中国橡胶树北移栽培研究的历史考察

以20世纪50-80年代中国开展的橡胶树北移栽培研究作为研究对象,从科学史的视角,系统梳理了在西方国家对我国实行橡胶禁运的背景下,中国科学院相关研究所与当时林垦部下辖地方农垦系统、地方科研院所面对国家需求,在华南与云南分别开展系统的中国热带生物资源考察,并在此基础上确定橡胶宜林地,开展橡胶树抗寒抗风研究,最终成功实现橡胶树北移栽培,满足了国家对橡胶这一战略物资需求的过程。这有助于深入理解20世纪50-80年代国家实施的“任务带动学科”的科学发展方针,同时对于认识当代科学研究如何满足国家需求、重大科学研究中不同机构如何更好开展协同攻关,具有重要的现实借鉴价值。

基于逆强化学习与行为树的机械臂复杂操作技能学习方法

现有分层强化学习方法不仅在学习过程中存在样本效率低、奖励稀疏以及学习时间过长等问题,而且大多基于仿真环境,导致学习策略在机器人真实操作环境中部署困难。针对上述问题,提出一种基于逆强化学习与行为树的机械臂复杂操作技能学习方法。在对复杂操作任务进行分割的基础上,首先,根据专家演示轨迹确定分割后每个子任务的强化学习参数及其对应的专家策略;其次,根据子任务专家策略并使用生成对抗模仿学习算法进行预训练,得到每个子任务的奖励函数;再次,运用每个子任务的奖励函数并基于SAC算法做进一步训练,获取到每个子任务的最优策略;最后,将子任务最优策略从仿真环境部署到真实环境,并将部署后的每个子任务作为叶节点构建行为树,实现机械臂复杂任务规划。实验结果表明,所提方法能较好地学习机械臂复杂操作技能,并在性能上优于其他传统强化学习算法。

溶滞网络缓冲区占用率预测模型设计

溶滞网络中数据滞留较多,占用了缓冲区大部分内存。为此,构建基于多组件融合的溶滞网络缓冲区占用率预测模型。在多组件框架的基础上,求解数据样本融合条件。联合数据库主机内存储的信息样本,完成对可移植任务的配置,实现溶滞网络缓冲区内的数据样本处理。设置决策树组织,确定复杂度指标的取值范围,完成基于多组件融合的溶滞网络缓冲区占用率预测模型设计。对比试验结果表明,在多组件融合预测模型作用下,拥塞系数最大值仅为0.6、信道平均占用率始终不超过60%。该模型预测准确率较高。所构建模型预测溶滞网络缓冲区占用率的性能较优,具有一定的实际应用价值。

一种基于多任务学习的代码补全方法

针对基于语言模型的代码补全方法忽略源代码中结构信息和命名信息而导致补全准确率偏低的问题,提出一种基于多任务学习的代码补全方法(multi-task learning code completion, MTLCC)。MTLCC对源代码数据集进行数据清洗和预处理,通过抽象语法树(abstract syntax tree, AST)提取源代码中的结构信息和命名信息;构建基于Transformer的多任务学习网络,采用软参数共享学习方式分别对源代码的节点类型预测、节点值预测和语句预测进行训练;利用集束搜索对模型推理结果进行后期处理生成代码补全建议列表。实验结果表明,与Pointer network、LSTM+TransformerXL和CodeGPT中最好的模型相比,MTLCC在节点类型预测和节点值预测任务中的准确率分别提升了2.5%和1.7%、MRR分别提升了3.7%和2.4%,在语句预测任务中的ROUGE-L分数(L@4)提升了0.055。

