移动边缘计算中智能服务编排和算网资源分配联合优化方法

为了解决边缘网络环境中由于业务差异化、网络环境高度动态化以及算网资源部署去中心化造成的网络服务缓存和算网资源分配效率低等问题,研究并建立了一种去中心化的移动边缘计算服务编排和计算卸载模型;并在算力、存储、带宽等多维资源约束下,以最小化任务处理时延为目标,将服务缓存和算网资源分配联合优化问题抽象为部分可观测马尔可夫决策过程;考虑到服务请求时间依赖性及其与服务缓存间的耦合关系,引入长短时记忆网络来捕获时间相关的网络状态信息,进而提出基于循环多智能体深度强化学习的分布式服务编排和资源分配算法以自主决策服务缓存和算网资源分配策略。仿真结果表明,所提算法在缓存命中率、任务处理时延等方面具有显著的性能提升。     

冷却速率对Ti40.9Zr30.4Nb4.2Cu7Ni1.7Be15.8内生型非晶合金复合材料组织及性能的影响

探究了冷却速率对Ti_40.9Zr_30.4Nb_4.2Cu₇Ni_1.7Be_15.8内生型非晶合金复合材料组织结构及力学性能的影响。采用铜模铸造法制备内生型非晶复合材料,通过控制复合材料的尺寸来控制冷却速率,尺寸越大冷却速率越慢。利用XRD、SEM、DSC、万能力学试验机等对非晶合金复合材料的组织结构及力学性能等进行表征。结果表明,随冷却速率的降低,枝晶相发生熟化且尺寸增大;压缩试验证明,冷却速率显著影响复合材料的压缩性能,随冷却速率的降低,加工硬化能力变强,抗压强度显著提高,最高达到1921 MPa,但屈服强度略有降低;拉伸试验证明,冷却速率对非晶复合材料的屈服强度和抗拉强度等影响不大,最高抗拉强度达到1469 MPa。     

移动边缘计算中分布式异构任务卸载算法

随着物联网(IoT)迅速发展,移动边缘计算(MEC)在提供高性能、低延迟计算服务方面的作用日益明显。然而,在面向IoT业务的MEC(MEC-IoT)时变环境中,不同边缘设备和应用业务在时延和能耗等方面具有显著的异构性,对高效的任务卸载及资源分配构成严峻挑战。针对上述问题,该文提出一种动态的分布式异构任务卸载算法(D2HM),该算法利用分布式博弈机制并结合李雅普诺夫优化理论,设计了一种资源的动态报价机制,并实现了对不同业务类型差异化控制和计算资源的弹性按需分配,仿真结果表明,所提的算法可以满足异构任务的多样化计算需求,并在保证网络稳定性的前提下降低系统的平均时延。     

雾霾天气下降质图像的清晰化处理

针对雾霾天气条件下大气散射和悬浮颗粒物引起的图像对比度、清晰度降低问题,提出通过采用独立分量分析( ICA)算法分解图像中具有相互独立分量的混合像元,估计图像有用信息分量。因乘性噪声信息的存在,会导致估计的图像有用信息有一定的偏差;采用基于噪声检测的局部自适应中值滤波对估计的图像有用信息进行了进一步校正。实验结果证明：新算法能有效去除雾霾,提高图像的清晰度和对比度。     

邻域感知的分布式智能边缘计算卸载和资源分配算法

随着大量计算密集型和时延敏感型任务的出现,利用移动边缘计算(mobile edge computing,MEC)来提高用户体验并降低系统能耗已成为研究热点.然而,在密集部署的MEC网络场景下,无线网络状态复杂的空间相关性和动态性给卸载方案的制定带来了严峻挑战.本文针对多基站多用户MEC网络场景,研究了一种智能协作的计算卸载和资源分配算法.首先,提出了卸载决策、信道分配、传输功率分配和计算资源分配的联合优化问题,旨在用户时延约束下最小化系统的能耗.其次,由于该问题是一个混合整数非线性规划问题,本文提出了一种基于图注意力网络的混合动作多智能体强化学习算法(graph attention network-based hybrid-action multi-agent reinforcement learning, Gat-HMARL),将基站作为智能体并配置该算法. Gat-HMARL算法通过图注意力网络捕捉无线网络状态之间潜在的空间相关性,使基站有选择性地关注邻域中其他基站的无线网络状态信息,从而学习更优的计算卸载和资源分配策略.最后,仿真结果表明Gat-HMARL与基准算法相比在性能上有...     

AlGaN/GaN HEMT电容及充电时间的研究

通过计算AlGaN/GaN HEMT二维电子气中的电势、载流子以及调制掺杂载流子寿命,得到AlGaN/GaN HEMT电容和充电时间,研究了AlGaN掺杂层浓度和厚度对器件的时间响应分析了AlGaN/GaN HEMT器件的高频特性。结果表明,栅电容随着AlGaN掺杂层浓度和厚度的增加逐渐减小。随着AlGaN层掺杂浓度的增大,电容充电时间先减后增,当掺杂浓度达到 时,电容充电时间达到极小值,在AlGaN掺杂层厚度等于7nm时电容充电时间最短。     

移动Ad Hoc云中基于能量收集的分布式卸载方案研究

在物联网快速发展的驱动下，移动Ad Hoc云计算和能量收集(EH)技术通过共享邻近设备的闲置资源满足数据处理等需求，实现绿色通信。然而，由于Ad Hoc云网络的时变性以及EH的随机不稳定性，合理的任务卸载方案研究面临着严峻的挑战。针对以上问题，该文运用Lyapunov优化理论和博弈论，提出一种分布式动态卸载方案。理性的终端设备不可能无偿地为其他终端设备服务，为了鼓励终端设备积极参与计算卸载过程，提出一种基于动态报价的激励机制。相比于现有方案，仿真结果表明所提方案可以有效提升系统收益，稳定电池能量和减少任务队列积压。