研究蓄能器对快锻压机卸载管冲击的影响

快锻压机的卸载冲击是长久以来一直存在的问题,由于压机锻压工件后,一方面油缸处于高压状态,另一方面锻件及设备的机械结构的弹性形变储存一定能量。而回程需要释放这些能量,快锻压机设置了卸载阀,通过卸载阀及其管道释放能量,卸载管道不可避免形成压力冲击。管道压力冲击导致卸载管震动,增加设备噪音,加大管道压力损耗,降低使用寿命,降低系统可靠性稳定性等,影响快锻压机的整机性能。该文以20MN快锻压机为研究对象,通过AMESim仿真软件建模分析,研究蓄能器用于快锻压机卸管道的影响,为降低快锻压机卸载冲击提供一种新的方式及理论支持。

面向DAG任务的分布式智能计算卸载和服务缓存联合优化

建立了一种有向无环图(DAG,directed acyclic graph)任务卸载和资源优化问题,旨在应用最大可容忍时延等约束实现系统能耗最小化。考虑到网络中计算请求高度动态、完整的系统状态信息难以获取等因素,最后使用多智能体深度确定性策略梯度(MADDPG,multi-agent deep deterministic policy gradient)算法来探寻最优的策略。相比于现有的任务卸载算法,MADDPG算法能够降低14.2%至40.8%的系统平均能耗,并且本地缓存命中率提高3.7%至4.1%。

移动边缘计算不确定性任务持续卸载及资源分配方法

移动边缘计算场景中任务的不确定性增加了任务卸载及资源分配的复杂性和难度.鉴于此,提出一种移动边缘计算不确定性任务持续卸载及资源分配方法.首先,构建一种移动边缘计算不确定性任务持续卸载模型,通过基于持续时间片划分的任务多批次处理技术应对任务的不确定性,并设计多设备计算资源协同机制提升对计算密集型任务的承载能力.其次,提出一种基于负载均衡的自适应策略选择算法,避免计算资源过度分配导致信道拥堵进而产生额外能耗.最后,基于泊松分布实现了对不确定任务场景模型的仿真,大量实验结果表明时间片长度减小能够降低系统总能耗.此外,所提算法能够更有效地实现任务卸载及资源分配,相较于对比算法,最大可降低能耗11.8%.

面向多智能体与双层卸载的车联网卸载算法

在车联网(IoV)边缘计算环境中,针对如何高效地进行任务卸载和资源分配来缓解移动车辆存储和计算能力有限的问题,提出多智能体与双层卸载的IoV卸载算法。首先,提出移动边缘计算(MEC)服务器与车辆以及空闲车辆(MEC-V-NTVC)互联的3层网络模型,建立了任务模型、判断模型和计算模型;其次,将任务车辆的计算卸载以及资源分配抽象成部分可观测马尔可夫决策过程(POMDP),并提出双层卸载机制以达到最小化系统总成本的目的。基于空闲车辆云以及单调值函数分解QMIX,提出一种基于双层卸载机制的深度强化学习卸载算法DLSQMIX。该算法协调任务车辆、空闲车辆以及环境信息,在考虑车辆任务时间约束的情况下,充分利用MEC服务器以及空闲车辆的计算能力,求得系统最优卸载决策。从边缘服务器、空闲车辆的计算能力、任务车辆、空闲车辆的数量以及平均任务量等方面对系统开销和时延进行对比。仿真实验结果表明,DLSQMIX算法能够有效求解任务卸载问题,与遗传算法(GA)、粒子群优化(PSO)算法以及QMIX算法相比,所提算法的系统开销减小2.52%~3.91%,时延降低3.50%~6.59%。

