面向车辆边缘网络中的任务动态卸载算法

近些年来,车辆边缘网络将移动边缘计算技术融合进车联网取得了极大的进展,然而,在实时道路交通中,以自动驾驶为代表的紧急任务通常与流媒体应用数据并发,从而带来额外的任务卸载能耗与卸载时延。综合考虑紧急任务与普通任务的特性,构建了一个基于非正交多址技术和李雅普诺夫理论的任务动态卸载框架,该框架以系统稳定为前提,对车辆的传输功率与无线接口进行实时控制;针对普通任务的能量成本优化问题以及紧急任务的执行时延优化问题,在精确势博弈理论的基础上提出了兼容双任务类型的联合功率与信道分配算法来获得最优的纯策略纳什均衡解。数值结果验证了所提方案相较于其他基准方案在系统稳定以及减小系统能量成本等方面具有显著的优势。

仿鹰鸽捕食逃逸行为的多无人机分组对抗博弈方法

针对多无人机对抗问题,本文提出了一种三维空间中仿鹰鸽捕食逃逸行为的多无人机分组对抗博弈方法.在分析鹰鸽捕食逃逸行为的基础上,文章构建了多无人机博弈对抗系统模型,并定义了微分博弈中的连续可微值函数,证明了值函数满足Hamilton-Jacobi-Isaacs(HJI)方程,从而保证鞍点策略存在.使用最优分配方法,为仿鹰无人机一方设计了分组对抗分配策略,以解决多无人机追逃场景中的任务分配问题.本文对比仿真实验结果验证了所提出方法的有效性.

fNIRS超扫描技术的发展及研究热点

就fNIRS超扫描技术在心理学认知神经科学研究中取得的进展以及应用领域进行概述,主要包括模仿任务、协调任务、眼神交流、经济游戏、合作竞争和自然情景下的互动6方面.未来,fNIRS超扫描技术的发展方向包括提高空间分辨率、开发更精确的信号处理算法、与其他脑影像技术结合以获得更全面和准确的脑区功能信息.为研究脑功能调节的机制、诊断和治疗神经疾病、脑发育和老化、心理和行为的神经基础等神经科学研究和临床诊疗具有广泛的应用价值和意义.

基于深度强化学习的办公流程任务分配优化

在办公平台中存在异构流程任务大量并行的情况,不仅需要任务执行者具有较强的能力,也对协同调度系统的性能提出了要求。采用强化学习(RL)算法,结合协作配合度、松弛度等定量分析,并基于马尔可夫博弈理论提出多智能体博弈模型,实现以总体流程配合度和最大完工时间为优化目标的优化调度系统,提高了总体执行效率。以真实的业务系统流程作为实验场景,在相同的优化目标下,对比D3QN等3种深度强化学习(DRL)算法和基于蚁群的元启发式算法,验证了所提方法的有效性。

Stackelberg博弈的MEC资源分配策略

移动边缘计算(mobile edge computing, MEC)通过在网络边缘部署计算资源成为缓解终端设备资源匮乏的有效方案。针对设备计算资源无法满足任务需求的问题,提出一种基于Stackelberg博弈的MEC资源分配策略。该策略应用Stackelberg博弈理论将请求方、协作方的卸载过程描述为效用最大化问题以激发双方的协作积极性,并设计一种基于粒子群的Stackelberg博弈算法,以快速获得该优化问题的最优解。同时,由于区块链具有分布式、不可篡改等特性,出于对安全性的考虑,将其应用于协作过程的管理。实验结果表明,所提策略可以实现双方联合效用最大化,且相较于遗传算法的卸载方案;所提算法具有更快的收敛性能。

基于语言类任务的概念化强化学习框架

语言类强化学习任务可以促进强化学习策略的泛化性,其关键问题是自动化学习观测和语言描述的通用表示。现有方法往往隐式学习联合表示,不可避免地引入训练集中的虚假相关信息,进而损伤策略的泛化性和训练效率。针对这一问题,本文提出了概念化强化学习框架(CRL),其利用概念化这种从实体提取相似性生成抽象表示的认知方式,通过基于注意力机制的概念编码器和限制性损失函数显式地学习概括且抽象的概念化表示作为强化学习策略的输入。本文在常用的语言条件任务和文本游戏任务上验证了CRL的有效性,结果显示概念化表示大幅提升了策略的训练效率(最多70%)和泛化性能(最多30%),并有效提升了策略的可解释性。

