一、面向制造的成本计算系统开发（论文文献综述）
孙笑科[1]（2021）在《边缘计算网络中任务卸载和资源分配优化研究》文中指出物联网的快速发展催生了大量计算密集和时延敏感型应用,终端用户有限的计算和能量资源与复杂应用需求之间的矛盾日益凸显。为满足终端用户多样化、高标准的应用服务需求,边缘计算将通信、计算和存储等功能迁移至靠近用户端的边缘服务器。终端用户通过任务卸载,为扩展本地处理能力并降低计算能耗提供了可能。但是,相比于拥有强大处理能力的集中式云计算数据中心,边缘服务器的分布比较分散且资源有限。面对未来大规模设备连接和爆发式数据流量增长趋势,设计合理的任务卸载和资源分配机制,实现边缘计算网络中分散且有限资源的有效利用,对优化任务处理时延、处理质量以及能量消耗等关键性能指标具有重要意义。然而,由于复杂的网络环境和多样任务处理性能需求,不合理的任务卸载决策容易引发网络负载失衡,降低资源利用效率。同时,任务卸载涉及传输、计算和存储过程的耦合,多维（通信、计算和缓存）资源的分配失衡进一步制约边计算卸载关键性能指标的提升。基于此,如何设计高效的任务卸载和资源分配优化机制,实现边缘服务器间任务的协同调度和多维资源的按需分配,是边缘计算网络中一个亟待解决的重要问题。针对上述问题,本文聚焦边缘计算网络,开展了基于边边协同、端边协同、空地协同的任务卸载和资源分配优化研究。本论文的主要研究内容和创新点如下:1)提出基于边缘服务器协同的任务卸载和资源分配优化方案,解决了边缘服务器资源供需失衡下难以同时满足任务处理时延和任务处理质量混合性能指标需求的难题。首先,通过挖掘计算任务处理质量和计算资源需求量之间的正关系,构建基于边缘服务器协同的任务处理质量和时延折中问题。其次,针对动态变化的无线传输链路质量对边缘服务器侧任务到达时间的影响,设计在线式优化算法,通过对用户接入、带宽资源分配、任务处理模型和数据量选择决策的自适应优化控制,使各服务资源供需关系维持在平稳状态。其中,针对单位时隙内复杂的混合整数非线性规划问题,通过连续性松弛和对偶分解将其转化为低复杂度凸差（Difference of Convex,DC）规划问题进行求解。最后,实验结果验证了算法的收敛性,并表明其在保障时延和提升任务处理质量方面的有效性。2)提出基于端边协同的任务卸载和资源分配方案,解决了任务到达时空非均匀条件下,网络负载失衡导致的任务处理成本开销高的难题。首先,针对用户端需要通过边缘节点广播消息更新任务处理模型参数才能执行本地计算的任务处理,考虑各时隙传输条件和服务器资源竞争情况的差异性,构建时间平均成本开销最小化问题。其次,利用李雅普诺夫优化理论解耦时间域上的影响因素,通过保障网络稳定实现时间域上的负载均衡。在此基础上,利用交替优化及凸优化理论求解单位时隙内任务模型更新用户集及接入边缘服务器选择,并保证最优性能增益条件下的带宽和计算资源分配,实现空间域上的负载均衡。最后,仿真结果表明,所提算法可以充分发挥各服务器可用资源优势,在保障任务处理质量的基础上,降低任务成本开销。3)提出基于多维资源联合的任务卸载和资源分配优化方案,解决了多类任务需求并存环境下,多维资源分配失衡导致任务处理速率降低的难题。首先,针对任务缓存部署对处理能力的影响,深入考量各任务通信、计算和缓存资源分配之间的相互耦合机理,构建最小化任务处理时延问题。其次,针对复杂决策求解空间和时变网络状态,设计分布式在线优化算法。各用户依据其他用户的本地副本决定通信和计算资源分配,在此基础上,通过将用户端任务卸载和边缘服务器侧任务缓存部署决策转化为双边效用最大化的匹配博弈问题,使得各设备只需依赖本地实时信息,便可独立并行地进行决策优化。