包邮网络化系统分布式状态自适应估计理论及其应用

第1章 网络化系统分布式状态估计简介 1.1 网络化系统介绍 1.2 分布式状态估计 1.2.1 部分分布式状态估计 1.2.2 分布式状态估计 参考文献 第2章 分布式状态估计算法理论 2.1 分布式状态估计算法研究现状 2.2 分布式网络 2.2.1 分布式网络分类 2.2.2 自适应分布式网络 2.3 自适应滤波算法 2.3.1 经典自适应滤波算法 2.3.2 基于一致性策略的自适应滤波算法 2.3.3 基于扩散性策略的自适应滤波算法 2.3.4 一致性策略与扩散性策略的比较 2.3.5 稳定性原理 参考文献 第3章 动态拓扑的网络化系统下分布式状态估计 3.1 研究背景 3.2 虚拟传感网络系统简介 3.3 虚拟传感网络系统描述 3.3.1 网络及通信系统建模 3.3.2 概率化的网络拓扑表征 3.4 基于动态拓扑的扩散性卡尔曼滤波算法 3.4.1 算法概述 3.4.2 算法性能分析 3.5 算法性能对比 3.5.1 实验环境设置 3.5.2 实验结果对比分析 参考文献 第4章 可量化的网络化系统下分布式状态估计 4.1 研究背景 4.2 移动群智感知网络化系统简介 4.2.1 移动群智感知网络化系统研究现状 4.2.2 移动群智感知网络化系统组成 4.3 移动群智感知网络化系统描述 4.3.1 网络模型 4.3.2 抖动量化模型 4.4 可量化分布式自适应算法 4.4.1 基于本地信息交互的扩散性卡尔曼滤波算法 4.4.2 基于量化信息交互的扩散性卡尔曼滤波算法 4.4.3 算法性能分析 4.5 移动群智感知对节点运动轨迹的预测及误差分析 4.5.1 实验环境设置 4.5.2 实验结果对比分析 参考文献 第5章 含约束集的网络化系统下分布式优化 5.1 研究背景 5.1.1 现存问题 5.1.2 研究现状 5.2 内容中心网络化系统描述 5.2.1 网络模型 5.2.2 内容流行度模型 5.2.3 能量消耗模型 5.3 基于正交投影的扩散性分布式算法设计 5.3.1 缓存问题分析 5.3.2 分布式算法构建 5.3.3 算法性能分析 5.4 针对CERNET、GEANT、Abilene拓扑场景下的缓存优化分析 5.4.1 实验环境设置 5.4.2 实验结果对比分析 参考文献 第6章 网络化系统中强化学习算法及应用 6.1 经典强化学习算法 6.1.1 巴甫洛夫的实验 6.1.2 俄罗斯方块游戏 6.1.3 强化学习的评价标准 6.1.4 强化学习与马尔可夫过程 6.1.5 强化学习算法分类 6.2 多 新强化学习算法 6.3 多智能体强化学习算法 6.3.1 多智能体强化学习基本概念 6.3.2 三种多智能体强化学习框架 参考文献 第7章 分布式多 新强化学习方法在边缘计算中的应用 7.1 研究背景 7.1.1 边缘计算中的服务卸载 7.1.2 强化学习方法介绍 7.2 分布式服务卸载的系统模型 7.2.1 服务卸载的场景化定义 7.2.2 问题的马尔可夫过程表述 7.3 多 新的强化学习卸载方案 7.3.1 实际问题的公式化描述 7.3.2 集合的定义方法 7.4 基于深度强化学习的服务卸载算法设计 7.4.1 行为解集的 选择算法 7.4.2 多 新赋能的强化学习算法 7.5 不同资源分布下的算法性能测试 7.5.1 实验环境设置 7.5.2 实验结果对比分析 参考文献 第8章 网络化多智能体强化学习在视频转码中的应用 8.1 研究背景 8.2 直播系统模型构建 8.2.1 移动网络模型 8.2.2 视频转码模型 8.2.3 增广图模型 8.2.4 分布式优化目标 8.3 基于网络化多智能体强化学习的模型重构 8.4 基于多智能体强化学习的联合优化算法设计 8.4.1 策略梯度理论 8.4.2 基于网络化MARL的“行动者-评论家”算法 8.4.3 MAAC算法的分布式部署 8.5 实验验证和性能分析 8.5.1 实验环境设置 8.5.2 实验结果对比分析 参考文献