一种基于DQN的去中心化优先级卸载策略

边缘计算(EC)可在网络边缘为用户提供低延迟、高响应的服务。因此,资源利用率高、时延低的任务卸载策略成为研究的热门方向。但大部分现有的任务卸载研究是基于中心化的架构,通过中心化设施制定卸载策略并进行资源调度,容易受到单点故障的影响,且会产生较多的能耗和较高的时延。针对以上问题,提出一种基于深度Q网络(DQN)的去中心化优先级(DP-DQN)卸载策略。首先,设置通信矩阵模拟现实中边缘服务器有限的通信状态;其次,通过对任务设定优先级,使任务可以在不同边缘服务器之间跳转,保证各边缘服务器均可以自主制定卸载策略,完成任务卸载的去中心化;最后,根据任务的跳转次数为任务分配更多的计算资源,提高资源利用效率和优化效果。为了验证所提策略的有效性,针对不同DQN下参数的收敛性能进行了研究对比,实验结果表明,在不同测试情景下,DP-DQN的性能均优于本地算法、完全贪婪算法和多目标任务卸载算法,性能可提升约11%~19%。

一种联合边缘服务器部署与服务放置的方法

边缘计算(EC)在靠近用户的网络边缘部署边缘服务器(ES),并将服务放置在ES上,从而可以满足用户的服务需求。独立研究ES部署和服务放置问题的成果已有很多,但两者存在高度耦合关系。考虑到EC系统的收益,有必要提供付费服务,使得EC系统处理用户服务请求时会获得相应收入。同时,EC系统处理用户服务请求时会产生时延和能耗成本,为了最大化EC系统的收益,在用户服务请求和服务价格不同的约束下,需要合适的服务放置方案来提高EC系统的收益。为此,在ES与基站之间的位置关系、ES部署和服务放置之间的耦合关系、服务副本数和服务价格等约束下,提出一种包括改进的k-means算法和多智能体强化学习算法的两步方法,使EC系统的收益最大化。首先,构建一个联合ES部署和服务放置模型,其中ES部署明确考虑了基站之间的位置关系,服务放置明确考虑了ES部署的位置,以及不同的服务请求和价格;然后,基于基站的位置关系和基站的服务请求负载,通过带约束的k-means算法,在不同约束条件下分别确定最佳的ES部署位置以及ES的协作域;最后,以最大化EC系统收益为目标,通过多智能体强化学习算法在ES上放置服务。实验结果表明,与对比方法相比,所提方法能够提高收益7%~23%。

基于动态服务缓存辅助的任务卸载方法

针对服务缓存和任务卸载联合优化中,由于缺乏对用户服务请求多样性和动态性的综合考虑而导致的用户体验质量降低问题,提出一种基于动态服务缓存辅助的任务卸载方法。首先,针对边缘服务器执行缓存服务动作空间较大的问题,重新定义了动作,并筛选出最优的动作集合以提高算法训练的效率;其次,设计一种改进的多智能体Q-Learning算法学习最优的服务缓存策略;再次,将任务卸载问题转换为凸优化问题,利用凸优化工具获得最优解;最后,利用拉格朗日对偶法求得最优的计算资源分配策略。为了验证所提方法的有效性,基于真实数据集进行了充分的实验。实验结果表明,对比Q-Learning、双层深度Q网络(D2QN)以及多智能体深度确定性策略梯度(MADDPG)方法,所提方法的响应时间分别降低了8.5%、11.8%和12.6%,平均体验质量分别提高了1.5%、2.7%和4.3%。

边端协同环境中的任务卸载和资源分配方法

将终端任务卸载至边缘计算环境弥补了云计算距离较远而产生较大延迟的缺陷,同时还降低了设备能耗.但从资源方面来讲,边缘服务器的各类资源并不像云服务器那么充足,因此,任务卸载和资源分配的联合优化成为边缘计算的研究热点之一.已有的任务卸载和资源分配联合优化研究通常假设任务卸载至单个边缘服务器,默认每个终端设备产生一个任务,即使有研究多服务器的,也通常忽略服务器间的负载均衡.为此,本文在一个多边缘服务器多用户多任务的边端系统中,提出了一种权衡时延、能耗和负载均衡指标(即效益)的任务卸载和资源分配方法,其通过优化任务卸载决策、服务器计算资源分配和终端设备发射功率,实现任务卸载效益最大化.最后,为了验证所提方法的有效性,进行了充分的对比实验.实验结果表明,与对比方法相比,所提出的方法在提升卸载效益和实现服务器间负载均衡方面有良好的性能.