最后,理论证明了算法的性能下界及其与最优机制的性能差距。仿真结果表明所提算法在满足各用户成本预算约束下,有效降低了任务处理时延。4)提出基于无人机辅助的空地协同任务卸载和资源分配优化方案,解决了地面边缘服务器灵活性差及随机网络环境下的计算卸载难题。首先,发挥无人机中继和计算功能,构建用户、无人机及地面服务器之间三层计算卸载系统架构下的优化系统能效问题。其次,针对信道条件和任务到达的随机性,设计在线式优化算法,以联合优化各设备任务卸载、计算资源分配以及无人机轨迹。具体地,利用分式规划和随机网络优化理论将随机非凸问题解耦为三个可相互独立求解的确定性优化问题。继而针对无人机轨迹和任务卸载之间的非线性耦合性进一步转化,在推导任务卸载决策闭合解的基础上,迭代获得无人机轨迹的近似最优解。最后,理论分析和仿真结果证实了提出算法在不依赖于网络状态先验知识的前提下,可以在保障任务处理时延的基础上,有效提升长期时间平均系统能效。
宋诗楠[2]（2021）在《不完全观测边缘计算系统中计算卸载问题研究》文中认为作为云计算的延伸,边缘计算通过高速网络与用户设备连接,将计算资源放置在距离用户较近的网络边缘。高速通信网络和位置优势为边缘计算节约了通信成本、提高了服务质量。用户将本地任务卸载至边缘服务器,可以获得更加快速、稳定的计算服务。然而,与云计算中心的服务器集群相比,边缘服务器通常分布在不同区域,服务器之间的松散结构使集中式和分布式的系统管理方法都存在局限:单一边缘服务器难以实时获取全局的系统信息,对系统环境的观测是不完全的。此外,用户的隐私性、服务器安全性和通信代价也加剧了边缘计算中的不完全观测特征。不完全观测导致边缘计算系统对任务属性和用户行为估计错误或滞后,常规的系统优化方法和基于深度强化学习的智能卸载算法都面临挑战。本文分别从用户和边缘服务器的不完全观测角度研究了边缘计算的任务卸载过程和系统资源优化。在单一边缘服务器的卸载场景中,使用深度强化学习方法实现了对复杂未知环境信息的探索。在多个边缘服务器的卸载策略的学习过程中,提出了一种去中心化的学习框架,用于提高卸载策略的学习效率并降低服务器间的通信成本。本文的主要贡献包括:（1）针对边缘计算中的不完全观测性,给出了原型系统和对应的半在线卸载算法的设计。在系统设计中,任意的边缘服务器或是用户设备都不能获得系统的全部信息,只能独立的根据自身对环境的观测完成卸载决策。通过使用流水线模型分析边缘计算系统资源变化对任务信息年龄（Ao I）的影响,给出了针对用户间的不完全观测问题的卸载算法实例。系统分析和仿真实验表明,用户通过服务器获得对系统环境的间接观测,如:用户对卸载任务价值的预测和对服务器的资源空闲的利用,是提高计算卸载效率的关键。（2）针对用户和服务器之间的不完全观测问题,研究了基于用户行为价值预测的计算卸载。使用马尔科夫决策过程对用户任务的特征和用户行为进行描述,提出了在边缘服务器端进行观测和系统资源优化的半在线卸载模型（so Co M）。依靠对用户行为的预测,so Co M可以自适应的完成卸载算法的训练,合理分配计算资源并提高系统效率。随着用户数量的增加,用户行为的多样性和不完全观测性会导致数据空间爆炸,影响了深度强化学习的学习效率。通过对流行的深度强化学习方法进行研究和分析,选择Dueling DQN作为模型的核心方法。实验结果表明,结合Dueling DQN的so Co M模型能够有效的预测用户行为特征,得到的卸载算法可以提高系统资源利用率并保证服务器间的负载均衡。