面向绿色计算的车辆协同任务卸载方法

车辆边缘计算(VEC)为处理计算密集、延迟敏感型任务提供了新的范式,然而边缘服务器在整合可再生能源方面的能力较差。因此,为了提高边缘服务器的能效,该文设计了一种面向绿色计算的车辆协同任务卸载框架。在该框架中,车辆配备能源收集(EH)设备,通过彼此间共享绿色能源和计算资源协作执行任务。为有效促进车辆的参与积极性,该文通过动态定价激励车辆,并综合考虑了车辆的移动性、任务优先级等。为了使卸载决策适应动态环境的变化,该文提出了一种基于双延迟深度确定性策略梯度(TD3)的任务卸载方法,以在最大化所有车辆平均任务完成效用的同时减少边缘端电网电力的使用。最后,仿真结果验证了该方法的有效性,相比基于深度确定性策略梯度(DDPG)和基于贪心原则(GPE)的方法在性能上分别提升了7.34%和37.47%。

低地球轨道卫星边缘计算场景中任务卸载与资源分配联合优化算法

针对低地球轨道(LEO)卫星边缘计算场景中地面用户计算任务的卸载需求,提出联合卸载与资源分配优化(JORAO)算法。考虑到LEO卫星的有限覆盖时间,以最小化所有地面用户的平均服务时延为目标,联合优化卸载策略、LEO卫星的通信和计算资源分配。将任务卸载与资源分配的联合优化问题分解为卸载决策和资源分配子问题,使用交替优化方法,获得原始优化问题的次优解。对于任务卸载决策子问题,将其建模为联盟博弈模型,当博弈达到纳什均衡时,获得最小化平均服务时延的地面用户卸载策略;对于资源分配子问题,使用拉格朗日乘子法获得最优的通信和计算资源分配结果。此外,还证明了所提算法的收敛性和稳定性。仿真结果表明,所提算法具有良好的收敛性,能显著降低地面用户的平均服务时延和提高任务卸载成功率。

面向车辆边缘计算的任务合作卸载

随着物联网技术和人工智能技术的飞速发展,车辆边缘计算越来越引起学者的关注。车辆如何有效地利用其周边的各种通信、计算和缓存资源,结合边缘计算系统模型将计算任务迁移到离车辆更近的路边单元,已经成为目前车联网研究的热点。由于车辆应用设备计算资源的有限性,车辆用户的任务计算需求无法满足,需要提升车辆周边计算资源的利用率来完成计算任务。本文研究了车辆边缘计算中任务的合作卸载机制,以最小化车辆任务的计算时延。首先,考虑周边停泊车辆以及路边单元的计算资源,设计了由云服务器层、停泊车辆合作集群层和路边单元合作集群层组成的任务合作卸载3层系统架构,通过路边单元合作集群和停泊车辆合作集群的合作卸载,充分利用系统的空闲计算资源,进一步提高了系统的资源利用率。然后,基于k-聚类算法的思想提出了路边单元合作集群划分算法对路边单元进行合作集群的划分,并采用块连续上界最小化的分布式迭代优化方法设计了任务合作卸载算法,对终端车辆用户的任务进行卸载计算。最后,通过将本文算法和其他算法方案进行实验仿真对比,仿真结果表明,本文算法在系统时延和系统吞吐量方面具有更好的性能表现,可以降低23%的系统时延,并且能提升28%的系统吞吐量。

高渗压与循环加卸载环境下开挖卸荷岩体力学特性试验研究

探究高渗压与循环加卸载环境下深部开挖卸荷岩体力学特性的演化规律,有助于揭示复合荷载作用下工程开挖卸荷围岩的变形破坏机理。从区分开挖扰动强度与渗压量级入手,以高渗压环境下遭受开挖扰动的卸荷岩体为对象,开展了考虑特定孔压与循环荷载复合作用条件下的三轴加卸载试验。结果表明:(1)卸荷量级直接影响循环加卸载过程岩样的变形规律及其破坏强度,孔隙水压促进了岩样循环加卸载过程的拉剪破坏;(2)孔压增幅加剧了同量级卸荷岩样循环加卸载过程的延性变形及强度衰减,且卸荷岩样的轴向、环向与体积变形曲线均在2MPa孔压时产生波动;(3)伴随孔压增加,岩样卸荷量级为30%时的环向变形呈先增加后减小的趋势,而岩样卸荷量级为60%时的环向变形呈现先减小后增加的规律;(4)伴随卸荷量级与孔压增加,岩样破坏时端部裂隙的倾角逐渐增大,沿岩样轴向产生的拉剪破裂面愈加凸显。

