一、An Elementary Method on a Minimization Problem（论文文献综述）
李佳慧[1]（2021）在《城市物流配送车辆路径优化方法研究》文中研究说明物流是国民经济发展的动脉和基础产业,其发展程度是衡量一个国家和地区现代化综合实力的重要标志之一.车辆路径问题（Vehicle Routing Problem,VRP）作为物流配送中的一个核心问题,其有效解决对整个物流运输速度、成本、效益影响至关重要.本文以该问题为主线,研究了求解VRP的相关优化算法理论及实现,主要成果和创新点如下:1)针对整数规划设计了一种新的分支—切割求解方法.通过研究求解VRP的精确算法以及整数规划的割平面法,根据目标函数的典则表达式构造了一种以目标函数最优值为参数的切割不等式,并证明了不等式是有效的.算例计算结果表明了所提算法的有效性.将切割方法与基于伪贡献分支策略的分支定界法结合起来,设计了一种新的分支—切割方法.2)针对带容量限制的VRP（Capacitated Vehicle Routing Problem,CVRP）提出了一种基于I&D搜索策略的改进禁忌搜索算法.考虑到禁忌搜索算法在搜索过程中容易陷入局部最优的特点,在禁忌搜索算法中引入I&D搜索策略,使得算法能够迅速地从一个局部最优解跳到另一个改进的局部最优解,提高算法的搜索效率.实验表明,改进后的算法相对于标准禁忌搜索算法具有更高的求解精度和计算速度.3)针对带时间窗的车辆路径问题（Vehicle Routing Problem with Time Window,VRPTW）设计了一种引入Metropolis准则的改进遗传算法.为克服遗传算法局部搜索能力存在不足的缺点,本文将局部寻优能力较强的模拟退火算法混合到遗传算法中,设计了一种引入Metropolis准则的改进遗传算法,将退火操作与遗传操作相结合,保留各代种群中的最优染色体,并且以一定概率接受劣质染色体,增加搜索跳出局部最优解的概率,从而实现全局优化.实验数据采用Solomon标准测试库中的算例,结果表明改进后的遗传算法对于不同客户规模的VRPTW算例均能获得较好的解.
周吉喆[2]（2021）在《边缘网络资源分配与协同控制研究》文中指出随着网络接入终端的急剧增加和新型业务的发展,网络中数据流量海量增加,业务需求与性能指标呈现差异化特征。云计算等集中式的数据处理中心面临了回传链路负载过大、请求传递路径长、网络资源管理不够灵活等问题,无法满足业务在实时性、高速率以及低能耗等方面的要求。面对以上情况,边缘计算将云计算的缓存资源和计算资源部署在接入网基站上,通过计算卸载帮助计算能力有限的移动设备完成计算类业务,降低计算时延与设备能耗,并通过预先在边缘计算平台上缓存内容,降低内容获取业务的下载时延。边缘计算与无线网络的结合,使边缘网络能够融合计算资源、缓存资源、无线资源等多维资源,并在与终端进行紧密交互通信的同时,充分利用分散化的移动终端资源,形成边缘网络统一的资源池。结合超密集网络的演进和终端直通技术的发展,边缘网络呈现出分布式和异构性特征,如何利用边缘网络分布式和层次性的多维资源,建立边缘网络协同高效的资源分配与控制机制是亟待解决的问题。面对以上边缘网络的新机遇与挑战,本论文考虑边缘网络的多样化业务,探讨多种通信方式的决策调度与资源分配的耦合关系,研究边缘网络多维资源分配以及网络节点协同控制问题。研究结论可以为未来支撑多业务的边缘网络资源分配和协同控制提供方法策略和理论支持。本论文的主要研究内容和创新性工作如下:1.多业务的边缘计算资源分配与协同控制研究在计算类业务和内容获取业务共存的网络场景下,考虑业务间存在的边缘计算资源竞争关系,研究边缘计算缓存资源与计算资源分配对业务时延的影响。进一步,在多小区多业务网络场景下,考虑网络小区间负载不均的情况,结合用户接入选择机制,研究以降低业务时延为目的的边缘计算资源协同管理方法。该部分工作的主要创新为:首先,在单小区网络场景下,根据计算类业务和内容获取业务两种不同业务对边缘计算资源需求的差异性,以降低业务时延为目标,建立多业务下的边缘计算缓存资源与计算资源的分配问题模型,并利用迭代求解算法得到边缘计算多维资源分配方案。其次,在多小区网络场景下,根据网络冗余资源分布、信道状态以及用户业务的空间分布情况,通过多小区网络资源的协同控制,建立了以最小化业务时延加权和为目的的边缘计算资源分配与用户接入选择联合优化问题模型,并结合凸优化的理论,提出一种基于联盟博弈的求解算法（CGBA）,相比于最近接入点接入策略（NEAS）,能够降低平均82.1%的业务总时延;数值仿真结果表明了所提算法能够通过小区间资源的协同控制,在降低业务总时延的同时,保证用户时延公平性。2.异构边缘网络资源分配与协同控制研究边缘网络不仅存在与基站的上下行通信,也存在设备之间的终端直通。在异构边缘网络中,考虑用户终端间协作,探讨终端直通对计算类业务和内容获取业务在时延、能耗性能上的影响,研究异构边缘网络协同资源管理方法。该部分工作的主要创新为:首先,针对计算类业务的任务共享特性,以用户协作进行计算卸载的方式避免冗余性任务处理,在任务最大时延要求下,建立最小化用户设备能耗的计算卸载与无线资源分配问题模型,并提出一种资源分配与计算卸载联合优化算法（JRAOA）;数值仿真结果表明了 JRAOA相比于非用户协作的资源分配与卸载（NCRAOA）策略在能耗性能上的优越性。其次,针对内容获取业务,考虑边缘网络中边缘计算平台与移动用户设备两种缓存位置,根据用户社交关系和移动行为对文件请求和文件分享方式的影响,以最小化文件传输代价为目标,建立用户移动设备的内容预存与分发问题模型;根据一段时间用户对文件的请求情况,设计激励机制鼓励用户间进行文件分享,并利用博弈论提出一种分布式文件预存算法（DPCS）;数值仿真结果表明,通过设备间协作能有效降低文件传输代价。3.缓存网络的相似性缓存与内容分发研究在分布式缓存网络中,研究分布式节点间协作的相似性缓存与内容分发策略,在保证用户对传递文件相似性要求的同时,有效降低文件传递时延。该部分工作的主要创新为:首先,针对请求文件与传递文件的差异度进行建模,获得传递相似性文件带来的请求时延减少与文件差异度引起的用户对传递文件接受度下降之间的折中关系。在网络请求到达率已知的场景下,以最小化请求时延和文件差异度加权和为目的,建立相似性缓存与内容分发的线下问题模型;通过定义拉格朗日原始对偶函数,将最小化问题转化为极小极大问题,并利用一种基于梯度下降与上升的算法（HiBSA）,获得线下相似性内容缓存与分发方案;数值仿真结果表明,在文件差异敏感度不高的情况下,所提相似性缓存算法相比于准确缓存能够获得更低的请求时延;随着文件差异敏感度变大,所提相似性缓存算法趋于获得与准确缓存一致的缓存方案。再者,针对网络请求到达率未知的场景,提出一种线上的基于随机梯度估计的梯度下降与上升的算法,根据一段时间内网络接收到的请求,更新节点缓存与文件分发方案;相比于单一节点相似性缓存策略,所提线上算法能够通过节点间协作获得更低的文件传递时延。
