基于博弈论和粒子群优化的移动边缘计算任务卸载方法

移动边缘计算(mobile-edge computing,MEC)是一种新兴的计算范式,移动设备可以通过将计算密集型任务卸载到边缘服务器上来降低本地计算能耗和计算时延。首先,该文研究了在微蜂窝基站密集区域场景下的多移动设备独立任务集计算卸载问题,其中每个微蜂窝基站配备了一个计算性能有限的MEC服务器。为了尽可能地降低移动设备的任务集计算能耗和计算时延,使用博弈论的方法将该问题建模为一个非合作多移动设备计算卸载策略博弈。通过对该博弈的分析,证明了其纳什均衡的存在性和有限改进性。然后,设计了一个基于博弈论的分布式计算卸载算法(game theory based distributed computation offloading algorithm,GDCOA),并在GDCOA中引入了一个基于粒子群优化(particle swarm optimization,PSO)的移动设备任务集卸载策略改进算法(PSO based improving computation offloading policy algorithm,PSOIPA)。GDCOA在有限次迭代后可以达到一个均衡状态。最后,通过仿真对比实验证明了本文所提出的算法GDCOA可以获得较好的计算卸载性能。

基于谱聚类和隐语义模型的智能协同推荐方法

随着云计算及移动互联网技术的迅速发展,网络中可选服务信息呈爆炸性增长,信息过载问题日益严重。针对推荐系统中存在的数据稀疏性问题及冷启动问题,提出一种基于谱聚类和隐语义模型的智能协同推荐方法。该方法基于提取的用户标签特征信息,利用谱聚类算法对相似用户进行聚类,将原始高维评分矩阵转化为多个较低维的子评分矩阵。然后在子评分矩阵中利用隐语义模型对缺失评分进行局部预测。最后在获得缺失评分后利用改进的基于邻域的协同推荐算法对目标用户进行全局评分预测。所提算法有效解决了数据稀疏性问题和冷启动问题,在提高预测准确度的同时加快了推荐算法效率。

大规模分布式机器学习本科生科研训练项目群建设探讨

面向新工科专业建设需求,针对目前本科生科研训练项目设计中存在的工程性缺乏、前沿性不足、系统性不强、质量稳定性较差等问题,结合软件工程专业在当今大数据人工智能时代下的发展特点,提出一种面向产出的工程化科研训练项目群建设方案,并以两个具体的科研训练课题为例,详细阐述大规模分布式机器学习本科生科研训练项目群建设的内容和创新特点,并讨论支持该方案建设的相关配套政策.