基于跳跃因子模型的不规则分布蓝色任务法

跳跃因子模型是处理系统超载的一种有效方法．它能够降低系统负载，并使系统缓慢降级．Deeply-Red算法是一种简单的基于跳跃因子模型的任务请求丢弃方法，然而由于Deeply—Red算法未考虑任务特性和CPU资源利用率，其性能较差．为了克服Deeply—Red的缺点，提出不规则分布蓝色任务法：静态不规则分布蓝色任务法(SUDB)和动态不规则分布蓝色任务法(DUDB)．SUDB和DUDB算法都是通过降低高优先级任务对低优先级任务的干扰时间，来提高任务集的可调度性．模拟结果表明，SUDB和DUDB算法性能要优于Deeply-Red算法．     

基于任务复制的网格任务调度算法

网格中资源之间存在着通信延迟，通过任务复制的冗余，可以减少任务之间的通信开销，缩短整个计算程序的计算时间。目前网格中的任务调度算法基本上是没有考虑任务复制的；而基于任务复制调度算法往往会产生过多的复制任务，增大系统开销，甚至有可能延迟计算时间。由于基于任务复制的任务调度是一个NP问题，因此本文提出了一种基于任务复制的网格资源调度算法，以减少调度长度为主要目标、减少任务复制量和资源占用量为次要目标。该算法在调度长度和任务复制数量以及占用资源数量方面都等于或优于其它算法。     

航海世纪：任务攻略

在《航海世纪》中，任务分为三种，最简单的工作任务；当玩家达到一定要求时才会出现的剧情任务；和只占盟会的任务，如何从各种任务中获取最大利益，是很多玩家关心的话题，下面就让我们来看一看。     

限定域关系抽取技术研究综述

限定域关系抽取技术是在预定义实体类型和关系类型的前提下，从文本中捕获关键信息的技术，多采用由头尾实体和关系构成的三元组作为信息表示形式。作为信息抽取领域的重要研究方向之一，其在知识问答、信息检索等任务中被广泛应用。文中在介绍相关概念和任务范式的基础上，分析了深度学习背景下限定域关系抽取任务的研究进展，根据句中实体是否可见，分为关系分类任务和三元组抽取任务，依据任务表现特征，前者可细分为有监督条件下的关系分类任务、小样本关系分类任务和远程监督条件下的关系分类任务。文中探讨和分析了以上任务中常用的技术方法及其优缺点，最后归纳总结了关系抽取技术在低资源、多模态等更为接近真实情景下的发展潜力和现存的挑战。     

作业流访问控制策略

作业流是一系列任务，它由一个任务集和一个任务关系集组成，其中，任务关系集说明各任务的执行顺序。该文在给出作业流定义的基础上，提出了一种基于作业流Petri网描述的访问控制机制，并介绍了该机制的实现。     

信息技术教学中“任务”形成刍议及实践

“任务驱动法”是信息技术学科教学常用的主要方法之一，“任务”是核心。“任务”的优劣，关系到能否起到驱动和达到教学目标的作用。因此，深入探讨“任务”的形成，在新课程标准下的信息技术教学中具有重要的实践意义。     

基于纳什竞价的空间众包任务定价算法

任务定价是众包平台解决利润驱动的任务分配、最大化利润的重要步骤。然而关于工人期望的任务定价研究相对较少，现有大多数研究并不考虑工人与任务的动态需求。此外，出于工人隐私和传感器限制，获取完整的工人信息是困难的。为解决上述难题，提出了基于纳什竞价的空间众包任务定价算法。首先通过机器学习算法获取任务的价格范围，然后在价格区间上进行纳什竞价。为了解决动态供需造成的价格大幅波动问题，设计调整机制来稳定任务均价。最后为模拟纳什均衡点，采用了两种不同的梯度递减函数，来搜索匹配数最大的任务定价。分别在gMission数据集和合成数据集进行了实验，结果表明所提算法的匹配数量和任务均价分别是MCMF算法的60%和1.57倍，时间花费是MCMF算法的9.6%,验证了所提算法的有效性。     

PDM系统中任务管理的研究

任务管理是ＰＤＭ系统中实现流程控制的一种机制，本文在阐述任务管理的概念和内容的基础上，探讨了在ＰＤＭ系统中任务的固有特性，并介绍了一套实现任务管理的模型，为实现ＰＤＭ的任务管理提供了理论基础和初步的解决方案。     

面向任务口语理解研究现状综述

口语理解是对话系统重要的功能模块，语义槽填充和意图识别是面向任务口语理解的两个关键子任务。近年来，联合识别方法已经成为解决口语理解中语义槽填充和意图识别任务的主流方法，介绍两个任务由独立建模到联合建模的方法，重点介绍基于深度神经网络的语义槽填充和意图识别联合建模方法，并总结了目前存在的问题以及未来的发展趋势。     

移动群智感知中面向任务需求的用户选择激励机制

现有的移动群智感知激励机制大多以平台为中心或是以用户为中心进行设计，缺乏对感知任务需求的多维考虑，从而无法切实地以任务为中心进行用户选择，导致无法满足任务需求的最大化和多样化。针对上述问题，提出一种面向任务需求的用户选择激励机制TRIM，这是一种以任务为中心的设计方法。首先，感知平台根据任务需求发布感知任务，并从任务类型、时空特性以及感知报酬等多维度构建任务向量以最大化满足任务需求，而感知用户则基于意愿偏好、个人贡献值以及期望报酬等属性构建用户向量，实现个性化选择感知任务参与响应；然后，通过引入高效且隐私保护的余弦相似度计算协议（PCSC），计算任务和用户的相似度并根据相似度高低进行用户匹配筛选得到目标用户集，更好地满足感知任务需求的同时保护用户隐私不泄露；最后，通过仿真实验表明，在感知任务和感知用户的匹配过程中，与采用Paillier加密协议的激励机制相比，TRIM缩短了指数级增量的计算时间开销，提高了计算效率；与采用直接余弦相似度计算协议的激励机制相比，TRIM保证了感知用户的隐私安全，达到了98%的匹配精确度。