张良超[3]（2021）在《连续型损失分布的近似贝叶斯估计及其应用》文中研究指明非寿险精算学主要是以非寿险中的不确定性为研究对象,通过建立随机模型对险种的损失进行刻画。在保险精算实际中,保险事故发生后,通常会造成经济损失。根据保险合同的约定,保险公司需要对事故所造成的经济损失进行赔偿。我们的目标是根据观测到的一系列索赔数据来建立损失分布模型。假设损失(3由未知的风险参数识别,由于保单组合风险的非齐次性,的可能取值由随机变量来刻画,设的概率分布为（）,在贝叶斯分析中称为先验分布,故对的估计就落入了贝叶斯框架。信度估计的基本思想是同时利用样本信息与先验信息确定风险参数。在经典的B¨uhlmann模型中,信度估计可以表示为个体均值与聚合均值的加权平均。如何充分地利用先验信息是贝叶斯统计推断的重要内容。本文主要研究了两类损失分布（双参数指数分布和对数正态分布）的参数估计方法。研究了参数的极大似然估计、矩估计、贝叶斯估计及其统计性质。在大样本情况下,这几种方法的结果都很准确。但在小样本情况下,贝叶斯估计优越性明显,由于贝叶斯估计依赖样本分布和先验分布形式,通常会遇到积分无法计算的情况,无法得到显示解。因此我们在信度理论基础上,通过引入一个新的函数类,提出了双参数指数分布和对数正态分布中尺度参数的二次贝叶斯估计。二次贝叶斯估计不依赖具体的先验分布形式,仅利用先验分布的前4阶矩,而且具有解析解的形式便于实际使用。对不同的损失分布而言,二次贝叶斯估计的表达式具有统一的形式。在均方误差准则下,二次贝叶斯估计优于经典的信度估计和极大似然估计。先验分布形式给定,在先验均值固定情况下,一个先验信息更集中的先验分布可以降低二次贝叶斯估计的均方误差。从逼近贝叶斯估计的视角来看,二次贝叶斯估计趋近贝叶斯估计对先验分布的选择具有稳健性,且近似程度优于线性贝叶斯估计。最后,基于一个实际数据,验证了二次贝叶斯估计的有效性。
李博晗[4]（2021）在《保险风险理论中的最优单调均值方差问题与受控带跳扩散过程》文中研究指明本篇学位论文,我们首先使用单调均值方差效用作为最优化问题的目标,考虑保险公司的最优化再保险和投资问题。在第二章到第四章,我们分别使用扩散逼近模型、Cram（?）r-Lundberg模型和由shot-noise过程驱动的Cox过程模拟的巨灾保险模型来为保险公司的盈余过程建模。对于这些模型,都分别得到了显式的最优值函数和最优策略。同时我们也得到了这些模型对应的有效边界。之后,我们考虑使用Gamma过程来模拟保险公司的盈余过程,研究该过程下最大化终端财富期望效用和最小化破产概率的问题。对于前者,我们同样得到了显式的最优值函数和最优策略的;对于后者,我们得到了最优值函数和最优策略的一个表达式,他们可以通过一对初等方程组的根来表示,我们随后证明了这一对初等方程根的存在性,并给出了数值解法。本篇学位论文的结构如下,第一章是前言部分,介绍了单调均值方差效用的定义和一些数学方法。第二章研究了扩散逼近模型下的最优化单调均值方差问题,得到了有效边界和单调CAPM。第三章研究了Cram（?）r-Lundberg模型下的最优化单调均值方差问题,得到了有效边界并进行了数值示例。第四章首先介绍了由shot-noise过程驱动的Cox过程模拟的巨灾保险模型,然后研究了该模型下的最优化单调均值方差问题,同样得到了有效边界。第五章研究了Gamma过程的最优化问题。
黄逸潇[5]（2021）在《基于低秩矩阵重构理论的DOA估计方法研究》文中研究表明信号的波达方向（Direction of Arrival,DOA）估计是阵列信号处理领域的一个重要研究内容。它的主要原理是可以根据观测信号和对应天线阵列的阵列流形估计出感兴趣信源的来波方向。一般来说,无噪声观测信号的协方差矩阵是一个满足低秩特性的矩阵,即协方差矩阵的秩等于信源数。但在一些实际的场景中,不同的信号模型、噪声模型及阵列模型等因素将导致信号的协方差矩阵不再具有低秩特性,这会导致协方差矩阵的噪声子空间和信号子空间无法准确分辨开来,从而使得传统的基于子空间的DOA估计方法的性能显着下降。针对以上问题,本文提出了几种利用低秩矩阵重构理论来恢复协方差矩阵低秩特性的方法,从而提高了不同场景下的DOA估计性能。本文的主要工作内容及创新如下:（1）提出了一种利用低秩矩阵重构理论实现相干信号下互质阵列DOA估计的算法。针对传统的互质阵测向方法无法在相干信号下进行有效的方位估计的问题,通过阵列插值的方法构造出增广协方差矩阵,并利用该矩阵的相关信息构造出对应的托普利兹（Toeplitz）矩阵,再使用低秩矩阵重构的方法对构造的Toeplitz矩阵进行恢复,重构后的矩阵具有解相干的特性,从而可以实现相干信号下的互质阵DOA估计。（2）提出了两种基于低秩矩阵重构的提高差分虚拟阵列在高信噪比时DOA估计性能的算法。针对以往的差分虚拟阵列DOA估计算法在高信噪比时性能估计曲线趋于平缓的问题,通过推导出差分虚拟阵列的增广协方差矩阵估计误差所满足的分布,可以得到该分布的二阶统计量所满足的表达式。一方面结合增广协方差矩阵和插值增广协方差矩阵之间的对应关系,可以构建出相应的低秩矩阵重构问题;另一方面利用协方差匹配的目标函数构建最优化问题。重构后的矩阵在高信噪比时的估计性能相较于之前的方法有显着的提升。（3）提出了一种利用低秩矩阵重构理论实现非均匀噪声下互质阵列DOA估计的算法。针对过去的互质阵DOA估计在非均匀噪声下估计性能不佳的问题,通过将线性预测方法和低秩矩阵重构方法结合,利用低秩矩阵重构的方法对线性预测模型得到的矩阵进行重构,恢复出增广协方差矩阵对角线元素上的值以及由于阵列插值而产生的零值,进而得到一个重构的低秩矩阵。最终提高了在非均匀噪声下互质阵DOA估计的性能。
周哲涛[6]（2020）在《基于非凸正则的图像超分辨率算法研究》文中研究表明图像的超分辨率技术,一方面直观提升了视觉效果,另一方面也能作为其他图像处理技术的预处理手段,例如图像检测、分类和识别。将超分辨率技术应用于视频处理、医学成像、遥感技术以及安全监控等领域,既能节约大量的资源,同时也能满足实际的工程需求。许多超分辨率算法被提出用以恢复高分辨率图像,进一步改善图像可视化以便于更好地分析图像。其中,总变分正则化（TV）方法已经被证明在保留图像边缘信息方面具有良好的效果。然而,这些基于总变分正则化的方法没有考虑到图像间的时间相关性。此外,现有的超分辨率算法忽视了图像的非局部信息处理。本文针对上述超分辨率算法存在的问题进行研究,主要工作如下:（1）针对基于总变分正则化的方法没有考虑到图像帧间的时间相关性且TV正则化项的空间和时间分量具有不同行为表现的问题,本文设计了一种新的TV正则化方法（TV2++）,更好地利用图像的时间维信息,并使得TV正则项的空间和时间分量的约束惩罚的灵活性更好。另外,全局低秩正则化和总变分正则化的结合进一步增强了图像超分辨率的恢复效果。并且,本文应用非凸指数型罚函数（ETP）来替代矩阵的核范数约束,增强了低秩矩阵的恢复能力。本文提出了一种基于ETP范数和TV2++正则化的图像超分辨率算法。并运用交替方向乘子法（ADMM）有效地解决了算法优化问题。实验结果表明,该算法优于其他算法。（2）针对现有的超分辨率算法忽视了图像的非局部信息处理的问题,本文设计一种新的基于图像全局分段先验的非局部低秩先验（NLLRP）正则化方法,提出了一种基于TV和NLLRP正则化的新方法来重新构造超分辨率重建模型,该方法同时利用了局部和非局部风险最小化原理。此外,整个优化是在交替方向乘子法（ADMM）框架下进行的。大量实验表明,该方法优于几种最新算法。
