一种基于图神经网络的无线资源分配优化方法及装置

1.本发明涉及无线通信技术领域，特别涉及一种基于图神经网络的无线资源分配优化方法及装置。


背景技术：

2.随着全息通信、高质量视频在线会议、增强现实/虚拟显示、3d游戏等现代通信业务的快速发展，网络数据流量激增，对数据速率、时延和连接数等网络kpi的需求呈数量级增长，未来无线通信的数据速率预计超过100gbps。然而，目前可用的频谱资源过于稀缺，无法支持如此高的数据速率。太赫兹波是指位于0.1thz至10thz频率范围的电磁波，在整个电磁波谱中位于微波和红外波频段之间，由于在电磁波谱的特殊位置，太赫兹既具有微波频段的穿透性和吸收性，又具有光谱分辨特性。太赫兹通信是以太赫兹频段作为载波实现无线通信的技术，其具有超大带宽的频段资源可供利用，支持超高的通信速率，被视为6g移动通信网络的基础技术。因此，考虑太赫兹频段下大规模无线网络的资源分配优化问题，尽可能最佳地利用可用带宽和功率资源，满足快速增长的用户需求和接入设备数量对服务质量的要求变得至关重要。
3.通信网络的基本结构是图，图数据是一种典型的非欧式空间数据，具有复杂的相关性和对象间依赖性，传统图论的方法难以适应未来网络中复杂的图形问题。因此，寻找解决复杂图数据的算法，用以指导通信网络的资源分配、管理调度，成为未来网络中的重要科学问题。
4.图神经网络作为近年来人工智能领域的新兴技术，为处理复杂图结构数据开辟了新空间。借助深度学习、强化学习等人工智能技术，图神经网络能够快速挖掘图结构中的拓扑信息和复杂特征，已经解决了计算机视觉、推荐系统、知识图谱等领域的许多重大问题。因此，图神经网络与未来网络的结合，是解决网络优化问题、增强网络可靠性、提升网络资源利用率的重要途径。


技术实现要素：

5.本发明提供了一种基于图神经网络的无线资源分配优化方法及装置，以满足现代通信应用对网络规模、数据速率、时延等服务需求的增长，解决太赫兹频段下大规模无线网络的资源分配优化问题，为太赫兹通信中全息通信、智能交通等超高速无线移动场景提供泛在的、一致的、可靠的无线通信服务。
6.为解决上述技术问题，本发明提供了如下技术方案：
7.一方面，本发明提供了一种基于图神经网络的无线资源分配优化方法，该基于图神经网络的无线资源分配优化方法包括：
8.对太赫兹频段下大规模无线网络部署进行建模，考虑太赫兹频段下大规模无线网络下多个接收机和发射机对的功率和子信道分配问题；并修正信号传输过程中的干扰，建立太赫兹频段下大规模无线网络下行系统的物理信道模型；
9.以最大化能量效率为目标对无线网络资源分配优化问题进行描述；并将无线网络建模成无线信道图，将无线网络资源分配优化问题表述为图优化问题；
10.通过图神经网络的迭代更新，找到可以将无线信道图映射到最佳功率分配向量和最佳子信道分配向量的策略，实现功率与子信道的联合分配优化。
11.进一步地，对太赫兹频段下大规模无线网络部署进行建模，考虑太赫兹频段下大规模无线网络下多个接收机和发射机对的功率和子信道分配问题，包括：
12.假设无线网络中的每一对收发机对都将分配给子信道，用n表示子信道个数，n表示子信道索引，bw表示总带宽，每个子信道平均分配，带宽为b＝bw/n；定义scn为第n个子信道，kn为第n个子信道与其他子信道产生干扰的数量，un为在scn上的收发机对的数量，in表示在第n个子信道的第i个收发机对的索引，um为在第m个子信道scm上的收发机对的数量，jm表示在第m个子信道的第j个收发机对的索引，则从第jm个的发射机到第in个的接收机的信道响应为定义p
max
为系统的最大发射功率，pn为在子信道scn上分配到的功率，为在子信道scn的第i个发射机分配到的发射功率；发射功率约束表示为：
[0013][0014]
因此，接收机in接收到的信号是多种发射机信道叠加而来，表示为：
[0015][0016]
其中，表示均值为0，方差为的加性高斯白噪声；
[0017]
因此，第in个接收机的信噪比表示为：
[0018][0019]
其中，g
t
为发射天线的增益，gr为接收天线的增益，为第in个子信道的信道响应，为第jm个的发射机到第in个的接收机的信道响应，为在子信道scn的第i个发射机分配到的发射功率，为在子信道scm的第j个发射机分配到的发射功率；因此，在子信道scn的第in个接收机可达到速率表示为：