基于多层MPC框架的类车机器人调速路径跟踪

针对类车机器人路径跟踪控制的研究工作尚未考虑主动调速与路径跟踪之间的关联,现有控制系统为了保证较高的路径跟踪控制精度只能将纵向速度设置为较低值.同时,在其他移动装备的主动调速路径跟踪控制策略中,以模型预测控制(Model predictive control,MPC)为基础的多层模型预测控制(Multilayer MPC,MMPC)具有对于误差来源兼容性较强的优势,但是现有系统采用速度较高时精度不佳的线性模型预测控制(Linear MPC,LMPC)作为底层路径跟踪控制算法,因此纵向行驶速度仍然较低.针对这些问题,结合基于MMPC的主动调速路径跟踪控制框架、精确性和实时性均较好的前馈模型预测控制(Feedforward MPC,FMPC)底层路径跟踪控制算法与长时域预测精度较高的非线性模型预测控制(Nonlinear MPC,NMPC)顶层速度决策算法,构建了新的基于MMPC框架的主动调速路径跟踪控制系统.通过MATLAB和CarSim联合仿真对提出的MMPC系统进行了测试.提出的MMPC系统可以在平均行驶速度较高时实现较高精度的路径跟踪,在平均行驶速度为4.2859 m·s^(-1)时,位移误差的最大幅值为0.1838 m,航向误差的最大幅值为0.1350 rad.在纵向速度较高时,提出的MMPC相比恒速的FMPC、NMPC系统和已有的MMPC系统精度更高,在相同工况下,FMPC系统误差发散,提出的MMPC系统可以相对已有的NMPC和MMPC系统将位移误差最大幅值减小46.29%和62.22%.在能够保障较高精度时,提出的MMPC系统的平均行驶速度较高,相比已有的FMPC和MMPC系统,可以将平均行驶速度提高43.06%和317.48%,与NMPC系统指标接近.

汽车车身电控技术课程思政育人模式的设计及实践

高职院校课程思政尚未形成有效育人合力,文章针对汽车车身电控技术课程思政育人模式进行深入探索,形成专业课程与思政课程同向同行、协同发力、落实立德树人的根本任务,对汽车车身电控技术课程思政建设总体架构、教学实施过程、课程评价进行设计。同时,提出了“一中心、双主线、三平台、四融合”的课程思政育人模式,构建“线上线下+课内课外”的思政育人新路径,深化教法改革,着力推进专业课程思政教学提质增效,培养复合型、创新型技能应用型人才,以期为职业院校专业课程建设提供有益参考。

一种可解释的云平台任务终止状态预测方法

基于特征选择和模型可解释方法构建可解释性强的云平台任务终止状态预测模型,该模型可视化任务/作业的静态和动态属性与终止状态之间的映射关系,进而找出负载特征与任务终止状态之间的映射机理.利用Google公开的工作负载监控日志,并加入云平台中任务的动态信息,采用沙普利加和解释(Shapley additive explain,SHAP)找出静态和动态属性对终止状态影响的重要性,利用变量重要性结合SHAP值和XGBoost模型,对任务终止状态预测模型建模后的结果进行解释,使用可视化技术呈现负载特征如何影响模型对不同任务终止状态的预测.用SHAP值绝对值的平均值衡量特征的重要性,实现任务不同终止状态特征重要性的全局可视化,根据结果筛选出对任务终止状态预测模型影响大的20个变量,作为特征筛选的依据;由可视化的结果可知,任务运行过程中,各特征的不同特征值对任务的终止状态有影响,不同特征值对终止状态的产生有不同的影响.特征选择结合模型可解释性方法运用于任务终止状态预测模型的构建流程中,可辅助构建高分类性能及易于理解的任务终止状态预测模型,通过对负载特征与任务终止状态之间映射机理的探索,可以优化云平台的调度机制.