面向异构复合任务的无人集群动态重叠联盟任务分配方法

智能无人集群由于其平台特性的多样性,具备较好的资源调配空间和功能弹性,能够应对复杂多变的任务需求。现有研究大多未考虑任务的异构性和关联性等实际需求,其任务分配方法在需求和资源的适配性、集群协同的动态响应能力上存在不足。文章针对无人集群系统在遂行多目标任务过程中存在的任务分配不均、协同性差和动态适应性差等问题,提出了面向异构复合任务的动态响应重叠联盟任务分配架构。首先,综合考虑多个耦合异构任务的价值、优先级、需求和任务变化带来的影响来构建联盟博弈模型;然后设计算法,分布式协同调度不同无人集群(无人机和无人车)的资源,实现集群异构成员的资源与异构任务合理匹配,并能根据任务变化情况进行高效的动态调整。仿真结果表明,文章提出的算法能够适应动态任务场景,形成稳定高效的任务联盟和资源分配方案,提高了无人集群遂行多样化异构任务的系统收益和成功率,实现了无人集群系统在动态条件下的协同任务分配优化。

基于联盟博弈的无人机/无人车异构集群验证

无人异构集群相较于单一类型、单一个体的无人平台,能够完成更为复杂的任务,同时对严苛战场环境有着更高的适应度.在无人异构集群协同执行任务时,任务分配是至关重要的环节,需要考虑异构无人平台和任务的多种约束和目标.传统的任务分配方法分配效率低且难以处理大规模复杂任务.联盟博弈通过形成由若干参与者组成的联盟,根据个体的属性、偏好对群体进行划分,从而实现个体以及群体利益的最大化.本文以无人异构集群任务分配为背景,研究了基于改进联盟博弈算法的最优分配策略,基于可能的战场环境设计了模拟任务场景并完成实验验证.首先,考虑异构平台在任务中的初始位置、速度、携带资源以及个体声誉等因素,建立了基于空间自适应博弈(Spatial adaptive play algorithm, SAP)的联盟博弈的任务分配算法模型.其次,基于任务场景,搭建了任务所需的软件与硬件平台.最后,针对模拟的战场环境,对所提算法及搭建的异构无人集群平台进行了实验验证.验证结果表明,在异构无人集群平台重分配的任务背景下,本平台能综合考虑战场态势,寻找最优的任务分配方式,协调各作战单位完成任务目标.

结合先验知识的多智能体博弈对抗研究

无实时奖励的复杂对抗环境是目前深度强化学习(DRL)领域的研究热点,面对此类环境,纯粹使用深度强化学习算法会导致智能体训练无法快速收敛以及对抗效果不佳等问题。基于此,本文提出了一种基于先验知识与深度强化学习相结合的智能博弈流程框架,设计了数据处理、增强机制以及动作决策3个模块,通过威胁评估、任务调度和损失比率3种增强机制来提升智能体在复杂对抗环境下的收敛速度和对抗效果。在数据堡垒(DC)平台上进行仿真,实验结果验证了本文所提出的智能博弈流程框架训练的智能体相较于单纯基于深度强化学习的智能体拥有更快的收敛速度以及更高的胜率。

多无人机辅助MEC环境中基于Wardrop路由博弈的计算卸载

无人机(Unmanned Aerial Vehicles,UAVs)与多接入边缘计算(Multi-access Edge Computing,MEC)技术的结合突破了传统地面通信的局限性,已成为解决MEC中任务卸载问题的重要手段。由于单无人机可提供的计算资源和能量有限,为了应对日益扩大的网络规模,考虑了多无人机辅助MEC环境中的任务卸载问题。基于问题定义,任务卸载过程可以视为一个在平行链路上进行的、具有玩家特定延迟函数的Wardrop路由博弈,目的是得到均衡状态和最优状态下的卸载策略,并量化分析两者间的差距。由于均衡解难以计算,因此构造了一个新的势函数,将均衡问题转换成最小化势函数问题。同时使用Frank-Wolfe算法最终获得均衡和最优卸载策略。算法在每次迭代中将目标函数线性化,通过求解线性规划得到可行方向,进而沿此方向在可行域内作一维搜索。仿真实验表明,相比其他基准测试方法,基于平行链路Wardrop路由博弈的均衡卸载策略能够有效降低模型总成本,且与最优卸载策略下总成本的比值约为1。