[0020][0021]
系统的总数据速率表示为：
[0022]
[0023]
其中，cn表示第n个子信道的数据速率和。
[0024]
进一步地，所述修正信号传输过程中的干扰，建立太赫兹频段下大规模无线网络下行系统的物理信道模型，包括：
[0025]
基于多径传播模型，定义第n个子信道的信道响应为：
[0026][0027]
将发射机天线增益g
t
和接收机天线增益gr均设为20dbi，mp路径的xn为1，即仅los路径存在，因此第n个子信道的信道响应可以重新表述为：
[0028][0029][0030]
其中，t为时间，d为传输距离，ω
los
∈{0,1}为指标变量，当ω
los
＝1时，表示太赫兹信道中包含los路径，当ω
los
＝0时，表示太赫兹信道中不包含los路径；在los路径中，表示衰减，t
los
表示通信时延；在第q个发射射线中，表示衰减，表示通信时延；mp路径总数表示为：其中，表示反射光数量；δ(.)函数表示当且仅当t＝t
los
时，δ(t-t
los
)＝1。
[0031]
进一步地，以最大化能量效率为目标对无线网络资源分配优化问题进行描述，包括：
[0032]
首先提出一个权重因子作为太赫兹子信道分配指标表示第n个子信道被i个收发机对占用，反之因此系统的总数据速率重新表述为：
[0033][0034]
太赫兹系统能量效率ee定义为总数据速率与总功耗p
to
的比值，因此，太赫兹频段下大规模无线网络的能量效率定义为：
[0035][0036]
其中，pc表示电路能耗；
[0037]
因此，优化问题表述为：
[0038]
[0039]
s.t.c1:
[0040]
c2:
[0041]
c3:
[0042]
c4:
[0043]
c5:
[0044]
其中，c1和c2为太赫兹频段下无线网络的功率约束，c3为最小数据速率c
min
约束，c4和c5为太赫兹子信道分配约束，d表示每个子信道的最大收发机数量；s
min
表示分配给第i个收发机对的子信道个数的下界，s
max
表示分配给第i个收发机对的子信道个数的上界，表示第in个接收机的数据速率。
[0045]
进一步地，所述无线信道图的一个节点表示一个收发对，节点特征包括直接信道状态和权重，图的链接是干扰信道，链接特征为干扰信道状态。
[0046]
进一步地，所述将无线网络建模成无线信道图，包括：
[0047]
将多个收发机对干扰信道建模成一个具有顶点和边的标签的完整图g＝(v,e,s,t)；其中，v表示包含顶点的集合，e表示包含边的集合，表示将一个节点映射到节点的特征，表示将一个边映射到边的特征，节点vi∈v表示一对接收机和发射机，v＝{v1,v2,...,v
|v|
}，顶点表示第n个子信道的第i个顶点，其中n∈{1,2,...,n}，i∈{1,2,...,un}，节点的特征矩阵表示为其中z
(i,:)
＝s(vi)；边定义了从顶点到顶点的有向关系，将顶点的相邻节点集表示为顶点的邻接特征矩阵表示为如果存在，则如果不存在，则[a
nm
]
i,j
＝0；
[0048]
在无线干扰情况下，将每一对收发机当作一个顶点，把从发射机到接收机的干扰图当作边，每个顶点的信道属性包括权重噪声方差直接信道响应每一条边的特征是由干扰发射机到被干扰接收机的信道响应。
[0049]
进一步地，通过图神经网络的迭代更新，找到可以将无线信道图映射到最佳功率分配向量和最佳子信道分配向量的策略，实现功率与子信道的联合分配优化，包括：
[0050]
对于不同子信道上的节点，定义不同的边更新函数φe和顶点更新函数φv，这些函数由多层感知器参数化；假设图神经网络的卷积层数为l，从1到l循环迭代，在每一层中，节点向相邻边发送节点信息通过下式更新节点特征和边特征，直到第l层时输出所有节点的节点特征，同时在图神经网络的第l层输出时添加激活函数其中，p表示功率分配向量，w表示子信道分配向
量，|
·
|表示向量取模长；
[0051]
更新边特征：
[0052]
更新节点特征：
[0053]
聚合节点特征：
[0054]
损失函数l(θ)是不同信道上实现的效用函数负期望，通过随机梯度下降法优化，在损失函数中进行反向传播，以无监督的方式更新图神经网络模型参数θ：
[0055][0056]
其中，eh表示期望函数；
[0057]
