一、基于多agents的智能网络管理的研究与实现(论文文献综述)
杨灿[1](2020)在《基于BP神经网络故障推理模型的智能网络管理系统的研究与实现》文中进行了进一步梳理随着我国计算机网络的发展和5G时代的来临,国内网络建设突飞猛进、网络设施规模不断增加,业务功能越来越强。传统网络管理方式工作量大、效率低,故而基于三层组织架构的网络管理系统因其易管理、功能强大、可扩展等突出优势成为未来网络管理系统的发展方向。此外,随着新兴技术的出现,网络管理行业进入了全新发展模式,因此具有智能故障诊断功能的网络管理系统也成为实际的需求和行业重点研究内容之一。本文在全面综述的基础上,深入分析了基于人工智能技术在网络诊断中的应用,在此基础上重点研究了以路由接口为对象的BP网络故障诊断模型。论文采用6种物理故障指标、9种运行状态指标,训练获得针对网络接口故障的BP神经网络诊断模型。以此为基础,经需求分析,根据实际应用结合BP神经网络技术设计并实现了智能网络管理系统,系统分为:用户管理、设备监控、配置管理、和故障诊断四个模块,用户管理模块用于管理系统用户;配置管理模块可由用户远程对网络拓扑中的设备进行配置;故障诊断模块作为论文研究的重点,采用BP网络故障诊断模型实现网络故障的分析与诊断;设备监控模块展示网络设备运行参数与运行状态。本文将BP神经网络结合现有网络管理技术,设计并实现了具有智能故障诊断功能的网络管理系统,为以后开发此类系统提供了一定的参考和借鉴。
徐越[2](2020)在《基于机器学习的无线网络负载优化方法研究》文中认为近年来,无线网络规模爆炸式增长、新兴业务不断涌现、用户需求持续变化,致使无线网络负载在时空二维非均匀分布且波动性进一步加剧。如何在无线网络的资源约束下自适应优化网络负载,满足用户多样化的业务需求,是新一代无线网络面临的核心难题之一。传统的移动网络负载优化方法主要是基于经典信息论和网络信息论对优化问题进行建模求解,然而偏理想化的数学优化模型难以应对迅速攀升的信息体量和快速变化的业务需求。因此,新一代无线网络亟需全新的负载优化模式。有鉴于此,本文将传统基于信息理论的建模求解优化模式改变为基于人工智能的智能演进优化模式,使无线网络的负载优化从“被动应对”转变为“主动学习”,综合利用前沿的机器学习理论,解决移动通信网络在负载时空非均匀分布且剧烈波动下网络性能优化的难题。包括:设计了支撑负载智能优化的网络架构,提出了具有通用性和自主优化能力的单节点智能优化方法、具有可拓展性和多机计算能力的多节点智能优化方法、具有自治性和协同决策能力的多智能体优化方法。主要工作及创新如下:第一,针对机器学习的需求与特点设计了支撑负载智能优化的网络架构,为其他章节方法提供基础支撑。首先,提出了一种无线大数据认知架构,从数据驱动的角度,明确了无线网络基于数据进行智能决策的工作流程和方法。然后,以数据认知为基础,提出了一种基于云与边缘计算的可拓展型负载优化架构,赋能并行化或全分布式的多机计算模式以满足新一代无线网络的大规模负载优化需求。以上架构为本文的后续方法研究提供了框架支持。第二,以前述架构为基础,研究了基于单节点机器学习的负载优化方法,利用单机资源解决有限规模的负载预测和负载均衡问题。本部分共提出了两种具有不同特点的负载优化方案。第一种是先预测后调优的组合型优化方案:提出了一种基于高斯过程的流量预测模型,以预测无线流量的未来变化趋势;仿真结果表明:所提模型针对真实4G数据的预测准确度高达97%,明显优于现有模型;接着,以预测结果为指导,进一步实现了负载自适应的智能基站休眠,显着提升了系统能效。第二种是融预测和调优为一体的优化方案:提出了一种基于深度强化学习的负载均衡模型,通过与环境的动态交互来自主学习最优的负载均衡策略,同时适应负载的动态波动;仿真结果表明:所提模型的负载均衡性能较现有模型提升约20%,具有较强的环境自适应能力。第三,将单节点负载优化方法进一步拓展至多节点负载优化方法,利用多机协同计算能力满足大规模负载优化对系统承载和响应速度的要求。首先,针对大规模负载预测问题,提出了一种多节点负载预测框架和相应的分布式高斯预测模型,通过并行化计算,指数级地提升了预测速度。