谢蒂[7]（2020）在《不确定性环境下智能建筑能量与热舒适联合管理方法研究》文中提出建筑能耗占一个国家能耗的比例可达40%。随着人口进一步增长以及新兴经济体与发达国家购买力的快速提升,2050年建筑能源需求相比2016年将增加50%。由于传统能源（如煤炭、石油、天然气）有限,不断增加的建筑能源需求将导致国家能源危机、环境影响、建筑拥有者的经济负担逐渐增大。由于暖通空调系统能耗占建筑能耗40%左右,降低建筑能耗最直接方法是减少暖通空调系统的输入功率,但这可能会以牺牲用户热舒适为代价。因此,非常有必要考虑建筑能量与热舒适的联合管理。随着物联网技术在建筑中的应用,当前建筑逐步朝着智能建筑方向发展,智能建筑能量与热舒适联合管理也面临着新的机遇。然而,由于实际中存在多源不确定性系统参数、难以获得既足够准确又易于控制的建筑热动力学模型,智能建筑能量与热舒适联合管理的研究依然面临很大的挑战。因此,非常有必要对不确定性环境下智能建筑能量与热舒适联合管理方法进行研究。首先,本文研究了多区域商业建筑暖通空调系统长期总成本（能量成本与热不舒适成本之和）最小化问题。由于存在不确定性系统参数（如电价、室外温度、用户热舒适偏好温度和热扰动等）、区域内温度相关的时间耦合约束和送风机总供风速率相关的空间耦合约束,求解建立的优化问题非常有挑战。为此,我们提出了一种基于李亚普诺夫最优化技术框架的暖通空调系统分布式实时控制算法。该算法无需知晓任何不确定性系统参数的先验信息,且具有保护用户隐私和高扩展性的特点。基于实际数据的仿真结果表明了算法的有效性。其次,本文研究了无建筑热动力学模型下考虑舒适温度范围的智慧家庭能量成本最小化问题。由于存在不确定性系统参数（如可再生能源发电输出功率、刚性负载的功率需求、室外温度和电价）以及与能量存储系统、室内温度相关的时间耦合约束,求解建立的优化问题非常有挑战。为此,我们提出了一种基于深度确定性策略梯度的能量管理算法,该算法无需知晓任何不确定性系统参数的先验信息和建筑热动力学模型。基于真实数据的仿真结果表明:所提算法可在不牺牲热舒适的前提下降低能量成本8.1%-15.21%,而且可提供比完美信息算法更加实际和灵活的折中。最后,对全文进行了简要总结,并对下一步研究工作进行展望。
朱曦[8]（2020）在《雾辅助的隐私保护数据收集与智能计算迁移研究》文中提出城市智能化的持续、高速发展,无线传感设备被大量部署,从而使感知数据获得了爆炸式地增长。与此同时,由于物联网的部署环境复杂,因此针对数据收集方案仍然面临安全威胁。传统的物联网已经不能满足海量数据处理和管理的要求。因此,针对延时敏感型和计算密集型任务,如何在保证数据安全的前提下高效率地收集数据,从而达到安全、高效的数据收集以及计算任务处理的目标已经成为了研究热点。本文针对当前数据收集方案在探索空时相关性、观测矩阵的优化、数据隐私保护以及计算迁移等方面存在的突出问题,主要的创新性贡献包括如下三个方面:1)雾辅助的感知大数据高效隐私保护数据收集研究:针对当前数据收集所存在的效率低下问题,本文的设计了一个分层感知雾计算体系结构为探索数据之间的时空相关性提供了有效支持,该雾计算辅助的网络体系避免了本地设备与云中心进行远程通信,从而降低了网络开销与通信成本和延时;其次,提出了一种采样扰动加密方法,使得在不牺牲数据相关性的前提下,保护了数据的隐私,使得窃听者和主动攻击者无法获得原始采样数据,该方法对加密采样数据的解密和解压缩操作的同时执行提供了支撑;构建的观测矩阵优化模型,通过降低观测矩阵与字典的互相关性,使得字典最适配当前的观测矩阵,从而保证了数据重建的高精度。通过仿真表明,该方法是一种高效的数据收集方法,并具有很强的隐私保护特征。2)雾辅助并行多任务时延最小化计算迁移研究:针对传统的雾计算辅助方法中,单个雾节点有限的计算资源无法满足大规模任务计算的不足,本文在雾计算辅助的网络结构中引入计算迁移机制,构建了一个并行计算模式下的任务完成时间最小化问题,通过联合优化计算与通信资源的分配提高计算与网络资源的利用率,从而使得任务的完成时间最小;基于上述优化问题,提出了一种基于梯度下降的计算迁移决策算法,该算法通过联合优化分配本地CPU计算资源、外部CPU计算资源和信道带宽资源,确定最优的任务迁移比例,从而使得在有限的计算和网络资源场景下任务的完成时间最短。最后,通过仿真结果表明,本部分所构建的计算迁移方法是一种高效的任务完成时间最小化方法,与其它方法相比具有明显的性能优势。3)基于深度学习的能量与延时协同感知计算迁移研究:当前传统的计算迁移方法均需要实时地获取信道和计算等信息数据,但是在实际情况中,这类数据往往很难及时获取,因此本文提出了一种基于深度学习能量和延迟协同感知的雾计算迁移机制。首先,为了实现高效的任务计算,构建了一个雾辅助的任务完成时间和本地雾节点能耗的加权和最小化问题;基于上述构建的优化问题,提出了一种基于深度学习的联合迁移决策与资源分配（Deep learning-based joint offloading decision and resource allocation algorithm,DL-JODRA）算法,该算法利用经验数据训练深度神经网络,并通过训练好的深度神经网络得出最优迁移决策;在获得最优迁移决策后,通过联合优化本地CPU、带宽和外部CPU资源占用率来进一步降低任务完成时间与能耗。最后,大量的仿真结果表明,与基准方法相比,所提出的DL-JODRA算法能够在较低的计算资源需求下快速获得最优的迁移决策,并能显着降低任务处理成本（如时延和能耗）。
吴昊[9]（2020）在《面向云平台IaaS层的能效问题研究》文中研究说明近年来,云平台已经成为学者和服务提供商部署计算应用的主流平台。得益于云平台中IaaS（Infrastructure as a Service）层的诸多优点,如动态可扩展、按需部署、可靠性高、性价比高等优点,吸引了众多来自学术界和工业界的用户。随着技术的发展与革新,例如宿主机资源均衡的改善、服务负载周期性变化等,IaaS层也涌现出一个新场景下亟待解决的重要问题:能效问题。如何提升IaaS层计算设施的能效,是用户和供应商共同面临的挑战之一。对于用户,能效问题关系到其执行计算应用的成本;对于云供应商,能效问题关系到数据中心的功耗以及稳定性。本文主要站在两个角度对IaaS层的能效问题展开研究。一方面是站在用户的角度上,针对需要执行大规模科学应用的用户,提出了一些算法与机制帮助用户提升使用云服务的效能以降低计算成本。另一方面,站在云供应商的角度,帮助其提升数据中心效能以降低数据中心的功耗并提高稳定性。在本研究中,作者在涉及到能效的成本、能耗和稳定性问题中取得了以下成果:1.为了降低云平台上中小规模科学工作流的执行成本,首先提出了一种基于可满足性模理论（Satisfiability Modulo Theories,SMT）的算法来调度云平台上的科学工作流,基于SMT的算法将调度问题构造为一阶逻辑表达式,并通过求解器对表达式进行求解,从而使分配给工作流的虚拟机数量最小化。然后开发了一种名为多重策略算法（Multiple Strategies Algorithm,MSA）的启发式算法,该算法用于确定一个虚拟机的执行模式使得虚拟机消耗的实例小时数量最少。