时空众包中的多轮跨平台在线匹配

【目的】为了解决传统单平台任务分配中的供需不平衡问题,跨平台在线匹配成为了一种新兴解决方案,它允许多个类似的平台建立合作关系,将无法完成的任务发送给其他平台,增加任务被接受的概率。然而,目前的跨平台在线匹配都只考虑了单轮的匹配过程,难以在多平台竞争中找到良好的决策结果。为了解决以上不足,研究了多轮跨平台在线匹配问题,并提出了基于贪心的多轮匹配算法和基于多方博弈的匹配算法。【方法】基于贪心的多轮匹配算法通过将任务进行多轮转发和匹配,由平台贪心地选择高收益的任务来完成,以提高任务完成的效率。基于多方博弈的匹配算法则通过建立合作平台之间的激励机制,计算满足纳什均衡的任务分配策略,让平台在竞争中寻找更优的策略,从而实现整体性能的提升。【结果】实验结果表明本文的算法可以提高平台的总收入,体现了本文工作的效果和效率。

基于博弈论的多服务器协作资源分配方法

单移动边缘计算(mobile edge computing,MEC)服务器的存储和计算能力有限,通常无法满足繁重的计算任务需求,为此选择多MEC节点合作的方式处理迁移任务成为一种有效的手段,运用博弈论优化多服务器协作的资源分配,进一步提出了一种基于博弈论的多服务器协作的资源分配问题。针对此问题,根据服务器的状态将服务器定义为迁移者或协作者,运用博弈论提出买方/迁移者的收益模型和卖方/协作者的收益模型,通过寻求对计算资源的弹性分配,实现买方服务器收益与卖方服务器收益的平衡。研究了一种多服务器计算资源动态支付报价机制,提出了一种面向服务器协作的资源按需分配算法。仿真结果表明,所提算法不仅满足了不同服务器间的计算需求,还能最大化系统性能。

基于OBE理念的高职美术课程任务式教学模式探析

高职院校的美术课程有助于提升学生审美素养、艺术感知能力、表现与创造能力。OBE理念,即成果导向教育理念,是提高教育质量、推动传统课堂教学改革的有效途径。在高职院校美术课程教学中,教师可基于OBE理念来设计创意写生课堂任务、趣味性的游戏任务、探究性的实践任务、个性化的合作式学习任务,使教学内容、教学形式更加丰富,同时突出学生在课堂学习中的主体地位,积极提升学生的美术学科核心素养。

基于行为树的多星轨道追逃博弈方法

多智能体强化学习是解决空间追逃博弈问题的一类有效方法,但在多星追逃博弈场景下存在复杂性高、训练时间长、难以收敛等问题。本文提出一种基于行为树的多星轨道追逃博弈方法,将对多个目标的复杂追逃博弈问题分解为对单一目标的追逃博弈问题。利用行为树构建多星追逃任务分配与博弈决策框架,以最大化追击成功概率为目标建立最优任务分配模型,并利用遗传算法进行求解,实现多星追逃任务快速分解;对于分配的追击任务,各卫星自主选择多智能体深度确定性策略梯度算法训练得到的博弈策略开展博弈决策。结果表明,本文所提方法能将多星轨道博弈任务有效分解,并在行为树的驱动下成功完成对目标的追击。

基于严肃游戏的双重任务训练对养老机构轻度认知障碍老年人的干预效果

目的 评价基于严肃游戏的双重任务训练对养老机构轻度认知障碍老年人的干预效果。方法 将60例养老机构轻度认知障碍老年人按照居住的社会福利院分为对照组和干预组各30例。对照组采取常规的生活照护及文体娱乐活动干预,干预组在对照组的基础上给予基于严肃游戏的平板游戏及有氧运动双重任务训练12周。结果 干预组和对照组分别25例、26例老年人完成研究。干预后,干预组简版老年抑郁量表评分显著低于对照组,蒙特利尔认知评估量表评分及生活质量简表的生理总评分、心理总评分显著高于对照组(均P<0.05),两组日常生活能力量表评分差异无统计学意义(P>0.05)。结论 基于严肃游戏的双重任务训练有助于提高养老机构轻度认知障碍老年人的认知功能,改善抑郁情绪,提高生活质量。

低轨卫星网络基于Stackelberg博弈的任务卸载策略

针对单一卫星在过顶时间内难以完成复杂的任务计算问题,提出了一种应用于真实低轨卫星网络场景的星地边缘计算任务卸载方法。地面用户根据星地链路的连通条件建立与LEO卫星的任务协同计算关系,并基于Stackelberg博弈模型,构建双方关于任务时延的收益函数,采用分布式迭代算法求解满足纳什均衡下的任务卸载最优策略,从而优化任务时延。仿真结果表明,提出的Stackelberg博弈星地边缘计算方法与云计算及单一卫星计算相比,任务处理时延分别降低88%和46%;同时相比于任务卸载的传统算法,文中提出方法也具有明显的时延优势,证明了提出方法在任务卸载计算方面的有效性。

