本文涉及信息处理技术，尤指一种roadm系统的参数调优方法、装置和存储介质。
背景技术：
1、roadm（reconfigurable optical add-drop multiplexer，可重构光分插复用器）系统参数调优是一项高度复杂且专业化的工作。其调试过程涉及多个关键参数的精细调整，如入光功率（launch power）、oa（optical amplifier，光放大器）增益、voa（variableoptical attenuator，可变光衰减器）衰减及增益斜率（gain slope）。每一个参数的变化都会显著影响系统的整体性能，且这些参数间存在复杂的相互作用。此外，为确保信噪比和传输性能的一致性，需要精确控制不同波长通道间的增益斜率差异。同时，外部环境因素（如温度波动、电压不稳定）也会显著影响roadm系统性能，增加调试的复杂性。因此，技术人员必须具备深厚的光学通信理论基础和丰富的现场经验，才能在实际条件下做出准确判断并采取相应措施。
2、目前，roadm系统的调优通常采用手动或半自动的方式。然而，现有调试高度依赖主观经验：工程师需积累经验数据，结合表格或公式等半自动化手段模拟计算站点配置数据，并依据实际仪表测量结果进行手工微调，需反复多次才能获得较优数据。这种人工调试效率低下，难以应对动态变化。外部环境和设备特性变化引起的参数变化往往导致调试结果不适配，可能引发业务误码、中断等通信事故。
技术实现思路
1、本申请实施例提供了一种roadm系统的参数调优方法、装置和存储介质。
2、一种roadm系统的参数调优方法，包括：
3、步骤30、在当前时间t，利用深度学习模型，获取在t1+t时刻各波长osnr预测值；
4、步骤40、根据每个波长的osnr预测值，对每个波长均执行如下操作：
5、对当前波长，在当前波长的osnr预测值小于osnr下限值时，如果当前波长的otu功率小于otu功率上限值，则调整遗传算法的中约束条件和初始解生成条件中的至少一个；
6、步骤50、基于步骤40的操作结果，在n*t2+t时刻进行遗传算法的迭代操作，在第n次迭代得到的最优解时，根据第n次迭代得到的最优解进行参数调优操作；
7、其中，t1=n*t2，其中n=1,2,3,……,n，n为正整数。一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上文所述的方法。
8、一种roadm系统的参数调优装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上文所述的方法。
9、本申请实施例，通过深度学习模型导向的遗传算法动态约束，实现了roadm系统参数调优的快速响应，为光通信网络的高效、稳定运行提供了有力支持。
10、本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
1.一种roadm系统的参数调优方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于：
3.根据权利要求1所述的方法，其特征在于：
4.根据权利要求1所述的方法，其特征在于，所述步骤50包括：
5.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述风险值的获取方式，包括：
7.根据权利要求1所述的方法，其特征在于：
8.根据权利要求1所述的方法，其特征在于：
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
10.根据权利要求1所述的方法，其特征在于，所述方法包括：
11.根据权利要求1所述的方法，其特征在于，在n*t2+t时刻目标函数还基于如下至少一个确定的，包括：
12.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至11任一项中所述的方法。
13.一种roadm系统的参数调优装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至11任一项中所述的方法。