业务和功能介绍
1. 立项背景和目标：
传统无线接入点部署依赖人工经验或遗传算法、粒子群、模拟退火等启发式搜索，存在计算耗时长、目标约束难表达、决策过程缺乏解释性等问题。本项目面向城市无线网络规划场景，将 RadioMap 传播预测模型与大语言模型推理结合，目标是根据用户提出的覆盖率、频谱效率、容量、冗余度和站点数量等要求，自动生成接入点部署方案，并通过可视化方式展示每一步决策依据和性能变化。
2. 软件功能及核心模块：
系统主要包含五类功能：一是代理模型模块，使用 PMNet、RMNet、UNet、TransUNet、RadioUNet 快速预测无线传播和路径增益；二是 ReAct 决策模块，将自然语言需求解析为目标、约束和指标权重，循环执行新增、删除、移动站点或停止等动作；三是初始化策略模块，支持随机、贪心、预训练策略及“两阶段排序”初始化；四是启发式基线模块，集成 GA、PSO、SA、Greedy、候选枚举和穷举方法；五是 Web 可视化模块，实时展示覆盖图、路径增益图、站点位置、指标和决策轨迹。
3. 业务流程和功能路径：
用户在 Web 页面选择城市地图、需求模板、规划器、代理模型和候选数量后启动任务；系统首先解析自然语言需求，再生成初始站点集合，通过代理模型计算覆盖率、频谱效率和冗余率；随后从合法候选位置中筛选 Top-K 点位，由 ReAct 或启发式规划器决定下一步动作，并重新评估指标，直至满足约束或达到最大步数。运行过程写入轨迹文件，由后端以约 200ms 周期监控，并通过 SSE 推送到前端，最终形成部署方案、指标汇总和可回溯的动作链。
传统无线接入点部署依赖人工经验或遗传算法、粒子群、模拟退火等启发式搜索，存在计算耗时长、目标约束难表达、决策过程缺乏解释性等问题。本项目面向城市无线网络规划场景，将 RadioMap 传播预测模型与大语言模型推理结合，目标是根据用户提出的覆盖率、频谱效率、容量、冗余度和站点数量等要求，自动生成接入点部署方案，并通过可视化方式展示每一步决策依据和性能变化。
2. 软件功能及核心模块：
系统主要包含五类功能：一是代理模型模块，使用 PMNet、RMNet、UNet、TransUNet、RadioUNet 快速预测无线传播和路径增益；二是 ReAct 决策模块，将自然语言需求解析为目标、约束和指标权重，循环执行新增、删除、移动站点或停止等动作；三是初始化策略模块，支持随机、贪心、预训练策略及“两阶段排序”初始化；四是启发式基线模块，集成 GA、PSO、SA、Greedy、候选枚举和穷举方法；五是 Web 可视化模块，实时展示覆盖图、路径增益图、站点位置、指标和决策轨迹。
3. 业务流程和功能路径：
用户在 Web 页面选择城市地图、需求模板、规划器、代理模型和候选数量后启动任务；系统首先解析自然语言需求，再生成初始站点集合，通过代理模型计算覆盖率、频谱效率和冗余率；随后从合法候选位置中筛选 Top-K 点位，由 ReAct 或启发式规划器决定下一步动作，并重新评估指标，直至满足约束或达到最大步数。运行过程写入轨迹文件，由后端以约 200ms 周期监控，并通过 SSE 推送到前端，最终形成部署方案、指标汇总和可回溯的动作链。
项目实现
1. 整体架构、设计思路与技术栈：
项目采用“数据与传播模型层、优化决策层、实验评估层、交互展示层”的分层设计。传播模型基于 Python、PyTorch、NumPy 和 Matplotlib，支持 RadioMap3DSeer、USC 数据及 Sionna/Blender 合成场景；策略初始化使用 Gymnasium、Ray RLlib、CNN 编码器和动作掩码；决策层使用 ReAct、Qwen2.5-7B 和 LLaMA-Factory，同时通过统一适配器接入 GA、PSO、SA 等算法；展示层使用 ThreadingHTTPServer、多线程、子进程、SSE、原生 JavaScript 和 CSS Grid，实现训练、评估和部署决策的统一操作界面。
2. 我的负责模块和结果：
我主要负责代理模型训练评估、接入点初始化策略、ReAct 决策闭环、启发式算法适配以及 Web 可视化链路的集成。项目数据目录包含701组天线元数据、约5.6万张增益标签和约17万张地图输入；实现5类代理网络、4种主要启发式算法及多种初始化方式。初始化对比覆盖7种方法、700次实验，记录结果均无失败。相较随机初始化，预训练策略平均覆盖率由50.38%提升至70.58%，提高20.20个百分点；平均容量由5.80提升至8.52 Mbps，提升约46.9%。两阶段排序初始化平均容量达到9.32 Mbps，单次耗时约1.74秒，相比约15秒的贪心搜索减少约88%的运行时间。
3. 难点、问题与解决方案：
主要难点包括多目标指标量纲不一致、非法站点动作、代理模型重复加载、耗时渲染阻塞状态更新，以及不同设备和模型参数不兼容。对此，我将覆盖率、容量和冗余率转为动态权重与差距指标，统一站点数量约束语义；通过动作掩码把建筑区域、重复位置等非法动作的 Logit 置为极小值；加入模型缓存，避免每一步重复加载权重；采用生产者—消费者线程模型，将轨迹监控和图像渲染解耦；同时统一 CPU、CUDA、MPS 设备参数及实验输出命名，并通过模块测试和批量实验保证结果可复现。
