无线传感网络中拥塞控制与路由的跨层设计:分布式牛顿法

无线传感网络应用广泛, 其性能与路由选择和拥塞控制密切相关. 致力于拥塞控制与多径路由的跨层优化, 以实现在链路容量受限和节点能量受限情况下的无线传感网络效用最大化. 针对对偶次梯度算法具有收敛速度慢与信息交互量大等缺陷, 设计了具有二阶收敛性能的分布式牛顿算法来实现网络效用最大化. 通过矩阵分裂技术, 实现了只需单跳信息交互的牛顿对偶方向的分布式求解方法. 仿真结果表明, 分布式牛顿算法的收敛性能显著优于对偶次梯度算法.     

梯度有偏情形非光滑问题NAG的个体收敛性

随机优化方法已经成为处理大规模正则化和深度学习优化问题的首选方法,其收敛速率的获得通常都建立在目标函数梯度无偏估计的基础上,但对机器学习问题来说,很多现象都导致了梯度有偏情况的出现.与梯度无偏情形不同的是,著名的Nesterov加速算法NAG(Nesterov accelerated gradient)会逐步累积每次迭代中的梯度偏差,从而导致不能获得最优的收敛速率甚至收敛性都无法保证.近期的研究结果表明,NAG方法也是求解非光滑问题投影次梯度关于个体收敛的加速算法,但次梯度有偏对其影响的研究未见报道.针对非光滑优化问题,证明了在次梯度偏差有界的情况下,NAG能够获得稳定的个体收敛界,而当次梯度偏差按照一定速率衰减时,NAG仍然可获得最优的个体收敛速率.作为应用,得到了一种无需精确计算投影的投影次梯度方法,可以在保持收敛性的同时较快地达到稳定学习的精度.实验验证了理论分析的正确性及非精确方法的性能.     

基于价格的联合拥塞和竞争控制算法

提出一种联合拥塞和信道接入控制的跨层优化方法,以降低多播流的分发时延,建立网络效用最大化模型,采用基于效用的定价机制,通过拉格朗日对偶分解获得基于价格的分布式算法,并以该算法为核心进行链路的信道接入竞争控制和拥塞控制。仿真实验结果表明,该算法是可行的。     

无线mesh网络中效用与链路强度联合优化的覆盖多播

支持多播通信是无线mesh网络(WMNs)的一个重要应用.采用基于效用的定价机制,通过拉格朗日(Lagrange)对偶分解法获得一个基于价格的分布式算法.以该分布式算法为核心,作为mesh网络中数据流速率和链路强度调整的优化策略,每条链路根据自己的拥塞状况合理地定价,通过价格机制来调节链路的强度和数据流的速率,使网络净效用最大化.实验结果表明该算法是有效可行的.     

传输合同约束下编码分组网络的效用最大化研究

研究在传输合同约束条件下当编码子图给定时编码分组网络的效用最大化问题。基于提出的网络效用最大化模型,通过对偶分解理论,提出了分布式的次梯度投影算法,证明了算法收敛的充分条件,最后通过仿真验证了算法的正确性。     

WSN中基于对偶分解和次梯度策略的能耗管理方案

为了减弱充电速率的时间可变性对能量收集传感器网络的影响,文中提出一种基于高效对偶分解和次梯度策略的算法Quick-Fix来计算数据采样率和路由;另外,为了应对因充电率发生波动所造成的电池断电、溢出、采样丢失和能量收集机会丢失等情况,提出一种本地算法SnapIt,通过对采集率进行调节以维持电池电量在目标水平上;基于TOSSIM模拟器的性能评估表明,联合QuickFix和SnapIt可跟踪网络瞬时最优效用,同时维持电池电量处于目标水平;与基于余压的IFRC相比,文中方法使总体数据速率平均提升42％,同时显著提升了网络效用.     

基于拟牛顿方法的异步拥塞控制算法

针对当前网络中的拥塞问题,通过最优化问题引出网络效用最大化框架,在满足链路容量的约束下,最大化关于用户速率的效用函数,从而达到用户的最大满意程度。提出一种基于对偶原理的分布式速率异步控制算法,在链路算法设计过程中,用拟牛顿算法代替梯度算法,并且允许反馈延时时变。仿真结果表明,该算法收敛速度更快且满足公平性。     

无线多跳网络联合拥塞控制和功率分配的快速二阶算法

针对节点功率受限的无线多跳网络,研究业务流路由确知时的联合功率分配、流量分配和拥塞控制问题,并基于原始对偶内点法设计一种具有二阶收敛性能的算法.该算法利用矩阵分裂方法实现业务流源速率和节点功率的分布式更新,最终优化网络效用.仿真结果表明,算法能有效降低网络中的功率消耗,提高网络的能量效用,同时相较于传统拉格朗日对偶分解法,所提出算法具有非常好的收敛性能.     