通过每个顶点的特征信息得到策略π(
·
)，输出最优佳功率分配向量和最优子信道分配向量实现功率与子信道的联合分配优化。
[0058]
另一方面，本发明还提供了一种基于图神经网络的无线资源分配优化装置，该基于图神经网络的无线资源分配优化装置包括：
[0059]
无线网络建模模块，用于对太赫兹频段下大规模无线网络部署进行建模，考虑太赫兹频段下大规模无线网络下多个接收机和发射机对的功率和子信道分配问题；并修正信号传输过程中的干扰，建立太赫兹频段下大规模无线网络下行系统的物理信道模型；
[0060]
无线信道图构建模块，用于以最大化能量效率为目标对无线网络资源分配优化问题进行描述；并将无线网络建模成无线信道图，将无线网络资源分配优化问题表述为图优化问题；
[0061]
优化模块，用于通过图神经网络的迭代更新，找到可以将无线信道图映射到最佳功率分配向量和最佳子信道分配向量的策略，实现功率与子信道的联合分配优化。
[0062]
再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0063]
又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0064]
本发明提供的技术方案带来的有益效果至少包括：
[0065]
本发明提供的技术方案将无线网络建模成无线信道图，将无线网络资源分配优化的目标任务结构合并到神经网络架构中，将无线网络资源分配优化问题表述为图优化问题，利用图神经网络的可拓展性解决太赫兹频段下大规模无线网络资源分配优化问题，增强了太赫兹频段下大规模无线网络性能。解决了太赫兹频段下大规模无线网络的资源分配优化问题，为太赫兹通信中全息通信、智能交通等超高速无线移动场景提供了泛在的、一致的、可靠的无线通信服务。
附图说明
[0066]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使
用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0067]
图1是本发明实施例提供的基于图神经网络的无线资源分配优化方法的执行流程示意图；
[0068]
图2是本发明实施例提供的基于图神经网络的有向干扰图构建方法示意图。
具体实施方式
[0069]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
[0070]
第一实施例
[0071]
为了满足现代通信应用对网络规模、数据速率、时延等服务需求的增长，解决太赫兹频段下大规模无线网络的资源分配优化问题，为太赫兹通信中全息通信、智能交通等超高速无线移动场景提供泛在的、一致的、可靠的无线通信服务，本实施例提供了一种基于图神经网络的无线资源分配优化方法。该方法的技术方案包括太赫兹频段下大规模无线网络模型、无线信道随机边图神经网络，以及功率控制与子信道分配的联合优化方案。
[0072]
具体地，该无线资源分配优化方法的执行流程包括以下步骤：
[0073]
s1，对太赫兹频段下大规模无线网络部署进行建模，考虑太赫兹频段下大规模无线网络下多个接收机和发射机对的功率和子信道分配问题；修正信号传输过程中的干扰，建立太赫兹频段下大规模无线网络下行系统的物理信道模型；
[0074]
s2，以最大化能量效率为目标对无线网络资源分配优化问题进行描述；将无线网络建模成无线信道图，将无线网络资源分配优化问题表述为图优化问题；
[0075]
s3，通过图神经网络的迭代更新，找到可以将无线信道图映射到最佳功率分配向量和最佳子信道分配向量的策略，实现功率与子信道的联合分配优化。
[0076]
具体地，在本实施例中，上述s1中对无线网络部署进行建模如下：
[0077]
考虑太赫兹频段下大规模无线网络下多个接收机和发射机对的功率和子信道分配问题，假设无线网络中的每一对收发机对都将分配给子信道，用n表示子信道个数，n表示子信道索引，其中n∈{1,2,...,n}，bw表示总带宽，每个子信道平均分配，带宽为b＝bw/n；定义scn为第n个子信道，kn为第n个子信道与其他子信道产生干扰的数量，un为在scn上的收发机对的数量，in表示在第n个子信道(scn)的第i个收发机对的索引，in∈{1,2,...,un}；um为在第m个子信道scm上的收发机对的数量，jm表示在第m个子信道(scm)的第j个收发机对的索引，jm∈{1,2,...,um}；则从第jm个的发射机到第in个的接收机的信道响应为定义p
