基于FL-MADQN算法的NR-V2X车载通信频谱资源分配

针对5G新空口-车联网（New Radio-Vehicle to Everything,NR-V2X）场景下车对基础设施（Vehicle to Infrastructure,V2I）和车对车（Vehicle to Vehicle,V2V）共享上行通信链路的频谱资源分配问题,提出了一种联邦-多智能体深度Q网络（Federated Learning-Multi-Agent Deep Q Network,FL-MADQN）算法.该分布式算法中,每个车辆用户作为一个智能体,根据获取的本地信道状态信息,以网络信道容量最佳为目标函数,采用DQN算法训练学习本地网络模型.采用联邦学习加快以及稳定各智能体网络模型训练的收敛速度,即将各智能体的本地模型上传至基站进行聚合形成全局模型,再将全局模型下发至各智能体更新本地模型.仿真结果表明：与传统分布式多智能体DQN算法相比,所提出的方案具有更快的模型收敛速度,并且当车辆用户数增大时仍然保证V2V链路的通信效率以及V2I链路的信道容量.     

企业管理的采购问题

现代企业面临着需求多样化和个性化的双重挑战,需要物料的采购和供应环节能够满足生产过程对物料柔性(多样化)和刚性(质量)的需求。对于制造企业而言,为销售而生产、为生产而采购是一个环环相扣的物料输入输出动态过程,依次构成了采购流程、生产流程和销售流程。从物流角度看,最初的采购流程运行的成功与否将直接影响到企业生产、销售的最终产品的定价情况和整个供应链的最终获利情况。企业的采购流程的“龙头”作用不容忽视。