（3）针对多个服务器之间的不完全观测问题,研究了限时感知任务的卸载和多服务器系统优化。限时感知类任务需要在有限的时间内完成,在不完全观测的边缘计算系统中,任务是否按时完成的二元判断带来巨大的观测噪声,系统吞吐量和资源利用之间的互斥性也阻碍了深度强化学习对有效策略的探索。研究使用部分可观测的马尔科夫决策过程代替传统的马尔科夫模型,并借鉴了策略蒸馏的概念,提出了一种快速的去中心化强化蒸馏模型——Fast-DRD。Fast-DRD在较低的计算复杂度下完成对环境噪声和错误探索的过滤,降低了深度强化学习算法在噪声环境中的过拟合现象,并且不依赖于先验知识就可以完成自我学习。同时,在多个边缘服务器构成的系统中,Fast-DRD使用改进的流言协议以自组织的模式进行去中心化学习,使得卸载模型的部署更加灵活。与传统的策略蒸馏过程相比,Fast-DRD有效节约了卸载模型学习过程中的通信和计算代价,学习得到的卸载模型能够保证任务卸载成功率同时避免带宽和计算资源瓶颈。
李松远[3]（2021）在《QoS感知的服务资源调度与优化研究》文中进行了进一步梳理服务计算是一种多学科交叉融合的新兴计算模式。它通过设计和运用计算和信息技术,对各类信息服务与商业服务进行设计、操作、管理和优化,被广泛应用于各个领域。随着服务计算系统的不断扩张和演化,系统中服务供应商和用户规模急剧扩大,服务计算系统的组成结构愈发复杂,系统逐渐呈现生态化趋势。在生态化的服务计算系统中,多用户/服务供应商共同参与到服务计算系统的运行,并形成相互竞争的态势。对于用户而言,需要面对来自其他用户的服务资源竞争而争取得到最优的目标服务/服务资源分配方案,从而获得优质的服务质量（Quality of Service,QoS）。对于服务供应商而言,需要采取适当的服务激励策略以吸引大量用户来购买其服务资源,同时尽可能地满足最多用户的QoS需求,从而在竞争型服务市场中占据较大的市场份额。对于服务计算系统而言,则需要提供一种满足多用户公平性的服务资源竞争平台,较好地兼顾服务公平与QoS优化,从而促进生态化服务计算系统中的良序竞争与博弈,有助于服务计算系统的可持续发展。本文针对生态化的服务计算环境,聚焦管理多用户或服务供应商之间的竞争态势,从服务选择、服务资源定价、服务资源管理三个方面出发,建立对应的QoS优化模型,并采用相应的优化方法求解,开展QoS感知的服务资源调度与优化研究。本文主要的创新性工作如下:1.研究基于公平性指标的多用户服务选择方法。首先,构建QoS感知的多用户并发服务选择模型。其次,通过引入最大最小公平性的概念,给出实现最大最小公平性的字典序优化问题描述。然后,分析服务公平优化问题的特有特征和结构,进而设计出基于线性规划迭代的服务公平优化算法（Fairness-aware Concurrent Service Selection,FASS）。在理论上,证明了 FASS算法的最优性,并且在仿真实验中,充分验证和评估了 FASS算法的有效性和效率。2.研究面向市场的云资源定价机制。首先,对云资源拍卖市场进行建模描述。其次,根据QoS感知的用户效用模型,定义基于用户个体理性的云资源购买策略。然后,设计出最大化用户激励的云资源拍卖机制（Price-Incentive Resource Auction,PIRA）,其旨在以满足云服务供应商最低利润率γ要求为前提下,激励出最大用户数量来购买云服务资源。与此同时,在理论上证明出PIRA机制满足预算可行性、激励相容性、无妒性,这些重要性质有利于增强云资源拍卖机制PIRA的鲁棒性。