基于异步深度强化学习的车联网协作卸载策略

随着车联网(IoV)的快速发展,智能网联汽车产生了大量延迟敏感型和计算密集型任务,有限的车辆计算资源以及传统的云服务模式无法满足车载用户的需求,移动边缘计算(MEC)为解决海量数据的任务卸载提供了一种有效范式。但在考虑多任务、多用户场景时,由于车辆位置、任务种类以及车辆密度的实时性和动态变化,IoV中任务卸载场景复杂度较高,卸载过程中容易出现边缘资源分配不均衡、通信成本开销过大、算法收敛慢等问题。为解决以上问题,重点研究了IoV中多任务、多用户移动场景中的多边缘服务器协同任务卸载策略。首先,提出一种多边缘协同处理的三层异构网络模型,针对IoV中不断变化的环境,引入动态协作簇,将卸载问题转化为时延和能耗的联合优化问题;其次,将问题分为卸载决策和资源分配两个子问题,其中资源分配问题又拆分为面向边缘服务器和传输带宽的资源分配,并基于凸优化理论求解。为了寻求最优卸载决策集,提出一种能在协作簇中处理连续问题的多边缘协作深度确定性策略梯度(MC-DDPG)算法,并在此基础上设计了一种异步多边缘协作深度确定性策略梯度(AMCDDPG)算法,通过将协作簇中的训练参数异步上传至云端进行全局更新,再将更新结果返回每个协作簇中提高收敛速度。仿真结果显示,AMC-DDPG算法较DDPG算法至少提高了30%的收敛速度,且在奖励和总成本等方面也取得了较好的效果。

NOMA-MEC网络中基于优先级的多任务卸载策略

针对NOMA-MEC网络中多任务卸载引起的资源分配不均、卸载成本过高等问题,考虑任务的异构性和网络环境的动态时变性,以最小化平均卸载成本为目标,面向超密集异构边缘网络提出了一种结合任务优先级的部分卸载策略。首先,充分利用资源,使用二分法模型化卸载比例的封闭解,将卸载问题解耦为任务优先级划分和基于服务器的信道资源分配两个子问题;然后,针对异构的任务,构建多维度任务优先级分类准则,提出了一种基于层次分析的支持向量机(analytic hierarchy-support vector machine, AH-SVM)任务分类方法,通过为不同的任务特征进行权重赋值,实现多任务优先级划分;最后,考虑动态环境下的信道质量,提出了一种面向信道资源分配和最佳卸载位置的NOMA信道增益深度双Q网络(NOMA channel gain deep double Q network, NCG-DDQN)任务卸载算法,有效降低了用户的平均卸载成本。实验结果表明,该算法在任务分类准确率和平均卸载成本方面较其他算法性能均有提升,同时验证了所提算法在高低优先级任务卸载过程中命中率的有效性。

面向缓存的动态协作任务迁移技术研究

边缘网络中不断出现的计算密集和延迟敏感型业务推动了任务迁移技术的快速发展。然而,任务迁移过程中存在应用场景复杂多变、问题建模难度高等技术瓶颈。尤其是考虑用户移动时,如何保证用户服务的稳定性和连续性,设计合理的任务迁移策略仍是一个值得深入探讨的问题。因此,提出了一种移动感知的服务预缓存模型和任务预迁移策略,将任务迁移问题转化为最优分簇与边缘服务预缓存的组合优化问题。首先,基于用户的移动轨迹对当前执行任务状态进行预测,引入动态协作簇和迁移预测半径的概念,提出了一种面向移动和负载两种任务场景的预迁移模型,解决了何时何地迁移的问题。然后,针对需要迁移的任务,基于最大容忍时延约束分析协作簇半径和簇内目标服务器数量的极限值,提出了以用户为中心的分布式多服务器间动态协作分簇算法(Distributed Dynamic Multi-server Cooperative Clustering Algorithm,DDMC)以及面向服务缓存的深度强化学习算法(Cache Based Double Deep Q Network,C-DDQN),解决了最优分簇和服务缓存问题。最后,利用服务缓存的因果关系,设计了一种低复杂度的交替最小化服务缓存位置更新算法,求解出了最佳迁移目标服务器集合,实现了任务迁移中的服务器协作及网络负载均衡。实验结果表明,提出的迁移选择算法具有良好的鲁棒性和系统性能,相比其他迁移算法所消耗的总成本降低了至少12.06%,所消耗的总时延降低了至少31.92%。

