检索结果-南通市图书馆

基于李雅普诺夫优化的移动群智感知在线任务分配策略

在线全文

学校读者我要写书评

暂无评论

计算机科学 2023年第2期50卷 50-56页

作者：常沙吴亚辉邓苏马武彬周浩浩国防科技大学系统工程学院长沙410005

移动群智感知技术基于众包思想,募集移动感知设备对周围环境进行感知,能够使得环境感知和信息收集更加灵活、方便、高效。任务分配方案的合理性直接影响到感知任务能否成功,因此制定合理的任务分配方案是移动群智感知相关研究中的热点... 详细信息

移动群智感知技术基于众包思想,募集移动感知设备对周围环境进行感知,能够使得环境感知和信息收集更加灵活、方便、高效。任务分配方案的合理性直接影响到感知任务能否成功,因此制定合理的任务分配方案是移动群智感知相关研究中的热点和重点。目前,移动群智感知系统中的任务分配方法多是离线的,针对的是单一类型的任务,但是在实际中,在线的、多类型的任务分配更贴近实际。因此,文中针对多类型任务,将移动群智感知技术应用于军事末端感知中,结合移动群智感知技术在军事领域的应用特点,对移动群智感知中的任务分配方法进行了研究,提出了面向系统效益的在线任务分配策略。文中建立了长期的、动态的在线任务分配系统模型,并以系统效益为优化目标,基于李雅普诺夫优化理论对问题进行了求解,实现了任务准入策略和任务分配方案的长期在线动态控制。实验结果表明,所提出的在线任务分配算法是有效可行的,能够在线、合理地分配到达移动群智感知系统的任务,保证任务队列的稳定性,且可以通过调整参数值增加系统效益。

关键词：移动群智感知系统效益李雅普诺夫优化任务队列稳定性

基于李雅普诺夫优化的电动汽车充电调度和能量管理

在线全文

学校读者我要写书评

暂无评论

基于李雅普诺夫优化的电动汽车充电调度和能量管理

作者：郑婵华北水利水电大学

学位级别：硕士

近年来,随着人们环保意识的不断加强,使用清洁能源且不增加碳排放的纯电动汽车（Electric Vehicles,EVs）已经开始取代燃油汽车成为新的出行工具。但是大规模电动汽车无序充电将会加剧负荷峰谷差值,影响电网的稳定运行,因此需要引导电... 详细信息

近年来,随着人们环保意识的不断加强,使用清洁能源且不增加碳排放的纯电动汽车（Electric Vehicles,EVs）已经开始取代燃油汽车成为新的出行工具。但是大规模电动汽车无序充电将会加剧负荷峰谷差值,影响电网的稳定运行,因此需要引导电车进行有序充电。李雅普诺夫优化是一个不需要先验信息的算法,可以很好的处理实时信息,实现车辆的线上调度。基于此,本文将该算法与电动汽车的充电调度相结合,引导车辆有序充电。主要内容如下:首先,介绍了电车充电调度的相关理论基础,分析了电车消纳可再生能源的方法策略,并且对本文采用的李雅普诺夫优化理论做了简单说明,为下文的建模打下了基础。其次,为传统充电站配备了可再生能源生产和储存设备,尽可能减少从配电网购电。并且提出了一种基于李雅普诺夫优化的电车充电调度方案和充电站能量管理的在线算法。同时,利用合约理论设计了信息不对称情况下的最优收费策略,通过激励系统,用户可以在低高峰时段自发充电,避免电网过载和高能源成本的风险。仿真结果表明,该算法可以提高充电站运营商的效益,使充电站能够长期运营而不发生拥堵,并且仅使用实时信息来调度电动汽车,减少了系统的计算量。最后,将电动汽车与电网（Vehicle-to-Grid,V2G）互动技术加入到上文电车的充电调度模型之中。为了降低V2G模式下的调度难度,采用自动驾驶的电动汽车代替传统电动汽车,并且进一步改善模型,加入了路径规划。然而,由于充放电任务带来的延迟,用户会对长时间的等待产生不满,本文基于李雅普诺夫优化理论设计了一种调度方式,在最大化降低用户不满意度的同时,尽可能的缩小充电站的成本。

关键词：李雅普诺夫优化充电调度能量管理 V2G技术

基于李雅普诺夫优化的容器云队列在线任务和资源调度设计

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机应用 2019年第2期39卷 494-500页

作者：李磊薛洋吕念玲冯敏华南理工大学电子与信息学院广州510641 世纪龙信息网络有限责任公司广州510630

为在保证任务服务质量(QoS)的条件下提高容器云资源利用率,提出一种基于李雅普诺夫的容器云队列任务和资源调度优化策略。首先,在云计算服务排队模型的基础上,通过李雅普诺夫函数分析任务队列长度的变化;然后,在任务QoS的约束下,构建资... 详细信息