在仿真实验中,PIRA机制的实际性能被得到充分的验证。3.研究体验质量（Quality of Experience,QoE）感知的分布式边缘任务调度和资源管理方法。首先,建立边缘计算系统的服务资源分配模型,并量化分析QoE指标与QoS指标间的关联关系。其次,给出最大化系统QoE水平的优化问题描述。为了解决该优化问题求解的诸多难点与挑战,引入潜在博弈模型,使得多用户的边缘资源分配方案以去中心化的形式被求解得到。然后,基于抢占式QoE改进机制、面向多用户合作的消息传递机制,设计了相应的QoE感知分布式边缘资源分配算法（QoE-Aware Decentralized Edge Resource Allocation,QoE-DEER）,以得到具有最高系统 QoE水平的纳什均衡解。通过理论证明和仿真实验,充分地验证了分布式QoE-DEER算法的性能和收敛性。
梁广俊,王群,辛建芳,李梦,许威[4]（2021）在《移动边缘计算资源分配综述》文中指出在万物互联的物联网时代,云计算凭借超强的计算能力和存储能力提供了主流的大数据处理方案。随着5G的正式商用,面对5G+物联网呈爆炸式增长的终端设备以及低时延、低功耗的用户需求,基于云计算的大数据处理方案逐渐显露弊端。分布式的面向移动终端的大数据处理方案——移动边缘计算呼之欲出。本文通过对比云计算、边缘计算和移动边缘计算的概念和相关特征,引入移动边缘计算的定义及八大典型应用场景,进一步列举出移动边缘计算的发展历程。随后,归纳出移动边缘计算的几种国际标准模型以及框架设计的相关研究,结合移动边缘计算资源分配的关键问题进行梳理。最后,提出移动边缘计算的未来的研究方向和挑战。
姜伟[5]（2021）在《云计算环境下可信服务动态保障模型及方法研究》文中研究指明云计算的出现深刻改变了业务计算模式,人们无需再购买大量昂贵的专门设备,即可获得按需算力,目前已被广泛应用于国防军事、交通运输、工业制造和社会服务等领域。同时,随着云计算基础设施的广泛普及和下一代通信技术的推广应用,“一切皆服务”理念正在成为现实,人们已经可以随时随地获得来自云端的服务。然而,技术发展也带来攻击方式的快速涌现,不可靠的链路、众多恶意节点和充满漏洞的共享云服务都对用户获得可以信赖的云服务提出了巨大挑战,因此迫切需要对云计算环境下的服务保障进行研究。但是,由于无论资源提供、服务选择、服务组合都来源于远程的云计算环境,虚拟化映射方法使得这些环节都具有高度的动态性,静态保障方法已难以获得良好效果。据此,本文提出一种云计算环境下的服务动态保障方法,在不可信的网络条件下,综合利用各种手段,通过筛选云计算资源、选择服务属性、执行服务组合和计算能力再优化,形成反馈过程,最终动态保障用户可以获得按需的可信服务。首先,针对云计算环境下可信服务需要动态保障的需求,提出一种云计算环境下可信服务动态保障模型,融合多层反馈控制机制对云计算资源筛选、服务属性选择、服务组合执行和计算能力再优化等进行综合设计,从而在多个层次上对服务可信性进行动态保障。由于资源虚拟化在云计算系统中的基础性地位,如果计算资源不可靠,那么后续保障措施将无从实现。在此基础上,针对虚拟资源映射的不可信问题,提出一种基于改进模拟退火粒子群的映射算法SAPSP-VNE。以较低的虚拟网络映射的底层网络资源开销为目标,将虚拟网络可信性的虚拟网络资源分配问题归结为一个整数线性规划模型,确保若底层物理网络出现失效节点时,其余虚拟网络部分仍然能具有连通性,最大程度保证虚拟网络的可信性。