仿真结果表明:所提多节点负载预测框架与现有其他低复杂度预测模型相比,降低了约15%的预测误差,且所需交互开销更小。然后,针对大规模负载均衡问题,提出了一种多节点负载均衡框架和相应的分布式深度强化学习模型。所提框架利用多节点分摊大规模负载均衡的计算负担,并利用知识迁移技术进一步提升深度强化学习模型的学习效率与稳定性。仿真结果表明:与单节点负载均衡相比,所提多节点负载均衡框架的性能优势随网络规模的增大而逐步递增。第四,将多节点负载优化方法进一步拓展至多智能体负载优化方法。在多机协同计算的基础上,赋予各节点独立的学习与决策能力,进一步提升网络的智能性。首先,本部分提出了一种基于投票机制的多智能体强化学习方法:多智能体通过投票进行协作,共同决定集体行为,并基于分布式强化学习算法优化各自的行为策略。然后,本部分从理论上证明,所提分布式算法收敛至全局最优解的速率与集中式算法完全相同,即:所提方法的分布式决策过程不会为多智能体的策略优化带来任何的性能损失。最后,将所提方法用于解决无人机辅助的大规模负载分流问题,证实了该多智能体学习方法的有效性和相应理论分析的正确性。本文首先提出网络架构作为基础支撑,然后逐步研究单节点、多节点和多智能体负载优化方法,所对应的优化问题规模逐渐加大,优化模型难度逐级递增,网络智能化程度逐渐增强。本文所提架构、方法、模型、理论证明等,为新一代无线网络的智能化演进提供了有效参考。相关成果已发表IEEE JSAC、Magazine等高水平期刊和本领域旗舰会议近十篇,并申请了国家发明专利两项。
程超[3](2020)在《软件定义网络中的流量调度技术研究》文中研究说明软件定义网络(SDN)是一种新型的网络架构,其将转发平面和控制平面分离。SDN控制器可以根据所拥有全网的网络拓扑信息和网络流量信息进行相应的流量控制,业务需求可以通过编程按需定制,而底层的网络硬件只负责完成转发功能。如何在此集中式的控制方式下实现高效的流量调度策略,提高网络的资源利用率变成为了一个热点研究课题。针对实际网络中流量矩阵数量巨大,对每个时刻的流量矩阵进行流量调度非常消耗资源的问题,重点讨论了在流量矩阵演化过程中何时、怎样进行调度策略切换的问题。本文考虑到流量值的相似性和时间领域的相似性,提出了一种新的多维度流量矩阵聚类方法。该方法能够有效提取出关键流量矩阵,然后采用粗粒度调度策略和细粒度调度策略对关键流量矩阵进行流量调度。仿真结果表明粗粒度的调度策略显着降低了策略切换的次数,细粒度的调度策略进一步改善了链路利用率。传统的流量工程策略的研究大多集中在构建和求解数学模型方面。针对其计算复杂度过高的问题,提出了一种经验驱动的基于多智能体强化学习的流量分配算法。该算法无需求解复杂数学模型即可在预计算的路径上进行有效的流量分配从而高效且充分地利用网络资源。算法在软件定义网络(SDN)控制器进行集中训练且在训练完成后可以在接入交换机分布式执行,同时也避免交换机和控制器的频繁通信。实验结果表明相对于最短路径(SP)和等价多路径(ECMP)算法,提出的算法有效减少了网络的端到端时延的并且增大了网络吞吐量。
孙敬武,牛习现,范秀平,白万英[4](2012)在《基于多Agent的通用智能网络管理系统设计与实现》文中指出针对网络管理设备、接入设备、客户接入终端、网络结构、通信技术等方面都发生了质的变化,而网络管理模式、新型网络管理系统的研发相对滞后的情况,结合企业实际需要,提出了基于多Agent的通用智能网络管理系统方案并对其进行了实际的系统设计实现和运行验证,取得了良好的效果。该网络管理系统不仅能够实现传统的网络管理功能,而且能够适应当前复杂的网络设备构成情况,节约网络管理流量,提高管理效率,保障网络服务的持续可靠运行。
