摘要：随着无线网络中视频流量的增长,内容分发网络和移动边缘计算技术被视为应对这一挑战的有效方案,其中缓存策略问题是研究的重要内容。面对不同的应用场景和需求,设计缓存策略时会考虑不同的优化目标。文中重点考虑了两个优化目标的公平性问题。对视频服务商而言,用户满意度(Quality of Experience,QoE)体现了服务的质量,而能量效率体现了成本效益和节能指标。在设计缓存策略时,由于无法明确哪个目标的优先级更高,因此需要对它们进行公平地优化。首先,对缓存策略问题的两个重要目标(QoE和能量效率)进行数学建模,并提出了公平性原则。然后,将这两个优化目标作为博弈对象,代入纳什议价博弈模型中。接着,提出了一种确保公平性的多回合议价算法,并证明了该算法的合理性和有效性。最后,仿真实验验证,该算法能够在优化缓存策略的QoE和能量效率的同时保证它们之间的公平性。

摘要：经过多年的建设发展,卫星通信已经形成了多系列卫星并存、相互支撑、相互补充的通信系统。然而,由于各卫星系统建设时间跨度大,通信技术手段存在差异,如何高效利用异构的卫星通信资源成为了一个实际难题。为此,文中首次根据卫星与地球站的可互通条件构建了系统模型,并将其归结为线性约束下离散变量的非线性优化问题,优化目标是异构卫星波束间的负载均衡,并在此基础上设计了一种两阶段的启发式组网规划方法。最后,根据地球同步卫星网络特性设置了合理的仿真参数,利用Matlab平台进行仿真实验。仿真结果表明,所提方法在面对不同规模的地球站组网时,在平均负载和负载均衡性上均优于一般的枚举搜索和遗传优化算法,可以在短时间内对大规模的信道单元进行组网规划。

摘要：传统单体式软件架构由于耦合性高、扩展性差的原因,难以适应如今用户需求频繁变动的开发场景。随着服务化理念的深入推广,利用独立的Web服务进行组合成为解决这一问题的可行方案。如何利用功能不同、服务质量(Quality of Service,QoS)迥异的Web服务,构建出满足用户功能性需求及非功能性需求的组合服务成为服务计算领域的一个研究热点。提出一种基于马尔可夫决策过程的服务组合模型,并设计了基于深度强化学习的求解算法。应用深度网络提升模型表现,可有效解决大规模服务组合场景中现有服务组合算法寻优能力差的问题;进一步针对传统强化学习Web服务组合模型中奖励值估计不准确的问题,提出了一种基于卷积神经网络计算奖励值的方法,对服务历史QoS信息加以充分利用,并在公共数据集上做了实验验证。实验结果表明,基于深度强化学习的服务组合ADR-WSC算法在大规模服务组合问题中输出的组合服务QoS更优,算法运行时间更短。