一种任务驱动的车联网边缘卸载策略

边缘计算为解决未来车联网中移动流量的爆炸式增长提供了可行范式,然而位置的动态变化以及计算任务的多样性和差异性,使得资源有限的边缘服务器很难在规定时间内完成区域内多车辆任务的并行处理需求。基于此,以最小化时延为目标,提出一种结合深度确定性策略梯度算法的任务驱动卸载策略。首先,结合差异性任务类型和紧迫程度进行预处理,构建了一种基于最大延迟容忍度的任务动态优先级调整模型;然后,利用道路区域内的车辆拓扑和通信半径,提出了基于网络密度和负载均衡的动态协作簇划分方法,解决了多样性任务的动态协作卸载优化问题。实验结果表明,所提算法在收敛性、卸载时延及卸载命中率等方面具有性能优势。

新基建视域下物联网专业实验教学体系研究

建立科教协同的实验教学平台,推动智能实验室建设是新基建的重点方向。物联网工程作为支撑国家战略性新兴产业发展的新工科专业,其实验教学在人才的培养过程中至关重要。然而,现有实验教学体系受资金、场地、师资力量、网络条件等因素制约,很难直观呈现规模化、创意化物联网实验,尤其是过程化物联网综合实验。重点研究了新基建视域下如何构建符合物联网产业需求和人才培养的实验教学过程和实验教学体系。通过对物联网专业课程结构和人才需求进行分析,结合学校人才培养定位和物联网产业链现状,讨论了现有实验教学平台的不足。同时,以物联网的技术体系结构为主线,对物联网实验教学知识点进行了梳理,提出了一种虚实结合的物联网实验教学平台建设方案。提出的实验平台能够满足基础实验、工程实训、创新创客、科研辅助及行业应用等需求。

基于服务更新的异构任务卸载方法

边缘计算将存储和计算资源下沉到网络边缘,用户可将时延敏感型和计算密集型应用程序的任务卸载到边缘服务器执行,从而降低时延和能耗。已有的任务卸载研究通常忽略卸载任务的异构性,且默认边缘服务器缓存的服务能够长期满足用户的服务需求。然而,不同的任务需要不同的服务提供执行环境,且边缘服务器资源受限只能部署少量服务。因此,为了最小化时延和能耗(即成本),提出了一种联合服务更新和云边端协作的异构任务卸载方法。首先,通过改进的页面置换算法,预测出潜在的用户服务需求量,及时更新边缘服务器的服务。其次,在云边端协作基础上,通过改进的贪婪算法完成任务卸载,且使得成本最小。最后,基于真实数据集进行了充分的实验,实验结果表明,与对比方法相比,所提方法能够降低成本7%~16%。

洛阳二里头遗址南沉积剖面的粒度和磁化率分析

洛阳盆地内二里头遗址南沉积剖面位于遗址所在二级阶地的前缘,属于河流堆积。对剖面的沉积物样品做了光释光测年及磁化率、粒度分析。结果表明：剖面沉积年代大致在2000-5000 aBP之间。剖面下部（113-123 cm）沉积物粒度较细,磁化率偏高,粒度曲线反映水流较弱的泛滥平原沉积环境,属河漫滩堆积;中部（90-113 cm）粒度较粗,磁化率较低,粒度曲线反映水动力较强的边滩–漫滩沉积环境,属河床边滩堆积;上部（0-90 cm）粒度变细,磁化率升高,粒度曲线反映水动力条件较弱的泛滥平原沉积环境,属河漫滩堆积。其中沿水平方向可见剖面中部的河床边滩堆积直接覆盖在二级阶地顶面的龙山时期灰坑之上,由此可以确认剖面中部地层记录了一场漫上了河流阶地的特大洪水事件,这一记录与孢粉分析得到的气候变化过程具有明显的相关性。4000 aBP前后异常洪水的出现和大洪水前后河流过程的变化,可能是对4200 aBP全球性气候异常事件的区域响应,对我国最早的都邑——二里头城址的选址有重要的影响。