算力网络环境下基于势博弈的工作流任务卸载优化机制

边缘计算虽然部分解决了任务上云导致的时延过长的问题,但由于通常只考虑端边云间的垂直协同,不可避免出现了“算力孤岛”效用,因而仍然难以满足工作流任务的低延迟执行需求.为了高效协同利用广域网上的算力资源,降低工作流任务的执行时间,亟需对算力网络中的工作流任务卸载和资源分配问题进行研究.首先描述了算力网络环境下面向多用户的工作流任务执行场景,并对该场景下的网络环境、工作流任务及其执行流程进行建模.其次根据优化目标建立工作流执行时延模型,以构建面向算力网络环境的多用户工作流任务卸载与资源分配问题.最后根据工作流应用的特点,针对链式工作流提出了一种基于势博弈的分布式工作流卸载算法.针对复杂DAG工作流提出一种基于动态资源权重的启发式工作流卸载算法.仿真实验表明,与其他算法相比,所提算法均能够协同广域网上的算力与网络资源,降低工作流任务的平均完成时间,从而有效提高了算力网络环境中的工作流任务的执行效率.

基于博弈论的多服务器多用户视频分析任务卸载算法

在过去的近10年中,人工智能相关的服务和应用大规模出现,它们要求高算力、高带宽和低时延.边缘计算目前被认为是这些应用最适合的计算模式,尤其是视频分析相关应用.研究多服务器多用户异构视频分析任务卸载问题,其中用户选择合适的边缘服务器,并将他们的原始视频数据上传至服务器进行视频分析.为了有效处理众多用户对有限网络资源的竞争和共享,并且能够获得稳定的网络资源分配局面,即每个用户不会单方面地改变自己的任务卸载决策,该多服务器多用户异构视频分析任务卸载问题被建模为一个多玩家的博弈问题.基于最小化整体时延的优化目标,先后研究非分布式视频分析场景和分布式视频分析场景两种情形,分别提出基于博弈论的潜在最优服务器选择算法和视频单元分配算法.通过严格的数学证明,两种情形下提出的算法均可以达到纳什均衡,同时保证较低的整体时延.最后,基于真实数据集的大量实验表明,所提方法比其他现有算法降低了平均26.3%的整体时延.

云边协同下基于博弈论的云机器人部分任务卸载策略

如何合理地利用中心云、边缘云的资源,既降低系统设备能耗,又能缩短任务平均完成时间,是云机器人计算任务卸载面临的重大挑战。将云机器人的计算任务完成时间与能耗作为代价衡量指标,根据自身需求设置不同的代价权重,将多个云机器人的计算任务卸载问题转换成了一种多个玩家参与的博弈模型,设计了一种基于博弈论的部分任务卸载算法(game theory-partial task offloading,GT-PTO)。通过算法下的纳什平衡状态,找到参与者的最佳卸载阈值,从而达到系统总代价的优化。仿真结果表明,采用所提算法进行任务卸载,能够减少云机器人计算任务的能耗,缩短平均任务完成时间,大大提高云边协同服务质量。

6G重叠区域中基于博弈论的任务卸载策略

为实现6G网络基站服务范围重叠区域内复杂任务的高效计算,对重叠区域的任务卸载问题展开研究。在综合考虑任务时延约束、系统能耗、社会效应以及经济激励的基础上,构建多基站多物联网设备的多接入边缘计算网络模型,联合优化基站定价策略、物联网设备基站选择策略和任务卸载策略,实现基站利润和物联网设备效用的最大化。为解决重叠区域中物联网设备基站选择的问题,构建了多对一匹配博弈模型,提出基于交换匹配的基站选择算法优化物联网设备的基站选择策略。引入斯坦伯格博弈理论建立基站与物联网设备间定价和任务卸载交互的两阶段博弈模型,通过反向归纳法证明斯坦伯格均衡的存在性和唯一性。提出了基于博弈论的最优价格最佳响应算法(Optimal pricing and Best response algorithm based on Game Theory,OBGT),以获得基站和物联网设备的均衡策略。仿真实验和对比实验表明,OBGT算法可以在短时间内达到收敛,有效提高基站利润和物联网设备效用。