最后,将提出的基于SMT的算法和MSA结合到一个名为SMT-MSA的框架中,并在实验中与其他优秀的算法进行比较,结果表明,在大多数情况下,该算法比其他三种方法降低了更多（高达5%）的成本。2.提出了 一个基于DAG拆分的任务调度框架（Cost Minimization Approach with DAG Splitting Sethod,COMSE）,用于最大限度地降低受完成时间约束的大规模科学工作流的运行成本。首先全面分析了资源均衡的多vCPU虚拟机同时运行多个任务的资源利用情况。其次,考虑到工作流的并行性和拓扑结构之间的平衡,对基于DAG的工作流进行了简化,并在简化的DAG基础上,设计了一种DAG拆分方法对工作流进行预处理。然后,由于虚拟机是按小时收费的,因此设计了一个精确的算法,为给定的调度方案寻找最优的操作模式,使虚拟机消耗的实例小时数最小,这个算法被命名为TOID（Instance Hours Minimization by Dijkstra）。最后,基于 DAG 拆分法和 TOID,COMSE 在多vCPU虚拟机上调度一个受完成时间约束的大规模科学工作流,并将计算成本和通信成本进行最小化。通过大量严格的性能评估模拟实验,结果表明,COMSE方法在计算成本和通信成本方面显着优于现有算法,效果提升高达8%。3.为了降低大规模科学工作流在虚拟机上的容错成本,提出了一个新型的容错框架。首先,对如何提高在处理器上运行单个任务的容错性能进行了全面的理论分析。其次,考虑到工作流的并行性和拓扑结构之间的平衡,提出了选择性镜像任务容错机制（Fault Tolerance Algorithm using Selective Mirrored Tasks Method,FAUSIT）。FAUSIT 通过采用选择性镜像容错机制应对工作流的容错问题,并解决两个目标:最小化完成时间和计算成本。本研究用来自现实世界的工作流数据集进行模拟实验来评估FAUSIT,结果表明,FAUSIT方法在完成时间和计算成本方面综合地优于现有算法。4.为了降低数据中心的能耗和提高稳定性,提出了一个针对负载可预测的虚拟机调度算法（VM Consolidation algorithm for Predictable Loads,VCPL）,以降低热迁移操作次数并提高物理机利用率。首先,提出了一个预测方法（Cyclic Usage Prediction,CUP）来预测虚拟机整个周期内的负载。然后,将周期性负载的虚拟机与其他的虚拟机分离,并通过VCPL将它们调度到物理机上,以确保每个物理机有一个稳定的负载,以达到降低热迁移操作并降低能耗的目的。最后通过使用微软提供的数据集进行了大量的模拟实验来评估VCPL算法,结果显示,66%的长期虚拟机具有周期性负载,并且是可预测的,而且容纳这些虚拟机的物理机上发生的热迁移操作可以比其他解决方案显着减少,提高了物理机资源利用率。
邱晓[10]（2020）在《大规模MIMO随机型接入活跃用户检测和信道估计方法研究》文中研究说明面向未来物联网（The Internet of Things,Io T）通信的大规模机器类型通信（massive Machine Type Communication,m MTC）场景,其上行通信链路的主要特征为:巨连接,即终端数目巨大;终端传输的数据包较短;终端数据传输具有稀疏性。传统的授权接入方式应用于大规模机器类型通信场景中会带来沉重的接入信令开销,降低系统的传输效率;并且当海量终端在同一时刻请求建立连接时会引起前导序列碰撞,从而造成网络拥塞大大增加系统传输时延,因此相关研究提出将共享冲突域的随机型接入方式应用于该场景。当基站（Base Station,BS）配置大规模天线阵列时,m MTC场景中随机型接入将面临以下挑战:首先,多个用户在共享的无线资源块上传输数据时,用户间的数据叠加使得基站无法分辨哪些用户正在传输数据,需要进行活跃用户检测;其次,若为海量用户分配正交导频将会带来巨大的导频开销,需要研究非正交导频的设计,以及研究具有可实现复杂度的高效信道估计方法。本文围绕基站侧配置大规模天线的大规模MIMO随机型接入场景,对其中的活跃用户检测与信道估计问题、非正交导频设计与调度问题展开研究。具体内容包括:首先,回顾压缩感知理论中用于稀疏矢量重建的近似消息传递（Approximate Message Passing,AMP）类算法。在大维约束下利用中心极限定理和泰勒二阶展开近似对置信度传递（Belief Propagation,BP）算法的消息传递规则作近似简化,可以得到TAP-AMP算法。在TAP-AMP算法的基础上,进一步假设度量矩阵的元素服从高斯分布CN（0,1/m）可以推导出BAMP（Bayesian optimal AMP）算法,其中m是度量矩阵的行数。将BAMP算法的降噪函数用软阈值函数替换得到BPDN-AMP算法,并且在噪声为零的特殊情况下可将BPDN-AMP算法转换为BP-AMP算法。此外针对AMP算法只能求解压缩感知中单矢量测量（Single Measurement Vector,SMV）问题的局限性,vector AMP算法在待估稀疏信号先验统计特性已知且噪声为加性高斯白噪声的条件下将AMP算法推广到多矢量测量（Multiple Measurement Vectors,MMV）问题中;针对AMP算法仅能求解压缩感知中线性SMV问题的局限性,GAMP算法可以解决具有任意输入、输出分布的广义线性压缩感知模型中的SMV问题,可以提供对待估矢量作MMSE和MAP两种估计的近似,分别称为Sum-Product GAMP算法和Max-Sum GAMP算法,并且当噪声为加性高斯白噪声时Sum-Product GAMP算法将退化为TAP-AMP算法。之后回顾了Bethe自由能理论框架,在该框架下通过对辅助置信度设计不同的约束条件可以推导出不同的消息传递算法变体,例如:BP算法、AMP算法、期望传递（Expectation Propagation,EP）算法等。其次,围绕大规模MIMO随机型接入场景下的活跃用户检测和信道估计问题,对场景普适（适用于多种信道统计模型,适用于用户先验活跃统计特性已知或未知,适用于信道统计模型的先验参数已知或未知）的随机型接入问题进行统一建模。在此基础上,从变分贝叶斯推断的角度出发,将随机型接入场景中的活跃用户检测和信道估计问题转化为约束集下的变分自由能最小化问题,之后利用Bethe近似方法并且对辅助置信度重新设计均值方差一致性约束、边缘一致性约束和因子化约束条件,将其转化为混合约束集下的Bethe自由能最小化问题,从而推导出随机型接入系统中用于联合活跃用户检测和信道估计的混合消息传递（Hybrid Message Passing,HMP）算法的一般形式。进而将HMP算法框架应用于独立同分布（i.i.d.）的复高斯衰落信道下、大规模MIMO空间相关信道下、以及用户先验活跃统计特性已知或未知的场景中进行活跃用户检测和信道估计。仿真结果表明:所提出的方法不仅具有场景普适特点,并且在各种场景中均能够获得优于现有方法的性能。最后,围绕大规模MIMO随机型接入系统中的非正交导频设计与调度问题,从压缩感知和Welch界等式（Welch Bound Equality,WBE）序列两个角度进行序列设计研究。