实验结果表明SAPSP-VNE算法能够有效提升资源平均利用率,提高了映射的成功率和虚拟网络的恢复成功率。其次,针对云环境下服务特征维度过高导致服务特征选择复杂的问题,提出一种基于熵和SVM模型的服务特征评估与子集选择方法ISVM-FSM。算法采用模糊集中熵的计算方式,使用特征的缩放因子和特定类别之间的熵值来计算每个类别中矢量间距离,来解决特征空间庞大而导致的复杂度过高问题。在服务特征子集求解时,借助于前向分布算法的思想,通过不断拟合上一步模型在训练数据上的残差,得到比传统SVM模型更高的准确率。实验结果表明,对冗余特征较多的服务数据集能够有效选择重要特征,同时特征子集的规模比传统算法有明显的压缩,较大提升了准确率。再次,针对传统服务组合方法无法摆脱第三方平台限制、可信服务组合差异性需求难以得到满足问题,提出一种基于区块链智能合约的服务组合方法,构建出安全可信的云服务交易环境。在基于区块链的服务智能合约基础上,以服务动态优化调度为目的,提出一种基于混合灰狼的优化算法HGWO作为服务组合的核心算法,克服传统元启发式方法求解精度不够,算法后期收敛速度慢,容易陷入局部最优等问题。实验结果表明HGWO算法具有较好的收敛性、提升了解的精度、增加了解的多样性,为云环境下服务组合提升了可信性和提供了有效的解决方案。最后,为了在提供可信服务的同时优化计算能力,提出了一种基于服务迁移的云计算服务优化方案。在该方法中通过对云节点和中心云的资源状态的建模,将可信服务的优化问题转化为系统开销最小化问题;在此基础上,通过改进遗传算法获得了资源优化策略。实验结果表明,所提出的方案能够降低系统开销,有效的提升系统性能。
习立洋[6]（2021）在《面向精益生产的典型分段标准工程图管理技术优化研究与应用》文中研究指明随着造船行业核心建造技术不断成熟,我国造船业得到迅猛发展,但是,由于我国造船业生产管理水平在精益生产管理方面与日韩相比还存在一定的差距,直接反映在企业计划决策速度慢、准确度低,生产计划信息传输迟缓,造船周期长等方面。基于数字化信息管理技术,建立精益生产管理系统是提高管理水平,缩短造船建造周期,提高企业生产效益的有效途径。国内大部分船厂正在由粗放式管理方式向精益化造船模式转变,并已经在精益生产方面取得了良好的效果。船舶分段工序的标准化和工时的标准化管理问题是我国造船厂普遍存在的问题,因此借助智能算法和仿真模拟软件对分段生产流程数据信息进行分析研究,形成面向精益生产的生产管理系统具有重要的研究意义。本文结合包含标准工序和标准工序等信息的标准工程图管理模式,从选择适合颗粒度的分段中间产品出发,对船体分段的标准类型划分,标准工序的规划以及对应标准工时的研究,建立标准工程图生产管理系统,实现分段装配生产全过程精细化管控,以缩短船舶建造周期。主要工作内容有:（1）分析船体分段中间产品的特征属性,建立分段中间产品装配信息模型,基于工艺特征数据,应用模糊聚类分析法对船体分段进行分类;（2）研究装配干涉矩阵规划装配序列的原理,生成典型分段的装配序列,并在此基础上研究影响装配序列的柔性约束条件,进一步优化装配序列,最后在CATIA软件环境下对装配序列进行静态和动态干涉检查,验证规划工序的可行性;（3）在Matlab软件环境中应用粒子群算法优化的神经网络（PSO-BP）算法对27万吨散货船分段任务包工艺参数数据信息进行学习,预测分段任务包工时,并构建分段任务包额定工时计算系统;（4）基于前述研究数据结果,在按各工序分解任务包额定工时的基础上,建立船体分段标准工程图生产管理系统。