一种基于深度强化学习的Spark Streaming参数优化方法

Spark Streaming作为主流的开源分布式流分析框架,性能优化是目前的研究热点之一。在Spark Streaming性能优化中,业务场景下的配置参数优化是其性能提升的重要因素。在Spark Streaming系统中,可配置的参数有200多个,对参数调优人员的经验要求较高,未经优化的参数配置会影响流作业执行性能。因此,针对Spark Streaming的参数配置优化问题,提出一种基于深度强化学习的Spark Streaming参数优化方法（DQN-SSPO）,将Spark Streaming参数优化配置问题转化为深度强化学习模型训练中的最大回报获得问题,并提出权重状态空间转移方法来增加模型训练获得高反馈奖励的概率。在3种典型的流分析任务上进行实验,结果表明经参数优化后Spark Streaming上的流作业性能在总调度时间上平均缩减27.93%,在总处理时间上平均缩减42%。     

基于知识图谱的智能信息推荐模型构建仿真

网络大数据之间独立性较强,导致信息推荐难度较大,无法满足用户个性化要求。提出基于知识图谱的智能信息推荐模型。扩展与改进单元模型,设计领域知识模型,并动态更新知识图谱,设计学习者模型架构。利用牛顿-拉夫逊迭代法求取认知水平,界定信息推荐达成度,实现最优路径的智能信息推荐。仿真结果证明,所构建的模型信息推荐路径更优,且推荐精度更高,具有更高的实际应用价值。     

基于精英集的多目标差分进化聚类算法

聚类数的确定在聚类分析中是一个基本却具有挑战性的问题。一方面,最佳聚类数根据不同的评价标准、用户偏好或需求可能不一致,因此将不同聚类数的聚类结果呈现给用户作参考是有意义的。另一方面,增加聚类数虽会使聚类结果更加紧致,却会削弱不同类之间的分离性,所以选择合适的聚类数是一个在最小化聚类数与最大化类内紧致性或类间分离性之间取得平衡的多目标优化问题。因此,在聚类数不确定的聚类问题中直接将聚类数作为一个优化目标与另一个反映类内紧致性的目标函数同时进行优化,利用新的基于精英集的多目标差分进化算法得到一个Pareto解集,集合中含有多个不同聚类数的近似最优聚类结果。实验结果验证了所提算法的可行性和有效性。     

排课流程优化与重组研究

高校规模的不断扩大,教学改革的不断深化与有限教学资源的矛盾日益突出,现有的课程管理和服务无法满足学校快速发展的需求。流程重组通过分析和改进组织过程,可以更好地实现业务目标,该文将ESIA方法应用于业务流程再造,使用ESIA中的清除、简化、整合、自动化策略对排课流程中的问题进行优化,通过统一发布教学任务、集中排课、减少中间沟通环节等方法提升排课流程的效率和便捷性,极大地提高了师生的满意度、提升管理质量、为高校排课流程优化提供参考。     

Dynamic ensemble wind speed prediction model based on hybrid deep reinforcement learning

Prediction of wind speed can provide a reference for the reliable utilization of wind energy. This study focuses on 1-hour, 1-step ahead deterministic wind speed prediction with only wind speed as input. To consider the time-varying characteristics of wind speed series, a dynamic ensemble wind speed prediction model based on deep reinforcement learning is proposed. It includes ensemble learning, multi-objective optimization, and deep reinforcement learning to ensure effectiveness. In part A, deep echo state network enhanced by real-time wavelet packet decomposition is used to construct base models with different vanishing moments. The variety of vanishing moments naturally guarantees the diversity of base models. In part B, multi-objective optimization is adopted to determine the combination weights of base models. The bias and variance of ensemble model are synchronously minimized to improve generalization ability. In part C, the non-dominated solutions of combination weights are embedded into a deep reinforcement learning environment to achieve dynamic selection. By reasonably designing the reinforcement learning environment, it can dynamically select non-dominated solution in each prediction according to the time-varying characteristics of wind speed. Four actual wind speed series are used to validate the proposed dynamic ensemble model. The results show that: (a) The proposed dynamic ensemble model is competitive for wind speed prediction. It significantly outperforms five classic intelligent prediction models and six ensemble methods; (b) Every part of the proposed model is indispensable to improve the prediction accuracy.     

