基于深度强化学习与改进遗传算法的弹性光网络P-cycle保护及频谱优化方法研究

《Scientific Reports》：Intelligent P-cycle provisioning in elastic optical networks via energy-aware deep reinforcement learning

　　

摘要

为了准确评估采用预配置环（p-cycles）网络的服务可达性，本研究构建了一个理论模型。与早期工作相比，我们的模型通过考虑保护域之间的依赖关系以及光路可访问的所有情况，能够更准确地预测服务可用性。基于可用性研究的结果，我们随后提出了一种面向动态弹性光网络（EONs）的方法，旨在保障整个配置周期内的服务可用性。在弹性光网络中，引入了一种结合深度强化学习（DRL）和改进遗传算法（IGA）的混合策略，以缓解传统预配置环（P-cycle）保护所导致的频谱碎片化和过度资源冗余问题。DRL智能体学习识别最优基础环，而IGA对其组合进行优化，以实现高效的全网保护覆盖。为进一步减少频谱碎片化，提出了一种与P-cycle配置相结合的信道级频谱划分方法，以实现更好的频谱资源组织。此外，设计了一种路由机制，通过优先考虑最小流量负载或采用首次适配策略来选择工作路径，同时考虑频谱利用率和路径长度，以提高整体效率。仿真结果表明，所提出的DRL方法能够提高频谱资源利用率，同时降低带宽阻塞的可能性。在仿真中，将两种利用-p-cycle保护有效性的基准环设计技术与所提出的方法进行了对比。仿真结果表明，所提出的方法可在几乎不改变阻塞概率的情况下，有效提高EONs的服务可达性。