龚红辉[5](2011)在《基于多Agent技术的江西警察学院教学平台的设计与实现》文中提出随着Internet的发展,网络教学得到了越来越广泛的应用。学生可以不受时间和空间的限制,进行网上学习。网络教学相比传统教学模式,更能培养学生信息获取、加工、分析、创新、利用、交流的能力。因此,越来越多的院校将网络教学作为自身教学的一种延续,而警察院校作为培养末来警察的基地,其教学对象和内容都具有一定的特殊性,其网络教学平台应突出警察职业能力的培养,应具有更高的安全性,这对网络教学系统提出了更高的要求。本文结合江西警察学院的教学特点,引入人工智能中的多Agent系统,建立基于多Agent技术的网上教学系统。所做的工作主要有以下几项:(1)公安院校教学模式的改革研究。为了构建教、学、练、战一体化的教学模式,在教学过程中要突出公安职业化教育,突出实战教学,提高学生的职业素质水平,全面调整教育观念、教育体制和教学内容,努力培养具有扎实的专业技能和过硬实战本领的公安专业型人才。(2)多Agent技术的研究。Agent技术已经成为公安教学研究的一个热点,设计系统的总体框架和系统的工作流程,为系统的每一个参与者设计了一个Agent功能模块,同时也为系统设计了一些具有管理功能的Agent模块来管理系统的协同运行,以增加系统的智能性。(3)构建多Agent的公专院校网络教学系统。基于公安院校教学的特点,对网络教学系统中各个功能模块进行了详细的分析和设计,并且阐述了系统中的安全访问、公安教学资源Agent、学生Agent、教师Agent、管理员Agent等模块实现的关键技术。本文研究的多Agent技术网络教学系统,可以进一步完善和延伸公安院校教育培养改革模式,为公安院校人才培养模式改革的探索提供一种可行性方案,对于开展教育改革具有一定的参考价值和现实意义。
陈勇[6](2010)在《基于多Agent技术在网络教学中的应用》文中研究说明随着互联网技术和Internet技术的快速发展,传统的教学模式和体系已经不能满足各类学校尤其是高职院校的教学需要,网络教学系统充分利用互联网和Internet资源以及现代化的教学手段能够更好的满足教学需要。鉴于此,就多Agent技术在智能网络教学系统中的应用做了分析和研究。
邹妍,刘燕[7](2010)在《基于多Agent的智能网络教学系统原型设计》文中认为本文分析了传统网络教学系统存在的主要缺陷,引入了多Agent技术,提出了基于多Agent的智能网络教学系统模型.本文对Agent之间的交互协作的基本理论、Agent之间的基本通信行为及通信机制进行了深入研究.实际应用说明该系统具有智能性,能改善网络教学效果,实现真正的智能化的网络教育.
蒋定孚[8](2010)在《基于多Agent的B/S架构网络管理系统》文中进行了进一步梳理网络的演进和技术的发展使得支撑网络规模急剧膨胀,硬件设备日益复杂,异构性也愈来愈突出,一个有效的网络管理系统将提升网络的整体性能,保证各类服务的正常运行,疏导网络的业务流量,及时排除并恢复网络的故障,提高网络的安全性和可靠性,为网络运营者和用户提供一个有效的、开放的、综合的、经济的现代网络。本文提出了一种基于多Agent的B/S架构网络管理系统的设计和实现方式,创新性的把智能开发技术引入网络管理中,同时综合B/S和C/S架构设计出了一种基于Java的开发方式,为网络管理的智能化、分布式应用提供了一种可行性的解决方案。因此,本软件系统对于进一步的研究网络管理有着重要的参考价值,是网络管理未来发展趋势的一个实践。本系统结合Agent智能体的特点和多Agent技术,独立出网管系统的五大功能体:配置、性能、安全、故障和计费为智能Agent,各管理Agent均可独立思考和工作,相互间通过协商和通信完成管理任务。结合Client/Server体系结构交互性强、安全控制可靠、响应速度快和数据存储管理透明等优点以及Browser/Server体系结构数据一致性和实时性及溯源性高、代码重用性高、系统维护和扩展容易和开发和维护成本较低等优点,本系统中,采用Browser/Server实现信息的动态发布和基于WEB的管理方式,数据库的支持则采用了C/S开发方式,通过JDBC连接。