基于超体积法的云计算DAG任务调度方法研究

针对云计算复杂工作流的调度均衡问题,提出了结合hypervolume的DAG任务调度算法。根据对复杂工作流的分析,确定时间和成本双目标求解模型,设定调度优化前提。在DAG图设计过程中,针对耦合任务设计了优先级机制和后驱任务的执行时机。针对若干DAG图的情况,引入平衡系数对DAG工作流进行分层处理,从而避免不同DAG图间任务出现竞争。将DAG调度部署于MapReduce框架进行并发处理,采用构建最小树的方式来消除DAG图存在较多的冗余耦合。考虑到网络攻击带来的故障情况,采用时隙与资源的映射关系来规避。最后,为了增强双目标的搜索性能,引入hypervolume计算以获得更好的收敛性。基于WorkflowSim仿真平台,从时间开销、成本开销、以及抗网络攻击三方面对所提算法进行验证,结果表明,上述算法能够很好的确保时间和成本最小且均衡,同时有效抵抗网络攻击对任务成功率的影响。

ROS2多线程执行器上DAG任务的优先级分配方法

随着机器人操作系统(robot operating system, ROS)的日益普及,系统也变得更加复杂,这类系统的计算平台正逐渐转变为多核心平台.在ROS中,任务执行的顺序取决于底层任务调度策略和分配给任务的优先级,而最大限度地缩短所有任务的执行时间是并行系统任务调度的一个重要目标.受强化学习在解决各种组合优化问题的最新研究成果的启发,在考虑ROS2多线程执行器的调度机制和执行约束的前提下,提出了一种基于强化学习的任务优先级分配方法,该方法提取了基于有向无环图形式表示的任务集的时间和结构特征,通过策略梯度和蒙特卡洛树搜索(Monte Carlo tree search, MCTS)方法有效地学习ROS2调度策略并给出合理的优先级设置方案,最终达到最小化并行任务的最大完工时间的目的.通过模拟平台环境下随机生成的任务图以评估所提方法,结果表明所提方法明显优于基准方法.作为一种离线分析方法,所提方法可以很容易地扩展到复杂的ROS中,在可接受的时间内找到接近最优的解决方案.

任务匹配中抗密钥泄露可撤销属性加密方案

针对现有属性加密方案难以防止群智感知系统任务匹配密钥泄露和实现用户细粒度撤销问题,提出一个结合默克尔帕特丽夏树和增量哈希的抗密钥泄露可撤销属性加密方案。将单一属性机构分为多个解决系统性能瓶颈问题,利用默克尔帕特丽夏树存储用户身份和私钥信息防止密钥泄露发生,采用增量哈希对更新后的用户信息进行快速修改实现用户撤销和属性撤销。实验结果表明,该方案具有更低的时间开销,能够抵抗共谋攻击,保证前向安全和后向安全。

作战任务分配建模及求解方法研究

针对作战任务规划中的战前作战任务分配问题,构建了多约束作战任务分配模型以描述作战任务与作战单元之间的动态映射关系。提出了决策空间剪枝和约束条件判断等求解策略;阐述了决策变量编码、分配方案解码和分阶段适应值计算的方法,利用差分进化算法进行求解。实验表明:多约束分配模型及求解算法,能够有效降低决策空间规模,提高了分配方案的合理性和实用性。

基于线性规划松弛的移动边缘计算卸载模型

移动边缘计算中本地设备可以将计算任务卸载到靠近网络的边缘节点上执行,只将计算结果回传至用户端,从而减小传输时延,降低移动设备的功耗,减轻客户端的负载压力,还可以减少核心网络的计算负载。针对复杂多类边缘节点的移动边缘计算环境,建立了基于线性规划松弛的三级计算任务卸载决策模型,称为CART-CRITIC-LR(CCLR)。首先通过分类回归决策树算法(CART)筛选出本地执行的计算任务;然后采用多属性决策的CRITIC算法确定3个性能指标的权值分配;最后,基于线性规划松弛(LR)对计算卸载问题建模,使计算任务卸载决策的总时延、总能耗和总成本最优。实验比较了其他计算卸载策略的能耗、成本、延迟时间等指标,结果表明CCLR卸载决策算法在保证多目标全局最优的同时,实现了总时延最短,说明了所提算法的有效性与适用性。