编码分组网络的效用最大化研究

对基于网络编码方案的分组网络(即编码分组网络)的效用最大化问题进行研究。利用网络编码和网络流的对应关系以及组播树分解方法提出单通话编码分组网络效用最大化模型。基于对偶分解理论推导出解决单通话编码分组网络效用最大化问题的分布式次梯度投影算法,找到一个有效的Lipschiz常数从而得到算法收敛的充分条件。通过仿真验证了该算法的正确性。     

随机ADD算法的不确定网络优化研究

传统的网络优化问题通过对偶梯度下降算法来解决,虽然该算法能够以分布式方式来实现,但其收敛速度较慢.加速对偶下降算法(ADD)通过近似牛顿步长的分布式计算,提高了对偶梯度下降算法的收敛速率.但由于通信网络的不确定性,在约束不确定时,该算法的收敛性难以保证.基于此,提出了一种随机形式的ADD算法来解决该网络优化问题.理论上证明了随机ADD算法当不确定性的均方误差有界时,能以较高概率收敛于最优值的一个误差邻域;当给出更严格的不确定性的约束条件时,算法则可以较高概率收敛于最优值.实验结果表明,随机ADD算法的收敛速率比随机梯度下降算法快两个数量级.     

一种改进的神经网络算法及其在烧结成本预测中的应用研究

在烧结生产过程中,固体燃耗占据了生产能耗的70%左右,而与固体燃耗相关的工艺参数与固体燃耗之间呈现出非线性关系。为了实现优化生产和达到降低生产能耗的目的,本文采用改进后的BP神经网络挖掘两者之间存在的映射关系。本文提出了一种基于广义Curry原则非精确线搜索的共轭梯度算法,利用新的线搜索规则来确定算法的学习步长,在保证算法全局收敛的前提下,优化学习步长,提高了算法的收敛速度。利用改进的算法对烧结生产成本进行分析和预测,仿真结果说明改进算法具有很好的收敛性,预测的均方误差为0.0098,准确率达到94.31%。     

Energy-oriented joint optimization of machine maintenance and tool replacement in sustainable manufacturing

With the increasing attention on sustainable manufacturing, operation and maintenance (O&M) management focuses on not only budget limit, but also energy saving. For modern CNC systems, besides the energy consumption to operate and maintain the machine, a majority of energy consumption generated from tool wear should be considered. It means both machine degradation and tool wear are required to be modelled for the global saving energy. Thus, this paper proposes an energy-oriented joint optimization of machine maintenance and tool replacement (EJMR) policy by integrating energy consumption mechanisms and joint maintenance opportunities in a machine-tool system. The key issue is to combine the preventive maintenance (PM) scheduling of the machine and the polish/preventive replacement (PR) optimization of sequential tools to form energy-effective schemes. Therefore, joint maintenance opportunities of PM actions are utilized to perform tool polish/PR based on energy consumption mechanisms. Four successive procedures (energy consumption analysis, energy-oriented PM scheduling, machine-tool PR model and integrated decision-making process) are developed. Thereby optimal intervals of machine PM and tool polish/PR are obtained to save energy. The case study illustrates that compared with conventional maintenance policies, this proposed EJMR policy can significantly reduce the total non-value-added energy consumption (TNVE) in sustainable manufacturing.     

模型指导的多维GPU软件低功耗优化方法

作为众核体系结构的典型代表,GPU(Graphics Processing Units)芯片集成了大量并行处理核心,其功耗开销也在随之增大,逐渐成为计算机系统中功耗开销最大的组成部分之一,而软件低功耗优化技术是降低芯片功耗的有效方法.文中提出了一种模型指导的多维低功耗优化技术,通过结合动态电压/频率调节和动态核心关闭技术,在不影响性能的情况下降低GPU功耗.首先,针对GPU多线程执行模型的特点,建立了访存受限程序的功耗优化模型;然后,基于该模型,分别分析了动态电压/频率调节和动态核心关闭技术对程序执行时间和能量消耗的影响,进而将功耗优化问题归纳为一般整数规划问题;最后,通过对9个典型GPU程序的评测以及与已有方法的对比分析,验证了该文提出的低功耗优化技术可以在不影响性能的情况下有效降低芯片功耗.     