刘伯成[9](2009)在《基于多Agent的智能网络教学软件设计与实现》文中研究表明随着网络技术的日臻成熟,Internet的迅速延伸及校园网络的普遍建立,网络化教育受到普遍关注,并已成为当今教育发展的新型增长点。同时开发网络教学系统也越来越受到重视,促进了教育质量和水平的提高。但是现有网络教学系统尚普遍存在许多问题。在这样的背景下,如何在教学系统中引入人工智能的思想,使系统可以根据学生的认知水平和能力,自动安排学习计划和进度,实现个性化教学;教师能够根据学生的接受能力不断调整授课内容,实现教师智能化教学,从而克服教学系统的缺陷,提高教学效率。本课题以Agent技术为基础,设计和实现了一种新的智能网络教学系统。该系统具有智能性、适应性、可维护性和可扩充性等特征,能克服传统网络教学系统缺乏必要的交互手段、缺乏智能性和适应性等不足,增加人性化色彩,提供适应用户的个性化服务,改善教学效果。本文在软件工程理论指导下,结合教学进行了教学系统的需求分析。在需求分析的基础上,进行了系统的总体设计,完成了数据库设计。系统按照网络教学的特点划分了功能模块,给出了教学管理模块、系统管理模块、教学学习模块等主要部分的详细设计说明。最后进行了系统的实现。
张婧[10](2009)在《基于多Agent的智能网络教学系统模型研究》文中指出随着Internet的发展,网络教学得到了越来越广泛的应用,人们可以不受时间和空间的限制自主地参加网上学习。这种学习方式能够激发学习者的学习兴趣,从而达到让学习者主动构建知识的目的,实现自己获取知识、甚至创新知识的理想目标。因此,网络教学系统也成为了国内外教育技术领域的研究热点。但是目前的网络教学系统还存在着缺乏先进的学习理论的指导、系统设计缺乏智能性等缺点。论文针对现有网络教学系统存在的不足,引用Agent技术,设计了一个基于多Agent的网络教学系统模型。该模型分三个模块,各个模块由多个Agent组成。在论文中分别对这些模块的结构和功能进行了分析。模型的设计思想即发挥了教师的主导作用,又充分体现了学生的主体作用。系统的智能化设计方面,在知识表示方法上,为了对学科内容提供全局的认识,采用树结构来组织课程内容知识点,通过对知识点属性赋值建立知识点之间的语义联系,为有效控制教学序列提供依据。提出了基于错误诊断的强化学习策略,通过分析测试答案找出学生的知识缺陷,结合知识表示模型,推导出学生需要加强的合理学习路径,达到能对学生进行有针对性的强化教学的目的。提出了能够根据学生的认知水平自适应的进行组卷的智能组卷算法。针对现有学生模型的不足,构造了一个基于认知理论的学生模型,提出了评估认知水平、记录学习进度、估算学习偏好的方法。通过对多Agent和J2EE技术的深入学习和研究,提出了集成JADE和J2EE来实现智能网络教学模型的思想。该系统模型在一定程度上实现了智能化、个性化教学,可以为学习者提供更方便和更高效的网络学习环境。最后以《Java程序设计》课程为例给出了该系统的实验结果,验证了该系统的有效性和实用性。
二、基于多agents的智能网络管理的研究与实现(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于多agents的智能网络管理的研究与实现(论文提纲范文)
(1)基于BP神经网络故障推理模型的智能网络管理系统的研究与实现(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景与研究目的意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 神经网络在网络管理中的适用性分析 |
1.4 本文主要研究目标 |
1.4.1 本文研究目标 |
1.4.2 技术路线 |
1.5 本文组织结构 |
2 相关概念及相关技术 |
2.1 网络管理概述 |
2.2 SNMP协议 |
2.2.1 SNMP管理模型与信息模型 |
2.2.2 SNMP通讯模型 |
2.2.3 SNMP组织模型 |
2.3 Vue |
2.4 Echarts |
2.5 目前常见的故障诊断方法 |
2.5.1 基于专家系统的故障诊断方法 |
2.5.2 基于模糊理论的故障诊断方法 |
2.5.3 基于免疫算法的故障诊断方法 |
2.5.4 基于神经网络的故障诊断方法 |
2.5.5 基于故障树的故障诊断方法 |
2.6 神经网络理论 |
2.6.1 神经网络基本概念 |
2.6.2 神经网络的特点 |
2.6.3 神经网络分类 |
2.7 本章小结 |
3 基于BP神经网络故障推理模型 |
