第一次采用了深入的增强学习方法来解决动态多核心纤维弹性光学网络(MCF-eons)中的路由,调制,频谱和核心分配(RMSCA)问题。为此,设计和实施了一个与OpenAI的健身房兼容的新环境,以模仿MCF -eons的运行。新的环境通过考虑网络状态和与物理层相关的方面来处理代理操作(选择路线,核心和频谱插槽)。后者包括可用的调制格式及其覆盖范围以及与MCF相关的障碍的核心间串扰(XT)。如果信号的产生质量是可以接受的,则环境将分配代理选择的资源。处理代理的操作后,环境被配置为为代理提供有关新网络状态的数值奖励和信息。通过仿真将四个不同药物的阻塞性能与MCF-eons中使用的3个基线启发式方法进行了比较。 NSFNET和COST239网络拓扑获得的结果表明,表现最佳的代理平均而言,在阻止最佳性基线启发式方法方面,最多可降低四倍的降低。
translated by 谷歌翻译