本文结合国内外船厂生产管理现状,提出了基于分段中间产品装配信息模型的分段分类方案,并通过建立拆卸干涉矩阵、分析柔性约束规划分段装配序列,再借助CATIA对装配序列进行仿真,整理分析形成分段装配的标准工序,基于PSO-BP算法对上述工序对应分段任务包工艺数据进行学习,生成分段任务包标准工时,并形成分段任务包额定工时计算系统,最后将前述数据信息集成形成船体分段标准工程图（SSEP）生产管理系统。这减少了人工管理装配过程的复杂程度,对推动船体分段装配过程精细化管理具有重要意义,为今后我国全面推行智能造船也具有重要意义。
吴雨婷[7]（2020）在《忆阻阵列上的容错驱动神经突触映射方法》文中研究表明新兴的忆阻交叉阵列由于非线性、非易失性、低功耗和高集成度等优点,在神经形态计算系统（Neuromorphic Computing Systems,NCS）中具有很好的应用前景。但是大多数大型神经网络都是稀疏的,这与忆阻阵列提供的高密度连接相矛盾;同时由于不成熟的制造工艺,目前可用的忆阻交叉阵列规模有限;且忆阻交叉阵列中存在一定比例的故障。针对上述问题,本文面向NCS提出了忆阻交叉阵列上的大规模神经网络容错映射框架,主要工作如下:（1）本文设计了一种面向基于忆阻阵列的神经形态计算系统的容错映射方法。该方法主要包括容错驱动的神经元谱聚类算法,采用0-1矩阵表示聚类神经元间的突触连接关系,通过基于海明距离的谱聚类距离定义,引导形成具有一定稀疏度的且行间海明距离最大化的神经元突触子矩阵,将容错问题转换为找到突触子矩阵和忆阻阵列矩阵之间的有效映射问题,提升通过映射阶段的列置换方法对矩阵进行重排列来避开故障忆阻器的可能性;通过基于二分匹配的启发式算法,完成神经突触矩阵到故障忆阻阵列的映射。（2）为了实现一定规模忆阻阵列下的通用性设计,本文设计了基于固定尺寸忆阻阵列的大规模容错聚类方法。该方法通过基于划分算法的容错驱动聚类方法将突触连接聚类为大小相近的集群,扩大了在可接受时间内处理的神经网络规模;通过对突触子矩阵到固定尺寸忆阻阵列映射成功概率的估计,在保证一定映射成功率的条件下最大化突触连接子矩阵,提升忆阻阵列的利用率;提出通过对半转置方法,降低非对称矩阵的行列差距,提升给定忆阻阵列可容纳的突触连接子矩阵规模,减少忆阻交叉阵列数目。最后根据聚类结果,通过蒙特卡洛方法来进行模拟。模拟结果显示,在固定故障的故障注入率一共为10.79%的情况下,FTNCS框架可以实现96.69%的映射成功率,FTDC-NCS框架的映射成功率更是达到了 99.52%,而且对于含有百万突触的大规模神经网络,相比于FTNCS,FTDC-NCS将运行时间从>6h减少到1500秒左右,同时提高了忆阻阵列的利用率。
郭嘉俊[8]（2020）在《基于硅基光子芯片的神经网络算法研究》文中认为进入21世纪以来,人工智能技术得到了极大地发展,深度学习算法作为人工智能的核心驱动力发挥了至关重要的作用。随着深度学习算法的不断更新迭代,对硬件计算能力和带宽的需求也日益增加,出现了特殊的硬件设备对深度学习算法进行加速,在提高计算能力的同时降低硬件设备的能耗。但是随着近年来芯片的工艺尺寸逐渐趋于物理极限,摩尔定律逐渐失效,传统的电子集成技术难以满足未来海量数据运算能力的需要。光信号作为传输信号的介质,具有并行度高、低功耗、低延迟等诸多特性,在当今信息时代的地位举足轻重。将光代替电进行计算和数据处理,研究和构建光计算系统成为解决电子技术瓶颈的重要途径。本文对目前先进的光学计算模型进行了对比和分析,依托基于硅基光子计算芯片的光电混合计算系统,探究和分析其实现的原理和计算模式,设计了面向硅基光子计算芯片的神经网络算法,主要的研究工作如下:1.