3.1 BP算法 |
3.1.1 前向传播与代价函数 |
3.1.2 梯度下降 |
3.2 BP神经网络模型训练步骤 |
3.3 BP神经网络诊断模型实验设计 |
3.3.1 通信网故障概述 |
3.3.2 接口故障诊断实验对象 |
3.3.3 故障诊断模型特征值 |
3.3.4 故障诊断模型训练与参数设置 |
3.4 故障诊断模型诊断结果与精度分析 |
3.5 本章小结 |
4 智能网络管理系统分析与系统设计 |
4.1 需求分析 |
4.1.1 功能需求 |
4.1.2 非功能性需求 |
4.2 系统总体架构设计 |
4.3 系统主要功能模块设计 |
4.3.1 系统功能模块 |
4.3.2 用户管理模块设计 |
4.3.3 配置管理模块设计 |
4.3.4 设备监控模块 |
4.3.5 故障诊断模块 |
4.4 数据库设计 |
4.4.1 系统E-R图 |
4.4.2 数据库表结构设计 |
4.5 本章小结 |
5 智能网络管理系统实现 |
5.1 总体开发流程 |
5.2 用户管理模块实现 |
5.2.1 用户添加和删除 |
5.2.2 用户修改 |
5.3 配置管理模块实现 |
5.3.1 资源添加和删除 |
5.3.2 设备配置参数 |
5.4 监控模块实现 |
5.5 故障模块实现 |
5.6 本章小结 |
6 系统测试与结果 |
6.1 功能测试与性能测试 |
6.1.1 功能测试 |
6.1.2 性能测试 |
6.2 结果分析 |
6.3 本章小结 |
7 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
个人简介 |
导师简介 |
致谢 |
(2)基于机器学习的无线网络负载优化方法研究(论文提纲范文)
摘要 |
ABSTRACT |
符号说明 |
英文缩略语 |
第一章 绪论 |
1.1 研究背景 |
1.2 研究现状与挑战 |
1.2.1 无线网络负载优化相关研究 |
1.2.2 机器学习在无线网络中的应用 |
1.3 本文的主要工作 |
1.3.1 智能无线网络架构设计与分析 |
1.3.2 基于单节点机器学习的负载优化 |
1.3.3 基于多节点机器学习的负载优化 |
1.3.4 基于多智能体机器学习的负载优化 |
1.4 本文组织结构 |
第二章 智能无线网络架构设计与分析 |
2.1 引言 |
2.2 技术背景 |
2.2.1 无线网络认知技术 |
2.2.2 移动云计算 |
2.2.3 移动边缘计算 |
2.3 数据流架构 |
2.3.1 认知数据与方法 |
2.3.2 无线大数据认知流 |
2.4 计算流架构 |
2.4.1 云与边缘智能 |
2.4.2 分布式与并行化学习框架 |
2.4.3 可拓展型学习算法 |
2.5 模型与数据协同驱动 |
2.6 应用案例 |
2.7 本章小结 |
第三章 基于单节点机器学习的负载优化 |
3.1 引言 |
3.2 基于高斯过程的无线流量预测模型 |
3.2.1 基准高斯预测模型 |
3.2.2 模型核函数设计 |
3.2.3 模型超参数训练 |
3.3 基于深度强化学习的负载均衡模型 |
3.3.1 强化学习基础 |
3.3.2 用户切换模型 |
3.3.3 负载均衡问题建模 |
3.3.4 基于深度强化学习的负载均衡算法 |
3.4 仿真验证与结果分析 |
3.4.1 无线流量预测与基于负载感知的基站休眠 |
3.4.2 自组织网络的负载均衡 |
3.5 本章小结 |
第四章 基于多节点机器学习的负载优化 |
4.1 引言 |
4.2 基于分布式高斯过程的多节点负载预测框架 |
4.2.1 整体框架设计 |
4.2.2 基于矩阵近似的分布式训练算法 |
4.2.3 基于矩阵分块的分布式训练算法 |
4.2.4 基于交叉验证的分布式预测算法 |
4.3 基于分布式深度强化学习的多节点负载均衡框架 |
4.3.1 整体框架设计 |
4.3.2 基于负载感知的基站聚类算法 |
4.3.3 基于多探索策略的分布式学习算法 |
4.4 仿真验证与结果分析 |
4.4.1 分布式无线流量预测 |
4.4.2 大规模自组织网络负载均衡 |
