在移动边缘计算(MEC)中,计算卸载可以有效缓解资源受限和提高网络服务质量。以任务执行时延、终端能耗和边缘服务器负载率的联合优化为目标,提出面向时延和能耗联合优化的MEC计算卸载策略。构建多目标约束的成本优化模型,引入多变异算子...在移动边缘计算(MEC)中,计算卸载可以有效缓解资源受限和提高网络服务质量。以任务执行时延、终端能耗和边缘服务器负载率的联合优化为目标,提出面向时延和能耗联合优化的MEC计算卸载策略。构建多目标约束的成本优化模型,引入多变异算子,以迭代关联概率更新变异算子,设计多变异差分进化(MDE)算法求解,实现计算卸载成本最优。为验证MDE算法的有效性,基于Autonomous Systems by Skitter公开数据集构建3个不同规模的实验网络,将MDE算法与随机计算卸载算法、能量优化计算卸载算法、多目标贪婪计算卸载等算法进行对比分析,MDE算法的执行成功率、卸载成功率、服务器负载均衡性分别平均提升了13.23%,12.96%,29.37%,MDE算法能实现MEC中高效、稳定的计算卸载。展开更多
个性化推荐是提取特定信息的有效手段之一,针对传统推荐法中缺少用户特征问题,提出一种基于多特征融合的广义矩阵分解与深度长短期记忆网络混合推荐模型(hybrid recommendation model of generalized matrix factorization and deep lon...个性化推荐是提取特定信息的有效手段之一,针对传统推荐法中缺少用户特征问题,提出一种基于多特征融合的广义矩阵分解与深度长短期记忆网络混合推荐模型(hybrid recommendation model of generalized matrix factorization and deep long short-term memory network based on multi-features fusion,HMF)。该模型利用潜在特征向量维度表征年龄、职业对项目的选择性影响,凸显用户个性化;利用长短期记忆(long short-term memory,LSTM)获取用户与项目间的时序特征,再通过多层感知机挖掘其深层次的时序非线性高阶交互关系;将广义矩阵分解(generalized matrix factorization,GMF)获得的简单非线性低阶交互关系与复杂时序非线性高阶交互关系融合,经全连接层得出最终预测评分。HMF有效地利用用户多特征和用户—项目交互信息,实现个性化动态精准推荐。为验证模型的有效性和可行性,在公开数据集MovieLens-1M上进行测试。仿真实验表明,当HMF的潜在特征向量维度为50、MLP层数为7时,HR@10和NDCG@10分别为0.9831、0.9749,相比传统单特征模型NCF最优解分别提高了27.61%、54.29%。展开更多
以探测功能为主的雷达通信一体化(Dual Function Radar and Communication, DFRC)系统发射一体化信号,能够在保证探测性能的条件下,尽可能高效地与合作目标通信,使其在设备集约化要求高的电磁对抗环境中占有一席之地。因此,探通一体化...以探测功能为主的雷达通信一体化(Dual Function Radar and Communication, DFRC)系统发射一体化信号,能够在保证探测性能的条件下,尽可能高效地与合作目标通信,使其在设备集约化要求高的电磁对抗环境中占有一席之地。因此,探通一体化信号设计是以探测功能为主DFRC系统研究的关键科学问题之一。但电磁对抗环境复杂多变,可能存在非均匀、多变和强独立散射的散射体与雷达探测信号相互作用,使DFRC系统接收的回波中含有在空间上呈现非均匀特性的杂波分量,从而给雷达目标检测带来挑战。针对杂波环境中DFRC系统探测性能下降的问题,本文采用认知系统架构,获取空间非均匀杂波先验知识,以信干噪比(Signal Interference to Noise Ratio, SINR)为准则,保障雷达的探测性能。引入发射方向图主瓣和旁瓣约束,使天线方向图具有低旁瓣特性同时集中探测能量在目标所在的方位,进一步保障探测性能。此外,考虑信号变模约束平衡雷达系统发射机功放的非线性失真和优化自由度。采用了一种空间合成信号频谱置零的方法实现信息传输,构建了通信调制约束。为求解上述多约束高维非凸优化问题,研究了一种联合序列块增强(Sequential Block Enhancement, SBE)、丁克尔巴赫(Dinkelbach’s Iterative Procedure, DIP)、凸序列逼近(Sequential Convex Approximation, SCA)和内点法(Interior Point Method, IPM)的迭代求解算法。理论分析了该算法的收敛性和计算复杂度。仿真结果表明,所设计的波形能够在信号相关旁瓣杂波下,同时实现探测和多用户通信。展开更多
文摘在移动边缘计算(MEC)中,计算卸载可以有效缓解资源受限和提高网络服务质量。以任务执行时延、终端能耗和边缘服务器负载率的联合优化为目标,提出面向时延和能耗联合优化的MEC计算卸载策略。构建多目标约束的成本优化模型,引入多变异算子,以迭代关联概率更新变异算子,设计多变异差分进化(MDE)算法求解,实现计算卸载成本最优。为验证MDE算法的有效性,基于Autonomous Systems by Skitter公开数据集构建3个不同规模的实验网络,将MDE算法与随机计算卸载算法、能量优化计算卸载算法、多目标贪婪计算卸载等算法进行对比分析,MDE算法的执行成功率、卸载成功率、服务器负载均衡性分别平均提升了13.23%,12.96%,29.37%,MDE算法能实现MEC中高效、稳定的计算卸载。
文摘个性化推荐是提取特定信息的有效手段之一,针对传统推荐法中缺少用户特征问题,提出一种基于多特征融合的广义矩阵分解与深度长短期记忆网络混合推荐模型(hybrid recommendation model of generalized matrix factorization and deep long short-term memory network based on multi-features fusion,HMF)。该模型利用潜在特征向量维度表征年龄、职业对项目的选择性影响,凸显用户个性化;利用长短期记忆(long short-term memory,LSTM)获取用户与项目间的时序特征,再通过多层感知机挖掘其深层次的时序非线性高阶交互关系;将广义矩阵分解(generalized matrix factorization,GMF)获得的简单非线性低阶交互关系与复杂时序非线性高阶交互关系融合,经全连接层得出最终预测评分。HMF有效地利用用户多特征和用户—项目交互信息,实现个性化动态精准推荐。为验证模型的有效性和可行性,在公开数据集MovieLens-1M上进行测试。仿真实验表明,当HMF的潜在特征向量维度为50、MLP层数为7时,HR@10和NDCG@10分别为0.9831、0.9749,相比传统单特征模型NCF最优解分别提高了27.61%、54.29%。
