基于Tutorial任务驱动的操作系统教学方法

总结分析了目前《操作系统》课程教学中常用的几种方法,指出了教学中存在的问题,针对性地提出了以Tutorial任务驱动的课程教学方法,并给出一个Tutorial任务设计实例。教学实践结果表明,这种以“任务为主线、教师为主导、学生为主体”的互动式教学方法效果良好。

高中化学实验教学的目标任务和方法路径

基于“科学探究与创新意识”核心素养及其学业质量要求,系统整体规划高中化学实验教学主要任务目标。一是实验基本知识技能掌握目标,可通过建构基础实验认知模型和强化模型应用教学予以达成;二是有关思想观念思维方法形成目标,可通过加强实验探究促进学科理解融合教学予以实现;三是关键能力素养发展目标,可通过变革实验活动形式、设计实验组织逻辑和开展主题综合实验予以发展。

以新质生产力赋能中国式现代化的重点与任务

发展新质生产力是中国式现代化的主要推动力,以新质生产力赋能中国式现代化是适应我国社会主要矛盾变化背景下推动中国式现代化的新要求,是打造中国式现代化质量版的客观要求,是实现中国式现代化目标转型的必然要求。以新质生产力赋能中国式现代化的战略重点在于构建现代经济体系、培育现代化新动能、提高供给体系质量。以新质生产力赋能中国式现代化新发展的战略任务是形成以新质生产力赋能中国式现代化的内生驱动力,推动供给侧的产业结构升级,以新质生产力形成中国式现代化新优势;推动动力转换,形成中国式现代化新动力;实现数字经济赋能中国式现代化,以数字新质生产力打造中国式现代化的升级版;以新质生产力推动新型工业化,形成新型工业化的新优势。

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%.

分布式3D打印服务的实时多任务调度研究

针对分布式3D打印机(3DPs)在工业物联网(IIoT)中共享、协作、生产全球化的定制产品过程中,3D打印任务(3DPTs)在分布式3D打印机上分配工作量不平衡,以及提交的每个模型的定制属性和实时性等问题,文章提出了用于IIoT中个性化3D打印的实时绿色感知多任务调度架构,给出了一种稳健的在线分配算法,使得每个3D打印任务能够精确地满足用户定义属性,并且平衡了分布式3D打印机之间工作负荷,同时开发了一种基于优先级的自适应实时多任务调度(ARMPS)算法,实时调度每一个3D打印任务,满足3D打印任务的实时性以及动态性要求。在高负载下进行仿真实验,经性能评估测试,表明所提出的算法具有稳健性,调度架构具有鲁棒性和可扩展性。

任务导向的翻转课堂在《医学影像技术学》理论教学中的应用

《医学影像技术学》作为医学影像技术本科专业的核心课程,教师在理论课教学期间需重视学生知识内化与综合素质提升。传统教学模式中教师长时间处于教学主体地位传授知识,学生鲜少自主学习、主动思考及表达看法,难以获得理想教学效果。任务导向的翻转课堂以学生为教学主体,设置目标明确、难度适中的个人自学任务与团队课堂讲授任务,督促学生主动学习,积极参加团队协作。此类翻转课堂将拓展学习时间与场景,拓宽知识获取渠道,鼓励学生积极学习思考,与团队成员交流看法并协作制定课堂讲授资料,完成课堂讲授。教学过程中,学生不仅完成多层次知识内化,还将获得一定程度综合素质提升。本文将回顾传统教学模式的局限性,分析任务导向翻转课堂的特点与优势,探讨其用于影像技术本科专业学生《医学影像技术学》理论课教学的可行性,为本课程教育改革提供新思路与参考。

