修车大队一品楼qm论坛51一品茶楼论坛,栖凤楼品茶全国楼凤app软件 ,栖凤阁全国论坛入口,广州百花丛bhc论坛杭州百花坊妃子阁

oe1(光电查) - 科学论文

15 条数据
?? 中文（中国） ▾

  • 基于学习的能量收集物联网设备计算卸载

    摘要： 物联网（IoT）设备可结合移动边缘计算（MEC）与能量收集（EH）技术，在为计算密集型应用提供高性能体验的同时延长电池寿命。本文针对具备能量收集功能的物联网设备，提出一种基于强化学习（RL）的任务卸载方案，该方案能根据当前电池电量、各边缘设备的既往无线传输速率及预测收集能量量值，自主选择最优边缘设备及卸载速率。该机制使物联网设备无需掌握MEC模型、能耗模型和计算延迟模型的先验知识即可优化卸载策略。进一步地，我们设计了基于深度强化学习的加速学习方案。通过三种典型卸载场景，给出了该方案在能耗、计算延迟及效用方面的性能边界，并采用无线供能的物联网设备进行仿真验证。结果表明：相较于基准卸载方案，所提RL卸载方案在动态MEC环境中能降低能耗、缩短计算延迟并减少任务丢弃率，从而显著提升物联网设备的综合效用。

    关键词： 移动边缘计算、能量收集、强化学习、计算卸载、物联网

    更新于2025-09-23 15:22:29

  • VLC与D2D异构网络优化：一种基于均衡约束均衡问题的强化学习方法

    摘要： 射频（RF）频谱资源紧张促使人们开发利用其他带宽来源，可见光成为极具潜力的候选方案。虽然可见光通信（VLC）能确保高容量传输，但其覆盖范围有限。这需要将VLC与设备间直连（D2D）技术整合到异构网络中。具体而言，可接收VLC发射器信号的移动用户可通过D2D通信为中继不可接收信号的用户转发数据。然而由于移动用户的分布式特性，确定从VLC发射器到终端移动设备的最优数据传输路径是主要挑战。本文提出基于强化学习（RL）的方法来确定室内VLC-D2D异构网络中的多跳数据传输路径。通过将中继数据的移动用户交互建模为带均衡约束的均衡问题（EPEC），并采用交替方向乘子法（ADMM）求解，动态获取RL方法的奖励值。该技术能以分布式方式实现最优数据传输路径。仿真结果表明，所提方法能有效通过学习算法获得低延迟、高容量的传输路径。

    关键词： 设备到设备、强化学习、可见光通信、交替方向乘子法、异构网络、具有均衡约束的均衡问题

    更新于2025-09-23 15:22:29

  • X波段高增益低副瓣波导缝隙阵列天线的设计、仿真与制造——方位角与俯仰角方向均实现零波束倾斜

    摘要： 本文提出了一种面向智能微电网的智能动态能量管理系统（I-DEMS）。研究引入了进化自适应动态规划与强化学习框架来实现I-DEMS的在线演化。该系统是能执行并网与孤岛运行模式的优化或近优能量管理系统，主要能源采用风能、太阳能等可持续、绿色环保的可再生能源系统（RES），但这些能源具有不确定性与不可调度性。通过备用电池储能系统与热力发电来应对这些挑战。利用I-DEMS进行调度分配，可使可再生能源与储能设备得到最大化利用，从而持续保障关键负荷供电?；谖⒌缤低匙刺?，I-DEMS生成能量调度控制信号，同时前瞻网络对分配的控制信号进行时序评估。研究展示了不同发电与负荷工况下的典型结果，并将I-DEMS性能与基于决策树方法的能量管理系统（D-DEMS）进行对比。通过考察不同电池储能条件下的微电网运行，验证了I-DEMS的稳健性能。

