基于层级注意力机制与双向长短期记忆神经网络的智能合约自动分类模型

针对区块链平台上智能合约应用种类繁多,人工筛选合适的智能合约应用服务日益困难的问题,提出一种基于层级注意力机制与双向长短期记忆（Bi-LSTM）神经网络的智能合约自动分类模型——HANN-SCA。首先,利用Bi-LSTM网络从智能合约源代码和账户信息两个角度同时建模,最大限度地提取智能合约的特征信息。其中源代码角度关注智能合约中的代码语义特征,账户信息角度关注智能合约的账户特征。然后,在特征学习过程中从词层面和句层面分别引入注意力机制,重点捕获对智能合约分类有重要意义的单词和句子。最后,拼接代码特征与账户特征以生成智能合约文档级特征表示,通过Softmax层完成分类任务。实验结果表明,所提模型在Dataset-E、Dataset-N和Dataset-EO数据集上的分类正确率分别达到了93.1%、91.7%和92.1%,效果明显优于传统的支持向量机模型（SVM）和其他神经网络基准模型,且具有更好的稳定性与更高的收敛速度。     

移动边缘计算中基于Stackelberg博弈的算力交易与定价

针对移动边缘计算中轻量级智能设备计算和存储能力有限等问题,提出一种基于Stackelberg博弈的计算卸载解决方案。首先,结合区块链技术构建基于云挖掘机制的算力交易模型——CPTP-BSG,允许移动智能设备（矿工）将密集且复杂的计算任务卸载到边缘服务器;其次,将矿工与边缘计算服务提供商（ESP）之间的算力交易建模为一个两阶段的Stackelberg博弈过程,并构建矿工与ESP的预期利润函数;然后,使用逆向归纳法分别在统一定价和歧视性定价策略下分析纳什均衡解的存在性和唯一性;最后,提出一种低梯度迭代算法来实现矿工和ESP的利润最大化。实验结果证明了所提算法的有效性,并且与统一定价相比,歧视性定价更符合矿工的个性化算力需求,能达到更高的算力需求总量和ESP利润。     

Android平台下3D游戏引擎技术的研究及应用综述

Android游戏近几年受到疯狂追捧,但手机资源的局限给3D游戏引擎提出了更高要求.结合Android平台下3D游戏引擎的现状,阐述了游戏引擎结构的演变,对Android平台主流引擎进行了对比和分析,并对引擎中涉及场景渲染的包括游戏地形渲染、碰撞检测、遮挡剔除及可见性裁剪在内的多项关键技术进行了简介和分析,同时介绍了给游戏锦上添花的粒子系统和人工智能技术,总结了引擎渲染存在的问题并给出解决方法.     

移动边缘计算中基于Stackelberg博弈的算力交易与定价

针对移动边缘计算中轻量级智能设备计算和存储能力有限等问题，提出一种基于Stackelberg博弈的计算卸载解决方案。首先，结合区块链技术构建基于云挖掘机制的算力交易模型——CPTP-BSG，允许移动智能设备（矿工）将密集且复杂的计算任务卸载到边缘服务器；其次，将矿工与边缘计算服务提供商（ESP）之间的算力交易建模为一个两阶段的Stackelberg博弈过程，并构建矿工与ESP的预期利润函数；然后，使用逆向归纳法分别在统一定价和歧视性定价策略下分析纳什均衡解的存在性和唯一性；最后，提出一种低梯度迭代算法来实现矿工和ESP的利润最大化。实验结果证明了所提算法的有效性，并且与统一定价相比，歧视性定价更符合矿工的个性化算力需求，能达到更高的算力需求总量和ESP利润。     

基于深度强化学习的海上风电机组状态维护与备件库存联合优化

维护与备件库存管理是海上风电运维的两个密不可分的关键环节。为提高海上风电机组设计寿命周期内的运维经济性，构建状态维护与备件库存联合优化策略。首先，将海上风电机组构建为由叶片、齿轮箱、电气、偏航、轮毂、制动、传动链、发电机8个子系统组成的系统，然后将各子系统的劣化过程构建为多状态马尔可夫随机过程，建立维护与备件库存的交互模型，其中包括被动维护时间与随机故障以及备件库存的关系、备件库存对维护活动的影响等。随后，设计子系统的劣化状态与备件库存状态、状态检修动作与备件订购的表征方法，并以此形成深度强化学习Dueling DQN的框架，通过对深度网络的迭代训练，求解海上风电机组的最优维护与备件订购决策序列。最后，以某海上风电场内的风电机组为例，验证所提联合优化方法的优越性，并讨论强化学习的探索率、风电场的可达率对运维成本的影响。