安全技术-网络信息-认知无线网络中的动态资源分配.pdf

基于分解的多目标进化算法(具有动态资源分配 (DRA) 的 MOEA/D) Decomposition Based Multi Objective Evolutionary Algorithm 代码是基于基于分解的多目标进化算法（MOEA/D）的思想和资源分配策略开发的。资源分配策略用于为 MOEA/D 中所需的子问题分配计算资源。 Mohaideen abdul kadhar K (2022)。基于分解的多目标进化算法

新兴的移动云计算（MCC）技术为移动终端提供了巨大的潜力，可支持运行高度复杂的应用程序。 但是，支持此类应用程序需要来自云服务器和移动终端的有效资源管理。 此外，与基于服务质量的资源管理技术相比，基于体验质量（QoE）的资源管理技术可以更好地满足最终用户的需求。 在本文中，我们以可接受的QoE解决了MCC网络的资源管理问题。 该方案基于多线索多跟随者两阶段Stackelberg博弈模型，最大化了MCC网络的效用函数。 考虑到云服务器和移动终端自私以最大化其自身利益的场景，网络性能受到其贪婪程度的极大影响。 为了获得更好的网络性能，控制决策需要相互结合。 效用功能不仅考虑移动终端的频谱效率和用户满意度，还考虑云中的定价信息。 我们提出的方案可以在移动终端和云服务器之间获得均衡的性能。 另外，研究了该方案中纳什均衡的存在。 从理论上讲，可以推论出带宽的最高和最低售价。 仿真结果表明，所提算法和所提方案在用户满意度和网络收益方面均优于均等分配方案。

这是一篇论文，作者：陈前斌 谭颀 魏延南 贺兰钦 唐伦。 摘 要：针对面向混合能源供应的 5G 异构云无线接入网(H-CRANs)网络架构下的动态资源分配和能源管理问 题，该文提出一种基于深度强化学习的动态网络资源分配及能源管理算法。首先，由于可再生能源到达的波动性 及用户数据业务到达的随机性，同时考虑到系统的稳定性、能源的可持续性以及用户的服务质量(QoS)需求，将 H-CRANs网络下的资源分配以及能源管理问题建立为一个以最大化服务提供商平均净收益为目标的受限无穷时 间马尔科夫决策过程(CMDP)。然后，使用拉格朗日乘子法将所提CMDP问题转换为一个非受限的马尔科夫决策 过程(MDP)问题。最后，因为行为空间与状态空间都是连续值集合，因此该文利用深度强化学习解决上述 MDP问题。仿真结果表明，该文所提算法可有效保证用户QoS及能量可持续性的同时，提升了服务提供商的平均 净收益，降低了能耗。

利用银行家算法进行资源分配的报告，包括程序和其他的一套说明都在我这里可以找到匹配的。