从压缩感知的角度分析,导频矩阵应满足有限等距性质以保证在测量过程中不丢失待估稀疏矢量的信息,这一性能可以通过导频矩阵的相关性来衡量,且相关性越小导频矩阵性能越好。由此提出了确定性非正交导频矩阵设计方法,并基于ZC（Zadoff-Chu）序列设计了ZC导频矩阵。从LS和LMMSE信道估计均方误差最小化的角度分析,最优的非正交导频序列应该为满足Welch界等式的WBE序列,由此提出了一种基于WBE序列的非正交导频矩阵设计方法。此外基于WBE序列的特例“MWBE（Maximum Welch Bound Equality）序列”设计出了MWBE导频矩阵,该导频矩阵既可以满足Welch界约束等式,又可以达到矩阵相关性的理论下界,因此对于大规模MIMO随机型接入系统的活跃用户检测和信道估计问题,最理想的非正交导频矩阵应该是MWBE导频矩阵。接着针对物理信道是大规模MIMO空间相关信道的随机型接入系统,考虑利用信道协方差矩阵之间的正交性进行导频调度。仿真结果表明,未考虑导频调度时HMP算法在使用MWBE导频矩阵时达到最好的活跃用户检测和信道估计性能;经过导频调度后,HMP算法的性能可以得到进一步改善。
二、An Elementary Method on a Minimization Problem（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、An Elementary Method on a Minimization Problem（论文提纲范文）
（1）城市物流配送车辆路径优化方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 VRP模型研究现状 |
| 1.2.2 VRP算法研究现状 |
| 1.3 论文的主要内容 |
| 1.4 论文组织结构 |
| 第2章 相关知识 |
| 2.1 车辆路径问题 |
| 2.2 求解VRP的精确算法 |
| 2.3 求解VRP的启发式算法 |
| 2.4 本章小结 |
| 第3章 一种改进的分支—切割算法 |
| 3.1 分支—切割算法概述 |
| 3.2 割平面的构造方法 |
| 3.2.1 Gomory割平面的构造方法 |
| 3.2.2 一种新的割平面构造方法 |
| 3.3 改进的分支—切割算法 |
| 3.3.1 基于伪贡献的分支策略 |
| 3.3.2 改进的分支—切割算法步骤 |
| 3.4 本章小结 |
| 第4章 带容量限制的车辆路径问题优化方法研究 |
| 4.1 CVRP问题的数学模型 |
| 4.2 基于I&D搜索策略的改进禁忌搜索算法 |
| 4.2.1 算法思想 |
| 4.2.2 算法设计 |
| 4.3 数值实验与分析 |
| 4.4 本章小结 |
| 第5章 带时间窗的车辆路径问题优化方法研究 |
| 5.1 VRPTW问题的数学模型 |
| 5.2 引入Metropolis准则的改进遗传算法 |
| 5.2.1 算法思想 |
| 5.2.2 算法设计 |
| 5.3 数值实验与分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（2）边缘网络资源分配与协同控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 边缘计算资源分配 |
| 1.2.2 边缘网络终端直通 |
| 1.2.3 分布式节点缓存 |
| 1.3 论文主要研究内容及创新点 |
| 1.4 论文组织结构 |
| 第2章 多业务的边缘计算资源分配与协同控制研究 |
| 2.1 引言 |
| 2.2 单小区多业务边缘计算资源分配策略 |
| 2.2.1 系统模型 |
| 2.2.2 问题描述 |
| 2.2.3 多业务边缘计算资源分配算法 |
| 2.2.4 仿真结果与分析 |
| 2.3 多小区多业务边缘计算资源分配与用户接入选择联合优化方法 |
| 2.3.1 系统模型 |
| 2.3.2 问题描述 |
| 2.3.3 联盟博弈模型 |
| 2.3.4 基于联盟博弈的迭代算法 |
| 2.3.5 仿真结果与分析 |
| 2.4 本章小结 |
| 第3章 异构边缘网络资源分配与协同控制研究 |
| 3.1 引言 |
| 3.2 D2D协作的边缘计算任务卸载与资源分配策略 |
| 3.2.1 系统模型 |
| 3.2.2 问题描述与转换 |
| 3.2.3 计算卸载和资源分配迭代算法 |
| 3.2.4 仿真结果与分析 |
| 3.3 D2D协作的设备内容预存与内容分发联合优化方法 |
| 3.3.1 系统模型 |
| 3.3.2 问题描述 |
| 3.3.3 本地协作博弈模型描述 |
| 3.3.4 基于博弈论的内容预存与内容分发算法 |
| 3.3.5 仿真结果与分析 |
| 3.4 本章小节 |
| 第4章 缓存网络的相似性缓存与内容分发研究 |
| 4.1 引言 |
| 4.2 相似性缓存系统模型 |
| 4.3 相似性缓存与内容分发的线下优化问题描述 |
| 4.3.1 相似性缓存和文件分发限制条件分析 |
| 4.3.2 线下优化问题建模 |
| 4.4 相似性缓存与内容分发的线下算法 |
| 4.4.1 问题放松和转化 |
| 4.4.2 基于GDA的迭代算法 |
| 4.4.3 问题求整方法 |
| 4.5 相似性缓存与内容分发的线上算法 |
| 4.6 仿真结果与分析 |
| 4.7 本章小节 |
| 第5章 总结与展望 |
| 5.1 论文总结 |
| 5.2 未来研究工作 |
| 参考文献 |
| 缩略语 |
| 致谢 |
| 攻读博士期间发表论文及其它研究成果 |
（3）连续型损失分布的近似贝叶斯估计及其应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 引言 |
| 1.1 研究背景与研究现状 |
| 1.2 本文的创新与结构 |
| 第二章 双参数指数分布及其参数估计方法 |
| 2.1 双参数指数分布及性质 |
| 2.2 参数(θ, μ)的三大点估计 |
| 2.3 尺度参数的近似贝叶斯估计 |
| 2.3.1 线性贝叶斯估计 |
| 2.3.2 二次贝叶斯估计 |
| 第三章 双参数指数分布的模拟比较与实证分析 |
| 3.1 参数(θ, μ)的三大估计精度对比 |
| 3.2 二次贝叶斯估计的优良性 |
| 3.3 实证分析 |
| 第四章 对数正态分布及其尺度参数估计方法 |
| 4.1 对数正态分布及性质 |
| 4.2 矩估计与极大似然估计 |
| 4.3 贝叶斯估计与近似贝叶斯估计 |
| 4.4 数值模拟 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 硕士期间研究成果 |
（4）保险风险理论中的最优单调均值方差问题与受控带跳扩散过程（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 前言 |
| 第一节 介绍 |
| 第二节 动态规划原理和Hamilton-Jacobi-Bellman方程 |
| 第三节 随机微分零和博弈和Hamilton-Jacobi-Bellman-Isaacs方程 |
