Deep Reinforcement Learning for Network Provisioning in Elastic Optical Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We design an effective and scalable Deep Reinforcement Learning (DRL) approach for the Routing, Modulation and Spectrum Assignment (RMSA) problem in elastic optical networks. We use Convolutional Neural Networks (CNN) to embed the state and Deep Neural Networks (DNN) to learn the policy. We propose a novel state representation and reward function that interestingly guide the agent on assigning appropriate routes and spectrum by incorporating information on the spectrum utilisation and spectrum fragmentation. This gives the agent information about the consequence or cost of each action across the network, reducing the level of knowledge abstraction required for the agent. To show the effectiveness of the reward function and the importance of well-designed state representations, we have designed two state representations: the first with aggregation of spectrum occupancy information and the second without aggregation. The Proximal Policy Optimization (PPO) algorithm is investigated with an actor critic model where an entropy bonus is added to the loss function to ensure sufficient exploration. The proposed solution is compared with a greedy heuristic and a PPO with standard reward and state representation. Numerical results show that the proposed model provides very good solutions and works well on dataset instances with large topologies (up to 75 nodes). The proposed PPO outperformed the baseline algorithms by obtaining the largest throughput on all test instances. In addition, its spectrum usage has the lowest fragmentation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle