谈分类讨论教学意识的强化

近几十年我国的高考与中考,公务员录用考试等选拔性考试都从不同角度考查应试者的分类讨论的能力.分类讨论的能力已成为公民素质的一部分.分类讨论的理论依据是现代数学中的集合分类与逻辑学中的概念划分.分类讨论是数学解题的一种重要方法,更是从事科学研究与学习的一种重要方法.分类讨论是各学习时段的重要内容.在教学实践中,要强化教师对分类讨论的教学意识,要培养学生对分类讨论的应用意识、应用技能.     

基于深度强化学习的空中无人机基站资源分配与公平性研究

为了提高无人机基站(unmanned aerial vehicle base stations, UAV-BS)为地面多用户服务时的数据速率,提出一种基于决斗深度神经网络(dueling deep Q-network, Dueling-DQN)的深度强化学习(deep reinforcement learning, DRL)算法。采用决斗网络(dueling network, DN)结构以克服动态环境的部分可观测问题,联合优化了UAV-BS的位置和下行链路功率分配,在更符合实际的空地概率信道模型中检验了Dueling-DQN算法的性能。结果表明,相较于对比算法,所提出的Dueling-DQN算法可以提供更高的数据速率和服务公平性,且随着地面用户数量的增大,算法的优势更加明显。Dueling-DQN算法可有效解决复杂非凸性问题,为UAV-BS的资源分配问题提供理论参考。     

强化安全生产文明施工条件审查推进基建工程安全管理标准化建设

电力建设工程标准化开工,已列入国家电网公司SG186工程推荐项目,而安全文明施工条件又是标准化开工的重要依据之一,通过《项目开工前安全生产、文明施工条件监理检查签证》,既保证了“办公区、生活区、材料加工区、设备堆放区、施工作业区”能充分满足国家电网公司关于电力建设现场“六化”的管理要求,又通过营造良好的安全生产施工环境而体现了国家电网公司长期以来倡导的“以人为本”这一“人本管理”安全文化核心观念。同时,通过对安全生产要素（安全生产资质、组织体系、管理文件、方案措施、设施性能）的审查和监控,督促承包商加大安全投入,又确保了工程建设现场内在的本质安全。     

信息技术创新有待强化深度

随着《国务院关于加快培育和发展战略性新兴产业的决定》的颁布,我国培育和发展战略性新兴产业的举措正引得全国甚至全球相关领域的关注,来自各方的声音亦不绝于耳。尤其是对于深刻改变着人类生产和生活方式的新一代信息技术产业而言,声音无处不在。于是,我们有必要聆听各方之心声,反观他国之举措,以便更好地完善扶持之政策。     

基于全媒体时代的传统媒介传播优势强化

综合运用多种媒介和终端,以文字、图片、声音、影像等元素全天候、全方位、立体化的展示传播内容,已经成为世界传媒行业的发展趋势。本文探讨在全媒体时代,传统媒介保持并强化自身传播优势的途径,在全媒体化过程中继续拓宽发展空间。     

强化学生学习数学的兴趣

数学的作用非常广泛,它是一门研究数与形的科学。要掌握技术,先要学好数学,想攀登科学的高峰,更要学好数学。进入新世纪以后,我们面临的问题很多,其中最关键的就是怎样使产业升级,在这方面起重要作用是人才。究意需要什么样的人才呢,专家们指出需要以下四种素质的人才：第一,有新观念;第二,能够不断从事技术创新;第三,善于经营和开拓市场;第四,有团队精神。为此数学教学中应加强学生这四个方面能力的培养。但首先要让学生对学习有兴趣。     

雷志刚和他的科研成果

近几年来,雷志刚以化工过程强化及应用基础为切人点,充分考虑相关领域的国际学术前沿,针对关键技术发展的需求,提炼主要科学问题,运用新技术、新设备和新理论对典型的化工过程进行有效强化,展开了较系统、深入的应用基础研究,实现技术创新并构筑自主知识产权,形成了基础研究与成果转化并重的特色。具体研究内容涉及：（1）特殊精馏技术;（2）特殊塔板与填料技术;     

不确定环境下价格竞争三维博弈的研究

讨论了在不确定环境下价格竞争策略的静态三维博弈模型,得到了模型的三维风险-收益均衡向量及期望总利润,然后与确定环境下的均衡结果作了比较分析,得出一些结论.最后通过一个算例对上情况进行了说明.     

混合动力汽车深度强化学习分层能量管理策略

为了提高混合动力汽车的燃油经济性和控制策略的稳定性,以第三代普锐斯混联式混合动力汽车作为研究对象,提出了一种等效燃油消耗最小策略(equivalent fuel consumption minimization strategy,ECMS)与深度强化学习方法(deep feinforcement learning,DRL)结合的分层能量管理策略。仿真结果证明,该分层控制策略不仅可以让强化学习中的智能体在无模型的情况下实现自适应节能控制,而且能保证混合动力汽车在所有工况下的SOC都满足约束限制。与基于规则的能量管理策略相比,此分层控制策略可以将燃油经济性提高20.83%~32.66%;增加智能体对车速的预测信息,可进一步降低5.12%的燃油消耗;与没有分层的深度强化学习策略相比,此策略可将燃油经济性提高8.04%;与使用SOC偏移惩罚的自适应等效燃油消耗最小策略(A-ECMS)相比,此策略下的燃油经济性将提高5.81%~16.18%。     

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.