弹性光网络中基于DRL的RMSA算法

为了更好地解决弹性光网络(EON)的路由、调制格式与频谱分配(RMSA)问题，进一步降低网络阻塞率，提出一种基于深度强化学习(DRL)的RMSA算法。该算法在奖励设计中将考虑影响RMSA决策的资源占用度和频谱邻接度这2个指标，以鼓励智能体优先选择资源占用度低、频谱邻接度高的路径来建立光路，并对比该算法与其它算法在不同网络中的性能。仿真结果表明：与几种典型的DRL算法相比，所提算法的网络阻塞率更低。