| 第四节 单调均值方差偏好 |
| 第五节 概率Q的刻画 |
| 第六节 单调均值方差偏好的最优化问题 |
| 第七节 指数回报函数的shot noise强度驱动的Cox过程 |
| 第八节 Gamma过程 |
| 第二章 扩散逼近模型的最优化单调均值方差准则 |
| 第一节 介绍 |
| 第二节 财富过程 |
| 第三节 随机微分博弈 |
| 第四节 值函数和最优策略 |
| 第五节 有效边界 |
| 第六节 单调CAPM |
| 第三章 Cram(?)r-Lundberg风险模型的最优化单调均值方差准则 |
| 第一节 介绍 |
| 第二节 财富过程 |
| 第三节 随机微分博弈 |
| 第四节 值函数和最优策略 |
| 第五节 有效边界 |
| 第六节 数值示例 |
| 第四章 巨灾保险的最优化单调均值方差准则 |
| 第一节 介绍 |
| 第二节 模型设定 |
| 第三节 随机微分博弈 |
| 第四节 值函数和最优策略 |
| 第五节 有效边界 |
| 第六节 扩散逼近情形 |
| 第五章 基于Gamma过程的最优化投资和再保险 |
| 第一节 介绍 |
| 第二节 模型设定 |
| 第三节 最大化终端财富的期望指数效用 |
| 第四节 最小化破产概率 |
| 第五节 数值示例和敏感性分析 |
| 第六节 结论 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 发表作品与文稿 |
（5）基于低秩矩阵重构理论的DOA估计方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 低秩矩阵重构理论的国内外研究现状 |
| 1.2.2 基于低秩矩阵重构的DOA估计国内外研究现状 |
| 1.3 论文的主要内容和结构安排 |
| 第二章 稀疏阵列模型及相关理论 |
| 2.1 引言 |
| 2.2 稀疏阵列模型 |
| 2.2.1 差分虚拟阵列 |
| 2.2.2 嵌套阵 |
| 2.2.3 互质阵 |
| 2.3 稀疏阵列DOA估计相关理论 |
| 2.3.1 差分虚拟阵列信号模型 |
| 2.3.2 空间平滑算法 |
| 2.3.3 直接增广算法 |
| 2.3.4 克拉美罗界 |
| 2.4 低秩矩阵重构理论 |
| 2.5 本章小结 |
| 第三章 基于互质阵列的相干信号DOA估计算法 |
| 3.1 引言 |
| 3.2 互质阵列信号模型 |
| 3.3 基于低秩矩阵重构的相干信号DOA估计算法 |
| 3.4 克拉美罗界 |
| 3.5 仿真实验 |
| 3.6 本章小结 |
| 第四章 基于低秩矩阵重构的差分虚拟阵列DOA估计算法 |
| 4.1 引言 |
| 4.2 差分虚拟阵列信号模型 |
| 4.3 基于增广协方差矩阵重构的差分虚拟阵列DOA估计算法 |
| 4.3.1 差分虚拟阵列的增广协方差矩阵 |
| 4.3.2 不完全增广协方差矩阵的估计误差分布 |
| 4.3.3 完全增广协方差矩阵重构 |
| 4.3.4 性能分析 |
| 4.3.5 仿真实验 |
| 4.4 基于协方差匹配准则的差分虚拟阵列DOA估计算法 |
| 4.4.1 算法原理 |
| 4.4.2 仿真实验 |
| 4.5 本章小结 |
| 第五章 非均匀噪声下的互质阵列DOA估计算法 |
| 5.1 引言 |
| 5.2 互质阵列信号模型 |
| 5.3 基于线性预测和矩阵重构的非均匀噪声DOA估计算法 |
| 5.4 仿真实验 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 附录 A 定理4.1 的证明 |
| 附录 B 定理4.3 的证明 |
| 附录 C 定理4.6 的证明 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（6）基于非凸正则的图像超分辨率算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 课题的背景及研究意义 |
| 1.2 图像超分辨率研究发展过程及现状 |
| 1.3 图像重建质量评估标准 |
| 1.4 论文的主要工作及章节安排 |
| 1.4.1 主要工作 |
| 1.4.2 章节安排 |
| 第二章 超分辨率相关背景知识 |
| 2.1 超分辨率基础模型 |
| 2.1.1 图像降质过程 |
| 2.1.2 基础模型构建 |
| 2.2 非凸低秩约束 |
| 2.2.1 非凸函数 |
| 2.2.2 非凸低秩优化方法 |
| 2.3 图像非局部相似性 |
| 2.4 低秩矩阵恢复 |
| 2.5 交替方向乘子法 |
| 2.6 本章小结 |
| 第三章 基于TV2++正则的超分辨率算法 |
| 3.1 引言 |
| 3.2 基于TV2++超分辨率算法 |
| 3.2.1 算法模型构建 |
| 3.2.2 算法模型优化求解 |
| 3.3 实验结果与分析 |
| 3.3.1 有噪情况 |
| 3.3.2 不同图像数据情况 |
| 3.3.3 总体实验总结 |
| 3.4 本章小结 |
| 第四章 基于非局部低秩正则的超分辨率算法 |
| 4.1 引言 |
| 4.2 基于非局部低秩正则的超分辨率算法 |
| 4.2.1 非局部低秩先验(NLLRP) |
| 4.2.2 整体算法模型构建 |
| 4.2.3 算法模型优化求解 |
| 4.3 实验结果与分析 |
| 4.3.1 最近邻插值法用于图像降质及重建 |
| 4.3.2 双三次插值法用于图像降质及重建 |
| 4.3.3 总体实验总结 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间申请的专利 |
| 附录2 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（7）不确定性环境下智能建筑能量与热舒适联合管理方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 现有研究分析 |
| 1.2.2 现有研究的不足之处 |
| 1.3 研究内容和结构安排 |
| 第二章 不确定性环境下的决策理论 |
| 2.1 引言 |
| 2.2 李亚普诺夫最优化技术 |
| 2.2.1 优化问题描述 |
| 2.2.2 构建虚拟队列 |
| 2.2.3 最小偏移-惩罚项算法 |
| 2.3 深度强化学习 |
| 2.3.1 强化学习 |
| 2.3.2 深度学习 |
| 2.3.3 深度强化学习算法分类 |
| 2.3.4 DQN |
| 2.4 本章小结 |
| 第三章 多区域商业建筑能量与热舒适联合管理方法研究 |
| 3.1 引言 |
| 3.2 多区域商业建筑总成本最小化问题建模 |
| 3.2.1 多区域商业建筑暖通空调系统模型 |
| 3.2.2 成本模型 |
| 3.2.3 问题建模 |
| 3.3 算法设计 |
| 3.3.1 所提实时控制算法 |
| 3.3.2 求解问题P3.2 |
| 3.3.3 算法可行性 |
| 3.3.4 性能保证 |
| 3.4 仿真结果及分析 |