Hierarchical control for cornering stability of dual-motor RWD vehicles with electronic differential system using PSO optimized SOSMC method

This paper proposes a novel control scheme with a three-layer hierarchical structure to improve the cornering stability of the dual-motor rear-wheel drive (RWD) vehicles with the electronic differential system (EDS). The proposed hierarchical structure for the control system includes the observing layer, control layer, and actuation layer. In the observing layer, the driver model is designed to obtain the nominal steering angle, and the state observer is designed to obtain the yaw angle which cannot be easily measured. Then, particle swarm optimization (PSO) and second order sliding mode control (SOSMC) are employed in the control layer. The SOSMC part is used to design the control law to eliminate the chattering problem in the sliding mode algorithm, and the PSO part is used to obtain the optimal weights in the sliding mode surface to meet the minimum sideslip angle error and yaw rate error. The actuation layer allocates the corrected yaw moment by distributing the driving force to each independent driving wheel. Finally, the numerical tests are carried out under the double line change (DLC) maneuver. The results show that the proposed control system can effectively improve the cornering stability of the dual-motor RWD vehicles and reduce their motor power consumption.     

基于RISC-V处理器的卷积加速SoC系统设计

为提高卷积神经网络（CNN）的计算效率和能效,以8 bit定点数据作为输入,设计一个支持激活、批标准化以及池化等CNN网络中常见计算类型的卷积加速器,优化循环计算顺序并将其与数据复用技术相结合,以提高卷积计算的效率。基于软硬件协同设计思想,构建包含RISC-V处理器和卷积加速器的SoC系统,RISC-V处理器基于开源的指令集标准,可以根据具体的设计需求扩展指令功能。将该SoC系统部署在Xilinx ZCU102开发板上,RISC-V处理器和卷积加速器分别工作在100 MHz和300 MHz频率下,测试结果表明,该加速器的算力达到153.6 GOP/s,运行VGG16网络进行图片推理计算时加速效果较好。     

面向理想性能空间的跨架构编译分析方法

编译器性能是计算机系统架构充分发挥优势的体现,编译器优化受机器平台与编译器特征的影响.编译器分析是在目标编译器与多参照编译器、目标平台与多参照平台之间进行的,即编译器与平台的组合是分析的基础.只有在多组合情况下才能为目标编译器优化提供最大可能的性能提升空间和详细的优化方案,但增加编译器与平台的组合往往会增加无法计量的分析工作量.为此,提出了一种基于峰值架构的面向跨平台跨编译器分析方法.基于峰值架构集为目标编译器构建理想性能空间,结合细粒度优势优化定位技术为目标编译器提供优势优化选项和优化方向,并实现编译器优化.最后通过实验验证了该分析技术的实用性与普适性,并为Intel平台上的目标编译器gcc提供了优化方向.     

面向数据发布的隐私保护模型及参数优选方法

为更好地对待发布数据进行隐私保护,构建综合k-匿名、l-多样性和t-闭合方法的匿名化隐私保护模型。利用该模型能够选择最适合的隐私保护方法,并优选对应的隐私保护参数,达到数据提供者所期望的隐私保护效果,满足数据使用者对可用性的要求。实验结果表明,该方法不仅可以找到相对较优的参数值,而且能够有效满足具有不同身份和应用需求的用户对数据发布的要求。     

考虑风电和储能接入电网的多目标协同博弈区间经济调度

针对风电的不确定性对电网调度的经济和安全运行造成影响的问题, 充分考虑储能灵活充放电的运行优 势, 提出了一种基于改进均衡协调算法的多目标区间储能经济调度优化方法. 本文综合考虑有功调度与无功优化之 间的内在耦合关系, 以典型日运行的电压偏差和系统综合运行总成本最小化为优化目标, 建立多目标区间储能经济 调度优化模型. 在优化过程中, 首先考虑在直流潮流的区间调度模型中, 通过优化储能和发电机的有功出力来实现 对风电不确定性的处理, 然后采用改进均衡协调算法对考虑交流潮流的有功–无功储能调度模型进行综合优化, 从 而获得兼顾电网安全性与经济性的均衡最优解. 本文还从风电的不同区间波动以及风电场并网规模的角度出发, 分 析了对系统储能调度运行的影响. 最后本文将改进算法获得的最优解与采用带权重系数的理想点法分析获得的 Pareto最优解进行对比分析, 可避免确定权重因子时的人为主观因素. 本文通过对IEEE RTS–24节点系统进行算例 仿真, 验证了所提模型的合理性和可行性.