预算约束下多任务联邦学习激励机制

联邦学习是一种实现数据隐私保护的分布式机器学习范式,性能取决于数据源的质量和数据规模。客户端是理性个体,参与联邦学习将耗费计算、通信和隐私等成本,需要通过激励提高客户端的参与意愿。因此联邦学习能成功应用的关键之一是尽可能多地激励高质量数据客户端参与训练。多任务联邦学习环境下客户端拥有面向不同任务且质量不同的数据,并具有执行能力的约束。为提高多个学习任务的整体性能,在预算受限的条件下设计一种面向任务的客户选择和报酬机制。通过分析影响模型精度的重要因素,提出一种基于客户端数据样本分布特征的质量评估标准,并结合客户端成本信息,设计一种逆向拍卖的激励机制(EMD-MQMFL),实现客户端的任务指派和支付策略。从理论上分析和证明了该机制具有诚实性、个人理性以及预算可行性,并通过大量实验验证了该方法在联邦学习性能上的有效性。在MNIST、Fashion-MNIST、Cifar-10数据集上的实验结果表明,EMD-MQMFL在数据不平衡的情况下,平均模型精度比已有的机制至少提高5.6个百分点。

配电网中任务卸载决策与边缘资源分配优化方法

移动边缘计算可以减轻配电网核心网络中海量数据的传输及处理压力,相对于云计算,边缘节点有限的计算能力使边缘资源的高效利用成为挑战。基于此,提出一种配电网中任务卸载决策与边缘资源分配优化方法。在包含多边缘节点多用户设备的配电网场景中,考虑任务随机、资源有限、计算能力不均衡及时延要求高等因素,构建云-边-端三层任务卸载及边缘资源分配优化模型;将优化过程分为计算卸载和资源拍卖两个阶段,在计算卸载阶段设计基于DRL的在线决策算法,在资源拍卖阶段设计基于补偿策略的多轮迭代拍卖算法;提出基于改进DQN算法的任务卸载与资源分配优化方法。仿真结果表明,在动态变化的配电网场景中,所提算法可有效提高系统计算能效和边缘节点效益。

面向战区联合作战的空间需求响应任务规划

针对战区联合作战中的空间需求响应问题,描述了面向战区联合作战的空间需求响应任务规划的背景;从空间资源能力、空间需求响应机制、空间需求响应效益和代价等方面,分析了空间需求响应任务规划所需考虑的主要因素;定义并描述了任务规划模型,设计了任务规划计算方法,并结合战区联合作战实际进行了案例仿真与分析,验证了模型和方法的有效性,为战区联合作战中空间需求的有效响应提供了理论和方法支撑。

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。

边端协同环境中的任务卸载和资源分配方法

将终端任务卸载至边缘计算环境弥补了云计算距离较远而产生较大延迟的缺陷,同时还降低了设备能耗.但从资源方面来讲,边缘服务器的各类资源并不像云服务器那么充足,因此,任务卸载和资源分配的联合优化成为边缘计算的研究热点之一.已有的任务卸载和资源分配联合优化研究通常假设任务卸载至单个边缘服务器,默认每个终端设备产生一个任务,即使有研究多服务器的,也通常忽略服务器间的负载均衡.为此,本文在一个多边缘服务器多用户多任务的边端系统中,提出了一种权衡时延、能耗和负载均衡指标(即效益)的任务卸载和资源分配方法,其通过优化任务卸载决策、服务器计算资源分配和终端设备发射功率,实现任务卸载效益最大化.最后,为了验证所提方法的有效性,进行了充分的对比实验.实验结果表明,与对比方法相比,所提出的方法在提升卸载效益和实现服务器间负载均衡方面有良好的性能.

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%。

语文学习任务的层递性与跃迁性

语文课程以发展学科核心素养为中心,依据语文实践活动类型的学段差异,设立了既相对独立又有内在逻辑关联的系列学习任务群。不同学习任务群的学习目标保持多重呼应与联结,同一学习任务群的学习内容逐步递进、延伸、拓展、深化。任务群下的单元学习任务是对单元课文内容的重组与整合,覆盖阅读、写作、交流等多个综合性学习任务,多个任务间互相连缀聚合,由核心任务总领,自下而上支撑任务群学习目标的实现。认识、把握语文学习任务的层递性与跃迁性,是进行语文学习任务群教学设计的首要前提,也是以结构化、情境化学习任务取代原双基模式下的语文学科知识、学科技能训练活动的教学实施重要转型,对于达到语言、知识、技能和思想情感、文化修养多层次学习目标具有深远影响。

