多因素感知的网格资源度量方法与任务调度

资源管理和任务调度是网格计算的核心问题,目前这方面的研究已取得丰硕的成果,但是,在网格资源评估方面仍缺乏行之有效的途径.文章论证了任务调度中候选资源选择的重要性,提出了资源定量评估的线性组合方法,在此基础上提出了一种结合节点计算能力、负载量、带宽、通信距离以及费用等多种因素的网格资源度量方法,建立了相应的数学模型,并设计了新的任务调度算法,实验表明该算法有效改善了网格的性能.     

D3DQN-CAA:一种基于DRL的自适应边缘计算任务调度方法

为解决已有基于深度强化学习的边缘计算任务调度面临的动作空间探索度固定不变、样本效率低、内存需求量大、稳定性差等问题,更好地在计算资源相对有限的边缘计算系统中进行有效的任务调度,在改进深度强化学习模型D3DQN（Dueling Double DQN）的基础上,提出了自适应边缘计算任务调度方法D3DQN-CAA.在任务卸载决策时,将任务与处理器的对应关系看作一个多维背包问题,根据当前调度任务与计算节点的状态信息,为任务选择与其匹配度最高的计算节点进行任务处理;为提高评估网络的参数更新效率,降低过估计的影响,提出一种综合性Q值计算方法;为进一步加快神经网络的收敛速度,提出了一种自适应动作空间动态探索度调整策略;为减少系统所需的存储资源,提高样本效率,提出一种自适应轻量优先级回放机制.实验结果表明,和多种基准算法相比,D3DQN-CAA方法能够有效地降低深度强化学习网络的训练步数,能充分利用边缘计算资源提升任务处理的实时性,降低系统能耗.     

资源度量的指标体系

提出了资源度量的新指标——使用性能指标、工艺性能指标、安全环保指标和综合经济指标，与现行的、也是传统的实物形态指标、价值形态指标共同构成资源度量的指标体系。指标体系的建立，使资源使用的有效性更具可比性，从而促进资源的合理利用     

融合区块链的算力网络信任评估与保障方案研究

算力网络是通过网络承载、传递泛在计算服务,实现计算、网络融合一体化的新型网络架构.为实现安全可信的算力共享,借助区块链技术,提出了融合区块链的算力网络架构,并基于该架构设计了包含用户身份认证机制、算力服务注册机制、交易机制、信誉评估机制的信任评估与保障方案.仿真结果表明,该方案可为算力网络的算力资源共享提供安全可信保障...     

基于距离度量学习的SAR图像识别方法

针对合成孔径雷达（synthetic aperture radar,SAR）图像样本数据有限,且不同类别间的图像区分度不高导致识别困难的问题,提出一种应用于SAR图像识别的距离度量学习方法.该方法使用CNN网络得到图像的特征分布,利用LSTM网络加强图像间的关联性,基于余弦相似距离度量方法计算图像之间的匹配度,通过注意力机制后对结果进行分类.训练过程结合小样本学习的训练方式,采取预训练的策略进行实验.实验以公开的MSTAR数据集进行SAR图像识别,结果表明该方法准确率达到99.3%,比SVM方法提升2.5%.      

基于深度强化学习的卫星信道动态分配算法

在卫星通信系统中,频率和信道是十分珍稀的资源,针对如何利用可靠且高效的方法来进行资源的开发这一亟需解决的难题,提出了一种基于Q-learning深度强化学习的动态卫星信道分配算法DRL-DCA,该算法将卫星和环境交互建模为马尔科夫决策过程,通过环境的反馈提升卫星的决策能力,实现用户业务请求的高效应答,提升卫星通信的服务质量,降低通信阻塞发生概率。仿真分析表明该算法能够有效地提升通信的吞吐量,降低通信的阻塞率。     

基于元度量学习的低资源语音识别

随着大数据及设备超强运算能力的出现,语音识别系统的性能得到了大幅提升.但在低资源语音识别研究中,由于缺乏足够的训练数据,模型很容易出现过拟合、识别精度低等问题.为此,提出了采用元度量学习方法来解决低资源环境下的语音难识别问题,该方法是先将大量类似且不相交的任务用于模型训练,让模型从中学会如何比较样本相似性;最后再在新任...     

中国算力的研究热点及趋势分析基于CiteSpace的文献计量分析

算力是数字经济时代关键的生产力,对于经济和社会的各个领域都具有深远的影响。研究以2011~2023年中国知网上刊发的4554篇算力相关论文为样本,借助CiteSpace进行时空分布、研究热点、研究前沿等方面的文献计量分析。算力研究正处于高速发展时期,研究热点集中于人工智能、区块链、算力网络、数字经济、算力基础设施等方面。算力研究领域创新迭代速度加快,研究主题和内容愈加丰富,算力网络建设、算力赋能各行业数字化转型等方面是未来的研究前沿。依据研究结论,建议丰富已有的研究方法,加强合作研究,关注国际算力研究前沿,形成中国独特的算力研究体系。     

基于程序信息的软件可维护性度量

本文提出一种以量化程序信息为基础,利用灰色评估法对特性的质量进行模糊处理的软件可维护性度量模型,并通过实例得出软件可维护性的定量评价结果,证实该模型和评估方法科学合理。     

基于信赖域方法的矿井通风网络解算

针对在通风网络解算中,若初始值选择不当,Hession矩阵不正定,将导致迭代次数显著增加.为了解决此问题,采用基于信赖域方法的求解大型非线性方程组进行网络解算.应用信赖域方法求得非线性方程组的解,即为网络解算的结果.对基于信赖域方法的矿井通风网络解算进行研究探讨,具有一定的理论指导意义.     

