融合自适应评判的随机系统数据驱动策略优化

自适应评判技术已经广泛应用于求解复杂非线性系统的最优控制问题,但利用其求解离散时间非线性随机系统的无限时域最优控制问题还存在一定局限性.本文融合自适应评判技术,建立一种数据驱动的离散随机系统折扣最优调节方法.首先,针对宽松假设下的非线性随机系统,研究带有折扣因子的无限时域最优控制问题.所提的随机系统Q-learning算法能够将初始的容许策略单调不增地优化至最优策略.基于数据驱动思想,随机系统Q-learning算法在不建立模型的情况下直接利用数据进行策略优化.其次,利用执行−评判神经网络方案,实现了随机系统Q-learning算法.最后,通过两个基准系统,验证本文提出的随机系统Q-learning算法的有效性.

时间驱动的深度嵌入型智能感知网操作系统分析与设计

智能感知网操作系统是管理和调度无线传感器节点和网络中的各种资源、为实现低功耗分布式感知任务而服务的基础软件.深度嵌入型智能感知网则特指面向高可靠关键应用、软硬件交互密切、对功耗要求苛刻的感知网.与传统无线传感器网络略有不同的是,深度嵌入型智能感知网定位在测控类用途,在保留低功耗运行这个特征之外,更加强调向高可靠强实时的关键应用领域的渗透.它除了要求程序执行流程上的正确性,也要求数据的时效性,其中,程序正确性和数据时效性都受到硬件平台差异性和离散性的影响,会使得包含监控对象和业务应用在内的整个系统在不同平台上行为表现不同,这对整个系统的长期可靠运行提出了重大挑战,同时也使得系统升级维护困难.设计并开发了一个新型的智能感知网操作系统,采用时间驱动机制强迫各软件组件在其期待的时刻运行,并辅以网络化组件和时间同步,可有效改善由于硬件差异性和离散性引发的可靠性和时效性问题.基于优先队列和堆数据结构的任务管理,较好平衡了任务插入、删除和遍历的性能.已有的OpenWSN系统实现表明了这一思路的可行性和有效性.

复杂嵌入式实时系统体系结构设计与分析语言：AADL

首先归纳了AADL(architecture analysis and design language)的发展历程及其主要建模元素.其次,从模型驱动设计与实现的角度综述了AADL在不同阶段的研究与应用,总结了研究热点,分析了现有研究的不足,并对AADL的建模与分析工具、应用实践进行了概述.最后,探讨了AADL的发展与研究方向.

深亚微米下系统级芯片的物理设计实例

深亚微米下芯片的物理设计面临很多挑战,特别是对于超大规模的SOC,比如互连延迟(Interconnect delay)、信号完整性(SI)、电压降(IR-Drop)与电迁移(EM)、第三方IP集成,等等。应对这些问题,在后端设计流程上要有新的方法。文章以一块0.18μm工艺下200万门无线数据传输芯片的物理设计为例,介绍了其中的关键设计步骤和一些解决问题的方案,可为其他类似的设计提供参考。

基于模型的嵌入式系统软件工程语言AADL与UML的比较

随着嵌入式系统规模、复杂度和性能需求的提升,嵌入式系统开发的重点从代码级提前到模型级,模型驱动体系结构成为嵌入式系统开发的主流。统一建模语言(UML)和结构分析和设计语言(AADL)是模型驱动系统工程的标准,从方法、扩展机制和应用领域三个方面对两者进行研究和比较,讨论模型分析、模型转换等相关技术。最后。

领域驱动设计在日志管理系统中的实践

领域驱动设计是面向对象设计的一个重要延伸。主要对企业时间管理方法进行研究和探讨,设计并实现了关键领域模型和日志管理系统。