4.5 本章小结 |
第五章 基于多智能体机器学习的负载优化 |
5.1 引言 |
5.2 系统模型 |
5.2.1 多智能体马尔可夫决策过程 |
5.2.2 目标问题 |
5.3 基于投票机制的多智能体强化学习 |
5.3.1 投票机制 |
5.3.2 分布式多智能体强化学习算法 |
5.4 收敛性分析 |
5.5 仿真验证与结果分析 |
5.5.1 理论验证 |
5.5.2 无人机辅助的负载分流 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 全文总结 |
6.2 研究展望 |
参考文献 |
致谢 |
攻读学位期间所取得的研究成果 |
(3)软件定义网络中的流量调度技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 SDN的研究现状 |
1.2.2 基于SDN的流量调度策略的研究现状 |
1.3 研究内容 |
1.4 论文结构 |
第二章 关键背景技术介绍 |
2.1 软件定义网络概述 |
2.2 流量工程概述 |
2.3 流量工程优化目标 |
2.3.1 网络的性能 |
2.3.2 应用的服务质量 |
2.4 人工神经网络概述 |
2.4.1 神经元模型 |
2.4.2 深度神经网络 |
2.5 强化学习技术概述 |
2.5.1 基于价值的算法 |
2.5.2 基于策略的算法 |
2.5.3 价值和策略混合算法 |
2.5.4 多智能体强化学习 |
2.6 本章小结 |
第三章 基于关键流量矩阵的流量调度策略 |
3.1 引言 |
3.2 流量矩阵定义 |
3.3 问题描述 |
3.4 关键流量矩阵提取方法 |
3.4.1 K-means聚类 |
3.4.2 层次聚类(HC,hierarchical cluster) |
3.4.3 HCVT算法 |
3.5 流量调度策略 |
3.5.1 粗粒度的流量调度策略 |
3.5.2 细粒度的流量调度策略 |
3.6 仿真验证与性能评估 |
3.6.1 HCVT算法中值域因子和时域因子选择 |
3.6.2 流量需求偏差对比 |
3.6.3 粗粒度调度策略切换情况对比 |
3.6.4 粗粒度调度策略的性能指标对比 |
3.6.5 细粒度情况下基于HCVT调度策略性能指标对比 |
3.6.6 仿真小结 |
3.7 本章小结 |
第四章 基于多智能体强化学习的流量调度策略 |
4.1 引言 |
4.2 问题描述 |
4.3 基于SDN的智能网络架构 |
4.4 DDPG-TE原理和实现 |
4.4.1 DDPG的算法原理 |
4.4.2 DDPG-TE的框架和实现方式 |
4.5 基于多智能体强化学习的流量分配算法研究 |
4.5.1 MADDPG算法的原理 |
4.5.2 MADDPG-TE的框架和实现方式 |
4.5.3 小结 |
4.6 仿真验证与性能评估 |
4.6.1 仿真环境 |
4.6.2 仿真结果及分析 |
4.7 本章小结 |
第五章 总结和展望 |
5.1 工作总结 |
5.2 工作展望 |
参考文献 |
致谢 |
攻读学位期间取得的研究成果 |
(4)基于多Agent的通用智能网络管理系统设计与实现(论文提纲范文)
1 网络管理系统相关研究与定义 |
1.1 相关问题与分析 |
1.2 网络管理系统的多Agent构成与定义 |
1) 接口Agent |
2) 代理Agent |
3) 监控Agent |
4) 搜索Agent |
2 企业网络管理系统设计与实现 |
2.1 网络实体的结构与定义 |
2.2 系统的组成结构 |
2.3 系统管理界面的功能设计与实现 |
3 系统运行效果与验证 |
4 结 语 |
(5)基于多Agent技术的江西警察学院教学平台的设计与实现(论文提纲范文)
摘要 |
Abstract |
第1章 引言 |
1.1 现状分析 |
1.1.1 研究背景 |
1.1.2 国内外公安院校教学模式特色分析 |
1.2 公安警察院校信息化建设分析 |
1.2.1 公安警察院校信息化建设的特点 |
1.2.2 传统公安警察院校网络化教学系统的不足 |
