一种用于通信的方法、装置、介质和程序产品与流程

摘要: 本发明概括而言涉及电子通信领域,更具体地,涉及一种用于通信的方法、通信装置、计算机可读存储介质和计算机程序产品。背景技术:1、随着下一代移动通信技术与人工智能a...
一种用于通信的方法、装置、介质和程序产品与流程

本发明概括而言涉及电子通信领域,更具体地,涉及一种用于通信的方法、通信装置、计算机可读存储介质和计算机程序产品。

背景技术:

1、随着下一代移动通信技术与人工智能ai(artificial intelligence)深度融合,基于智能体(agent)的网络架构已成为行业共识。下一代网络中的ai智能体定义为具备环境交互、上下文感知、推理决策及任务执行能力的自动化实体,其核心特征在于通过多智能体系统(mas)实现网络功能的智能编排。

2、目前的3gpp标准虽定义了ai智能体的功能属性,却未涉及多智能体协作拓扑的动态优化机制,致使现有网络编排方案难以平衡任务执行的规范性与灵活性。这种技术瓶颈在核心网场景尤为突出:5g-advanced网络功能虚拟化(nfv)架构下,基于服务化架构(sba)的控制面设计虽实现了网络功能(nf)模块化,但其编排机制仍依赖人工设定的标准化流程,缺乏自优化能力。当面对动态变化的网络切片需求时,传统方案既无法像基于强化学习的动态拓扑那样根据任务类型自动调整智能体交互路径,也难以通过策略梯度算法实现多轮对话中的拓扑迭代优化,最终导致网络资源利用率低。这种技术局限性不仅阻碍了下一代网络智能化演进,更造成网络侧算力资源的结构性浪费,亟需突破现有技术框架,建立兼具灵活性与可控性的新型多智能体协作机制。

技术实现思路

1、针对上述问题中的至少一个,本发明提供了一种用于通信的方法、通信装置、计算机可读存储介质和计算机程序产品。本发明提出了一种兼具灵活性与可控性、可以有效使能网络侧算力的多智能体交互机制,实现了多智能体对话拓扑的动态生成与自优化,解决了现有技术中固定流程机械性与完全自主对话失控性之间的矛盾,同时实现了网络侧算力资源的深度利用。

2、在一个实施例中,智能体关系生成实体(arg)向多个智能体发送指示信息,所述指示信息包括用于执行第一任务的智能体对话的第一对话拓扑信息。该拓扑信息通过概率矩阵建模。智能体关系生成实体随后接收关于多个智能体执行第一任务的反馈信息,并基于反馈信息获得第一对话拓扑信息被更新后的第二对话拓扑信息。例如,在网络切片配置场景中,智能体关系生成实体通过策略梯度方法(pgm)迭代优化拓扑矩阵,提升任务完成效率。

3、在一个实施例中,反馈信息包括第一任务的完成标识,该标识用于确定第一任务的智能体对话已完成。例如,当测试智能体在沙盒仿真中验证编排方案通过时,向智能体关系生成实体返回“task complete”标识,触发拓扑更新流程。通过方法中的更新优化机制,有效规避了智能体对话或大模型的“幻觉”风险以及过度对话带来的超额开销,同时通过概率矩阵建模与策略梯度方法的结合,显著降低了对话轮次开销并提升任务完成效率。

4、在一个实施例中,获得第二对话拓扑信息包括:基于与第一对话拓扑信息相对应的策略函数更新第一对话拓扑信息,以得到第二对话拓扑信息,其中效用函数u衡量任务性能(如代码生成任务的pass@1指标),开销函数c表征通信消耗(如对话轮次)。

5、在一个实施例中,更新第一对话拓扑信息以得到第二对话拓扑信息包括:基于策略函数计算策略函数值;计算策略函数的策略梯度;以及基于策略梯度更新拓扑信息,并采用梯度法更新拓扑矩阵。通过引入策略梯度方法(pgm)实现拓扑的动态优化,使系统在保证任务执行规范性的同时具备高度灵活性。首轮对话采用确定性路径确保流程可控,后续轮次则通过概率化调整允许智能体自主选择对话对象,从而避免了传统方案中因固定流程导致的任务适配性差或因完全自由对话引发的资源浪费问题。

6、在一个实施例中,计算策略函数值包括:对第一对话拓扑信息执行多次采样,获得多个采样对话拓扑信息;基于采样结果与策略函数计算策略函数值。例如,通过多次独立采样生成候选拓扑集合。