基于决策树算法的高任务可靠性惯性开关设计准则挖掘

针对目前弹用惯性开关导通不稳定即任务可靠性普遍较低的问题,综合考虑重锤、弹簧等17组设计属性参数,基于交叉验证法构建样本数据,提出了基于决策树算法的高任务可靠性惯性开关设计准则挖掘模型。该模型根据实际加工产品参数进行数据挖掘,并采用Spyder软件画出决策树图,从而确定高任务可靠性惯性开关设计准则为:当重锤重量设计小于等于0.002g时,可保证惯性开关具有高任务可靠性;以基尼系数为评价指标,确定惯性开关任务可靠性的主要影响因素;采用动力学分析的方法,验证主要影响因素的准确性。最终得出结论:重锤重量是影响开关响应阈值的主要因素。通过此研究能够有效地挖掘惯性开关高任务可靠性的设计准则,极大地提高了惯性开关的导通率,为惯性开关的发展提供理论支撑。

基于空间分解与混合包围盒的碰撞检测算法

针对如何提高碰撞检测效率的问题,提出一种基于空间分解法和混合包围盒的碰撞检测算法。首先利用均匀剖分法确定相邻对象,然后只对相邻对象构建混合层次包围盒树,最后引入任务树的概念加速包围盒树的遍历过程。在包围盒碰撞检测中,提出了一种顶层采用AABB,其他层采用OBB的混合层次包围盒结构。实验结果表明,该算法有效提高了碰撞检测的效率和实时性。

基于空间分割与椭球包围盒的碰撞检测算法

为提高复杂环境下多物体碰撞检测的效率,提出了一种基于均匀网格分割与椭球包围盒的并行碰撞检测算法。该算法首先用均匀网格分割法来确定相邻物体,然后用紧密性较好的椭球包围盒层次树依次把它们包围,并利用基于线程池的多任务并行处理技术实现了并行化。为降低椭球相交测试的复杂度,先预测了椭球间的相交情况,再将三维椭球降维成二维椭圆,从而整体提高了算法的效率。通过实验数据表明,相对于其他算法,该算法具有较好的性能。

基于角色的群体感知模型实现机制

群体感知功能是计算机支持协同工作系统和群件系统必须支持的基本功能。文章分析了群体感知研究工作的现状,介绍了一种基于角色的群体感知模型RAM,给出了该模型实现的总体结构,并从角色任务树的组成和构造算法、角色管理框架和协议、感知模型引擎和系统调用API等几方面讨论了实现机制。最后给出了基于RAM的协同编著系统应用框架,讨论了在下一步研究中仍需解决的若干问题。

中加高校研究型实验室管理模式比较及思考

高校研究型实验室是高校进行科学研究和人才培养的重要场所,是以学科建设为依托,具有学科优势和专业特色,以科研活动为主要目的的实验室。它不同于公共教学实验室,一般都具有专业性强,研究人员流动性大,研究任务复杂多样化的特点。通过对加拿大麦克马斯特大学同类型实验室的深入了解和比较,提出几点具体措施,主张以团队引领,任务导向的方式,建立树状管理结构,以承研课题为基本整合单元,优化人员和空间布局,重视专业设备的使用前审批培训流程,加强专业仪器设备共享管理,同时完善实验室基础信息建设。从而规范研究型实验室日常运作方式,提高实验室资源利用效率,达到团队协同发展的目的。