1.2.3 优化公安网络教学系统可采取的措施 |
第2章 多Agent技术概述 |
2.1 Agent技术概述 |
2.1.1 Agent的定义与特征 |
2.1.2 Agent的基本结构 |
2.1.3 Agent的运行原理 |
2.2 多Agent系统 |
2.3 基于多Agent技术的网络教学系统 #]3 |
2.3.1 基于多Agent网络教学系统结构 |
2.3.2 基于多Agent教学系统的功能 |
第3章 基于多Agent公安院校网络教学系统的设计 |
3.1 公安院校教学系统模型分析与设计 |
3.1.1 系统模型的需求分析 |
3.1.2 系统模型的总体设计 |
3.2 公安院校教学系统模块的详细设计 |
3.3 公安院校教学系统的工作流程 |
第4章 基于多Agent公安院校网络教学系统的实现 |
4.1 系统硬件环境和软件环境的介绍 |
4.2 系统主要模块的实现 |
4.2.1 安全访问的实现 |
4.2.2 公安教学资源Agent模块的实现 |
4.2.3 学生Agent模块的实现 |
4.2.4 教师Agent模块的实现 |
4.2.5 管理员Agent模块的实现 |
第5章 总结与展望 |
5.1 总结 |
5.1.1 主要研究内容 |
5.1.2 系统特点 |
5.2 展望 |
参考文献 |
致谢 |
(8)基于多Agent的B/S架构网络管理系统(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 网络管理 |
1.2 Agent和多Agent系统 |
1.3 本文结构 |
第二章 网络管理系统设计 |
2.1 系统体系结构 |
2.1.1 系统管理模型 |
2.1.2 系统组成 |
2.2 系统功能需求 |
2.3 系统框架设计 |
2.3.1 集中式与分层网络管理比较 |
2.3.2 系统分层式网络管理框架设计 |
第三章 多AGENT系统设计 |
3.1 Agent概述 |
3.1.1 Agent基本特性 |
3.1.2 Agent结构体系 |
3.2 多Agent系统 |
3.2.1 多Agent介绍 |
3.2.2 MAS组成要素 |
3.2.3 MAS体系结构 |
3.3 本系统多Agent设计 |
3.3.1 基于FIPA的系统设计 |
3.3.2 本系统多Agent管理设计 |
3.3.3 本系统多Agent通信设计 |
3.4 本系统多Agent实现方式 |
3.4.1 本系统JADE实现框架 |
3.4.2 本系统JADE开发 |
第四章 基于WEB的网管系统设计 |
4.1 B/S与C/S对比 |
4.2 本系统基于Web网管设计 |
4.2.1 本系统WBM架构设计 |
4.2.2 本系统WBM技术设计 |
第五章 基于多Agent的B/S架构网络管理系统实现 |
5.1 系统设计 |
5.1.1 多Agent设计 |
5.1.2 WBM设计 |
5.2 系统实现 |
5.2.1 多Agent实现 |
5.2.2 WBM实现和扩展 |
第六章 总结语 |
6.1 论文总结 |
6.2 下一步工作 |
致谢 |
参考文献 |
作者攻读学位期间发表的学术论文目录 |
(9)基于多Agent的智能网络教学软件设计与实现(论文提纲范文)
摘要 |
ABSTRACT |
目录 |
第1章 绪论 |
1.1 问题的提出 |
1.2 Agent技术和相关的教学系统设计理论 |
1.3 Agent在网络教学领域的研究现状 |
1.4 本文的主要工作安排 |
第2章 相关技术分析 |
2.1 Agent技术 |
2.2 建构主义理论 |
2.3.NET技术 |
2.4 系统的体系结构 |
2.5 系统的开发环境 |
第3章 系统分析 |
3.1 系统需求分析 |
3.2 系统用例分析 |
第4章 系统设计 |
4.1 系统总体架构设计 |
4.2 Agent的结构与功能 |
4.3 系统功能模块设计 |
4.4 数据库设计 |
第5章 系统实现 |
5.1 搭建系统框架 |
5.2 系统主要功能模块实现 |
第6章 结论和展望 |
致谢 |
参考文献 |
攻读学位期间的研究成果 |
