施工支撑体系的分析方法

本文首先简要介绍了钢管架结构的现有分析方法:刚接计算法、铰接计算方法、半刖性节点方法,最后给出了本文的分析方法及约束情况.供同行参考!     

基于本地收益最大化的命名网内计算部署机制

命名网内计算(named in-network computing, NINC)是一种基于命名数据网络架构、在网络设备处提供泛在计算服务的新兴计算方案。如何有效在单个路由器上部署多个NINC服务,仍有待探索。针对这一问题,提出了本地部署收益与本地服务收益的概念,前者表征NINC服务本地部署后降低转发流量所获得的CPU资源节约量,后者表征所部署的NINC服务每消耗单位CPU资源所获得的流量处理能力。在此基础上,设计了一种基于本地收益最大化的NINC部署机制。该机制中,路由器周期性预评估拟部署NINC服务的本地部署收益与本地服务收益,进而将部署问题转化为一个背包问题,求解出优化的NINC服务部署方案。仿真结果表明,相较于基于流行度的机制,该机制能够有效提高网内计算流量处理能力,在网内计算服务所需数据量均匀分布的一般性场景下,单个路由器可获得约20%~27%的处理能力提升。     

改进的量子彩色图像中值滤波算法

图像处理任务中广泛应用中值滤波器来平滑图像和消除幅度极大或极小的噪声,并且可以保持图像的边缘特性,不会使图像产生明显模糊。提出一种改进的空间域量子彩色图像中值滤波算法,并且在IBM Q(international business machines quantum)平台上进行仿真。该算法将量子彩色图像进行存储,利用量子比较器模块、量子控制交换器模块、中值计算模块和阈值模块设计量子彩色图像中值滤波的量子线路。相较于已有的量子彩色图像中值滤波算法,在进行中值滤波之前加入了阈值进行噪声判断,该算法滤波效果更好,同时时间复杂度也更低。     

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.     

移动边缘计算中的无人机群协同任务卸载策略研究

针对应急灾害中通信受限的场景,研究了基于移动边缘计算(mobile edge computing, MEC)的无人机群(unmanned aerial vehicles,UAV)协同任务卸载问题。在对系统通信过程和计算过程的延时与能耗分析的基础上,设计联盟效用函数和回报函数,并基于享乐博弈模型提出联盟分割形成算法。理论分析证明,该算法最终收敛于某个稳定的联盟分割。仿真结果表明,相比其他典型策略,提出的策略具有更低延时和能耗,能够提升用户服务体验、增加设备续航时间,解决通信受限问题。     

非马尔科夫可修表决系统可靠性数字仿真

本文设计了求解任意非马尔科夫可修表决系统可靠性指标的仿真算法,通过仿真计算可以获得系统任意瞬态可靠性指标。文中给出了几种不同情况的仿真实例。文末对本文算法进行了检验。     

一个计算无圈有向网络可靠性的递归公式

本文利用第一深度搜索法（Ｆｉｒｓｔ－Ｄｅｐｔｈ－Ｓｅａｒｃｈ）提出一个计算无圈有向网络的ＳＴ可靠性（至少存在一条从源点到汇点正常运行道路的概率）的新拓扑公式。这是一个递归公式,它使得计算原来无圈有向网络ＳＴ可靠性转化为计算若干更小的无圈有向网络ＳＴ可靠性。且允许对所有无圈网络进行各种可靠性保护缩减（Ｒｅｌｉａｂｉｌｉｔｙ－Ｐｒｅｓｅｒｖｉｎｇ－Ｒｅｄｕｃｔｉｏｎ）,是一个计算无圈有向网络ＳＴ可靠性的好的公式。     

电网检修排序问题

研究一个从实践中提出的电网检修排序（调度）问题,并证明了该问题的一般情形是ＮＰ－困难的,对其特殊情形给出了多项式时间的算法．     

量子K最近邻算法

为减少经典K最近邻算法的时间复杂度,提出了量子K最近邻算法(QKNN)。介绍了QKNN算法的构造步骤,然后为减少量子计数子程序的运行时间,进一步将固定的K值修改为可变的k,形成改进的k可变的量子最近邻算法(QkvNN)。为弥补由于最近邻个数K变化带来的分类错误率上升的影响,在Boosting算法框架下,用三个由QkvNN算法训练的弱分类器,去构造了一个强分类器,从而提高单独运行QkvNN的分类精度。在此算法中,由于利用了量子计算的强大能力,使得经典K最近邻算法的时间复杂度从O(N)减小为O(N)。     

The Grid Algorithm of the Development Coefficient and the Combination Coefficient of Background Value in GM（1,1） Model

This article gives the algorithm of the sector in which the development coefficient is, and the steps to simultaneously calculate the development coefficient and combination coefficient of background value. Unifying the development coefficient and the background value＇s coefficient of combination to optimize the model together, avoiding the malpractice to separate the two in traditional method, and avoiding the error brought out by matrix multiplication because of matrix＇s illness and so on in the traditional way, therefore increases the precision of the model.