为在保证任务服务质量(QoS)的条件下提高容器云资源利用率,提出一种基于李雅普诺夫的容器云队列任务和资源调度优化策略。首先,在云计算服务排队模型的基础上,通过李雅普诺夫函数分析任务队列长度的变化;然后,在任务QoS的约束下,构建资源功耗的最小化目标函数;最后,利用李雅普诺夫优化方法求解最小资源功耗目标函数,获得在线的任务和容器资源的优化调度策略,实现对任务和资源调度进行整体优化,从而保证任务的QoS并提高资源利用率。CloudSim仿真结果表明,所提的任务和资源调度策略在保证任务QoS的条件下能获得高的资源利用率,实现容器云在线任务和资源优化调度,并且为基于排队模型的云计算任务和资源整体优化提供必要的参考。

关键词：云计算资源调度建模与分析服务质量保证功耗优化李雅普诺夫优化

在线全文

学校读者我要写书评

暂无评论

基于李雅普诺夫优化的任务卸载优化算法

微电子学与计算机 2022年第11期39卷 19-26页

作者：马丽丽张文东李智威莫王昊新疆大学软件学院新疆乌鲁木齐830091 新疆大学软件工程技术重点实验室新疆乌鲁木齐830091

针对边缘计算环境下,任务卸载过程中任务的动态到达性和信道条件的不确定所引起的平均时延和能耗的优化问题,提出了一种基于李雅普诺夫优化的任务卸载优化算法.首先,采用李雅普诺夫优化方法把原问题转变为确定性的优化问题,将终端设备... 详细信息

针对边缘计算环境下,任务卸载过程中任务的动态到达性和信道条件的不确定所引起的平均时延和能耗的优化问题,提出了一种基于李雅普诺夫优化的任务卸载优化算法.首先,采用李雅普诺夫优化方法把原问题转变为确定性的优化问题,将终端设备中待卸载的任务队列按照优先级传输至缓存基站,并对任务卸载过程中的队列长度进行约束和建模,使得队列长度可控,从而保证系统稳定性.其次,结合遗传算法正反馈机制、快速收敛性和蚁群算法全局快速搜索能力、求解精度效率高等优势,对缓存基站中带有优先级约束队列的实际状态来寻求近似最优的卸载路径,以便高效的将任务卸载到合适的移动边缘计算(Mobile Edge Computing,MEC)服务器中.最后,根据任务队列的约束和卸载路径的优化结果提出了一种启发式全局优化任务卸载算法.经过实验仿真,所提算法与现有的EEDOA研究方法相比,合理地约束队列长度与选择近似最优路径可有效降低任务的卸载能耗.

关键词：移动边缘计算任务卸载队列约束卸载路径李雅普诺夫优化

基于李雅普诺夫优化的铁路集装箱货运站间空箱协同调运研究

在线全文

学校读者我要写书评

暂无评论

铁道货运 2024年第5期42卷 46-52页

作者：钱力中国铁路广州局集团有限公司广东广州510088

铁路集装箱空箱供应与需求的不平衡,导致多个集装箱货运站间空箱需要协同调运。针对空箱调运的动态性、实时性特点,建立以计划周期内整个运输网络空箱调运总费用最小为目标函数的铁路集装箱多时段空箱调运优化模型。该模型为全局优化问... 详细信息

铁路集装箱空箱供应与需求的不平衡,导致多个集装箱货运站间空箱需要协同调运。针对空箱调运的动态性、实时性特点,建立以计划周期内整个运输网络空箱调运总费用最小为目标函数的铁路集装箱多时段空箱调运优化模型。该模型为全局优化问题,直接求解较为困难,因而运用李雅普诺夫优化方法简化模型,将全局优化问题转化为多个单一时段问题,且从理论上证明转化后的问题等价于原问题。利用数学软件对简化后的模型进行求解,通过算例分析验证所提出模型的正确性和有效性,实现计划周期内多个铁路集装箱货运站间空箱的最优动态调度。

关键词：铁路集装箱空箱调运多时段李雅普诺夫优化协同调运

在线全文

学校读者我要写书评

暂无评论

车联网中基于李雅普诺夫的异构资源优化研究

车联网中基于李雅普诺夫的异构资源优化研究

作者：陶小方重庆邮电大学

学位级别：硕士

近年来,随着车联网(Internet of Vehicle,IoV)的飞速发展,自动驾驶、汽车导航等车辆时敏技术应运而生。由于移动车辆的计算资源有限,不能充分满足时敏业务的需求,移动边缘计算(Mobile Edge Computing,MEC)技术将计算和存储资源扩展到网... 详细信息