7、在一个实施例中,指示信息还包括第一信息,用于确定与第一对话拓扑信息相对应的策略函数;反馈信息包括基于策略函数计算的策略函数值。例如,智能体关系生成实体在提示词(prompt)中向智能体下发策略函数定义,最终执行智能体返回u-c的计算结果。

8、在一个实施例中,获得第二对话拓扑信息包括:基于策略函数值计算策略函数的策略梯度,并基于策略梯度更新第一对话拓扑信息。例如,智能体关系生成实体接收测试智能体返回的策略函数值后,调用算法计算梯度并更新拓扑。

9、在一个实施例中,指示信息还包括第二信息,指示执行对第一对话拓扑信息更新的优化策略。例如,智能体关系生成实体在提示词中指定采用策略梯度方法(pgm)作为更新策略。

10、在一个实施例中,反馈信息包括第二对话拓扑信息。例如,由多智能体系统(mas)主导拓扑更新后,最终执行智能体将更新后的拓扑反馈至智能体关系生成实体存储。

11、在一个实施例中,策略函数为衡量执行第一任务效果的函数。例如,在具身类任务(如机器人控制)中,策略函数定义为u(成功率)与c(平均步数)的组合。

12、在一个实施例中,策略函数包括效用函数和开销函数。例如,效用函数u基于网络切片配置的准确性定义,开销函数c基于通信延迟与资源消耗定义。

13、在一个实施例中,效用函数基于第一任务的性能指标确定,开销函数基于智能体对话的开销确定。例如,在代码生成任务中,u采用pass@k指标,c采用对话轮次与计算资源消耗加权和。

14、在一个实施例中,接收将被执行的第一任务的任务信息,并基于任务信息确定第一对话拓扑信息。例如,智能体关系生成实体解析自然语言任务描述后,生成初始拓扑矩阵a,设定首轮对话路径为规划→组装→测试。

15、在一个实施例中,第一对话拓扑信息包括以下信息中的一个或多个:参与执行第一任务的智能体数量、多智能体角色、多智能体第一对话拓扑结构、多智能体之间的对话轮次。例如,拓扑信息包含角色分配(规划、组装、测试)、对话轮次上限。

16、在一个实施例中,将第二对话拓扑信息与第一任务的任务类型相关联地存储。例如,智能体关系生成实体将优化后的拓扑与“网络切片配置”任务类型绑定存储于内存模块。

17、在一个实施例中,接收第二任务的任务信息(与第一任务具有相同类型),确定第二对话拓扑信息将用于执行第二任务,并向多个智能体发送第二指示信息。例如,智能体关系生成实体调用历史存储的拓扑信息加速同类型任务的网络编排。

18、在一个实施例中,智能体接收指示信息,所述指示信息包括用于执行第一任务的智能体对话的第一对话拓扑信息。基于第一对话拓扑信息,与至少一个智能体执行与第一任务相关的智能体对话,并发送关于执行第一任务的反馈信息。例如,组装智能体基于拓扑信息与规划智能体交互,生成网络功能编排方案。

19、在一个实施例中,反馈信息包括第一任务的完成标识,用于确定第一任务的智能体对话已完成。例如,测试智能体在沙盒仿真中验证方案通过后,向智能体关系生成实体返回“task complete”标识。通过方法中的更新优化机制,有效规避了智能体对话或大模型的“幻觉”风险以及过度对话带来的超额开销,同时通过概率矩阵建模与策略梯度方法的结合,显著降低了对话轮次开销并提升任务完成效率。

20、在一个实施例中,指示信息还包括第一信息,用于确定基于与第一对话拓扑信息相对应的策略函数。例如,智能体关系生成实体在提示词中指定策略函数为u-c。

21、在一个实施例中,基于策略函数计算策略函数值,并将策略函数值包括在反馈信息中。例如,测试智能体计算策略函数值u-c=0.8并反馈至智能体关系生成实体。

22、在一个实施例中,指示信息还包括第二信息,指示执行对第一对话拓扑信息更新的优化策略。例如,智能体关系生成实体指定采用reinforce算法作为优化策略。

23、在一个实施例中,执行对第一对话拓扑信息的更新以获得第二对话拓扑信息,并将第二对话拓扑信息包括在反馈信息中。例如,由智能体组成的mas主导拓扑更新后,最终执行智能体反馈更新后的拓扑。

