【技术实现步骤摘要】
本申请涉及卫星通信，特别是涉及一种基于联邦深度强化学习的低轨卫星通信网络路由方法。
技术介绍
1、随着卫星发射成本的降低，低轨(low earth orbit，leo)卫星网络已成为提供全球宽带接入的可行解决方案，与地面网络相比，低轨卫星网络具有全球无缝覆盖、不受地理和基础设施限制等诸多优势，但是低轨卫星网络也存在一些挑战，如低轨卫星相对地面运动速度较快，星间链路状态变化频繁、网络流量分布不均衡等，这使得传统的地面网络路由算法难以在低轨卫星网络中应用。因此，为了实现大规模低轨卫星网络的数据传输，设计一种高效的路由方法是关键和基础。
2、由于传统路由通常是基于固定的路由表，难以适应动态的网络环境和流量变化，无法灵活地调整路由策略，适应复杂多变的低轨卫星网络环境，从而导致资源浪费和性能下降。近年来，为解决上述问题，基于人工智能的路由方法受到广泛关注，借助深度强化学习(deep reinforcement learning，drl)算法具备的感知能力和决策能力，低轨卫星网络通过训练模型能够学习到最优的路由决策。然而，大多数现有研究...
【技术保护点】
1.一种基于联邦深度强化学习的低轨卫星通信网络路由方法，其特征在于，所述基于联邦深度强化学习的低轨卫星通信网络路由方法包括：
2.根据权利要求1所述的基于联邦深度强化学习的低轨卫星通信网络路由方法，其特征在于，对目标低轨卫星网络中卫星进行分簇得到多个簇，具体包括：
3.根据权利要求2所述的基于联邦深度强化学习的低轨卫星通信网络路由方法，其特征在于，采用分簇算法对所述逻辑拓扑模型中卫星节点进行分簇得到多个簇，并确定各簇的簇头以及簇成员，具体包括：
4.根据权利要求3所述的基于联邦深度强化学习的低轨卫星通信网络路由方法，其特征在于，采用...
【技术特征摘要】
1.一种基于联邦深度强化学习的低轨卫星通信网络路由方法，其特征在于，所述基于联邦深度强化学习的低轨卫星通信网络路由方法包括：
2.根据权利要求1所述的基于联邦深度强化学习的低轨卫星通信网络路由方法，其特征在于，对目标低轨卫星网络中卫星进行分簇得到多个簇，具体包括：
3.根据权利要求2所述的基于联邦深度强化学习的低轨卫星通信网络路由方法，其特征在于，采用分簇算法对所述逻辑拓扑模型中卫星节点进行分簇得到多个簇，并确定各簇的簇头以及簇成员，具体包括：
4.根据权利要求3所述的基于联邦深度强化学习的低轨卫星通信网络路由方法，其特征在于，采用分簇算法对所述逻辑拓扑模型中卫星节点进行分簇得到多个簇，并确定各簇的簇头以及簇成员之后，所述基于联邦深度强化学习的低轨卫星通信网络路由方法还包括：当逻辑拓扑模型发生变化后进行簇维护；
5.根据权利要求1所述的基于联邦深度强化学习的低轨卫星通信网络路由方法，其特征在于，采用各低轨卫星客户端的数据训练路由决策模型，具体包括：每隔设定时间，触发一次采用各低轨卫星客户端的数据训练路...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。