近年来,随着车联网(Internet of Vehicle,IoV)的飞速发展,自动驾驶、汽车导航等车辆时敏技术应运而生。由于移动车辆的计算资源有限,不能充分满足时敏业务的需求,移动边缘计算(Mobile Edge Computing,MEC)技术将计算和存储资源扩展到网络边缘,并且能够降低任务的处理时延。因此,利用MEC技术可以实现低时延、高能效的车载服务。但是由于移动边缘终端拥有的计算资源有限,同时受到无线信道的快速波动以及车辆的移动方向和速度随机性等因素的影响,使得资源调度变得非常复杂且具有挑战性。针对以上不足,本文主要研究了在车联网动态环境下基于李雅普诺夫的异构资源优化问题。本文的主要内容包含以下两个方面:1.针对基站(Base Station,BS)故障会导致业务不连续、用户体验质量(Quality of Experience,Qo E)差等问题,考虑在基站能提供服务的情况下(车辆在线)或基站出现突发状况不能通信时(车辆离线)对通信和计算资源进行管理。车辆在线时,利用V2I(Vehicle-to-Infrastructure)技术将部分任务上传至MEC服务器进行计算,利用Lyapunov算法将随机优化问题解耦为独立的每帧优化,构建惩罚漂移函数并最小化漂移加惩罚函数的上界,得到移动车辆的CPU周期频率、发射功率和带宽的最优分配;车辆离线时,则通过V2V(Vehicle-to-Vehicle)技术采用多跳路由算法获得最优的路径来卸载计算任务。仿真结果表明所提方案能保持可靠的通信并且最大限度地提高系统的通信容量。2.针对车联网动态环境下由于车辆速度和通信信道的随机变化导致资源利用率低等问题,首先在车辆边缘计算网络中引入非正交多址技术(Non-orthogonal Multiple Access,NOMA),提出了基于NOMA的资源优化方案,不仅解决了多车与基站的无线通信资源不足的问题,而且还降低了系统能耗。然后设计了一种基于李雅普诺夫理论的优化算法,从而最小化平均能量消耗,为车辆用户制定了最优的卸载、缓存策略。最后仿真结果表明,与现有方案相比所提方案能有效利用资源。

关键词：移动边缘计算车联网资源优化李雅普诺夫优化

基于李雅普诺夫优化的移动边缘计算任务卸载策略研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于李雅普诺夫优化的移动边缘计算任务卸载策略研究

作者：刘齐伟江西师范大学

学位级别：硕士

随着移动设备的快速发展,相关智能应用极大地改变了人们的生活方式。但由于移动设备的计算和存储资源有限,同时传统云计算中任务卸载方式存在高延迟、网络拥塞、传输距离远等问题,已经不能满足计算密集型和时延敏感型任务的计算要求。... 详细信息

随着移动设备的快速发展,相关智能应用极大地改变了人们的生活方式。但由于移动设备的计算和存储资源有限,同时传统云计算中任务卸载方式存在高延迟、网络拥塞、传输距离远等问题,已经不能满足计算密集型和时延敏感型任务的计算要求。而移动边缘计算（Mobile Edge Computing,MEC）技术将云端的计算与存储能力下沉到用户近端的网络节点上,并且能够在满足低延迟的要求下提供计算服务。因此,将任务卸载到MEC服务器上计算,能够提高任务计算效率、降低任务时延、降低移动设备能耗和任务卸载成本。MEC中任务卸载受到能耗、时延以及卸载成本等多种因素影响,如何高效地进行任务卸载是亟需解决的问题。当前,众多学者研究了MEC中任务卸载的最小化卸载成本,最小化能耗和时延等问题,但存在一些不足:（1）基于最小化卸载成本的研究中,未考虑对MEC中任务卸载成本（信道传输成本和任务计算成本）的优化,以及其它空闲移动设备能够提供计算服务的可能;（2）基于最小化能耗和时延的研究中,未考虑在保证队列稳定的情况下同时降低任务时延和移动设备能耗,并且现有研究在降低移动设备能耗和任务时延方面,采用的方法依赖系统参数的过去状态,不能在每个时间片做出动态卸载决策。基于以上不足,本文进行以下研究:（1）当多个移动设备同时产生任务卸载请求时,为了达到降低任务卸载成本的目标,本文在保证队列稳定的前提下,提出了基于李雅普诺夫优化的动态卸载算法。根据任务卸载情况,建立了任务队列模型,提出了一种基于任务卸载成本与时延均衡的任务卸载策略。在每个时间片内,根据移动设备任务的产生情况做出动态卸载决策。判断任务或在本地计算或分配给其它具有空闲计算资源的移动设备计算或分配给MEC服务器计算。仿真表明,该算法能效降低任务卸载成本,并且保证队列稳定。（2）当多个移动设备任务动态卸载时,为了达到最小化移动设备能耗和任务时延的目标,建立了任务缓存队列和MEC服务器队列模型,基于李雅普诺夫优化方法,提出了一种最小化能耗和时延加权的任务卸载最优匹配策略,求解出了任务在本地计算时移动设备的最优CPU频率和任务动态卸载的最优匹配。在每个时间片内,根据队列参数情况做出动态卸载决策,即任务在本地计算或者卸载到MEC服务器上计算。仿真表明,该算法能有效地降低设备能耗和任务时延。