(10)基于多Agent的智能网络教学系统模型研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 AGENT 在网络教育领域的研究现状 |
1.2.1 国内研究状况 |
1.2.2 国外研究状况 |
1.3 论文的主要内容及组织结构 |
1.3.1 论文的主要内容 |
1.3.2 论文的组织结构 |
第二章 相关理论和技术 |
2.1 建构主义的学习理论和教学理论 |
2.1.1 建构主义的基本观点 |
2.1.2 建构主义的学习理论 |
2.1.3 建构主义的教学理论 |
2.2 AGENT 技术 |
2.2.1 Agent 的定义与特性 |
2.2.2 Agent 的基本结构 |
2.2.3 多Agent 系统(MAS) |
2.3 J2EE 技术 |
2.3.1 J2EE 技术概述 |
2.3.2 J2EE 的多层模型 |
2.3.3 J2EE 的核心技术 |
第三章 基于多AGENT 的智能网络教学系统模型设计 |
3.1 网络教学系统模型设计分析 |
3.1.1 Agent 技术的引入 |
3.1.2 网络教学系统的用户需求 |
3.2 网络教学系统模型设计 |
3.2.1 网络教学系统模型总体结构 |
3.2.2 系统工作流程 |
3.3 网络教学系统各模块详细设计 |
3.3.1 用户接口模块 |
3.3.2 学生模型模块 |
3.3.3 教学模型 |
3.4 小结 |
第四章 系统智能化策略研究 |
4.1 系统的知识表示 |
4.1.1 知识点的表示 |
4.1.2 知识点关系的划分 |
4.1.3 构建知识表示模型 |
4.2 个性化教学策略 |
4.3 基于错误诊断的强化学习 |
4.4 智能组卷设计 |
4.4.1 组卷原理分析 |
4.4.2 组卷算法 |
4.5 学生模型的设计 |
4.5.1 认知水平Agent |
4.5.2 学习进度Agent |
4.5.3 学习偏好Agent |
第五章 系统的实现 |
5.1 AGENT 开发平台(JADE) |
5.1.1 JADE 基本概念 |
5.1.2 JADE 中的主要机制 |
5.2 数据库设计 |
5.2.1 数据库访问技术 |
5.2.2 数据库中表的设计 |
5.3 系统的具体实现 |
5.3.1 系统开发环境 |
5.3.2 主要Agent 的实现 |
5.3.3 Agent 的交互与协作 |
5.4 系统的运行效果及分析 |
5.4.1 系统的web 运行界面 |
5.4.2 系统特点分析 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
附录 源代码 |
个人简历 在读期间发表的学术论文 |
四、基于多agents的智能网络管理的研究与实现(论文参考文献)
- [1]基于BP神经网络故障推理模型的智能网络管理系统的研究与实现[D]. 杨灿. 北京林业大学, 2020(03)
- [2]基于机器学习的无线网络负载优化方法研究[D]. 徐越. 北京邮电大学, 2020(04)
- [3]软件定义网络中的流量调度技术研究[D]. 程超. 北京邮电大学, 2020(05)
- [4]基于多Agent的通用智能网络管理系统设计与实现[J]. 孙敬武,牛习现,范秀平,白万英. 河北工业科技, 2012(06)
- [5]基于多Agent技术的江西警察学院教学平台的设计与实现[D]. 龚红辉. 华东师范大学, 2011(10)
- [6]基于多Agent技术在网络教学中的应用[J]. 陈勇. 重庆与世界, 2010(11)
- [7]基于多Agent的智能网络教学系统原型设计[J]. 邹妍,刘燕. 赤峰学院学报(自然科学版), 2010(10)
- [8]基于多Agent的B/S架构网络管理系统[D]. 蒋定孚. 北京邮电大学, 2010(03)
- [9]基于多Agent的智能网络教学软件设计与实现[D]. 刘伯成. 南昌大学, 2009(S1)
- [10]基于多Agent的智能网络教学系统模型研究[D]. 张婧. 华东交通大学, 2009(04)