max
为系统的最大发射功率，pn为在子信道scn上分配到的功率，为在子信道scn的第i个发射机分配到的发射功率；发射功率约束表示为：
[0078][0079]
因此，接收机in接收到的信号是多种发射机信道叠加而来，可以表示为：
[0080][0081]
其中，表示均值为0，方差为的加性高斯白噪声(awgn)；因此，第in个接收机的信噪比可以表示为：
[0082][0083]
其中，g
t
为发射天线的增益，gr为接收天线的增益，为第in个子信道的信道响应，为第jm个的发射机到第in个的接收机的信道响应，为在子信道scn的第i个发射机分配到的发射功率，为在子信道scm的第j个发射机分配到的发射功率；因此，在子信道scn的第in个接收机可达到速率表示为：
[0084][0085]
系统的总数据速率可以表示为：
[0086][0087]
其中，cn表示第n个子信道的数据速率和。
[0088]
进一步地，上述s1中修正信号传输过程中的干扰，建立太赫兹频段下大规模无线网络下行系统的物理信道模型的实现过程如下：
[0089]
多路径传播(mp)模型包括视距链路(los)和非视距链路(nlos)链路，nlos链路包括反射、散射和衍射路径三部分，散射和衍射路径因为只接受较少的功率，可以忽略不计。基于多径传播模型，定义第n个子信道的信道响应为：
[0090][0091]
其中，t为时间，d为传输距离，ω
los
∈{0,1}为指标变量，当ω
los
＝1时，表示太赫兹信道中包含los路径，当ω
los
＝0时，表示太赫兹信道中不包含los路径；在los路径中，表示衰减，t
los
表示通信时延；在第q个发射射线中，表示衰减，表示通信时延；mp路径总数表示为：其中，表示反射光数量，δ(.)函数表示当且仅当t＝t
los
时，δ(t-t
los
)＝1。
[0092]
在高增益天线的作用下，传输波束宽度会变小，mp射线的数量会急剧减少。对此，在太赫兹频段，本实施例提出了高指向性天线来防止太赫兹通信的高路径损耗，太赫兹传输具有高增益天线的高定向性，因此，将发射机天线增益g
t
和接收机天线增益gr均设为
20dbi，mp路径的xn为1，即仅los路径存在，因此第n个子信道的信道响应可以重新表述为：
[0093][0094][0095]
los在太赫兹波段传播的所有路径损耗由空气中传播衰减和大气衰减组成，传播衰减可表示为：
[0096][0097]
其中，f为频率，c为真空中的光速。
[0098]
分子吸收衰减不能消除，大气衰减表示为：
[0099]
l
abs
(f,d)[db]＝10k(f)d lg e
[0100]
其中，k(f)为依赖频率的介质吸收系数。
[0101]
因此，太赫兹频段的路径损耗可以表示为：
[0102]
pl(d)[db]＝l
spread
(f,d)[db]+l
abs
(f,d)[db]
[0103]
路径损耗与信道增益的关系定义为：
[0104][0105]
进一步地，考虑到太赫兹频段下大规模无线网络中信号传输的性能要求，上述s2首先以最大化能量效率(ee)为目标，对功率与子信道分配联合优化问题进行描述，具体如下：
[0106]
首先提出一个权重因子作为太赫兹子信道分配指标表示第n个子信道被i个收发机对占用，反之因此系统的总数据速率重新表述为：
[0107][0108]
在无线通信过程中，除了传输功率外，总功耗p
to
包含了电路能耗pc，因此，总功耗p
to
表示为：
[0109][0110]
太赫兹系统能量效率ee定义为总数据速率与总功耗p
to
的比值，因此，太赫兹频段下大规模无线网络的能量效率定义为：
[0111][0112]
因此，优化问题表述为：
[0113][0114]
s.t.c1:
[0115]
c2:
[0116]
c3:
[0117]
c4:
[0118]
c5:
[0119]
其中，c1和c2为太赫兹频段下无线网络的功率约束，c1给出了发射功率约束，并设置了总发射功率p
max
的最大值，以保证所有收发机对的总功耗小于或等于最大值。c2保证每个太赫兹子信道分配给每个终端的功率的非负功率限制；c3为最小数据速率c
