基于马尔可夫链的主机负载预测能耗优化算法

现代服务应用对计算能力需求的快速增长导致云计算数据中心能耗加剧,为解决数据中心能耗问题,本文提出了一种新的融合马尔可夫链和能耗感知选择策略的能耗优化算法——基于预测的能耗优化算法(Prediction based Energy Consumption Optimization Algorithm,PECOA).实验结果表明,PECOA算法在保证服务质量的前提下,能耗与基于最小虚拟机迁移时间的本地回归算法(Local Regression based on Minimum Migration Time,lr_mmt_1.2)相比降低了约11.04%,验证了本文方法的有效性.

基于强化学习的非玩家角色行为改进

当前游戏中非玩家角色(Non-player Character,NPC)的行为主要基于随机决策或者传统的预定义行为决策,该方法的NPC不具有对游戏环境的自主学习能力.本文研究的目的是探索将强化学习方法应用于提高游戏NPC智能,使NPC在游戏过程中能实时地学习和适应演进的游戏环境,产生最合适的行为策略来响应玩家.本文提出一种动态训练强化学习的探索率参数方法,并将该方法应用于经典的Bomber Man游戏中.实验结果表明,该方法训练的NPC比非强化学习和传统强化学习训练的NPC具有更高的智能.