设计了与光子计算芯片结构匹配的卷积层算法,并对芯片的光电接口速率不匹配的问题提出了卷积优化算法,同时在此基础上利用将全连接层通过矩阵维度变换的算法转变为卷积运算,在运算规模有限的光子计算芯片上可以进行卷积运算和任意维度的全连接层运算。2.设计了支持平均池化和最大池化的电域池化层算法,使卷积神经网络算法中的池化运算和激活函数等非线性计算能够由光电混合计算系统中的FPGA（Field Programmable Gate Array）芯片实现,解决了光子计算芯片计算模式单一,无法承担卷积神经网络中非线性计算的问题。3.设计了基于FPGA平台的算法仿真系统对面向光子计算芯片的神经网络算法进行测试和评估。仿真实验中使用了ZYNQ开发板移植卷积神经网络结构的推理过程,通过高层次综合工具将所设计的算法生成基于Verilog的IP核,实现对手写数字的识别。结果表明面向光子计算芯片的神经网络算法在检测速率上优于常规的卷积神经网络算法,同时说明使用光子计算芯片实现卷积神经网络算法的推理过程具有较高的实用性和灵活性。
孙兆鹏[9]（2020）在《面向多维异构计算系统的通信及任务调度研究》文中研究表明5G到来推动了物联网的广泛应用,同时也带来海量数据。这些数据存储时会占用大量空间和资源而需要及时处理。异构计算比传统计算更有优势,它具备丰富的计算资源并且可以根据每个计算单元的结构特点分配适合的计算任务。因此异构计算是解决未来数据中心算力和能耗问题的重要手段。针对异构计算仍然存在编程复杂、可信性无法保证等问题,本文提出了一个基于状态变迁矩阵（STM）的编程框架,集成GPU和FPGA等各种计算单元的资源。通过状态迁移矩阵对CUDA和Vivado的应用程序接口（API）进行调用,自动生成异构计算所需要的标准C代码的框架。针对异构计算系统的调度问题提出了信息素优化的人工蚁群算法（MACO）,针对期望因子和信息因子提出了适应异构架构的优化,同时优化信息素挥发机制,实现了合理的异构任务调度,并通过调度长度、迭代效率等关键参数对比了MACO算法和其他算法,证明本文提出的算法的有效性。同时针对异构硬件通信提出了FPGA和GPU分别作为主控器的高效异构PCIe通信方法,通过高速串行计算机扩展总线（PCI-E）连接不同计算单元,实现无需经过CPU内存的直接数据传输,同时突破了仅使用GPU作为主控器的PCIe通信当中读取操作的短板,进一步提高了异构平台的通信效率。搭建了基于FPGA-GPU-CPU的异构计算平台,针对以上几项研究,分别进行通信验证实验和任务调度实验,同时搭建平台后基于Fasthog+SVM进行实际应用的对比实验。并对实验结果进行了分析,验证了所提方法的正确性和有效性。
邵艳玲[10]（2019）在《边缘计算资源优化分配及部署技术研究》文中进行了进一步梳理随着终端接入数目和种类日益增加,越来越复杂的物联网应用难以被实时高效的处理已成为制约其业务发展的瓶颈。一方面,由于物联网（Io T）在一些应用领域,比如虚拟现实,增强现实（VR/AR）,超高清视频直播以及智能制造等提出了复杂、多样、实时等新的业务需求。另一方面,目前的物联网终端设备存在处理能力不足且电池容量有限等缺点,难以为复杂多样的物联网应用提供实时处理。边缘计算服务的出现,为这些应用提供了有效的解决方案,能在一定程度上提升本地数据处理能力、减少数据传输时延、降低设备成本。如何在靠近物或数据产生源头的网络边缘侧为复杂多样的物联网业务提供最优或较优的资源分配策略与部署方案,是边缘计算系统中亟待解决的关键科学问题。