一种通信网络的节点优化方法

1.一种通信网络的节点优化方法，其特征在于，包括：将通信网络的节点的利用问题优化为最大独立集问题，所述节点包括：终端节点、以及用于转换和交换信息的转接节点；将所述最大独立集问题转化为QUBO模型；为所述QUBO模型构建相应的QUBO图；运用图神经网络来表征所述QUBO图的结构和特性，构建得到深度学习模型CONQUER；通过对深度学习模型CONQUER进行训练，以探索通信网络的节点的利用问题的最优解，得到训练好的深度学习模型CONQUER；训练好的深度学习模型CONQUER用于对任一通信网络的节点的利用问题进行优化，得到节点优化结果，所述节点优化结果包括：采用的节点、节点数量、节点之间的连接关系；将通信网络的节点的利用问题优化为最大独立集问题，包括：将通信网络表示为G＝(V,E)，V是指节点集合，包含所述通信网络中的所有节点，E是指边集合，包含所述通信网络中的所有边e ij ∈E，边e ij ∈E表示节点i,j之间具有连接关系；将所述通信网络的节点的利用问题转化为相应的最大独立集问题，以通过所述最大独立集问题找到一个非干扰节点子集 使得所述非干扰节点子集内的节点数量最大，将所述最大独立集问题表示为：其中，X＝(x 1 ,x 2 .....x n )表示节点是否被选为非干扰节点的决策向量，非干扰节点是指通信互不干扰的节点。 2.根据权利要求1所述的通信网络的节点优化方法，其特征在于，将所述最大独立集问题转化为QUBO模型，包括：通过为所述最大独立集问题约束添加惩罚项，将最大独立集问题转换为QUBO模型，将所述QUBO模型表示为：其中，X＝(x 1 ，x 2 .....x n )表示由节点组成的决策向量，x i 、x j 分别为表示第i个、第j个节点的值，表示这些节点是否被选入到非干扰节点子集，矩阵Q是对称矩阵或上三角矩阵，a i ＝Q ii ，所以 b ij ＝Q ij ，a i 表示所述QUBO模型中的节点权重，b ij 表示QUBO模型上的边权。 3.根据权利要求2所述的通信网络的节点优化方法，其特征在于，所述为所述QUBO模型构建相应的QUBO图，包括：为所述QUBO模型构建相应的QUBO图，所述QUBO图的数学表示为：其中，p表示惩罚函数。 4.根据权利要求3所述的通信网络的节点优化方法，其特征在于，运用图神经网络来表征所述QUBO图的结构和特性，构建得到深度学习模型CONQUER，包括：构建编码器，所述构建编码器具体包括：整合中心性编码层、消息传递层、Transformer层和迭代计算求解层；其中：在整合中心性编码层：将QUBO图中的每个节点都通过对应的度进行增强以捕获所述QUBO图中的节点的重要性，并进行编码，将所述QUBO图中的每个节点分别通过对应的度进行增强后并进行编码得到对应的向量表示为：其中，ReLU指的是激活函数， 中的i表示第i个节点，0表示初始特征，x i 是节点的初始特征，z deg (v i )对节点的度数进行编码，v i 是指序号为i的节点，W1和W2是神经网络的参数，且是可以学习的参数；在消息传递层：采用邻域聚合过程：边的特征聚合和节点特征聚合，以分别合并节点特征和边的特征，将边的特征聚合和节点特征聚合分别表示如下：其中，h ij ＝ReLU(W 3 x ij )为初始的边的嵌入向量，为神经网络的中间输出，即将边的初始特征嵌入到高维空间中，x ij 为边的初始特征即边的输入特征，W 3 、W 4 、W 5 、W 6 、W 7 是神经网络的参数，且均为可以学习的参数；在得到第l步的节点特征 之后，通过拼接该节点上一步的特征 残差连接，将残差连接表示如下：其中，W8是神经网络的参数，且为可以学习的参数；在Transformer层中：将消息传递层的输出与Transformer层内的全局attention层的输出聚合在一起，得到更新的节点特征：其中，MHA表示多头注意网络，LN表示层归一化，FFN表示前馈神经网络层， 表示第l-1步时获得的节点嵌入向量， 表示经过多头注意网络后的节点嵌入向量；在迭代计算求解层：用于在求解时，将自Transformer层输出的更新的节点特征作为整合中心性编码层的输入，重复循环执行整合中心性编码层、消息传递层、Transformer层的步骤进行迭代，迭代完毕后，得到每个节点对应的最终嵌入向量，将每个节点的最终嵌入向量表示为： 将所有节点的最终嵌入向量进行求和得到：z s ＝∑ i∈V z i ，采用求和表征QUBO模型的解。 