搭建以及初始化;执行资源分配;重复步骤2的资源分配次,训练算法网络结构G;每完成步骤3中算法网络结构G训练X次,将算法网络结构G权重参数赋值给目标网络,实现目标网络的更新;步骤3执行次后,完成算法网络结构G的训练过程。通过图注意力机制获取主体之间的内在联系,分析各个切片数据包在时空上的波动情况,相较于基于优化算法以及遗传算法的资源分配策略以及基于传统强化学习的资源分配策略,能够得到更高的系统回报,即更高的频谱效率和更好的用户体验,同时可以适应动态变化的环境,更具灵活性和鲁棒性。">
基于图注意力机制强化学习的多基站协同无线网络资源分配方法
基于图注意力机制强化学习的多基站协同无线网络资源分配方法
来源:北方有色网
访问:817
简介:
本发明公开了一种基于图注意力机制强化学习的多基站协同无线网络资源分配方法,该方法包括:算法网络结构G和目标网络搭建以及初始化;执行资源分配;重复步骤2的资源分配次,训练算法网络结构G;每完成步骤3中算法网络结构G训练X次,将算法网络结构G权重参数赋值给目标网络,实现目标网络的更新;步骤3执行次后,完成算法网络结构G的训练过程。通过图注意力机制获取主体之间的内在联系,分析各个切片数据包在时空上的波动情况,相较于基于优化算法以及遗传算法的资源分配策略以及基于传统强化学习的资源分配策略,能够得到更高的系统回报,即更高的频谱效率和更好的用户体验,同时可以适应动态变化的环境,更具灵活性和鲁棒性。
本发明公开了一种基于图注意力机制强化学习的多基站协同无线网络资源分配方法,该方法包括:算法网络结构G和目标网络搭建以及初始化;执行资源分配;重复步骤2的资源分配次,训练算法网络结构G;每完成步骤3中算法网络结构G训练X次,将算法网络结构G权重参数赋值给目标网络,实现目标网络的更新;步骤3执行次后,完成算法网络结构G的训练过程。通过图注意力机制获取主体之间的内在联系,分析各个切片数据包在时空上的波动情况,相较于基于优化算法以及遗传算法的资源分配策略以及基于传统强化学习的资源分配策略,能够得到更高的系统回报,即更高的频谱效率和更好的用户体验,同时可以适应动态变化的环境,更具灵活性和鲁棒性。
标签:化学分析
宣传
宣传
宣传
顶部