基于树分解的空间众包最优任务分配算法

随着配备高保真传感器的移动设备的普及以及无线网络资费的快速下降,空间众包作为一种问题解决框架被用于解决将位置相关的任务(如路况报告、食品配送)分配给工人(配备智能设备并愿意完成任务的人)的问题.研究空间众包中最优任务分配问题,关键在于设计出将每个任务分配给最合适的工人的任务分配策略,以使得完成的总任务数目最大化,而所有的工人可以在完成所分配的任务后,在预期最晚工作时间之前返回起点.找到全局最优分配是一个棘手的问题,因为该问题不等于单个工人的最佳分配的简单累加.注意到,仅有部分工人存在任务依赖,因此利用树分解技术将工人分割成独立的集合,并提出一种带启发式的深度优先搜索算法,该算法可以快速地更新启发函数界限,从而高效地对不可能成为最优解的分配方案尽早地进行剪枝.实验结果表明:所提出的方法是非常有效的,可以很好地解决最优任务分配问题.

平均1-依赖决策树集成算法

基于平均1-依赖贝叶斯分类器(AODE)算法的思想,提出了平均1-依赖决策树集成算法(AODT),该算法通过使用每个输入属性和类别属性共同建立集成学习中的个体决策树分类器.同时,我们从多任务学习的角度探讨了AODE和AODT算法的工作原理.通过在Weka平台上使用40个UCI数据集的实验结果表明,该算法可以显著提高决策树学习算法的分类性能,并且具有很好的抗噪声性能.

基于异构环境的Out-Tree任务图的调度算法

分布式应用程序的有效调度是异构计算系统中的一个关键问题。目前已有的Out-Tree任务图的调度算法大多基于同构环境而开发,未考虑处理机的异构性,导致调度的效率较低。针对异构计算环境,提出一个基于列表和任务复制的Out-Tree任务图的静态启发式贪心调度算法,其时间复杂度为O(hv2 p),其中h、v和p分别表示任务图的高度、任务个数和调度使用的处理机个数。实验结果表明,相比其他算法,该算法能提供调度长度较短、处理机使用较少的有效调度,其应用性更强。

基于实例分解的工作流授权合理性验证

为提高工作流授权合理性验证的效率,增强对执行时任务指派的支持,提出了基于问题分解的工作流授权合理性验证方法。通过基于业务实例的工作流模型分解,将工作流授权合理性问题分解为业务实例、业务实例的并发任务集合、并发任务集合中任务的授权合理性问题,得到工作流授权合理性问题的与/或树表示。利用定义的合理指派路径及其串联操作,分析了工作流授权合理性问题与/或树节点的可解性。给出了基于与/或树搜索实现工作流授权合理性验证的算法,并分析了算法的复杂度及其输出的合理指派路径对工作流执行时任务指派的支持。在与/或树基础上,通过选择合适的启发函数,可以进一步提高验证效率,或快速生成适合问题需求的最佳解树。

基于并行优先级任务树的多核调度方法研究

文章针对具有复杂依赖关系的实时周期任务难以调度的问题,提出了一种模型转化方法,该方法将具有复杂关系的实时结点任务图转化为并行优先级任务树,然后根据模型中定义的优先关系并结合EDF(Earliest Deadline First)算法,将任务调度到相应的核上去执行。仿真试验表明,该方法比核与任务相对应的分配方法不仅可以提高CPU利用率而且大大减少了核间通信的开销。

基于行为和结构特征的相似语义工作流检索

相似语义工作流检索是语义工作流重用的首要任务.现有的相似语义工作流检索方法仅关注结构特征,忽略了行为特征,影响了检索到的相似语义工作流的整体质量,提高了语义工作流重用的代价.为此,提出一种结合行为和结构特征的2阶段相似语义工作流检索算法.使用任务紧邻关系集表达语义工作流的执行行为,结合领域知识构造语义工作流库的任务紧邻关系树索引和数据索引.针对查询语义工作流,先基于任务紧邻关系树索引和数据索引进行过滤得到候选语义工作流集;然后使用图匹配相似性算法对候选语义工作流集进行验证,得到排序的候选语义工作流集.实验结果表明,较主流的语义工作流检索算法,该方法的检索性能有较大提升,可以为工作流重用提供更高质量的语义工作流.