5.根据权利要求4所述的通信网络的节点优化方法，其特征在于，运用图神经网络来表征所述QUBO图的结构和特性，构建得到深度学习模型CONQUER，还包括：构建解码器，包括：在形式上，形成一个由元组(S,A,P,R)描述的马尔可夫决策过程，其中，S为所有可能状态s i 的集合，动作a i ∈A表示对于给定状态si的QUBO的模型二元变量X的赋值；在状态s i 执行动作a i 得到奖励r i ：r i ＝a i +∑ (i,j)∈E b ij x j ∈R，奖励r i 表示动作马尔可夫决策过程执行前后目标函数的变化情况；通过解码器将一对状态动作对(s i ，a i )转换为一个标量Q(s i ,a i ；Θ)，以评估在状态s i 下动作a i 的质量，解码器的Q函数表示如下：Q(h,v；Θ)＝W 11 ReLU(W 10 ReLU(W 9 [z s ,z i ]))其中W9，W10，W11是神经网络的参数，且为可以学习的参数，[z s ,z i ]表示将向量z s 和向量z i 按行进行拼接。 6.根据权利要求5所述的通信网络的节点优化方法，其特征在于，通过对深度学习模型CONQUER进行训，以探索通信网络的节点的利用问题的最优解，得到训练好的深度学习模型CONQUER，包括：获取最大独立集问题对应的通信网络的节点的样本，基于所述QUBO图生成基于马尔可夫决策过程表示的轨迹；其中，一个episode是找到最小化QUBO图上哈密顿量的解的完整过程，要求所有决策变量状态顺序地从0翻转到1；一个训练回合中生成的轨迹是一个状态-动作-奖励序列：s0,a0,r0,s1,a1,r1,...,s T ，...,s T s0为所有决策变量均为0的起始状态，s T 为所有决策变量均为1的终端状态；完成一个训练过程需要QUBO图上完成一个完整的训练回合，一个完整的训练回合包括轨迹的生成和经验转换的收集s t ,a t ,r t,t+n ,s t+n ， r t+n 表示t+n时刻的累计奖励，延迟奖励步长n为超参数，折扣因子γ为超参数；使用从存储结构中选择的经验转换，使深度学习模型CONQUER能够学习和更新深度学习模型CONQUER的网络参数Θ，以最小化以下损失函数：其中，E表示最大期望，r t,t+n 表示在t时刻执行动作后获得的n步之后的即时奖励，s t+n 表示t+n时刻的状态，a t+n 表示t+n时执行的动作， 表示在状态s t+n 执行是的目标网络 返回值最大的动作a t+n 后返回的奖励估值， 为目标网络参数；Q(s t ,a t ；Θ)表示在状态s t 时执行动作a t 根据原始网络Q(Θ)获得的奖励估值，s t 表示t时刻的状态，a t 表示t时执行的动作，Θ为原始网络的参数，其通过实时数据更新各参数；原始网络Q(Θ)定期会将参数Θ复制给目标网络 的参数 以实现网络的更新；当损失函数值小于预设值时，能够得到训练好的深度学习模型CONQUER。 7.根据权利要求6所述的通信网络的节点优化方法，其特征在于，还包括：所获取的最大独立集问题对应的通信网络的节点的样本中，在构建QUBO图时对样本引入了噪声；在损失函数小于预设值时，还要针对对应的深度学习模型CONQUER，冻结编码器的参数并微调编码器的参数，得到训练好的深度学习模型CONQUER。 8.根据权利要求7所述的通信网络的节点优化方法，其特征在于，还包括：当采用训练好的深度学习模型CONQUER对待求解的通信网络的节点的利用问题进行求解时，在得到的解不满足待求解的通信网络的可行性条件时，采用贪婪搜索方法或局部搜索方法进行修补解。 9.一种通信网络的节点优化方法，其特征在于，还包括：将待求解的通信网络的节点的利用问题输入到权利要求1-8中任意一项所述的训练好的深度学习模型CONQUER中；输出节点优化结果，所述节点优化结果包括：采用的节点、节点数量、节点之间的连接关系。