| 3.4.1 仿真设置 |
| 3.4.2 仿真结果 |
| 3.5 本章小结 |
| 附录 A 问题P3.3的求解过程 |
| 附录 B 引理3.1的证明 |
| 附录 C 引理3.2的证明 |
| 附录 D 定理3.1的证明 |
| 附录 E 定理3.2的证明 |
| 第四章 智慧家庭能量与热舒适联合管理方法研究 |
| 4.1 引言 |
| 4.2 智慧家庭能量优化问题建模 |
| 4.2.1 能量存储系统模型 |
| 4.2.2 暖通空调系统模型 |
| 4.2.3 功率平衡 |
| 4.2.4 成本模型 |
| 4.2.5 总能量成本最小化问题 |
| 4.2.6 构建马尔可夫决策过程 |
| 4.3 基于DDPG的智慧家庭能量管理算法 |
| 4.3.1 算法设计 |
| 4.3.2 算法计算复杂度 |
| 4.4 性能评估 |
| 4.4.1 仿真设置 |
| 4.4.2 对比方案 |
| 4.4.3 仿真结果 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 研究工作总结 |
| 5.2 后续研究 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 附录3 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（8）雾辅助的隐私保护数据收集与智能计算迁移研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状及关键问题分析 |
| 1.3 研究内容及组织结构 |
| 第二章 相关背景知识介绍 |
| 2.1 压缩感知技术 |
| 2.1.1 压缩感知概述 |
| 2.1.2 稀疏表示 |
| 2.1.3 压缩感知观测 |
| 2.1.4 压缩感知重建 |
| 2.2 雾计算 |
| 2.2.1 雾计算的定义 |
| 2.2.2 雾计算的特点 |
| 2.3 计算迁移 |
| 2.3.1 计算迁移概述 |
| 2.3.2 计算迁移的应用 |
| 2.4 深度学习 |
| 2.4.1 深度学习概述 |
| 2.4.2 监督学习 |
| 2.4.3 无监督学习 |
| 2.4.4 神经网络 |
| 2.5 本章小结 |
| 第三章 雾辅助的感知大数据高效隐私保护数据收集研究 |
| 3.1 引言 |
| 3.2 网络模型 |
| 3.3 基于雾计算辅助的高效隐私保护数据收集机制 |
| 3.3.1 感知节点的采样与加密 |
| 3.3.2 雾节点处理加密采样数据 |
| 3.3.3 用户端重建及加密数据解密 |
| 3.4 仿真实验 |
| 3.5 本章小结 |
| 第四章 雾辅助并行多任务时延最小化计算迁移研究 |
| 4.1 引言 |
| 4.2 网络模型 |
| 4.3 计算迁移最小化任务完成时间 |
| 4.3.1 最优化问题的构建 |
| 4.3.2 最优计算迁移求解 |
| 4.4 性能评估 |
| 4.5 本章小结 |
| 第五章 基于深度学习的能量与延时协同感知计算迁移研究 |
| 5.1 引言 |
| 5.2 网络模型 |
| 5.3 能量与延时协同感知计算迁移机制 |
| 5.3.1 优化问题构建 |
| 5.3.2 基于深度学习的联合迁移决策和资源分配 |
| 5.4 性能评估 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文研究工作总结 |
| 6.2 进一步研究工作展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 附录3 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（9）面向云平台IaaS层的能效问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究思路 |
| 1.3 研究内容与创新点 |
| 1.4 组织结构 |
| 2 相关工作和概念 |
| 2.1 相关工作 |
| 2.1.1 科学工作流成本最小化相关研究 |
| 2.1.2 数据中心功耗及稳定性相关研究 |
| 2.2 相关概念 |
| 2.2.1 科学工作流 |
| 2.2.2 静态调度与动态调度 |
| 2.2.3 IaaS层 |
| 2.2.4 热迁移 |
| 3 科学工作流成本压缩调度算法 |
| 3.1 前言 |
| 3.1.1 研究背景与动机 |
| 3.1.2 相关研究 |
| 3.1.2.1 计算环境和优化目标 |
| 3.1.2.2 优化方法 |
| 3.2 问题定义 |
| 3.2.1 科学应用模型 |
| 3.2.2 云平台模型 |
| 3.2.3 虚拟机模型 |
| 3.2.4 问题定义 |
| 3.2.4.1 虚拟机数量最小化 |
| 3.2.4.2 实例小时数量最小化 |
| 3.3 虚拟机最小化 |
| 3.3.1 虚拟机数量的上下限 |
| 3.3.1.1 虚拟机数量的上限 |
| 3.3.1.2 虚拟机数量的下限 |
| 3.3.2 可满足性模理论 |
| 3.3.3 虚拟机数量最小化问题的SMT模型 |
| 3.3.4 基于SMT的启发式算法 |
| 3.4 实例小时最小化 |
| 3.4.1 实例小时最小化问题分析 |
| 3.4.2 单策略算法(Single Strategy Algorithm,SSA) |
| 3.4.3 多策略算法(Multiple Strategy Algorithm,MSA) |
| 3.4.3.1 MSA中的策略 |
| 3.4.3.2 合并机制 |
| 3.4.3.3 多策略算法 |
| 3.4.4 实例小时最小化问题复杂度分析 |
| 3.5 性能评估 |
| 3.5.1 虚拟机最小化评估 |
| 3.5.1.1 实验设置及相关参数 |
| 3.5.1.2 实验结果 |
| 3.5.2 实例小时最小化评估 |
| 3.5.2.1 评价标准 |
| 3.5.2.2 实验结果 |
| 3.5.3 综合评估 |
| 3.5.3.1 评价标准 |
| 3.5.3.2 实验结果 |
| 3.6 本章小结 |
| 4 混合使用多核虚拟机的工作流调度算法 |
| 4.1 引言 |
| 4.1.1 技术背景 |
| 4.1.2 相关研究 |
| 4.2 符号及模型 |
| 4.2.1 系统相关模型 |
| 4.2.1.1 科学工作流模型 |
| 4.2.1.2 云平台模型 |
| 4.2.1.3 虚拟机运行多任务模型 |
| 4.2.1.4 收费模型 |
| 4.2.2 问题定义 |
| 4.3 成本最小化算法 |
| 4.3.1 基本思想 |
| 4.3.2 COMSE算法 |
| 4.3.2.1 CombineTasks()函数 |
| 4.3.2.2 SplitLevels()函数 |
| 4.3.2.3 SplitDeadline()函数 |
| 4.3.2.4 Schedule()函数 |
| 4.3.2.5 MinimizeInstanceHours()函数 |
| 4.3.3 COMSE的框架 |
