WRR算法能为业务流提供最佳的QoS保证

对几种队列调度算法(先来先服务调度算法、严格的优先级调度算法、循环调度算法、加权循环调度算法)进行了对比研究,选择出适合用于区分服务网络中保证QoS方案的队列调度算法—WRR。     

WFQ与WRR调度算法的性能分析与改进

不同类别的业务对时延及时延抖动的要求是不同的,为了满足不同业务的服务质量(QoS),选择一种合适的队列调度算法至关重要. 研究了分组长度对WRR及WFQ算法公平性以及时延性能的影响,并提出了一种基于分组长度及队列权重的改进型WRR算法——enhanced-WRR. 仿真结果表明,当分组长度相同时,WRR与WFQ的时延性能几乎一致;当分组长度不同时,WRR算法不能保证高优先级队列的时延要求,而E-WRR算法的时延性能逼近WFQ算法,能很好地保证高优先级队列的时延要求,并且极大降低了算法复杂度.      

网格工作流中基于优先级的调度方法研究

根据网格用户的身份、信誉，以及网格工作流中应用程序的时间紧迫度和依赖关系，提出了网格工作流中应用程序的优先级计算方法．其中，完全优先级调度算法根据网格工作流中的应用程序优先级向量生成调度序列，而且每次只将队列中优先级最高的应用程序提交给网格，而非完全优先级调度算法可同时调度若干无依赖的网格应用程序进入网格，以弥补完全优先级调度算法的并行化问题．实验表明，当网格中的资源较少且资源的性能差异较大时，使用完全优先级调度算法可以保证优先级较高的工作流的应用程序优先使用优势资源；当网格中的资源性能差异不大时，非完全优先级调度算法可解决因资源未充分利用而造成工作流完成时间大幅增加的问题．     

用于无线传感器网络的比例公平队列调度算法

提出了一种适用于无线传感器网络的比例公平队列调度算法,该算法以不同业务类别的平均分组到达率为依据,通过为不同业务类别分配服务配额,在加权轮询调度(WRR)算法的基础上可实现比例公平的平均公组传输时和平均分组丢弃率.由于所提算法仅以不同业务类别的平均分组到达率为依据,无需执行加时间戳、根据时间戳排队等复杂操作,所以更适用于资源受限的无线传感器网络率搭建的实际环境测试发现,当以平均分均传输时延为评价参数时,所提算法可实现比例公平分组传输时延,当所有队列都发生丢弃且以平均分组丢弃率为评价参数时,可实现比例公平的平均分组丢弃率.     

基于双优先级队列的异构分布式控制系统容错调度算法

在对分布式控制系统进行分析的基础上,给出了任务模型和处理器模型.为了调度多种实时性的任务,提出了双优先级队列调度算法,用于调度每个处理器上的任务.该算法设置2个优先级队列,其中高优先级队列用于调度实时任务,低优先级队列用于调度非实时任务,高优先级队列中的任务可抢占低优先级队列中的任务.在此基础上,采用版本复制技术使系统具有容错能力,并分析了任务的容错可调度条件.基于此,采用首次适应的启发式任务分配策略,将任务分配到各个处理器上,在确保任务容错可调度的条件下使处理器负载均衡.仿真结果表明所提出的算法是有效的.     

基于代理的动态分组调度算法

服务质量（QoS)是当前通信领域的一个重要研究方向，在已提出的许多QoS体系结构中，调度器都起着非常重要的作用，而以往的调度算法不能很好地根据每个队列长度来实时控制权值的动态调整，针对此问题，提出了一种权值动态分配的调度算法，它利用代理技术动态控制权值的分配，保证调度器能够相对公平的对待每个队列，有利于处理分组突增的情况，保证长队列中的分组不会被过多丢弃，从而提高网络服务质量。     

基于优先级区分的调度及主动队列管理算法

文中研究在UMTS网络的AM模式（Acknowledged Mode）下实现基于优先级区分的调度及主动队列管理.提出了MP-SAQM（Multi-priorities Scheduling and Active Queue Management Algorithm）算法.算法将不同的QoS类别归入不同的优先级队列,根据MPADRR（Multi-priorities Average Deficit Round Robin）调度算法按照优先级高低进行调度,并对不同QoS类别设置均匀的队列缓冲区,保证了调度的公平性.同时使用差异化的RED（Random Early Drop）算法进行主动队列管理,对不同优先级队列执行不同的丢包策略.仿真结果验证了该算法的有效性.     