    关键词： 微电网、自适应动态规划、强化学习、进化计算、动态能源管理系统（DEMS）、可再生能源、神经网络

    更新于2025-09-23 15:21:01

  • 具有全范围零电压开关和电气隔离的可扩展软开关光伏逆变器

    摘要： 异构无线网状技术的引入为提升网络容量、扩大覆盖范围及提高服务质量(QoS)提供了契机。各无线设备采用不同的标准、数据格式、协议和接入技术。然而此类技术的多样性与复杂性给传统管控系统带来挑战。本文提出一种融合IEEE 802.11无线网状网络(WMN)与长期演进(LTE)网络的异构城域网架构，并基于强化学习开发了新型异构路由协议及称为"认知异构路由"的算法，通过综合各网络参数选择最优传输技术。该异构网络既解决了WMN中长路径传输、孤立节点及干扰问题，又通过利用免授权频段（而非为LTE购买更多授权频段）提升了组合网络整体容量。大量仿真验证表明：相较于单独使用的LTE或Wi-Fi网络，所提异构WMN性能更优。仿真结果显示，相比纯Wi-Fi或纯LTE网络，本方案吞吐量最高可提升200%。

    关键词： 路由协议，长期演进（LTE），强化学习，下一代网络，异构网络，无线网状网络（WMN）

    更新于2025-09-23 15:21:01

  • 面向b5G NOMA网络中智能无人机辅助攻击的缓存使能物理层安全博弈

    摘要： 本文研究了一种双用户非正交多址接入（NOMA）网络中具备缓存功能的物理层安全通信问题，其中智能无人机搭载可执行多种攻击模式的攻击?？?。我们提出一种功率分配策略以增强传输安全性。为此，基于强化学习设计了一种能自适应控制NOMA网络中信源站功率分配因子的算法。将信源站与无人机的交互视为动态博弈过程：在博弈过程中，信源站根据无人机攻击?？榈鼻肮ぷ髂Ｊ蕉髡β史峙湟蜃樱晃畲蠡б嬷?，信源站持续探索变化的无线环境直至达到纳什均衡（NE）。此外，通过纳什均衡的证明验证了所提策略的最优性。仿真结果证实了该策略的有效性。

    关键词： 无人机、缓存、B5G、强化学习、物理层安全、非正交多址接入

    更新于2025-09-23 15:19:57

  • [IEEE 2019年第23届机电一体化技术国际会议(ICMT) - 意大利萨莱诺(2019.10.23-2019.10.26)] 2019年第23届机电一体化技术国际会议(ICMT) - 强化学习在种子自由电子激光强度控制中的应用研究

    摘要： 粒子加速器的优化是一项具有挑战性的任务，多年来人们提出了多种不同方法，以实现设备的最佳调谐并使其在漂移或干扰下仍能保持最优状态。事实上，传统的无模型方法（如梯度上升算法或极值搜索算法）存在固有局限性。为克服这些局限，机器学习技术——特别是强化学习——在粒子加速器领域正受到越来越多的关注。本文旨在将一种基于激光轨迹的通用目标函数的无模型强化学习方法应用于种子激光的对准研究。该研究聚焦于意大利的里雅斯特同步辐射实验室自由电子激光装置FERMI的激光对准问题。我们特别采用线性函数逼近的Q学习方法，并报告了在实际部署环境下获得的实验结果。尽管该方法较为简单，但我们获得了令人满意的初步成果，这标志着向种子激光与电子束全自动对准流程迈出了第一步——目前这种叠加操作仍需人工完成。

    关键词： 自由电子激光器、粒子加速器、Q学习、强化学习、机器学习

    更新于2025-09-19 17:13:59

  • [IEEE 2019年第21届透明光网络国际会议(ICTON) - 法国昂热(2019.7.9-2019.7.13)] 2019年第21届透明光网络国际会议(ICTON) - 基于强化学习实现自适应状态值评估的透明光网络动态控制

    摘要： 为了在透明光网络中实现高效且动态的路径操作，路由与波长分配（RWA）不仅需要优化链路资源利用率，还需兼顾流量分布。本文提出一种基于强化学习的RWA算法，该算法通过预估流量分布进行预训练，以最大化网络可容纳的路径数量。数值实验表明，该算法可使网络容纳的路径数量提升高达9.1%。

    关键词： 透明光网络、网络状态值、强化学习、路由与波长分配、动态网络控制

    更新于2025-09-19 17:13:59

  • [2019年IEEE第46届光伏专家会议(PVSC) - 美国伊利诺伊州芝加哥 (2019.6.16-2019.6.21)] 2019年IEEE第46届光伏专家会议(PVSC) - 采用丝网印刷硼发射极的P<sup>+</sup>N硅太阳能电池性能优化