| 4.3.4 复杂度分析 |
| 4.4 性能评估 |
| 4.4.1 测试集与评价标准 |
| 4.4.2 性能对比 |
| 4.5 本章小结 |
| 5 面向大规模科学应用容错的调度机制 |
| 5.1 引言 |
| 5.1.1 研究背景 |
| 5.1.2 相关研究 |
| 5.2 符号及模型 |
| 5.2.1 科学工作流模型 |
| 5.2.2 云平台模型 |
| 5.2.3 快照模型 |
| 5.2.4 错误模型 |
| 5.2.5 主要相关符号定义 |
| 5.2.6 问题定义 |
| 5.3 容错机制 |
| 5.3.1 基本思想 |
| 5.3.2 FAUSIT容错机制 |
| 5.3.2.1 DetermineKeyTasks()函数 |
| 5.3.2.2 DeployKeyTasks()函数 |
| 5.3.3 FAUSIT的可行性说明 |
| 5.4 实验与评估 |
| 5.4.1 实验设置 |
| 5.4.2 评价指标 |
| 5.4.3 参数(?)的取值 |
| 5.4.4 实验结果 |
| 5.5 本章小结 |
| 6 基于周期性负载的海量虚拟机调度 |
| 6.1 引言 |
| 6.2 符号与定义 |
| 6.2.1 虚拟机模型 |
| 6.2.2 物理机模型 |
| 6.2.3 问题定义 |
| 6.3 负载预测 |
| 6.3.1 基本思想 |
| 6.3.2 周期负载预测算法(CUP) |
| 6.3.3 CUP的预测性能展示 |
| 6.4 基于预测负载的虚拟机调度算法(VCPL) |
| 6.4.1 VCPL的基本思想 |
| 6.4.2 VCPL算法 |
| 6.4.2.1 Classify()函数 |
| 6.4.2.2 Consolidate()函数 |
| 6.5 性能评估 |
| 6.5.1 数据集、实验设置和性能指标 |
| 6.5.2 预测负载对调度的影响 |
| 6.5.3 算法对比 |
| 6.6 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（10）大规模MIMO随机型接入活跃用户检测和信道估计方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 英文缩略词 |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 近似消息传递算法 |
| 1.2.2 大规模MIMO随机型接入活跃用户检测和信道估计 |
| 1.2.3 非正交导频设计与调度 |
| 1.2.4 小结 |
| 1.3 论文工作与章节安排 |
| 第二章 面向压缩感知的近似消息传递算法 |
| 2.1 引言 |
| 2.2 压缩感知数学模型 |
| 2.3 近似消息传递 (AMP) 算法 |
| 2.3.1 Thouless-Anderson-Palmer AMP (TAP-AMP) 算法 |
| 2.3.2 Bayesian optimal AMP (BAMP) 算法 |
| 2.3.3 Basis Pursuit AMP (BP-AMP) 算法 |
| 2.3.4 Basis Pursuit De-Noising AMP (BPDN-AMP) 算法 |
| 2.3.5 AMP算法的一般形式 |
| 2.3.6 MMV问题中的vector AMP算法 |
| 2.4 广义近似消息传递 (GAMP) 算法 |
| 2.4.1 广义线性模型 |
| 2.4.2 GAMP算法的一般形式 |
| 2.4.3 用于MMSE估计的Sum-Product GAMP算法 |
| 2.4.4 Sum-Product GAMP算法推导 |
| 2.5 广义线性近似期望传递 (GLAEP) 算法 |
| 2.5.1 简化的广义线性模型 |
| 2.5.2 Bethe自由能理论框架 |
| 2.5.3 基于Bethe自由能框架的GLAEP算法推导 |
| 2.6 本章总结 |
| 2.7 附录 |
| 2.7.1 附录A |
| 2.7.2 附录B |
| 2.7.3 附录C |
| 2.7.4 附录D |
| 第三章 大规模MIMO随机型接入场景中的联合活跃用户检测和信道估计 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.3 从变分贝叶斯推断到混合消息传递算法 |
| 3.3.1 变分法与Bethe自由能 |
| 3.3.2 置信度约束条件的设计 |
| 3.3.3 混合消息传递算法的一般形式 |
| 3.4 基于混合消息传递算法的活跃用户检测和信道估计 |
| 3.4.1 i.i.d. 复高斯衰落信道下的活跃用户检测和信道估计 |
| 3.4.2 大规模MIMO空间相关信道下的活跃用户检测和信道估计 |
| 3.5 仿真结果 |
| 3.5.1 i.i.d. 复高斯衰落信道下 |
| 3.5.2 大规模MIMO空间相关信道下 |
| 3.6 本章总结 |
| 3.7 附录 |
| 第四章 随机型接入系统中的非正交导频设计与调度 |
| 4.1 引言 |
| 4.2 基于压缩感知理论的非正交导频设计 |
| 4.2.1 数学模型 |
| 4.2.2 基于ZC序列的非正交导频设计 |
| 4.3 基于Welch界序列的非正交导频设计 |
| 4.3.1 数学模型 |
| 4.3.2 基于WBE序列和MBWE序列的非正交导频设计 |
| 4.4 非正交导频调度算法 |
| 4.5 仿真结果 |
| 4.5.1 i.i.d. 高斯信道下 |
| 4.5.2 空间相关信道下 |
| 4.6 本章总结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 进一步研究方向 |
| 参考文献 |
| 作者在攻读硕士学位期间发表的论文和专利 |
| 致谢 |
四、An Elementary Method on a Minimization Problem（论文参考文献）
- [1]城市物流配送车辆路径优化方法研究[D]. 李佳慧. 长春理工大学, 2021(02)
- [2]边缘网络资源分配与协同控制研究[D]. 周吉喆. 北京邮电大学, 2021
- [3]连续型损失分布的近似贝叶斯估计及其应用[D]. 张良超. 江西师范大学, 2021(12)
- [4]保险风险理论中的最优单调均值方差问题与受控带跳扩散过程[D]. 李博晗. 南开大学, 2021(02)
- [5]基于低秩矩阵重构理论的DOA估计方法研究[D]. 黄逸潇. 电子科技大学, 2021(01)
- [6]基于非凸正则的图像超分辨率算法研究[D]. 周哲涛. 南京邮电大学, 2020(03)
- [7]不确定性环境下智能建筑能量与热舒适联合管理方法研究[D]. 谢蒂. 南京邮电大学, 2020(03)
- [8]雾辅助的隐私保护数据收集与智能计算迁移研究[D]. 朱曦. 南京邮电大学, 2020(02)
- [9]面向云平台IaaS层的能效问题研究[D]. 吴昊. 大连理工大学, 2020(01)
- [10]大规模MIMO随机型接入活跃用户检测和信道估计方法研究[D]. 邱晓. 东南大学, 2020(01)