关键词：移动边缘计算任务卸载李雅普诺夫优化卸载策略

基于李雅普诺夫优化的光伏充电站在线能量管理方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于李雅普诺夫优化的光伏充电站在线能量管理方法

作者：石峻玮华北电力大学(北京)

学位级别：硕士

近年来受政策激励、实时电价以及环境问题等因素的影响,为保障能源安全和实现低碳经济转型,各国政府都在积极推动电动汽车产业发展。其中,电动汽车光伏充电站是对分布式可再生能源就地消纳的典型集成方式,有助于提高充电站运行的经济效... 详细信息

近年来受政策激励、实时电价以及环境问题等因素的影响,为保障能源安全和实现低碳经济转型,各国政府都在积极推动电动汽车产业发展。其中,电动汽车光伏充电站是对分布式可再生能源就地消纳的典型集成方式,有助于提高充电站运行的经济效益和环境效益。如今,电动汽车充电站不仅需要分布式可再生能源的集成接入,还要综合考虑电网实时电价的波动和用户侧差异化充电需求的影响,以执行合理的电动汽车充电能量管理策略。光伏充电站的能量管理策略既要满足用户的充电需求,又要尽可能多地降低自身运营费用,减少站内电动汽车充电过程产生的间接碳排放。本文在光伏充电站中的电动汽车用户与光伏能源服务商(Photovoltaic Energy Service Provider)之间建立起合作联盟,形成合作博弈的关系,其中光伏能源服务商将可再生能源出售给电动汽车用户,并为他们提供能量管理服务以减少其充电费用。对于光伏能源服务商,本文提出一种基于李雅普诺夫优化的在线能量管理算法,在满足用户的充电需求前提下,对充电站中的可控电动汽车负荷队列进行快速地调控。根据每个电动汽车的初始SOC(State of Charge),停车时段,分时电价以及充电站内分布式光伏电源的发电出力,构建可控负荷队列,将能量管理问题转化为每个时刻的线性规划问题。该能量管理算法采用非预测机制,只需获取当前时刻的相关变量即可作出实时调控决策。根据合作博弈理论,充电站内合作联盟的形成使得联盟内每个参与者在经济上都会获得补贴奖励。为了充分量化合作联盟中参与者不同的贡献度,本文采用夏普利值法(Shapley Value)来分配参与合作的电动汽车用户和光伏能源服务商的奖励。通过仿真结果对比分析可知,在电动汽车光伏充电站中采用基于李雅普诺夫优化的在线能量管理算法和形成合作联盟,可以有效促进分布式光伏能源消纳,降低充电站整体运营成本;同时算法计算复杂度低,决策过程迅速,具有一定可行性。

关键词：电动汽车光伏充电站李雅普诺夫优化夏普利值法能量管理

基于李雅普诺夫优化和深度强化学习的多任务端边迁移

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

控制与决策 2024年第7期 2457-2464页

作者：许驰唐紫萱金曦夏长清中国科学院沈阳自动化研究所机器人学国家重点实验室中国科学院网络化控制系统重点实验室中国科学院机器人与智能制造创新研究院中国科学院大学

针对多终端、多边缘服务器场景下异构工业任务的端边协同处理问题,提出一种基于李雅普诺夫优化和深度强化学习的多任务端边迁移算法.首先,以联合优化任务迁移决策、迁移比例和传输功率为目标,充分考虑计算频率、传输功率、长期能耗和任... 详细信息

针对多终端、多边缘服务器场景下异构工业任务的端边协同处理问题,提出一种基于李雅普诺夫优化和深度强化学习的多任务端边迁移算法.首先,以联合优化任务迁移决策、迁移比例和传输功率为目标,充分考虑计算频率、传输功率、长期能耗和任务截止期等约束,构建系统长期平均开销最小化问题;由于问题中长期目标及约束中变量在不同时隙相互耦合,难以求解,基于李雅普诺夫优化理论,将长期平均开销最小化问题解耦为独立时隙的策略优化问题;通过马尔可夫决策过程建模,并采用双层竞争深度神经网络架构,提出基于深度强化学习的多任务迁移算法.实验结果表明,所提算法能够稳定收敛,并在长期能耗约束和任务截止期要求下有效降低系统长期平均开销.

关键词：异构工业任务任务迁移李雅普诺夫优化马尔可夫决策过程深度强化学习