：探索一种路由优化用例

    本篇论文提出在 Deep Reinforcement Learning 技术中，将 Graph Neural Networks 集成进 DRL 代理中，以解决网络拓扑的泛化问题，并在路由优化的用例中测试并评估其性能，结果表明，在未曾训练过的网络拓扑中，DRL+GNN 代理能够胜过目前最先进的解决方案。

    Oct, 2019

  • 软件定义网络路由优化深度强化学习方法

    本文设计和评估了一个深度强化学习代理，该代理优化路由并自动适应当前交通条件，提出量身定制的配置以尝试最小化网络延迟，实验表现出极具潜力的性能与相较于传统优化算法的重要操作优势。

    Sep, 2017

  • 基于网络状况感知和深度强化学习的智能 SDWN 路由算法

    本文介绍了一种基于强化学习和网络状态感知的智能路由算法，其结合了软件定义网络架构、网络拓扑构建、流量信息预测等因素，通过执行智能灵活的路由决策，有效提高了网络吞吐量、延迟、数据包丢失率等性能指标。

    May, 2023

  • 智能交通系统中的交通灯深度强化学习控制

    本篇论文通过研究深度强化学习在交通灯控制问题中的应用，证明在格网路网中智能行驶的 “绿波” 策略自然而然地出现，并且优于传统方法，这为提高交通效率提供了途径。

    Feb, 2023

  • 基于深度强化学习的体验驱动网络

    本文提出了一种基于深度强化学习的通信网络控制框架 DRL-TE，通过学习并决策网络环境和动态变化，实现流量工程问题中代价函数的自动最优化，并在模拟实验中证明其相比于传统方法表现更佳。

    Jan, 2018

  • 全局路径规划的深度强化学习方法

    本文提出了一种基于深度强化学习的全局路由方法，该方法可以在模拟环境中生成优化的路由策略，与传统的基于贪心算法的方法相比，该方法具有更高的灵活性和更优的效果，为未来数据驱动的路由方法的培训数据集和生成不同规模和约束条件的参数化全局路由问题集合提供了可能性。

    Jun, 2019

  • 基于图卷积的深度强化学习在混合交通环境下的多智能体决策

    本研究提出了一种利用图神经网络和深度强化学习相结合的图强化学习方法，以提高自主车辆互动交通场景下的决策生成精度。在实验验证中，该方法能够提取交互情景特征，并生成更好的合作行为。

    Jan, 2022

  • 基于图注意力多智能体强化学习的分组路由

    本文提出了一种基于强化学习（RL）的无模型和数据驱动路径选择策略，结合图神经网络（GNN）的多智能体 RL 框架，探索了中央化，联合和合作学习三种部署范式，模拟结果表明该算法在分组传输延迟和负载方面优于一些现有的基准算法。

    Jul, 2021

  • 复杂网络中的拥塞控制新型强化学习路由算法

    使用强化学习的路由算法能够控制拥塞和优化路径长度，从而提高网络吞吐量，有效地应用于复杂网络中各种流量场景和拓扑结构，并在实验中显示出最大节点拥塞减少 5 倍、效率提高 30% 的结果。

    Dec, 2023

  • 提高大规模交通信号控制的泛化能力和稳健性

    本研究探讨了使用分布式强化学习方法控制交通信号灯的鲁棒性和泛化能力，提出了一种组合使用分布式和标准强化学习的策略集成方法，并使用隐式分位点网络（Implicit Quantile Networks）进行建模，在缺失的数据和不同的交通网络结构下取得了优秀的控制效果。

    Jun, 2023