min
，为了保证太赫兹系统的性能，c3规定各终端可实现的数据速率必须大于或等于最小数据速率r
min
，该最小数据速率由qos要求决定；c4和c5为太赫兹子信道分配约束，c4保证每个sc被不超过d个收发机对所占用，它防止在太赫兹子信道上有大量收发机对；c5将分配给第i个收发机对的子信道个数的上界设置为s
max
，下界设置为s
min
，描述了收发机对之间的公平性。它可以有效地利用太大的带宽资源。通过定义合适s
max
和s
min
值，重构收发机对占用的太赫兹子信道的优先级。d表示每个子信道的最大收发机数量，表示第in个接收机的数据速率。
[0120]
进一步地，上述s2中的无线信道图的一个节点表示一个收发对，节点特征包括直接信道状态和权重，图的链接是干扰信道，链接特征为干扰信道状态。
[0121]
上述s2中，将无线网络建模成无线信道图，包括：
[0122]
将多个收发机对干扰信道建模成一个具有顶点和边的标签的完整图g＝(v,e,s,t)；其中，v表示包含顶点的集合，e表示包含边的集合，表示将一个节点映射到节点的特征，表示将一个边映射到边的特征，节点vi∈v表示一对接收机和发射机，v＝{v1,v2,...,v
|v|
}，顶点v
in
表示第n个子信道(scn)的第i个顶点，其中n∈{1,2,...,n}，i∈{1,2,...,un}，节点的特征矩阵表示为其中z
(i,:)
＝s(vi)；边定义了从顶点到顶点的有向关系，将顶点的相邻节点集表示为顶点的邻接特征矩阵表示为如果存在，则如果不存在，则[a
nm
]
i,j
＝0；在无线干扰情况下，将每一对收发机当作一个顶点，把从发射机到接收机的干扰图当作边，每个顶点的信道属性包括权重噪声方差直接信道响应每一条边的特征是由干扰发射机到被干扰接收机的信道响应
[0123]
基于上述，本实施例的优化方法将干扰关系建模成信道系数为的有
向图g，通过图神经网络的迭代更新，在图神经网络的最后一层输出最终的边特征信息和节点特征信息，找到可将有向图映射到最佳功率分配向量和最佳子信道分配向量的策略π(
·
)，实现功率与子信道的联合分配优化。策略函数π
θ
(
·
)表示为其中，θ表示可学习参数，λ1、λ2表示策略分配比例系数。
[0124]
进一步地，上述s3通过图卷积神经网络，采用无监督的学习方法训练转移函数和输出函数，从而获得每个发射器发射功率和子信道分配的最优策略。
[0125]
对此，需要说明的是，在现有的无线网络“学习优化”方法研究中大多采用mlps作为神经网络体系架构，虽然mlp可以近似性能良好的函数，但其数据效率、鲁棒性和泛化性能较差。但在基于图神经网络的无线网络优化方法中，该方法将目标任务的结构纳入神经网络体系架构中，神经网络不需要从数据中学习这些结构，训练效率更高，从经验上可以更好地泛化，同时图神经网络具有置换等方差性能，其神经网络架构具有可扩展性，可扩展到大规模无线网络中解决功率和子信道分配优化问题。本实施例提供的基于图神经网络的功率与子信道分配联合优化方法有效地利用图的结构，将传统的卷积神经网络、循环神经网络应用到图优化问题中，快速挖掘图结构中的拓扑信息和复杂特征，并采用无监督的学习方法训练转移函数和输出函数，从而获得每个发射器发射功率和子信道分配的最优策略。
[0126]
图卷积神经网络上的基本计算单元为图神经块，每个图神经块包括更新函数φ和聚合函数ρ，图神经块需要在每个顶点上产生输出作为每个链路的传输方案，目标顶点信息从不同子信道顶点中采样、聚合以获得最终的状态信息。
[0127]
对于不同子信道上的节点，定义不同的边更新函数φe和顶点更新函数φv，这些函数由多层感知器(mlps)参数化；假设图神经网络的卷积层数为l，从1到l循环迭代，在每一层中，节点向相邻边发送节点信息通过下式更新节点特征和边特征，直到第l层时输出所有节点的节点特征，同时在图神经网络的第l层输出时添加激活函数等施加约束；其中，p表示功率分配向量，w表示子信道分配向量，|
·
|表示向量取模长。具体如下：
[0128]
定义第l层的更新和聚合表示为：
[0129]
第l层边特征的更新：
[0130]
第l层顶点特征的更新：
[0131]
第l层聚合：
[0132]