基于多样真实任务生成的鲁棒小样本分类方法

随着大数据、计算机与互联网等技术的不断进步,以机器学习和深度学习为代表的人工智能技术取得了巨大成功,尤其是最近不断涌现的各种大模型,极大地加速了人工智能技术在各个领域的应用.但这些技术的成功离不开海量训练数据和充足的计算资源,大大限制了这些方法在一些数据或计算资源匮乏领域的应用.因此,如何利用少量样本进行学习,也就是小样本学习成为以人工智能技术引领新一轮产业变革中一个十分重要的研究问题.小样本学习中最常用的方法是基于元学习的方法,这类方法通过在一系列相似的训练任务上学习解决这类任务的元知识,在新的测试任务上利用元知识可以进行快速学习.虽然这类方法在小样本分类任务上取得了不错的效果,但是这类方法的一个潜在假设是训练任务和测试任务来自同一分布.这意味着训练任务需要足够多才能使模型学到的元知识泛化到不断变化的测试任务中.但是在一些真正数据匮乏的应用场景,训练任务的数量也是难以保证的.为此,提出一种基于多样真实任务生成的鲁棒小样本分类方法(DATG).该方法通过对已有少量任务进行Mixup,可以生成更多的训练任务帮助模型进行学习.通过约束生成任务的多样性和真实性,该方法可以有效提高小样本分类方法的泛化性.具体来说,先对训练集中的基类进行聚类得到不同的簇,然后从不同的簇中选取任务进行Mixup以增加生成任务的多样性.此外,簇间任务Mixup策略可以减轻学习到与类别高度相关的伪判别特征.同时,为了避免生成的任务与真实分布太偏离,误导模型学习,通过最小化生成任务与真实任务之间的最大均值差异(MMD)来保证生成任务的真实性.最后,从理论上分析了为什么基于簇间任务Mixup的策略可以提高模型的泛化性能.多个数据集上的实验结果进一步证明了所提出的基于多样性和真实性任务扩充方法的有效性.

真实工作场景下“搜索即学习”任务集的构建与分析

文章采用日记法收集来自16个国民经济行业的真实工作场景下具有学习特征的搜索任务实例,结合任务概念框架对搜索任务进行表征,构建面向“搜索即学习”研究的多维任务集,并进一步剖析了真实工作场景下搜索任务的属性特征,对任务相关特征、参与者认知变化、行为及关系进行探讨,根据参与者的学历层次、完成任务的认知层次,以及在完成任务时所处的时间压力进行分组比较三组变量间的关系。研究发现:参与者的任务执行熟悉度与任务感兴趣程度,所需信息类型的数量显著影响认知变化,任务执行者特征对认知变化与行为的影响在不同情境下均存在显著差异。本研究开发的任务集可作为“搜索即学习”研究的公共研究资源,以及评估生成式人工智能技术复杂任务处理能力的评测集,为开发面向真实工作任务情境与高效的信息系统提供依据。

基于多任务学习的改性双基推进剂的综合性能预测

为满足改性双基推进剂多性能的综合预测需求,本研究提出基于多任务学习的机器学习策略,综合考虑推进剂组分、含量、压强和的粒度对目标性能的影响,首次构建了包含燃速、比冲、特征速度、摩擦感度和撞击感度在内的RDX-CMDB推进剂综合性能预测模型。通过网格寻参模式优化模型,结合十折交叉验证法比较了十种机器学习算法的建模效果。其中,极限梯度提升回归模型预测性能最优,平均R^(2)可达0.9997;在对6个外部样本的测试中,该模型对5个目标性能的预测误差均在5%以内。结果表明,本研究提出的多任务机器学习模型可在试验样本量不足的情况下,实现推进剂的多个目标性能准确预测,对推进剂的综合性能优化和配方设计具有理论指导意义。

