今日动态 返回首页
会员注册 登录 生物通快讯免费订阅
  • 首页 今日动态 人才市场 新技术专栏 中国科学人 云展台
    BioHot
    • 定制我的BioHot
    • 进入我的BioHot
    • 进入我的集采
    • 肿瘤癌症研究
    • 免疫/基因/细胞疗法
    • 神经生物学
    • 健康与疾病
    • 衰老机制与长寿
    • 单细胞技术
    • 基因编辑-CRISPR
    • RNA研究
    • 肠道菌与人体微生态
    • 细胞代谢
    • AI生物信息学
    • COVID
    云讲堂直播 会展中心 特价专栏 技术快讯 免费试用

  • 生物通官微
    陪你抓住生命科技
    跳动的脉搏

生物通首页  >  今日动态  >  正文

基于混合数字孪生强化学习的网络切片与资源分配优化框架

《Scientific Reports》:Hybrid digital twin and reinforcement framework for intelligent network slicing and dynamic resource allocation in 5G edge computing environments

【字体: 大 中 小 】 时间:2026年09月19日 来源:Scientific Reports 4.9

编辑推荐:

   摘要在快速演进的通信网络世界中,网络需求和流量不断增加,这使得高效的网络切片和资源分配技术成为必备要求。现有的网络切片和资源分配模型存在算法效率不足、泛化能力有限以及缺乏实际部署等问题。为克服这些挑战,本研究提出了一种混合数字孪生强化学习框架,结合灰狼哈里斯鹰优化算法(DRL

  

摘要

在快速演进的通信网络世界中,网络需求和流量不断增加,这使得高效的网络切片和资源分配技术成为必备要求。现有的网络切片和资源分配模型存在算法效率不足、泛化能力有限以及缺乏实际部署等问题。为克服这些挑战,本研究提出了一种混合数字孪生强化学习框架,结合灰狼哈里斯鹰优化算法(DRL_GWHHO),以实现高效的资源分配。在初始阶段,实时数据被采集并转发至预处理模块。预处理后的数据随后被混合多头注意力视觉 Transformer(MHAV)模型用于提取网络特征。所提取的特征作为输入提供给 HDRL 模型,以学习网络策略并获得优化的网络状态,这些状态随后被利用图 Transformer Kolmogorov-Arnold 网络(GTKAN)构建的智能网络切片模块进行处理。模型生成的最优网络切片通过时序融合 Transformer-混合专家模型(TFT-MoE)用于动态资源分配。最终,网络切片和资源经过优化后转发至可解释人工智能(XAI)模块,以确保可解释性。实验评估结果显示,该模型的准确率为 98.6%,带宽利用率为 97.3%,网络可靠率为 98.2%。所提出的模型在准确率、数据包传输率、资源可靠性和带宽利用率方面表现更优,且延迟较低,适用于实际应用场景。

相关新闻
生物通微信公众号
生物通新浪微博
微信
新浪微博
我要投稿
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热搜:网络切片|资源分配|数字孪生强化学习|混合多头注意力|图Transformer|可解释人工智能

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号