低算力深度学习下的图像卡通风格化研究

在深入研究图像风格迁移的基础上,提出了一种适用于图形处理器性能受限情况下,卡通（cartoon）图像风格迁移训练的生成式对抗网络(generative adversarial networks,GAN)．利用视觉几何组（visual geometry group,VGG）网络提取图片先验信息,实现学习过程的加速;裁剪cartoonGAN模型,在保证效果的基础上,使得低性能计算条件下的网络收敛成为可能;设计合理的损失函数,保证整体风格化效果．基于tensorflow 2.0构建试验平台,通过对试验结果分析可发现,该方法的迁移效果好,稳定性强,且收敛时间短．对算法的参数和初始化方法给出了相关讨论,并提出了进一步的解决方案．      

基于量化指标分析的软件质量度量方法

使用定量的软件质量度量能够为质量管理人员的决策提供数据的基础，并减少定性评价或者主观评价的片面性。本文基于ISO/IEC9126软件质量标准，在分析软件质量度量的量化指标的基础上，进行了软件质量度量方法的研究，完善了软件质量综合特性和定量指标的度量模型。     

基于度量学习的邻域k凸包集成方法

k局部凸包分类方法通过改进k近邻算法在处理小样本问题时的决策边界而显著提高分类性能,k子凸包分类方法通过克服k凸包分类对类数和样本环状分布的敏感性而改善了分类性能。但是,该方法仍然对样本距离度量方法敏感,并且在k邻域内不同类的样本数经常严重失衡,导致分类性能下降。针对上述问题,文章提出了一种邻域k凸包分类方法,并通过引入距离度量学习和集成学习技术来提高算法对样本空间度量的鲁棒性。大量实验表明,文中提出的基于度量学习的邻域k凸包集成方法具有显著的分类性能优势。     

基于路由矩阵的网络透视度量方法研究

在研究网络透视方法时,为对网络拓扑结构中相关方面进行数据分析,提出了基于网络路由矩阵的度量方法.为寻找网络中重要链路和路径,分别对单链路和单路径度量进行定义;为发现链路间和路径间的相互关系,分别对链路间和路径间的相似度量以及它们的相异度量进行定义,并且分析各度量的性质并用OPNET仿真平台进行实验说明.该度量方法可以帮助网络研究人员根据实际情况选取网络重要位置部署性能监测点,同时可以用于分析网络链路间和网络路径间的依赖关系,并且评价网络透视方法的推断精确度.     

面向柔性作业车间动态调度的双系统强化学习方法

航天结构件生产过程中批产任务与研发任务并存,个性化小批量研发生产任务导致紧急插单现象频发.为了保障任务如期完成,解决柔性作业车间面临的动态调度问题,以最小化设备平均负载和最小化总完工时间为优化目标,提出了感知-认知双系统驱动的双环深度Q网络方法.感知系统基于知识图谱实现对车间知识的表示并生成多维信息矩阵;认知系统将调度过程分别抽象为资源配置智能体和工序排序智能体两个阶段,分别对应两个优化目标,设计了车间状态矩阵对问题和约束进行描述,调度决策中分步骤引入动作指令;最后分别设计奖励函数实现资源配置决策和工序排序决策的评价.经某动力所航天壳体加工的实例验证和算法对比分析,验证了所提方法的优越性.     

基于联合对抗训练的鲁棒度量迁移

迁移度量学习旨在从强大且可靠的距离度量中迁移知识来改善目标度量的效果,这些度量往往来自于学习目标相关的任务.现有的迁移度量学习算法仅关注于如何迁移知识,而这些知识容易过拟合到源域中.首先研究如何在源域中训练一个适合于迁移的源域度量,然后设计了一种通用的深度异质迁移算法来进行高效的迁移学习.值得注意的是,将源域度量以联合对抗学习的方式进行训练,再以深度神经网络的方式将其参数化表示并对其进行迁移.迁移中通过表征模仿的方式来学习源域度量中的知识,这种方式允许源域和目标域中的知识来自于异质域.此外,严格限制目标度量网络的大小,使得目标网络更够进行高效的推理计算.在人脸识别数据集上的实验展现了本方法的有效性.     

一种基于强化学习的车联网边缘计算卸载策略

计算密集型、时延敏感型车载应用的不断涌现导致资源受限的车载终端设备无法在短时间内处理大量的应用任务,而且卸载节点的动态变化特性在复杂多变的车联网场景中会导致任务候选卸载节点存在不确定性。针对上述问题,提出一种基于强化学习的计算卸载策略来实现任务卸载预判和计算资源分配。结合设备链接时间与通信半径等因素制定卸载节点发现机制,通过考虑时延与成本对车联网移动边缘计算卸载系统的影响建立效用函数,并以最大化效用作为优化目标将车联网中的卸载问题转化为优化问题,基于卸载节点发现机制采用Q-learning方法提出一种智能节点选择卸载算法求解优化问题,实现任务的智能卸载。仿真结果表明,在车联网场景中,提出的计算卸载策略可实现更高的系统效用。     

一种基于Web资源相似性的序列模式度量方法

提出了一种基于资源相似性的Web访问序列模式的相似度量方法,并且考虑了用户访问资源的时间因素,经过检验,证明其能够有效真实地反映实际情况。