.png){kind=icon}
返回
Transformer-pointer DRL model for static resource allocation problems in SDM-EONs
.png){kind=icon}
PRE
AI
DOI：10.1364/JOCN.580228.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
空间分割复用弹性光网络（SDM-EONs）中的静态资源分配问题需要联合优化路由、调制、空间和频谱分配（RMSSA）以实现高效资源利用。由于整数规划模型和复杂启发式算法计算成本高昂，因此常采用First-Fit算法快速求解可行解，但其解质量通常较差且高度依赖顺序。为解决此问题，我们提出一种用于静态资源分配的深度强化学习方法。我们将组合问题重新表述为序列优化问题，并与固定的First-Fit分配器配对，并证明在空间-频谱分配（SSA）子问题中，First-Fit具有顺序表达性，在适当顺序下可达到最优解。Transformer编码器提取请求集特征，指针网络解码器优化输出顺序。训练后的网络可作为黑箱启发式算法。与人工设计的顺序相比，该方法在快速推理速度下能提供更高解质量，非常适合时敏重构和大规模规划任务，同时保持与First-Fit相当的运行时间。最后，消融研究验证了编码器和解码器的贡献，并尝试对训练后的网络进行解释。
Keyword:
Resource management
Decoding
Dynamic scheduling
Transformers
Routing
Deep reinforcement learning
Training
Space division multiplexing
Reviews
Optical switches
期刊
IF:
4.3
论文数:
2.2K
被引数:
3.8K