其中，l表示图神经网络的第l次更新，首先应用边更新函数φe于每条边初始化所有的顶点特征和所有边特征然后将每个顶点应用聚合函数ρe→v聚合得到边的更新。之后，再结合聚合边的更新及节点的当前属性通过φv更新获得新的顶点特征。当每个顶点特征信息嵌入到边特征更新中并应用到其相邻顶点的更新中，信息传递过程完成。图神经网络的更新函数选用神经网络模块，
聚合函数选用期望函数，每个顶点的更新都是独立发生的，在每次更新后保证损失函数最小。在经过l次更新后，输出最终的节点特征并在图神经网络输出处构建多个激活函数施加约束：满足优化问题中的约束条件。
[0133]
损失函数l(θ)是不同信道上实现的效用函数负期望，通过随机梯度下降法优化，在损失函数中进行反向传播，以无监督的方式更新图神经网络模型参数θ：
[0134][0135]
其中，eh表示期望函数；
[0136]
最后，通过每个顶点的特征信息得到策略π(
·
)，输出最优佳功率分配向量和最优子信道分配向量实现功率与子信道的联合分配优化。
[0137]
综上，本实施例提供的基于图神经网络的功率与子信道分配联合优化方法有效地利用图的结构，将目标任务的结构纳入神经网络体系架构中，快速挖掘图结构中的拓扑信息和复杂特征，神经网络不需要从数据中学习这些结构，训练效率更高，从经验上可以更好地泛化，可扩展到大规模无线网络中解决功率和子信道分配优化问题。同时，采用无监督的学习方法训练转移函数和输出函数，从而获得每个发射器发射功率和子信道分配的最优策略。从而解决了太赫兹频段下大规模无线网络的资源分配优化问题，为太赫兹通信中全息通信、智能交通等超高速无线移动场景提供了泛在的、一致的、可靠的无线通信服务。
[0138]
第二实施例
[0139]
本实施例提供了一种基于图神经网络的无线资源分配优化装置，包括：
[0140]
无线网络建模模块，用于对太赫兹频段下大规模无线网络部署进行建模，考虑太赫兹频段下大规模无线网络下多个接收机和发射机对的功率和子信道分配问题；并修正信号传输过程中的干扰，建立太赫兹频段下大规模无线网络下行系统的物理信道模型；
[0141]
无线信道图构建模块，用于以最大化能量效率为目标对无线网络资源分配优化问题进行描述；并将无线网络建模成无线信道图，将无线网络资源分配优化问题表述为图优化问题；
[0142]
优化模块，用于通过图神经网络的迭代更新，找到可以将无线信道图映射到最佳功率分配向量和最佳子信道分配向量的策略，实现功率与子信道的联合分配优化。
[0143]
本实施例的基于图神经网络的无线资源分配优化装置与上述第一实施例的基于图神经网络的无线资源分配优化方法相对应；其中，本实施例的基于图神经网络的无线资源分配优化装置中的各功能模块所实现的功能与上述基于图神经网络的无线资源分配优化方法中的各流程步骤一一对应；故，在此不再赘述。
[0144]
第三实施例
[0145]
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
[0146]
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上
处理器(central processing units，cpu)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
[0147]
第四实施例
[0148]
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是rom、随机存取存储器、cd-rom、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
[0149]
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
[0150]
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0151]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0152]
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0153]
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。