针对智慧医疗场景中高密度无线体域网(wireless body area network,WBAN)多优先级数据传输与计算资源受限的挑战,研究提出一种融合动态优先级评估与量子优化的任务卸载策略。首先通过构建医疗物联网(healthcare Internet of Things,H-I...针对智慧医疗场景中高密度无线体域网(wireless body area network,WBAN)多优先级数据传输与计算资源受限的挑战,研究提出一种融合动态优先级评估与量子优化的任务卸载策略。首先通过构建医疗物联网(healthcare Internet of Things,H-IoT)高密度WBAN网络模型,集成任务优先级分层机制与动态信道状态感知模块,建立基于生理数据特征的通信质量评估体系。其次设计多维动态调度框架,利用生理参数偏离度、数据滞留时间及抢占事件等指标实时调整任务优先级权重,结合抢占式调度策略保障急诊数据的低时延传输。再进一步改进量子遗传算法(improved quantum genetic algorithm,IQGA),采用动态量子旋转门角度调整机制优化局部搜索性能,并引入灾变修正函数提升全局收敛效率。仿真实验表明,该策略在任务平均处理时间、系统能耗、高优先级任务时延及收敛速度方面分别实现71.51%、88.21%、89.63%和78.74%的性能优化,系统综合收益提升达114.43%。研究成果为高密度医疗物联网场景下的实时任务调度与资源分配提供了理论支撑与技术路径。展开更多
针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使...针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。展开更多
文摘针对智慧医疗场景中高密度无线体域网(wireless body area network,WBAN)多优先级数据传输与计算资源受限的挑战,研究提出一种融合动态优先级评估与量子优化的任务卸载策略。首先通过构建医疗物联网(healthcare Internet of Things,H-IoT)高密度WBAN网络模型,集成任务优先级分层机制与动态信道状态感知模块,建立基于生理数据特征的通信质量评估体系。其次设计多维动态调度框架,利用生理参数偏离度、数据滞留时间及抢占事件等指标实时调整任务优先级权重,结合抢占式调度策略保障急诊数据的低时延传输。再进一步改进量子遗传算法(improved quantum genetic algorithm,IQGA),采用动态量子旋转门角度调整机制优化局部搜索性能,并引入灾变修正函数提升全局收敛效率。仿真实验表明,该策略在任务平均处理时间、系统能耗、高优先级任务时延及收敛速度方面分别实现71.51%、88.21%、89.63%和78.74%的性能优化,系统综合收益提升达114.43%。研究成果为高密度医疗物联网场景下的实时任务调度与资源分配提供了理论支撑与技术路径。
文摘针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。