大跨度钢桁架结构卸载模拟及监测技术研究

以江苏省盐城黄淮湿地博物馆钢桁架结构卸载施工为背景,旨在通过有限元技术及基于多传感器融合的现场监测技术研究大跨度桁架结构卸载施工关键技术。研究结果表明:有限元计算结果能够获取卸载施工过程中的关键要素,为后续监测方案的设计提供参考。后续的监测结果表明,有限元方法对位移的计算结果可靠性要高于应力,与实际情况更加接近;基于多传感器融合的监测方法能够提高监测结果的准确性和远程监控效果,为桁架结构的安全性和可靠性提供了有力支撑。研究结果可为大跨度钢结构建筑的施工提供参考。

无人机辅助MEC系统中的联合计算卸载和轨迹设计

文中提出了一种无人机辅助移动边缘计算(MEC)系统,其中一架配备计算资源的无人机作为飞行基站(BS)处理从用户迁移来的应用任务,以节省用户设备的能耗.考虑了一种通用的瑞森衰落信道模型,通过联合优化无人机轨迹、用户发射功率、用户调度和比特分配,以最小化所有用户设备的平均能耗.设计了一种基于迭代分块连续上界最小化算法,并引入二次惩罚项进行交替求解.结果表明:文中所提出的联合优化方案优于其他基准方案,能显著降低用户的能量消耗.

基于卸载策略的物联网边缘计算任务调度优化

移动边缘计算(Mobile Edge Computing,MEC)通过将计算任务卸载到边缘服务器,为用户提供了低延时、低能耗的服务,解决了传统云计算的不足。在移动边缘计算中,如何进行卸载决策是提供低延时、低能耗服务的关键技术之一。除此之外,由于无线信道的带宽资源有限,不合理的带宽分配会使用户设备的能耗和延时增加,因此如何进行合理的资源分配也是边缘计算实现的关键。为联合优化时延、能耗与计算资源,本文提出了一个基于蒙特卡洛树搜索的多通道探索算法(Multi-Channel Search Algorithm based on Monte Carlo Tree Search,MCS-MCTS)。首先,以延时和能耗的成本为优化目标,将计算资源分配决策及传输功率建模决策建模为凸优化问题,采用梯度下降法求解最优传输功率分配问题,通过拉格朗日乘子法及卡罗需-库恩-塔克(Karush-Kuhn-Tucker,KKT)条件求解最优计算资源分配问题。随后,通过MCS-MCTS算法处理二进制卸载决策问题,为避免搜索结果陷入局部最优,引入模拟退火算法。数值结果表明,MCS-MCTS算法能在线性相干时间内得到接近最优的卸载决策与资源分配决策,与现有的启发式搜索算法相比,该算法可以在减少时间复杂度和提高系统能量有效性的同时,达到接近最优的性能。

基于改进式免疫遗传算法的车联网任务卸载方案

为了解决车联网场景下卸载决策和资源分配不合理的问题,提出了一种改进的启发式车联网任务卸载策略。该策略利用改进式的双种群免疫遗传算法(IDP-IGA),在保留了精英种群的同时引入了自适应移民算子,并在满足车辆最大容忍时延和路侧单元最大可分配资源的前提下,优化系统的时延-能耗开销。仿真结果表明,所提算法具有良好收敛性,与传统算法和遗传-粒子群优化算法相比,能够显著降低系统的时延-能耗开销,在任务卸载过程中实现最优的资源分配方案。

异构边缘云架构下的多任务卸载算法

为在资源有限的终端设备上运行计算密集型与时延敏感型应用,同时降低系统时延和能耗,构建边缘云异构网络模型。本文提出了一种H-PSOGA多任务卸载优化算法,并通过无人机、路边单元、车辆等边缘设备以及边缘云服务器进行多任务计算卸载。该算法以先串行再并行的方式将粒子群和遗传算法结合在一起,通过适应度值排序、种群选择、多点交叉、反向变异等操作,利用遗传算法对粒子群进行优选,弥补粒子群算法早熟收敛、陷入局部最优的缺陷。6种标准测试函数的测试分析以及与基线方案进行仿真对比的结果表明:在用户数较多时,混合优化算法的系统平均开销可降低26%~43%,可以有效提高收敛精度。

