无线自组织网络（Ad-Hoc）是一种无中心、自组织、不需要任何通信基础设施的多跳无线网络。因为其具有的组网简单、灵活性强、抗毁性强等特点,而被应用于各种恶劣的环境中,比如战场通信、抗震救灾、环境监测等场景。特别是近年来,军事应用领域提出的“云作战”、“马赛克战”等新型网络作战概念,更是对Ad-Hoc网络提出了更高的要求。在马赛克战等新型作战概念下,网络被分成很多小型低复杂度的系统,这些系统能够实现按需组合和拼接,从而实现多领域协同工作,并且具有很强的快速重构能力。而网络切片是将物理网络划分成多个独立运行的虚拟子网络,通过定制化网络功能来实现不同的网络需求,这和马赛克战中按需组合的理念不谋而合。为了应对类似马赛克战的场景,实现多样化的网络需求和灵活快速的网络重构,我们考虑将网络切片引入到Ad-Hoc网络中。对于这种新型网络架构来说,合理的资源管理能够提高资源利用率并保证服务质量（Quality of Service,Qo S）。因为切片拥有的资源在完成资源分配之后的一段时间内保持不变,业务的变化和Ad-Hoc网络的动态性会导致切片需求和资源的不匹配,所以切片重配置是非常重要的问题。本文将网络切片应用于Ad-Hoc网络中,并研究了自组网切片的动态重配置问题。主要研究内容如下:首先,本文提出了自组网切片的重配置机制。切片重配置分为切片间资源重配置和切片内资源重配置。切片间重配置会导致业务流重路由和切片的资源量变化,从而产生较大的网络开销,甚至严重影响服务质量,所以需要谨慎地在较大时间间隔内执行。而切片内资源重配置为业务流重新分配资源,不改变切片所拥有的资源量,对切片的影响较小,重配置开销也较小,所以我们考虑在较小时间尺度上进行。接下来,为了提高切片间资源重配置的效率,本文采用长短期记忆神经网络（Long Short Time Memory,LSTM）对切片上的流量进行点预测。但是因为网络中的业务存在一定的随机性和突发性,点预测并不能很好的应对,并且缺乏衡量预测结果的准确性指标,所以考虑对流量进行区间预测。首先,采用自举算法对流量进行多次预测,根据多次预测的结果求得流量的置信区间。虽然自举算法的预测结果比较准确,但是需要多次运行LSTM算法,复杂度较高。所以本文对流量进行alpha稳定分布建模,并根据其性质求解置信区间,虽然预测效果略有下降,但是有效地降低了复杂度。接着,我们基于流量预测结果进行切片间的资源重配置。定义满意度和重配置开销刻画业务需求得到满足的程度和重配置的网络开销,并基于满意度和重配置开销定义网络效益作为优化目标,将资源限制以及传输速率的需求作为约束条件建立重配置模型。因为流量预测结果是一个区间,所以该问题是不确定性优化问题。采用鲁棒优化的思想将该问题转化为确定性优化问题,并通过粒子群算法求解。仿真表明,基于预测的粒子群重配置算法不仅能获得最高的网络效益,还能达到最大的吞吐量和资源利用率。最后,我们研究了切片内的资源重配置。由于Ad-Hoc网络的动态性和不同时刻的重配置方案之间的影响,我们将该问题建模成马尔科夫决策过程。由于状态和动作空间的连续性,我们采用强化学习算法之一的演员-评论家算法（Actor-Critic Algorithm,AC）进行求解。仿真结果表明,AC算法和传统算法相比具有较好的性能。