云计算中基于拍卖的虚拟机动态供应和分配算法

当前云计算供应商通过定价算法或类似拍卖的算法来分配他们的虚拟机(VM)实例。然而,这些算法大多要求虚拟机静态供应,无法准确预测用户需求,导致资源未得到充分利用。为此,提出了一种基于组合拍卖的虚拟机动态供应和分配算法,在做出虚拟机供应决策时考虑用户对虚拟机的需求。该算法将可用的计算资源看成是“流体”资源,且这些资源根据用户请求可分为不同数量、不同类型的虚拟机实例。然后可根据用户的估价决定分配策略,直到所有资源分配完毕。基于并行工作负载存档(Parallel Workload Archive)的真实工作负载数据进行了仿真实验,仿真结果表明所提方法可保证为云供应商带来更高收入,提高资源利用率。     

结合自编码器和卷积神经网络的推荐系统

传统推荐系统以评分作为推荐依据,没有分析与利用用户的评论内容,导致推荐系统存在推荐准确性低和数据稀疏性的问题.针对这种情况,结合降噪自编码器和卷积神经网络提出一种推荐系统.通过卷积神经网络学习评论内容在方面级的情感和观点,基于降噪自编码器对方面级的观点集合进行归纳和分组,以三阶张量分解技术为基础,推断出用户对项目的综合...     

多因素影响下的充填体强度预测与分析

为分析和预测多因素影响下的充填体强度，开展了充填配合比试验，并以支持向量机回归(SVR)模型为基础，结合灰狼优化算法(GWO)建立了一种新型充填体强度预测模型。结果表明，充填体强度随水泥掺量、料浆质量浓度的增大而增大，随粗细骨料比的增大先增大后减小。采用GWO对SVR中的惩罚因子与核函数参数进行迭代寻优，成功建立了以料浆质量浓度、水泥掺量、人工砂尾砂比和养护时间作为输入变量，以充填体的单轴抗压强度作为输出变量的强度预测模型。模型测试集的均方根误差为0.187,决定系数为0.993。与原始SVR和PSO-SVR相比，GWO-SVR模型的预测精度和可靠性有较大提高，成功实现了多因素影响下充填体强度的高精度预测。