基于DQN的异构测控资源联合调度方法

以异构测控网资源联合调度为研究对象,提出一种基于强化学习的深度Q网络(deep Q network, DQN)算法。在充分分析异构测控资源联合调度问题特点后,用数学语言对影响问题求解的约束条件进行描述,建立了资源联合调度模型;从应用强化学习解决问题的角度,对求解的问题进行马尔科夫决策过程描述后,分别设计了2个结构相同的神经网络和基于ε贪婪算法的动作选择策略,并建立了DQN求解框架。仿真结果表明:基于DQN的异构测控资源调度方法较遗传算法能够找到调度收益更优的测控调度方案。

云雾计算场景下的异构环境资源调度机制研究

云计算与雾计算技术的结合使得数据中心资源率大幅的提升,但是由于受到数据资源分散、数据异构复杂程度高、任务响应时延和服务质量不确定等因素的影响,仍然无法达到高效可靠计算服务的要求。为此,以云雾计算场景下的异构环境资源调度为研究对象,解决异构环境资源计算存在性能瓶颈问题为研究目的,提出了建立包括云计算、雾计算和用户三层结构的资源调度模型,云计算层负责资源调度,雾计算层负责管理用户请求和网络资源,用户层施行统一计算,实现资源的有效整合与优化。

舰艇编队重叠子网联合无线资源调度算法

无线资源调度技术是无线网络对用户提供服务质量保障的关键。层次分析的跨异构子网联合无线资源调度算法以编队通信需求为基础,综合考虑了跨异构子网端到端传输性能最优化问题,通过层次分析法建立了跨异构子网联合资源调度模型。在此模型基础上,求解了各方案的灰度关联系数,得出了跨异构子网无线资源调度优化算法(AHP-WRA)。对AHP-WRA算法、随机接入(RA)算法和高带宽优先(HBA)算法进行了对比仿真,仿真结果表明,在系统有效吞吐量方面AHP-WRA算法明显优于其他两种算法。

智算操作系统发展路径研究

当前,人工智能作为信息产业新质生产力的典型代表,已成为世界主要国家提升国家竞争力、维护国家安全的重大战略,而算力短缺正在成为制约我国人工智能发展的关键瓶颈。针对目前国产化算力存在的生态碎片化问题,提出打造以具备AI增强的通用服务器操作系统为基础、以智算平台为使能的智算操作系统,更好地支持AI应用的开发和运行,以满足我国人工智能发展的算力需求。围绕智算平台的重要组成部分,详细说明了异构资源调度器和AI编程框架的国内外发展现状,同时对异构算力的管理调度与分布式训练的发展情况进行了分析。在阐述国内外AI服务器市场情况和异构算力资源管理已成现实的基础上,指出我国AI算力发展的现状,并通过系统梳理我国对操作系统发展的相关支持政策,进一步印证了研制智算操作系统的可行性和必要性。继而重点解析了智算操作系统两大组成部分通用服务器操作系统的AI增强和智算平台的主要功能,对智算操作系统的技术突破和创新发展提出了建议。

基于DRL的MEC任务卸载与资源调度算法

为提高多接入边缘计算(MEC)任务卸载效率,提出了一个任务卸载和异构资源调度的联合优化模型.考虑异构的通信资源和计算资源,联合最小化用户的设备能耗、任务执行时延和付费,并利用深度强化学习(DRL)算法对该模型求最优的任务卸载算法.仿真结果表明,该优化算法比银行家算法的设备能耗、时延和付费的综合指标提升了27.6%.