基于SDN的多媒体流QoS队列调度机制研究

随着多媒体新兴应用的不断涌现,网络规模日益复杂.为提高不同优先级多媒体业务的传输能力,保障业务的服务质量需求,结合软件定义网络技术,设计一种基于SDN的队列调度模型.同时,为了有效提高新型队列调度模型下数据的传输质量,避免产生网络拥塞,将复杂的网络抽象为M/M/1和M/D/1排队模型,并提出一种基于SDN的排队论时延模型,分析了新模型下MLFQ分组调度算法并对不同分组调度算法性能进行对比分析.仿真结果表明,基于SDN的多媒体流QoS队列调度机制在满足网络不同多媒体业务优先级要求的基础上,降低了数据传输时延和丢包率,增加了链路带宽利用率.     

宽带无线因特网络中的加权轮循调度算法

无线分组调度是保证无线多媒体业务服务质量的一个重要方面，针对码分多址（CDMA）传输模式，对可变速率实时业务（VBR）的调度策略进行改进，提出了一种基于传输速率的无线调度算法，仿真结果表明，该调度算法在满足各业务服务质量的同时，保证了各服务之间的公平性，并对无线链路差错进行补偿。     

一种无线网络控制系统概率性任务实时调度算法

传统无线网络控制系统中概率性任务调度算法存在效率低下、延迟时间长的问题．利用概率模型来解决时间和优先级问题,并提出了一种高效的任务调度算法,即通过判断队列的可调度性,提高调度的成功率．仿真实验表明,该算法适用于实时系统调度问题,且较已有的传统算法在性能上有一定的提高．     

基于DiffServ协议中带宽分配的公平性

对DiffServ体系协议中的几种聚集流内各微流之间带宽 分配的公平性进行了分析, 并分析了几种典型的公平性的控制算法（RED,WRR,FQ）的思想、 实现方法、 技术以及各自算法存在的问题, 在此基础上, 提出一种基于WRR算法和FQ算法相结合的新的公平性控制算法, 较好地解决了聚集流在网络发生拥塞时, 聚集流内各微流的公平性问题. 从而保证了在IP广域网乃至整个nternet上实现QoS, 同时对网络中带宽资源的合理分配有一定的指导作用.     

一种基于WRR的新的调度算法

为了提高网络区分服务的性能,选择一个合适的队列调度算法尤为重要。本文在WRR调度算法的基础上提出了一种新的调度算法P-VDWRR（Priority Variable Deficit Weighted Round Robin）,P-VDWRR不仅能够提供一定的Qos（Quality of Service）保证,还能够在一定范围内根据网络负载情况动态分配网络资源,降低网络节点的丢包率。     

有限元法的数化仪输入

采用数化仪直接输入有限元结构分析的网格图数据有很大的优越性,它避免了采用一般的间接输入方式时可能出现的差错。 本文论述了利用数化仪输入图形的基本概念,并介绍了笔者开发的数化仪前处理程序GNDGTZ的主要功能。着重讨论了几个关键问题,即第3座标的输入、结点的生成、结点的即时显示、单元的数化、空间模型的单元输入和单元的生成。     

一种基于图深度优先搜索的基本路径集自动生成优化算法

本文介绍了一种结合边访问标志集合使用图深度优先搜索方法遍历控制流程图,生成最小长度测试序列基本路径集合的优化算法.以矩阵工具为算法提供输入,利用回滚机制避免程序控制流中环造成的不收敛,提出引入结点复用路径最小长度记忆机制对结果进行优化,获得最小长度测试序列的优化基本路径集合作为算法输出.     

基于去噪自编码器的镜像极限学习机设计

针对极限学习机在高维度、含噪声数据集中需要大量隐含层节点来保证分类性能的问题，设计了镜像极限学习机.该算法使用伪逆法确定输入权值，随机生成输出权值和偏置，在对数据进行分类时，它仅需极少的隐含层节点.为了提升镜像极限学习机的分类性能和抗噪性，将它与去噪自编码器相结合.利用去噪自编码器对输入数据进行特征提取，并将提取到的特征作为镜像极限学习机的输入数据，再进行网络训练.在无噪和含噪声的MNIST，Fashion MNIST，Rectangles和Convex数据集中，将基于去噪自编码器的镜像极限学习机与ELM，PCA-ELM，SAA-2和DAE-ELM作对比实验，结果表明，基于去噪自编码器的镜像极限学习机的综合性能最优，用于分类的网络隐含层节点数最少.     