24、在一个实施例中,执行对第一对话拓扑信息的更新包括:基于策略函数计算策略函数值;计算策略函数的策略梯度;基于策略梯度更新第一对话拓扑信息。例如,智能体侧分布式计算策略梯度并更新拓扑。通过引入策略梯度方法(pgm)实现拓扑的动态优化,使系统在保证任务执行规范性的同时具备高度灵活性。首轮对话采用确定性路径确保流程可控,后续轮次则通过概率化调整允许智能体自主选择对话对象,从而避免了传统方案中因固定流程导致的任务适配性差或因完全自由对话引发的资源浪费问题。

25、在一个实施例中,计算策略函数值包括:对第一对话拓扑信息执行多次采样,获得多个采样对话拓扑信息;基于采样结果与策略函数计算策略函数值。例如,智能体通过m=5次采样生成候选拓扑并计算期望值。

26、在一个实施例中,策略函数为衡量执行第一任务效果的函数。例如,在自动驾驶场景中,策略函数定义为任务成功率与通信延迟的加权和。

27、在一个实施例中,策略函数包括效用函数和开销函数。例如,效用函数u基于任务完成时间定义,开销函数c基于算力消耗定义。

28、在一个实施例中,效用函数基于第一任务的性能指标确定,开销函数基于智能体对话的开销确定。例如,效用函数u采用网络切片部署成功率,开销函数c采用对话轮次与计算资源消耗。

29、在一个实施例中,接收第二指示信息,所述第二指示信息包括用于执行第二任务的智能体对话的第二对话拓扑信息(为第一对话拓扑信息被更新后得到)。基于第二对话拓扑信息,与至少一个智能体执行智能体对话以执行第二任务,并发送关于执行第二任务的反馈信息。例如,智能体关系生成实体复用历史优化拓扑加速同类型任务的网络功能编排。

30、在一个实施例中,从多个智能体中的第二智能体接收关于执行所述第二任务的反馈信息,其中第二智能体和所述第一智能体是同一智能体或不同的智能体。

31、通过以上方法,本发明提供了三种不同的拓扑更新实施方式,满足不同算力分布场景的需求:智能体关系生成实体独立优化:由arg完成全部策略函数计算与拓扑更新,适用于算力较强的arg场景;智能体关系生成实体与智能体协同优化:将策略函数值计算分摊至最终执行智能体,降低arg算力负担,提升整体优化效率;多智能体主导优化:由多智能体系统完成大部分优化计算,并将更新后的拓扑反馈给arg存储,进一步释放arg的处理压力。上述设计有效平衡了算力分配与优化性能,增强了系统的适应性与扩展性。

32、在一个实施例中,多个智能体组成多智能体系统(mas)。

33、在一个实施例中,所述方法可以由智能体、智能体关系生成装置(或智能体关系生成实体)或其他可提供所述第一智能体对话拓扑信息的网元执行。

34、在一个实施例中,所述智能体至少包括规划智能体,被配置为将所述任务分解为子任务,以输出子任务列表;组装智能体,被配置为选择用于执行所述任务的网元和逻辑组合所选择的网元,以输出网元的编排方案;或者测试智能体,被配置为调用仿真器对所述编排方案进行仿真,以输出测试报告。

35、根据本发明的另一个方面,提供了一种通信装置。该通信装置包括:至少一个处理器处理器,被配置为执行上述的方法。

36、根据本发明的另一个方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有指令,所述指令在被装置执行时,使得所述装置执行上述的方法。

37、根据本发明的另一个方面,提供了一种计算机程序产品,所述计算机程序产品包括指令,所述指令在被装置执行时,使得所述装置执行上述的方法。

38、利用以上技术手段,本发明通过构建动态对话拓扑建模与强化学习优化算法,实现了多智能体协作机制的灵活性与可控性统一。该方案基于概率矩阵的拓扑建模支持初始拓扑的确定性设定与后续轮次的概率化调整,既保留了sop流程的规范性优势,又引入了对话式协作的灵活性。通过策略梯度方法(pgm)的迭代优化,结合效用函数u与开销函数c的复合目标设计,显著降低了对话轮次开销并提升任务完成效率。

39、此外,基于智能体关系生成实体和智能体组合的不同计算模式,网络侧算力被有效利用。通过部署智能体关系生成实体(arg)与由智能体组成的多智能体系统(mas),将核心网、基站等设备转化为智能服务节点,避免网络沦为单纯的数据传输管道。沙盒仿真机制有效规避了llm模型的“幻觉”风险,通过预演验证提升方案可靠性。实施例差异化设计支持arg独立优化、arg与agent协同优化及agent主导优化三种模式,适应不同算力分布场景需求。该技术方案为下一代网络智能化演进提供了关键技术支撑。