一种联合时延和能耗的依赖性任务卸载方法

边缘计算通过在靠近用户的网络边缘侧部署计算和存储资源,使用户可将高延迟、高耗能应用程序卸载到网络边缘侧执行,从而降低应用延迟和本地能耗.已有的卸载研究通常假设卸载的任务之间相互独立,且边缘服务器缓存有执行任务所需的所有服务.然而,在真实场景中,任务之间往往存在依赖关系,且边缘服务器因其有限的存储资源只能缓存有限的服务.为此,提出一种在边缘服务器计算资源和服务缓存有限的约束下,权衡时延和能耗(即成本)的依赖性任务卸载方法.首先,松弛研究问题中的约束将其转换为凸优化问题;采用凸优化工具求最优解,并用解计算卸载任务的优先级.然后,按照优先级将任务卸载到成本最小的边缘服务器,若多个依赖任务卸载到不同的边缘服务器,为了使总成本最小,则采用改进粒子群算法求解边缘服务器的最佳传输功率.最后,为了验证所提方法的有效性,基于真实数据集进行了充分的实验.实验结果表明,所提方法与其他方法相比能够降低总成本8%~23%.

果汁发酵生产细菌纤维素

为提高果汁发酵生产细菌纤维素的产量,开发特色纤维素功能性食品,以葡糖醋杆菌CGMCC 3917为实验菌种,以苹果汁和梨汁为发酵培养基生产细菌纤维素(BC),研究果汁用量和酵母膏添加量对细菌纤维素产量的影响,比较分析两种果汁生产的细菌纤维素在产量、结构和性质方面的差别。结果表明:梨汁发酵生产的细菌纤维素产量明显高于苹果汁,可达46.343g/100mL;其BC干膜复水率显著高于苹果汁,BC干膜的总糖含量稍高于苹果汁。两种果汁发酵生产的细菌纤维素在湿膜持水量及干膜的纤维素含量、蛋白质含量、脂肪含量以及微观结构上没有明显差异。

用户信息需求的网络激发与检索行为引导

在分析用户信息需求的网络激发动因的基础上,探讨用户信息需求心理对检索行为所产生的影响,重点剖析防御心理、自由自主心理等六种心理对信息检索行为的影响,并从心理因素方面提出了引导用户信息检索行为以提高检索效率和质量的措施。

基于量子最大熵多阈值算法的图像分割研究

针对图像分割中的问题,采取量子多阈值最大熵算法。首先确定图像信息最大熵的概率密度函数,求解出熵最大化验前密度;接着把图像用灰度值分成背景和物体两个区域,统计不同的灰度等级内像素的量子比特值,由所占的比例得出像素点的最佳分割阈值;最后给出了算法步骤。实验仿真给出了不同算法的图像分割结果,本文算法对噪声的抑制能力较强,得到较高精度的图像,并且保留了边缘的重要信息。

何首乌中二苯乙烯苷提取纯化研究进展

二苯乙烯苷为何首乌的主要活性成分,具有抗衰老、神经保护、降血脂、保护肝脏、抗肿瘤等药理作用,而提取与纯化技术是其获得的关键。本文综述了近年来二苯乙烯苷的提取与纯化技术,主要包括水煎煮法、渗漉法、回流法等提取方法,以及色谱法、重结晶法、萃取法等纯化方法,并探讨其发展前景,为进一步研究及应用提供参考。

1,4-二硝基咪唑的制备与晶体结构

以咪唑作为原料,经两步反应,得到1,4-二硝基咪唑,并于室温下培养出单晶。通过X射线单晶结构分析法测定其晶体结构。结果表明,晶体属于正交晶系,空间群为P212121,晶体学参数为:a=5.832 3(13)nm,b=9.562(2)nm,c=10.302(2)nm,V=574.5(2)nm3,Z=4,DC=1.828 g/cm3,F(000)=320。