边缘辅助群智感知位置隐私保护多任务分配机制

为了解决群智感知中隐私泄露和多任务分配的问题,提出了一种边缘辅助群智感知位置隐私保护(EALP)多任务分配机制。首先,考虑群感知任务具有地理相近特征,利用改进的模糊聚类(FCM)算法对任务位置进行聚类组合,改进聚类数目指标,提高多任务分配的合理性。接着,为了防止云平台和感知用户之间的共谋,在任务分配阶段,提出一种位置隐私保护协议,在感知用户、云服务器和边缘节点之间部署同态加密,云感知平台能够安全地计算感知用户的移动距离,而不知道感知用户的位置和任务聚类中心位置。最后,提出了一种基于蚁群算法多任务分配优化方案,兼顾平台和感知用户两者利益,优化感知用户执行任务路径。实验结果表明,与同类方法相比,所提机制在保护位置隐私的前提下提高了任务完成率,降低了系统的感知成本和用户移动成本。

面向缓存的动态协作任务迁移技术研究

边缘网络中不断出现的计算密集和延迟敏感型业务推动了任务迁移技术的快速发展。然而,任务迁移过程中存在应用场景复杂多变、问题建模难度高等技术瓶颈。尤其是考虑用户移动时,如何保证用户服务的稳定性和连续性,设计合理的任务迁移策略仍是一个值得深入探讨的问题。因此,提出了一种移动感知的服务预缓存模型和任务预迁移策略,将任务迁移问题转化为最优分簇与边缘服务预缓存的组合优化问题。首先,基于用户的移动轨迹对当前执行任务状态进行预测,引入动态协作簇和迁移预测半径的概念,提出了一种面向移动和负载两种任务场景的预迁移模型,解决了何时何地迁移的问题。然后,针对需要迁移的任务,基于最大容忍时延约束分析协作簇半径和簇内目标服务器数量的极限值,提出了以用户为中心的分布式多服务器间动态协作分簇算法(Distributed Dynamic Multi-server Cooperative Clustering Algorithm,DDMC)以及面向服务缓存的深度强化学习算法(Cache Based Double Deep Q Network,C-DDQN),解决了最优分簇和服务缓存问题。最后,利用服务缓存的因果关系,设计了一种低复杂度的交替最小化服务缓存位置更新算法,求解出了最佳迁移目标服务器集合,实现了任务迁移中的服务器协作及网络负载均衡。实验结果表明,提出的迁移选择算法具有良好的鲁棒性和系统性能,相比其他迁移算法所消耗的总成本降低了至少12.06%,所消耗的总时延降低了至少31.92%。

旅游自动问答系统中多任务问句分类研究

目前旅游产业信息化建设需要构建旅游自动问答系统,其中问句分类是问答系统的重要组成部分,传统问句类别体系角度单一,且传统分类模型对不平衡的问句数据集表现欠佳。针对这一问题,该文从问题主题和问句答案类型两个角度构建了旅游领域的问句类别体系架构,并提出多任务问句分类模型MT-Bert,在BERT上进行多任务训练,并加入自注意力机制,使用Softmax分类器,并设计了多任务融合损失函数。在山西旅游数据集的结果表明,MT-Bert在两种类别体系的微平均F1值分别为97.6%、91.7%,且避免了非平衡数据的预测失败问题,可以有效处理非平衡数据。

工业物联网中数字孪生辅助任务卸载算法

针对工业物联网(IIoT)设备资源有限和边缘服务器资源动态变化导致的任务协同计算效率低等问题,该文提出一种工业物联网中数字孪生(DT)辅助任务卸载算法。首先,该算法构建了云-边-端3层数字孪生辅助任务卸载框架,在所创建的数字孪生层中生成近似最佳的任务卸载策略。其次,在任务计算时间和能量的约束下,从时延的角度研究了计算卸载过程中用户关联和任务划分的联合优化问题,建立了最小化任务卸载时间和服务失败惩罚的优化模型。最后,提出一种基于深度多智能体参数化Q网络(DMAPQN)的用户关联和任务划分算法,通过每个智能体不断地探索和学习,以获取近似最佳的用户关联和任务划分策略,并将该策略下发至物理实体网络中执行。仿真结果表明,所提任务卸载算法有效降低了任务协同计算时间,同时为每个计算任务提供近似最佳的卸载策略。