    摘要： 5G的定义与标准化项目正在稳步推进，其关键特性和主要挑战已得到明确。影响5G网络潜在性能的核心网络要素是回程链路——该链路需在广度和深度上扩展，以满足小型基站的指数级增长需求，同时提供每秒千兆级别的高吞吐量、低于1毫秒的延迟，并具备高韧性与能效比。此类性能通常只能通过全国范围内难以普及、且部署复杂昂贵的光纤直连实现。另一方面，5G的核心特性在于多样性，这体现在无线接入网、回程链路以及用户应用与设备类型等多个维度。为此，我们提出一种新型分布式自优化端到端用户-基站-回程关联方案：该方案能基于动态无线与回程条件，智能地将用户与候选基站进行匹配，同时严格遵循用户需求。无线基站会广播多个偏置因子，每个因子反映端到端网络性能的动态指标（如容量、延迟、韧性、能耗等）。用户通过这些因子生成以自身为中心的基站排序，从而选择符合其需求的无线与回程性能组合?；静捎们炕八惴ㄓ呕鞫副甑钠靡蜃樱谧畲蠡低惩掏铝康耐?，最小化用户实际体验质量（QoE）与需求之间的差距。初步结果表明，相较于现有最优用户-基站关联方案，该方案能显著提升用户体验质量与系统累计吞吐量。

    关键词： 多属性决策、自组织网络（SON）、以用户为中心、回程链路、强化学习、用户-小区关联、前传链路

    更新于2025-09-19 17:13:59

  • 基于强化学习的智能家居能源管理：含屋顶光伏系统、储能系统及家用电器

    摘要： 本文提出一种数据驱动方法，利用强化学习管理配备屋顶光伏系统、储能系统和智能家居电器的住宅最优能耗。与现有基于模型的家庭能源管理系统优化方法相比，本方法的创新点在于：(1)采用无模型Q学习算法对单个可控家电（空调或洗衣机）的能耗调度、储能系统充放电进行优化；(2)通过人工神经网络预测室内温度，辅助Q学习算法精准掌握空调能耗与室内温度的关联关系。该融合人工神经网络模型的Q学习家庭能源管理算法，在保障用户偏好舒适度（如室内温度）和家电运行特性的前提下降低了用电成本。仿真实验以配备光伏系统、空调、洗衣机、储能系统及分时电价的单户住宅为对象，结果表明本算法较现有优化方法可降低14%的电费支出。

    关键词： 强化学习、智能电网、人工神经网络、智能家居、用户舒适度、家庭能源管理系统

    更新于2025-09-16 10:30:52

  • [2019年IEEE现代电气与能源系统国际会议（MEES）- 乌克兰克列缅丘格（2019.9.23-2019.9.25）] 2019年IEEE现代电气与能源系统国际会议（MEES）- 光伏电站的经济效益

    摘要： 本文提出了一种面向智能微电网的智能动态能量管理系统（I-DEMS）。研究引入了进化自适应动态规划与强化学习框架来实现I-DEMS的在线进化。该系统作为最优或近最优能量管理系统，能够执行并网与孤岛运行模式下的微电网操作。其主要能源来自可持续、绿色且环保的可再生能源系统（RES），如风能和太阳能；但这些能源形式具有不确定性和不可调度性。研究采用备用电池储能系统与热力发电来应对这些挑战。通过I-DEMS进行调度安排，可使可再生能源系统与储能设备得到最大化利用，从而持续保障关键负荷供电。基于微电网的系统状态，I-DEMS生成能量调度控制信号，同时前瞻网络会对所调度的控制信号进行时序评估。研究展示了不同发电与负荷场景下的典型结果，并将I-DEMS性能与基于决策树方法的能量管理系统（D-DEMS）进行对比。通过考察不同电池储能条件下的微电网运行状况，验证了I-DEMS的稳健性能。

    关键词： 微电网、自适应动态规划、强化学习、进化计算、动态能源管理系统（DEMS）、可再生能源、神经网络

    更新于2025-09-16 10:30:52