数据中心制冷系统非线性模型预测控制

数据中心制冷系统具有非线性、强耦合和大滞后特性,目前常用的PID方法无法实现系统整体能效提升,而现有非线性优化算法计算量大,不易工程实现.鉴于此,提出一种数据中心制冷系统模型预测控制策略,上层优化层设计预测控制器,其目标为在满足制冷要求的前提下降低系统能耗,优化层采用神经网络作为反馈控制器,将系统整体优化目标函数作为神经网络控制器优化性能指标,结合变分法与随机梯度下降法,通过滚动优化求取下层各回路被控变量最优设定值,算法占用存储区适中、计算量小;下层现场控制层通过实时控制使各回路被控变量跟踪最优设定值,可以在不破坏原有现场控制系统的情况下实现性能优化.构建Trnsys-Matlab联合仿真平台,针对系统夏季、过渡季和冬季的控制策略进行仿真实验.结果表明,所提出控制策略能够在满足数据中心安全运行的前提下,实现系统整体能效提升,且具有良好的鲁棒性.     

Ad Hoc 网络节能型功率控制与拥塞控制的跨层优化

有限的节点能量和通信带宽,是Ad Hoc网络的两个重要的特点.节点能量是影响网络容量的关键因素,也是制约网络寿命的决定因素;而有限的通信带宽使得网络更容易产生拥塞.因此,节能型的功率控制与拥塞控制联合优化在Ad Hoc网络中显得尤为重要.首先,设计了节能型的网络效用最大化问题,即在目标函数中引入能量消耗成本函数,从网络效用和网络寿命两个方面来综合优化网络性能.其次,运用对偶分解与梯度投影方法,提出了相应的节能型功率控制与拥塞控制联合优化算法.另外,分析和证明了所提算法的收敛性.最后,详细的仿真结果表明了所提算法的有效性:在保持网络吞吐量基本不变的同时,可以有效地减少节点的能量消耗,从而延长网络寿命.     

基于能量收集的环境反向散射通信联合优化算法设计

针对环境反向散射通信系统,设计两跳无线信息和能量传输方案并基于能效最大化准则给出联合优化算法。源端配置多天线并采用最大比发送(Max Ratio Transmission,MRT)预编码方法,中继节点使用功率分流法以完成信息发送与能量收集。基于系统传输模型,对源端天线数和发送功率采用联合优化算法以得到系统最大能效。借助高信噪比近似法进行非凸向凸的转化以解决优化目标中非凸问题。此外,利用Lambert W函数得到源端天线数和发送功率联合优化的最优解。仿真结果验证了所提方案的有效性和正确性。     

智能交通环境下车辆群体速度优化控制方法研究

为降低智能交通系统中车辆的能量消耗,该研究以智能网联汽车为研究对象,提出了一种车 辆速度优化控制方法。该方法以车辆的能量消耗模型为依据,综合考虑了其他车辆以及交通信号灯配 时对车速的影响。通过瞬时优化算法实时计算出经济车速,从而降低车辆的能量消耗并减少车辆的信 号灯等待时间。为验证其有效性,该研究提出了 3 种基准测试方法,并在 Vissim/Autonomie 联合仿真平 台上对几种方法进行了比较。结果显示,该方法分别实现了 14.32%、9.74% 和 73.72% 的能耗降低。     

节能感知的无线传感网接入控制与路由优化策略

为降低能耗,延长输电线路监测网络传感器寿命,提出一种新的媒体接入控制与路由联合优化策略。构建无线传感网通信框架,并基于该框架给出一种自适应的簇内调度策略,旨在减少传感器节点的空闲监听,从而降低节点能耗。给出一种按需路由协议,在确保能量等级和信道质量的同时在簇间进行最佳路由选择,基于簇头剩余能量及其到基站的距离,利用非均匀簇技术平衡节点能量分布,延长网络寿命,并构建能耗和延迟模型进行性能评估。实验结果表明,该方案在节能的同时能够显著降低数据传输时延。     

面向多媒体传感器网络的视频压缩新算法

视频压缩可以降低多媒体传感器网络中的数据信息量。传统分布式视频编码方案采用区域统一编码,可能导致运动剧烈区域解码估计的失真。提出一种改进的分布式视频编码算法。该算法基于图像梯度场,针对Wyner-Ziv帧不能准确编解码的区域,通过ROI判定准则提取该区域并基于熵编码压缩,图像其他区域则基于LDPC实现分布式编解码,进而实现视频的优化传输。仿真实验表明：本文算法可增强运动剧烈区域的编码效率,在降低码率的同时提高解码图像质量,最终降低传感器节点能耗。     

Resource scheduling based on energy consumption for sustainable manufacturing

The paper proposes an agent-based approach for measuring in real time energy consumption of resources in job-shop manufacturing processes. Data from industrial robots is collected, analysed and assigned to operation types, and then integrated in an optimization engine in order to estimate how alternating between makespan and energy consumption as objective functions affects the performances of the whole system. This study focuses on the optimization of energy consumption in manufacturing processes through operation scheduling on available resources. The decision making algorithm relies on a decentralized system collecting data about resources implementing thus an intelligent manufacturing control system; the optimization problem is implemented using IBM ILOG OPL.