基于去噪自编码器的镜像极限学习机设计

针对极限学习机在高维度、含噪声数据集中需要大量隐含层节点来保证分类性能的问题,设计了镜像极限学习机.该算法使用伪逆法确定输入权值,随机生成输出权值和偏置,在对数据进行分类时,它仅需极少的隐含层节点.为了提升镜像极限学习机的分类性能和抗噪性,将它与去噪自编码器相结合.利用去噪自编码器对输入数据进行特征提取,并将提取到的特征作为镜像极限学习机的输入数据,再进行网络训练.在无噪和含噪声的MNIST,Fashion MNIST,Rectangles和Convex数据集中,将基于去噪自编码器的镜像极限学习机与ELM,PCA-ELM,SAA-2和DAE-ELM作对比实验,结果表明,基于去噪自编码器的镜像极限学习机的综合性能最优,用于分类的网络隐含层节点数最少.     

一种高效节能分布式传感器网络覆盖协议

提出了一种分布式高效节能的传感器网络覆盖协议(CEP),在保证网络性能的前提下,每个节点将工作周期分为多轮,在每轮中与邻居节点协商,并根据剩余能量来调度自身的工作模式,从而保证网络在每轮中以最少的节点处于工作模式,同时保证能耗均匀地分布在工作节点之上.仿真结果表明,随机均匀部署的传感器网络在满足覆盖度要求前提下的CEP,能使网络生命周期较LEACH方法延长了200%,计算复杂性降低10%.该协议可以广泛应用于与传感器网络节点部署、拓扑控制以及目标监控等相关的领域.     

巢湖流域典型城市环城河沉积物重金属形态及垂直分布特征

采用改良的连续提取法(BCR)对巢湖市环城河沉积物重金属总量及其赋存形态进行了测定和分析.结果表明,巢湖市环城河采样点表层(0～10 cm)沉积物中重金属的质量分数分别为29.5～224.3 mg·kg-1 (Pb),21.3～78.1 mg·kg-1 (Ni),67.5～1 126.3 mg·kg-1 (Cr),50.7～217.4 mg·kg-1 (Cu);新城区西环城河沉积物重金属的质量分数明显高于老城区东环城河;其中以Cr的质量分数在不同采样点差异最为显著.不同采样点沉积物中重金属总量随深度变化特征差异明显,西环城河沉积物不同深度重金属的质量分数较低,且随深度变化较小;受污染较严重的东环城河沉积物不同深度重金属的质量分数普遍较高,且垂直变化波动较大;所调查的4个沉积物柱状样能较好表征周边环境现状和污染历程.4个采样点不同深度沉积物重金属的可交换及碳酸盐结合态的质量分数占总量的百分比均不超过5％,Pb主要以铁锰氧化物结合态存在;Ni主要以残渣态存在;Cr主要以有机物及硫化物结合态和残渣态存在;Cu则主要以铁锰氧化物结合态和残渣态存在;不同采样点柱状沉积物各重金属形态垂向分布也存在显著差异,次生相与原生相分布比值(Rsp)法分析结果显示,巢湖市东环城河2个采样点柱状沉积物R.值明显高于西环城河,其重金属潜在污染生态风险较高,其中Pb和Cr属于中度或重度污染水平.     

Diagnosis of multiple faults using a double parallel two-hidden-layer extreme learning machine

Multiple faults are easily confused with single faults.In order to identify multiple faults more accurately,a highly efficient learning method is proposed based on a double parallel two-hidden-layer extreme learning machine,called DPTELM.The DPT-ELM method is a variant of an extreme learning machine(ELM).There are some issues with ELM.First,achieving a high accuracy requires too many hidden nodes;second,the direct connection between the input layer and the output layer is ignored.Accordingly,to deal with the above-mentioned problems,DPT-ELM extends the single-hidden-layer ELM to a two-hidden-layer ELM,which can achieve a desired performance with fewer hidden nodes.In addition,a direct connection is built between the input layer and the output layer.Since the input layer weights and the thresholds of the two hidden layers are determined randomly,this simplifies the improved model and shortens the calculation time.Additionally,to improve the signal to noise ratio(SNR),an adaptive waveform decomposition(AWD)algorithm is used to denoise the vibration signal.Then,the denoised signal is used to extract the eigenvalues by the time-domain and frequency-domain methods.Finally,the eigenvalues are input to the DPT-ELM classifier.In this paper,two groups of rolling bearing data at different speeds,which were collected from a real experimental platform,are used to test the method.Each set of data includes three single fault states,two complex fault states and a healthy state.The experimental results demonstrate that the DPT-ELM method achieves fast learning speed and a high accuracy.Moreover,based on 10-fold cross-validation,it proves to be an effective method to improve the accuracy with fewer hidden nodes.