单轴循环加卸载下磷块岩能量演化特征试验研究

为探究磷块岩在受力环境下的能量演化特征,对磷块岩试件开展了单轴循环加卸载试验,通过监测试件表面红外辐射和其内部声发射信号,分析磷块岩试件在受力过程中的能量演化规律,研究结果表明:磷块岩试件临近破坏时弹性应变能聚集速率进一步减缓,耗散能明显增大,而最高红外辐射值及声发射振幅呈急剧上升趋势;磷块岩在受力破坏过程中释放的热-声信号与其所在的应力环境具有良好的同步性,声发射与红外辐射存在同一阶段内波动方向相反、整体变化趋势相同的关系,加载过程中能量的累积-耗散-释放是声发射、红外辐射产生变化的内因。从能量演化的角度分析磷块岩在受力环境下的热-声相关性规律,可以从本质上揭示磷块岩在受力过程中的热-声信号的内在联系,为磷矿山的岩爆预警提供科学依据。

面向移动边缘计算的任务卸载方法研究

目前大多计算卸载策略是在任务整体卸载情况下进行的,且仅考虑时延或能耗单一指标,未将二者结合进行优化,为此,以任务处理的时延与能耗加权和为优化目标,提出一种基于强化学习的部分卸载算法。将单个任务的处理分为本地计算和部分卸载两种方式,且在部分卸载中引入了变量确定卸载权重,最后利用强化学习Q-learning完成了所有任务的计算卸载与资源分配。实验结果表明,所提算法能有效降低任务处理的时延与能耗。

三轴分级循环加卸载下爆破损伤顶板砂岩能量耗散试验研究

为探究不同围压环境爆破荷载损伤砂岩在循环加卸载作用下能量耗散演化规律,利用三轴试验加载装置系统对三种不同损伤度的砂岩试件开展不同围压下的分级循环加卸载试验,并结合电子数码显微镜获取不同损伤度试件细观结构,分析爆破荷载损伤、围压及加载级数对试件能量耗散及破裂破碎形态的影响规律。结果表明:(1)爆破荷载作用会对岩体造成损伤,单轴压缩荷载下振动损伤、爆破损伤试件峰值强度降幅分别为5.53%、18.87%,单轴分级循环加卸载作用对未损伤、振动损伤试件产生劣化,对爆破损伤试件产生强化作用;(2)爆源近端岩体损伤程度较高,在外荷载作用下率先发生破坏,围压的存在显著降低试件的破裂破碎程度,试件呈剪切、拉伸及压碎破坏多种模式共存;(3)循环加卸载过程中第1次循环加载试件所获取总能量及塑性变形能最大,循环次数的增加使试件塑性变形能及耗散能整体均呈现减小趋势,围压及循环加载级数的增大使试件在循环加载过程中各能量均随之增加;(4)分级循环加卸载过程中Ⅱ级循环加卸载试件耗能比要低于Ⅰ级与Ⅲ级,爆破损伤、振动损伤及未损伤试件在Ⅰ级、Ⅱ级、Ⅲ级循环加卸载过程中耗能比均值分别为15.73%、12.47%、13.95%,13.49%、12.44%、13.46%,12.07%、8.69%、11.56%,爆破荷载损伤改变岩体内部结构使得试件在循环加卸载作用下耗能占比更加显著。

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。

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%。

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。

动量轮卸载对“天问一号”环火轨道影响分析

针对“天问一号”动量轮频繁喷气卸载对环火轨道的扰动问题,定性分析了动量轮卸载的摄动量级以及对环火段轨道的影响,在RTN(Radial Transverse Normal)坐标系下建立匀加速模型描述动量轮卸载产生的加速度,对环火中继段和遥感使命段分别采用2种策略计算分析,评估了不同飞行阶段的定轨预报精度。结果表明:频繁的动量轮卸载是影响环火段定轨精度的主要误差因素,目前条件下中继段定轨的位置精度为约150 m,在卸载更为频繁的遥感使命段,位置精度下降至约700 m。