买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆邮电大学申请的专利一种应用于大规模网络仿真系统的算力调度方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119829243B 。

龙图腾网通过国家知识产权局官网在2025-12-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411888913.1，技术领域涉及：G06F9/48；该发明授权一种应用于大规模网络仿真系统的算力调度方法及系统是由徐川;练书延;张子豪;周东鹏;何俊杰设计研发完成，并于2024-12-20向国家知识产权局提交的专利申请。

本一种应用于大规模网络仿真系统的算力调度方法及系统在说明书摘要公布了：本发明涉及于算力调度技术领域，具体涉及一种应用于大规模网络仿真系统的算力调度方法及系统，所述方法包括：获取所有算力节点的资源占用状态信息集合；构建所有算力节点的任务队列；设定深度强化学习参数并初始化神经网络；将算力节点作为智能体与环境进行交互产生经验样本采用深度强化学习方法训练神经网络，得到初步的任务调度策略；使用蚁群算法对初步的任务调度进行进一步的优化，来获得最终的任务调度策略；采用最终的任务调度策略来对仿真任务进行调度。本发明在任务调度时，不仅考虑了算力节点的实时资源状态，也考虑了任务的特殊性、任务的优先级以及任务和任务之间的依赖关系，提高了对于算力的利用效率，缩减仿真时间。

本发明授权一种应用于大规模网络仿真系统的算力调度方法及系统在权利要求书中公布了：1.一种应用于大规模网络仿真系统的算力调度方法，其特征在于，包括： S1：获取所有算力节点的资源占用状态信息集合，作为原始集合，对原始集合进行归一化处理得到标准样本集； S2：构建所有算力节点的任务队列，并对任务队列进行预处理，为后续调度决策提供合理的输入数据； 构建所有算力节点的任务队列，并对任务队列进行预处理，包括： 构建任务队列集合GT,L,ω，并对任务队列进行表示； 先将算力节点的任务使用集合T进行表述，T＝{T1,T1,...,TN}，其中Ti表示第i个任务，把任务Ti的算力资源消耗量记为Li； 使用二维矩阵Ei来表示一个N*N的矩阵，其中Ei,j＝1表示Ti和Tj之间存在依赖约束，任务Tj只能在Ti完成之后才可以开始执行，如果Ei,j＝0，则表示双方不存在依赖关系； S3：根据算力节点标准样本集合设定深度强化学习参数并初始化神经网络的权重； S4：将算力节点作为智能体与环境进行交互产生经验样本，根据经验样本采用深度强化学习方法训练神经网络，得到一个初步的任务调度策略； 将算力节点作为智能体与环境进行交互产生经验样本，根据经验样本采用深度强化学习方法训练神经网络，得到一个初步的任务调度策略，包括： 将算力节点的初始状态输入到基于神经网络构建的深度强化学习模型中，深度强化学习模型在每次迭代中根据当前策略随机选择动作a； 执行动作a，观察下一个状态S′和奖励R； 将状态S、动作a、奖励R、下一个状态S′存储到经验回放池中； 从经验回放池中随机抽取一批样本，用于更新策略和值网络的参数； 计算目标Q值，其中Q指的是一个动作长期汇报，从当前状态S开始，在策略下采取特定的a表示的预测价值； 更新值网络，计算值网络的损失函数，使用均方差损失函数来最小化目标Q值和a值的差异，并更新值网络的参数，其中损失函数为： 其中，Loss表示评论家网络的损失函数，B表示经验回访池的大小，Rt表示在时间步骤t获得的奖励，γ表示衰减因子，大小在[0,1]之间；Q′St+1,a′|θμ′表示Q′在下一个状态St+1和目标动作a′下的值，目标动作a′是由目标策略网络θμ′生成的，即通过μ′网络来计算下一状态St+1的最优动作，Q′表示评论家网络的目标函数；QSt,at|θQ′表示当前评论家网络Q在当前状态下St和动作at下的Q值，θQ′为Q′网络的权重； 更新策略网络，计算策略网络的损失函数，使用策略梯度来最大化当前状态的Q值，并更新策略网络的参数，其中策略函数为： 其中，表示演员网络的更新策略，θμ表示演员网络权重，θQ表示评论家网络权重，表示演员网络的梯度，表示对Q函数在当前状态st和通过策略网络a＝μst|θμ生成的动作a上求导；表示演员网络关于其参数θμ的梯度，即策略网络对状态st输出动作的变化； 在DDPG算法中，策略网络和值网络都是基于深度神经网络的，使用梯度下降方法进行参数更新，其中策略网络和值网络的更新函数为： θQ′←τθQ+1‑τθQ′,θμ′←τθμ+1‑τθμ′其中，θQ′表示评论家网络的目标函数；θμ′表示演员网络的目标函数；τ表示目标网络更新的软更新系数；θQ表示评论家网络的权重，θμ为演员网络的权重； 循环上述步骤，直到达到最优的θs,a|θQ值，输出对应的调度策略，作为一个初步的调度策略； S5：使用优化的蚁群算法对初步的任务调度进行进一步的优化，来获得最终的任务调度策略； 使用优化的蚁群算法对初步的任务调度进行进一步的优化，来获得最终的任务调度策略，包括： 步骤1.获取算力节点状态信息； 步骤2.计算收益矩阵； 步骤3.为算力节点设置初始信息素； 步骤4.初始化蚁群，随机分布在算力节点中； 步骤5.计算蚂蚁k的转移概率，选择下一跳节点； 步骤6.在蚂蚁完成当前搜索后更新本地信息素； 步骤7.在所有蚂蚁完成对这一轮的搜索后，更新全局信息素； 步骤8.当达到迭代次数时，输出调度策略； S6：采用最终的任务调度策略来对仿真任务进行调度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆邮电大学，其通讯地址为：400065 重庆市南岸区南山街道崇文路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。