✅ 博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅ 如需沟通交流，私信联系。

（1）图注意力网络驱动的异构网络节点感知与信道预测：

为应对新能源微网中多类型通信设备异构组网的复杂性，提出一种基于图注意力网络的节点感知与信道预测模型GAT-Channel。将微网中各类终端（光伏逆变器、储能控制器、智能电表、环境传感器等）和通信基础设施抽象为图中节点，节点特征包括设备类型、位置、历史流量、信道质量指标（RSSI、SINR）、电池电量和移动性等信息，边表示通信链路，边的权重由距离和频段决定。GAT-Channel采用多头注意力机制，每个注意力头独立学习不同通信模式下节点之间的影响力，然后将多头特征拼接并通过全连接层输出对未来时刻信道占用概率和可用带宽的预测。为了训练该模型，构建了包含某产业园区真实微网半年运行数据的通信日志数据集MicroGridNet，共计150个节点、370条无线/有线链路，时间粒度为1秒。模型采用滚动预测方式，输入过去60个时步的特征序列，预测未来10个时步的信道质量。引入图归一化和残差连接缓解深层图网络的过平滑问题。在测试集上，GAT-Channel对信道阻塞的预测召回率达到89.7%，对可用带宽的预测均方根误差为3.8 kbps，相比传统LSTM预测模型提升23%和降低45%误差。从而为后续动态负载均衡提供了准确实时的网络状态视图。

（2）多目标强化学习动态负载均衡策略：

在获取网络状态预测后，设计了一种基于多目标强化学习的动态负载均衡策略MO-RL-LB。定义状态空间为当前所有节点和链路的负载、延迟等统计量，动作空间为各业务流的路径重分配及带宽调整的离散化组合。奖励函数由四部分加权合成：总业务完成效用、平均端到端延迟、负载均衡指数（基于Jain公平性指数）、及切换代价（每次调整路径的开销）。为了解决多目标冲突，采用带偏好向量的标量化方法，允许网络操作员根据实时需求调整各目标的权重。采用双延迟深度确定性策略梯度算法TD3进行训练，通过两个Q网络取较小值缓解高估偏差，并加入目标网络软更新。训练过程中引入优先经验回放，依据TD误差绝对值对样本加权采样，加速收敛。在仿真环境（基于OMNeT++和Python联合搭建）中训练了2000回合后，MO-RL-LB算法在50节点的微网场景下，相比最小化迁移成本算法，总吞吐量提升18.6%，平均延迟降低31%，且在高负荷时段将重负荷节点的阻塞率从12.3%降至2.1%，实现了通信资源的动态优化。

（3）协同缓存与边缘计算任务迁移优化：

为了进一步降低业务时延和核心网负载，提出协同缓存与边缘计算任务迁移联合优化机制。在微网边缘接入点部署轻量级边缘计算单元MEC-Node，内置基于Transformer的预测缓存管理模块。该模块预测各类数据（如保护控制指令、电能质量监测报告、设备固件更新包）在未来窗口中的请求频率，采用线性自注意力近似降低计算复杂度，并根据预测结果在每个MEC-Node本地缓存高热度内容。同时，利用任务迁移决策网络将计算密集型任务（如微网的实时状态估计、故障定位）灵活卸载到邻近空闲MEC-Node或集中式计算站。迁移决策网络以Actor-Critic架构实现，Critic网络评估当前任务放置的长期效用，Actor网络生成迁移动作概率。为保护数据隐私，各MEC-Node之间采用联邦学习方式协同训练预测模型和决策网络，只交换模型梯度而不共享原始数据。在16个边缘节点的微网测试床上验证，协同缓存命中率达到78%，任务完成时延降低了42%，同时核心网带宽占用减少了35%。该套方案整体实现了新能源微网通信网络的高效、可靠和智能化运行。

import torch
import torch.nn as nn
import torch.nn.functional as F
from torch_geometric.nn import GATConv, global_mean_pool

# 图注意力网络节点感知与信道预测
class GATChannelPredictor(nn.Module):
    def __init__(self, in_channels, hidden_channels, out_channels, heads=4):
        super().__init__()
        self.gat1 = GATConv(in_channels, hidden_channels, heads=heads, dropout=0.3)
        self.gat2 = GATConv(hidden_channels*heads, hidden_channels, heads=1, dropout=0.3)
        self.lstm = nn.LSTM(hidden_channels, hidden_channels*2, batch_first=True)
        self.fc_out = nn.Linear(hidden_channels*2, out_channels)  # 预测带宽和阻塞概率

    def forward(self, x, edge_index, batch):
        x = F.elu(self.gat1(x, edge_index))
        x = F.elu(self.gat2(x, edge_index))
        # 聚合为图级别特征（时序处理）
        graph_feat = global_mean_pool(x, batch)  # 简化
        # 模拟多时步，这里省略LSTM展开
        out = self.fc_out(graph_feat)
        return out

# TD3 Actor-Critic 网络（多目标强化学习负载均衡）
class Actor(nn.Module):
    def __init__(self, state_dim, action_dim):
        super().__init__()
        self.net = nn.Sequential(nn.Linear(state_dim, 256), nn.ReLU(), nn.Linear(256, 256), nn.ReLU(), nn.Linear(256, action_dim), nn.Tanh())
    def forward(self, s): return self.net(s)

class Critic(nn.Module):
    def __init__(self, state_dim, action_dim):
        super().__init__()
        self.q1 = nn.Sequential(nn.Linear(state_dim+action_dim, 256), nn.ReLU(), nn.Linear(256, 256), nn.ReLU(), nn.Linear(256, 1))
        self.q2 = nn.Sequential(nn.Linear(state_dim+action_dim, 256), nn.ReLU(), nn.Linear(256, 256), nn.ReLU(), nn.Linear(256, 1))
    def forward(self, s, a):
        sa = torch.cat([s,a], dim=1)
        return self.q1(sa), self.q2(sa)

# 边缘节点协同缓存预测（简化Transformer块）
class PredictCacheTransformer(nn.Module):
    def __init__(self, item_num, d_model=128):
        super().__init__()
        self.embed = nn.Embedding(item_num, d_model)
        self.attn = nn.MultiheadAttention(d_model, num_heads=4)
        self.fc = nn.Linear(d_model, item_num)   # 预测请求概率
    def forward(self, seq_ids):
        x = self.embed(seq_ids)
        attn_out, _ = self.attn(x, x, x)
        logits = self.fc(attn_out.mean(dim=1))
        return torch.sigmoid(logits)

# 演示：TD3 Actor 动作选择
state = torch.randn(1, 30)
actor = Actor(30, 10)
action = actor(state)
# 裁剪动作范围
action = torch.clamp(action, -1, 1)
print('负载均衡动作:', action)