网络智能化中的深度强化学习技术【正版新书】
正版新书出版社直发可开发票，支持7天无理由
￥ 117.2 7.8折 ￥ 149.8 全新
库存4件
江苏无锡
认证卖家担保交易快速发货售后保障
作者戚琦，付霄元，庄子睿，王敬宇，廖建新
出版社人民邮电
ISBN9787115572639
出版时间2023-04
装帧平装
开本16开
定价149.8元
货号31708161
上书时间2024-07-08
- 在售商品 暂无
- 平均发货时间 14小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
戚琦，博士，网络与交换国家重点实验室副教授、硕士生导师、博士生导师。长期从事业务网络智能化和移动云计算方向的科研工作，近年来重点关注深度强化学习、分布式机器学习、联邦学习、轻量化神经网络等方面的前沿研究，取得了知识定义网络、边缘智能、手部姿态估计、草图检索等一系列研究成果。发表高水平学术论文70余篇，SCI索引期刊论文40余篇。先后主持2项国家自然科学基金目，1项北京市自然科学基金，3项基地自主科研项目，以及多项企事业单位合作项目，作为主研人承担重点研发计划、创新团队、创新群体、973等多个国家及省部级重大项目。
目录
第 1章 网络智能概述1
1.1 概述2
1.1.1 网络架构的持续演进2
1.1.2 网络管理与控制的挑战3
1.1.3 网络智能的兴起4
1.2 网络智能的基础7
1.2.1 大数据7
1.2.2 算力支持7
1.2.3 集中式控制9
1.3 网络智能的现状10
1.3.1 意图网络10
1.3.2 自动驾驶网络12
1.3.3 知识定义网络14
1.3.4 标准化工作17
1.4 网络智能的实现途径18
1.4.1 监督学习18
1.4.2 无监督学习20
1.4.3 强化学习21
1.5 网络智能的愿景与挑战22
1.5.1 网络智能的愿景22
1.5.2 网络智能的挑战24
参考文献25
第 2章 深度强化学习方法29
2.1 强化学习方法概述30
2.1.1 马尔可夫决策过程30
2.1.2 多臂赌博机32
2.1.3 蒙特卡洛树搜索与时间差分方法33
2.1.4 值迭代与策略迭代35
2.2 深度强化学习37
2.2.1 深度Q网络38
2.2.2 策略梯度方法40
2.2.3 策略梯度单调提升优化算法44
2.2.4 最大熵算法50
2.3 多智能体强化学习52
2.3.1 独立强化学习及其涌现行为分析53
2.3.2 多智能体通信55
2.3.3 多智能体合作机制56
2.3.4 多智能体建模与策略推断59
2.4 分层强化学习61
2.5 迁移强化学习64
2.5.1 迁移强化学习框架65
2.5.2 根据迁移设置的分类66
2.5.3 根据迁移知识类型的分类67
2.5.4 根据迁移目标的分类68
2.6 多任务强化学习69
2.6.1 多任务学习基本概念69
2.6.2 多任务强化学习70
2.6.3 基于多任务学习的迁移强化学习71
2.7 逆强化学习73
2.8 分布式强化学习75
参考文献77
第3章 基于强化学习的无线接入优化81
3.1 多信道无线接入81
3.1.1 多信道无线接入概述82
3.1.2 基于DRL的动态多信道无线接入83
3.1.3 异构无线网络的多信道接入87
3.2 异构无线网络的调制和编码91
3.2.1 调制和编码问题概述91
3.2.2 基于DRL的调制和编码93
3.3 基站自适应能量控制99
3.3.1 基站自适应能量控制内容概述99
3.3.2 基站自适应能量控制问题引入100
3.3.3 基于DRL的自适应能量控制100
参考文献105
第4章 基于强化学习的网络管理108
4.1 智能服务编排108
4.1.1 NFV的资源配置108
4.1.2 服务功能链映射110
4.1.3 服务功能链选路117
4.1.4 无线网络VNF的资源编排122
4.2 智能网络切片124
4.2.1 网络切片的需求与概念124
4.2.2 网络切片的资源管理127
4.2.3 无线接入网切片128
4.2.4 核心网切片133
参考文献136
第5章 基于强化学习的网络控制141
5.1 智能路由控制141
5.1.1 时间相关QoS的路由控制143
5.1.2 边缘网络路由控制147
5.1.3 带缓存的DCN路由控制151
5.2 智能拥塞控制158
5.2.1 多路径TCP控制160
5.2.2 智能拥塞控制模型Aurora164
5.3 智能流量调度167
5.3.1 流量工程概述168
5.3.2 智能流量调度169
5.3.3 分布式流量调度170
参考文献172
第6章 基于强化学习的任务调度175
6.1 并行计算的任务调度175
6.1.1 问题定义176
6.1.2 基于RL的并行任务调度方法177
6.1.3 基于DRL的并行任务调度方法178
6.2 基于有向无环图的任务调度182
6.2.1 分布式系统任务模型182
6.2.2 边缘计算任务调度183
6.2.3 云计算的任务调度185
6.2.4 数据处理集群的任务调度188
6.3 混合任务调度192
6.3.1 多类型任务调度192
6.3.2 任务调度相关的联合优化195
参考文献198
第7章 基于强化学习的流媒体控制200
7.1 超低时延的流媒体传输201
7.1.1 超低时延的流媒体传输框架201
7.1.2 码率自适应算法204
7.1.3 基于强化学习的超低时延传输算法206
7.2 个性化的流媒体传输210
7.2.1 个性化用户体验210
7.2.2 基于强化学习的个性化QoE设计212
7.3 新场景下的流媒体传输展望214
参考文献215
第8章 基于强化学习的自组织网络218
8.1 网联自动驾驶218
8.1.1 车载通信任务218
8.1.2 车载资源分配221
8.2 无人机网络概述226
8.2.1 无人机通信资源调度227
8.2.2 无人机公平效率覆盖231
8.2.3 无人机传感数据收集235
参考文献238
名词索引241
内容摘要
随着人工智能技术的广泛应用，网络智能化近年来受到广泛的关注，已经成为下一代移动通信与未来网络的重要技术。阿尔法围棋（AlphaGo）之后，深度强化学习不断推陈出新，为网络中的决策问题提供了有效的潜在解决方案。本书系统介绍了网络智能化中深度强化学习的基本理论、算法及应用场景。全书共8章，针对互联网、移动通信网、边缘网络、数据中心等典型网络，阐述了网络管理、网络控制、任务调度等决策需求，深入论述了深度强化学习的模型构建与应用技术。第1章介绍了网络智能的需求与挑战；第2章介绍了先进的深度强化学习模型与方法；第3～6章论述了无线接入优化、网络管理、网络控制与任务调度等普遍网络管控任务中，深度强化学习技术的应用方法；第7章和第8章论述了深度强化学习在流媒体控制以及自组织网络等典型场景中的新研究进展。
本书可为高等院校计算机和通信相关专业的本科生、研究生提供参考，也可供对网络智能化与深度强化学习领域感兴趣的研究人员和工程技术人员参考。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价