[发明专利]一种基于深度强化学习的复杂网络局部破坏控制方法在审

专利信息
申请号: 202010960298.6 申请日: 2020-09-14
公开(公告)号: CN112183777A 公开(公告)日: 2021-01-05
发明(设计)人: 冯强;吴其隆;任羿;杨德真;孙博;王自力 申请(专利权)人: 北京航空航天大学
主分类号: G06Q10/00 分类号: G06Q10/00;G06Q50/08;G06N3/04
代理公司: 暂无信息 代理人: 暂无信息
地址: 100191*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 深度 强化 学习 复杂 网络 局部 破坏 控制 方法
【说明书】:

发明公开了一种基于深度强化学习的复杂网络局部破坏控制方法,解决了复杂网络在局部破坏状态下的集群维修问题。步骤如下:1根据局部破坏信息建立复杂网络“节点‑单元”集群的维修状态0‑1矩阵。2基于集群维修状态映射生成复杂网络邻接矩阵。3设计一个神经网络预测“节点‑单元”集群的先验维修状态转移概率和先验局部破坏控制策略价值。4构建局部破坏控制策略迭代体系,遍历局部破坏控制策略解空间,选择当前时刻全局最佳维修动作。5基于集群维修状态的变化更新复杂网络邻接矩阵,然后计算并检验复杂网络恢复程度。6由局部破坏控制策略迭代过程存储的一系列最佳维修动作生成一个完整的局部破坏控制策略。

所属技术领域

本发明提供一种基于深度强化学习的复杂网络局部破坏控制(LocalizedAttacks Control,LAC)方法,尤其涉及一种考虑网络节点的组成单元特征,基于深度强化学习算法,实现求解复杂网络多节点集群维修问题的局部破坏控制方法,属于维修性工程领域。

背景技术

局部破坏控制(LAC)是指复杂网络发生局部破坏后,破坏位置出现多节点集中不可用的情况,通过集群维修的方式快速抢修至整体可用状态。但目前国内外关于集群维修问题的研究一般不考虑时序。随着维修性越来越受到重视,对复杂网络局部破坏状态下开展集群维修问题的研究提出了更高的要求,即充分考虑集群维修的时序和收益不确定特征,以及问题整体的NP-hard特征,提供一种高效的局部破坏控制方法。

本发明基于深度神经网络预测模型和蒙特卡洛树搜索(Monte Carlo TreeSearch,MCTS)算法,发明了一种基于深度强化学习的新型局部破坏控制(LAC)方法,解决了复杂网络局部破坏状态下的集群维修问题。

发明内容

本发明的目的是为局部破坏状态下的复杂网络提供一种新型的局部破坏控制(LAC)方法,旨在解决传统集群维修方法未充分考虑集群维修的时序和收益不确定特征,以及问题整体的NP-hard特征等问题。

本发明提出了一种基于神经网络预测模型和蒙特卡洛树搜索(MCTS)算法的LAC方法,主要包含以下步骤:

步骤一:复杂网络局部破坏状态特征描述。

将复杂网络局部破坏恢复策略视为多节点的集群维修问题展开研究。首先,构建复杂网络的节点集合K={k1,k2,…,ki,…,kj,…,kn}(其中n为节点的个数),将各节点的组成进行拆解,建立其单元集合U={u1,u2,…,um}。以此为基础,建立m×n的“节点-单元”矩阵,并根据局部破坏信息,用“0”表示待维修的局部破坏空间中的故障单元,“1”表示正常单元,对矩阵中元素赋值,形成维修状态矩阵S。

步骤二:复杂网络连通状态特征描述。

将一个复杂网络抽象为一个由节点集K={k1,k2,…,ki,…,kj,…,kn}和连接(边)集组成的图G=(K,E)。用一个n×n的邻接矩阵A描述复杂网络中n个节点之间的连接关系(边),且不考虑自环。当复杂网络中所有单元均正常时,邻接矩阵记为A*。

将节点ki的单元集Ui={u1,u2,…,um}分为三类单元集则表示单元集中的所有节点均为破坏空间中的故障单元,同理可以对和两类单元集进行描述。基于上述分类,以节点ki为例,假设维修状态矩阵S中元素与邻接矩阵A中元素的映射关系fS→A

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京航空航天大学,未经北京航空航天大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010960298.6/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top