项目采用“数据与传播模型层、优化决策层、实验评估层、交互展示层”的分层设计。传播模型基于 Python、PyTorch、NumPy 和 Matplotlib，支持 RadioMap3DSeer、USC 数据及 Sionna/Blender 合成场景；策略初始化使用 Gymnasium、Ray RLlib、CNN 编码器和动作掩码；决策层使用 ReAct、Qwen2.5-7B 和 LLaMA-Factory，同时通过统一适配器接入 GA、PSO、SA 等算法；展示层使用 ThreadingHTTPServer、多线程、子进程、SSE、原生 JavaScript 和 CSS Grid，实现训练、评估和部署决策的统一操作界面。
2. 我的负责模块和结果：
我主要负责代理模型训练评估、接入点初始化策略、ReAct 决策闭环、启发式算法适配以及 Web 可视化链路的集成。项目数据目录包含701组天线元数据、约5.6万张增益标签和约17万张地图输入；实现5类代理网络、4种主要启发式算法及多种初始化方式。初始化对比覆盖7种方法、700次实验，记录结果均无失败。相较随机初始化，预训练策略平均覆盖率由50.38%提升至70.58%，提高20.20个百分点；平均容量由5.80提升至8.52 Mbps，提升约46.9%。两阶段排序初始化平均容量达到9.32 Mbps，单次耗时约1.74秒，相比约15秒的贪心搜索减少约88%的运行时间。
3. 难点、问题与解决方案：
主要难点包括多目标指标量纲不一致、非法站点动作、代理模型重复加载、耗时渲染阻塞状态更新，以及不同设备和模型参数不兼容。对此，我将覆盖率、容量和冗余率转为动态权重与差距指标，统一站点数量约束语义；通过动作掩码把建筑区域、重复位置等非法动作的 Logit 置为极小值；加入模型缓存，避免每一步重复加载权重；采用生产者—消费者线程模型，将轨迹监控和图像渲染解耦；同时统一 CPU、CUDA、MPS 设备参数及实验输出命名，并通过模块测试和批量实验保证结果可复现。
示例图片视频
相似推荐
恒康营销之星
工作描述:apicloud开发，实现h5页面打包生成混合app，使用echart 构建各类报表、调用apicloud模块实现二维码扫描二维码查询库存、授权平台实现app权限的管控
运用技术:
1、基于DIV+CSS实现页面布局和highchart 显示图表的展示
2、基于apicloud原生模块和jquery实现数据的绑定和交互
3、apicloud封装的模块、apicloudStudio实现无线同步、浏览器上调试页面、在手机上同步app功能、
4、基于git 代码管理,
5、采用云编译打包生成apk文件和ios 的ipa,熟悉ios 上线打包和生成ios 证书等。
跨境电商多端
跨境电商商城与货舱仓储管理小程序，面向跨境买家与仓库管理人员。包含商城首页、商品、购物车、拼团、实名认证、钱包支付、推广海报；货舱模块完成仓储业务管理，支持系统消息推送；配套后台实现发票开具、首页配置、分销售后管理，构建完整跨境电商交易闭环。
京尔思 B2B 全链路系统
包含客户小程序、工厂协同平台、权限管理后台三套子系统。覆盖产品定制、配方解析、合同签署、多工厂报价生产、企业认证、开票完整业务。后台实现角色菜单权限管控、订单物流、支付凭证管理，统一表单校验、异常拦截，服务上下游客户与工厂协同办公。
某汽车品牌官方商城与新零售运营中台
1、立项背景和目标
面对汽车行业新零售模式的兴起，某汽车品牌亟需一套能够同时支撑“整车直销”与“车品零售”的综合性业务底座。本项目作为广本新零售与直销业务的核心中台，旨在打通线上营销获客与线下门店交付的业务壁垒，构建一套高可用、支持高并发的大型电商与客资运营中台，最终实现精准营销引流与财务清算的全面数字化。
2、软件功能、核心功能模块的介绍系统由面向 C 端的移动端应用矩阵与面向 B 端的多租户管理后台组成。核心模块涵盖：
混合订单管理中心：兼容并支撑整车直销（订金/尾款/门店交付）与车品零售（物流发货）两套完全异构的业务流。
统一支付网关：无缝对接并封装微信、支付宝、民生及中金支付等多种支付渠道。
多租户渠道管控系统：支持上游供应商、特约店（4S）与二网店的库存调度与复杂财务清算。
企微直营客资闭环：深度接入企业微信 API，将线上线索无缝连接至线下销售终端。
3、业务流程、功能路径描述
核心业务路径如下：C 端用户在小程序或 APP 访问由“千人千面”动态组件渲染的营销页面，参与爆款车抢购或车品秒杀；下单后，系统根据商品类型触发底层的混合订单状态机，通过统一网关完成支付收口；随后，“企微直营”模块将线上购车线索精准路由分发给对应的线下销售顾问，形成私域跟进流转的业务闭环；交易彻底完成后，B 端系统自动进行跨租户的库存调度与财务清算。
quick_server
1、背景和目标：对企业所有服务请求进行轻量级安全和速度优化，减轻服务器的并发压力。
2、quick_server系统，不依赖外部引用，即插即用，主要用来进行极速快捷安全的http请求。大大减轻服务器的并发压力。轻松实现高并发场景下极速快捷安全的http请求。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服