鉴于计算卸载、资源分配、缓存内容放置以及边缘服务器部署是实现本地化数据处理以及资源配置的基础,其执行效率和执行成本将直接影响边缘计算系统的整体性能。因此,针对物联网应用时延敏感性强、计算密集度高以及“终端-边缘-云”三层资源的异构性等特点,为了提升系统性能、服务质量（Qo S）和用户体验,本文围绕计算卸载、资源分配、缓存内容放置以及边缘服务器部署,从多角度研究边缘计算环境下面向复杂物联网业务的资源优化分配及部署,主要研究工作及学术贡献如下:（1）研究了边缘计算环境下多组件应用的计算卸载策略目前用户设备处理能力和电池电量有限,利用计算卸载技术可将计算密集度高的物联网计算任务迁移到边缘服务器或者远程的云数据中心。如何扩展用户终端的处理能力,满足物联网应用实时需求是需要解决的关键问题。本文研究了边缘计算环境下多组件应用的计算卸载策略。该策略考虑物联网应用组件的行为特征属性和边缘计算环境下“终端-边缘-云”资源的特征,分别用查询图和数据标签图进行描述。根据组件间的隶属度来确定聚类关系,利用模糊聚类算法对多组件应用合理划分,然后综合考虑应用时延和用户设备能耗,分别计算应用组件卸载到本地、边缘或者远程云节点的综合代价,分析用户位置和边缘计算环境中计算、存储、网络资源等上下文信息,当达到卸载条件时,采用基于动态子图匹配算法进行多组件应用计算卸载。实验结果表明,本文所提出的卸载策略降低了用户设备能耗和服务交付时延,提升了应用的执行效率。（2）提出了能耗感知的多层资源动态分配方法在用户设备能耗和边缘服务器性能等多因素约束下,如何合理利用云、边缘服务器以及终端设备组成的分布式多层异构资源,在满足应用实时性要求的同时最小化能耗成本是边缘计算服务提供商需要关注的问题。本文提出能耗感知的“边缘-云”多层异构资源动态分配策略。首先利用加权维诺图确定边缘服务器的服务区域,采用AR（p）模型滚动预测边缘服务器任务负载量,根据任务负载对资源的需求选择资源提供方。然后根据边缘服务器和云服务器的资源能耗成本,把“边缘-云”可重配置资源平滑分配问题转化为多维背包问题。通过能耗成本感知的贪心算法和动态节点管理策略,最终求得在满足用户低延迟需求的同时系统能耗成本最小的资源公平分配方案。实验结果表明在能耗和SLA违规方面,所提出的方法优于Always On和Auto Scale等算法。（3）设计了边缘计算中分布式协同缓存放置算法边缘计算环境中单个边缘服务器存储能力有限,层次式缓存机制导致延迟较长并浪费存储空间,只考虑单个因素的内容放置策略会导致缓存价值降低和带宽消耗代价增加。本文设计了边缘计算中分布式协同缓存放置算法。采用分布式协作缓存架构,首先确定边缘服务器覆盖范围内的用户集合,然后利用缓存服务节点和终端设备之间的距离、内容流行度和缓存内容大小,计算数据访问延迟代价。本文将访问延迟代价最小化问题建模为0-1整数线性规划问题,利用元启发式伊藤算法设计分布式协同缓存放置方案。实验结果表明,与其他传统的缓存内容放置算法对比,本文所提出缓存内容放置策略ECCDP＿IT?能有效的搜索流行度高的数据最优的放置位置,提高了缓存命中率,降低了主干网络传输流量,从而实现用户访问数据的低延迟需求。（4）建议了成本感知的边缘服务器优化部署方法如何为边缘服务器选址并确定该位置服务器数量以实现低延迟应用需求和节点利用率均衡是边缘服务器部署亟待解决的问题。本文建议了成本感知的边缘服务器优化部署方法。利用用户关联矩阵和资源分配矩阵,计算资源分配比率;通过资源分配比率、区域平均负载以及边缘位置之间的访问延迟,计算区域请求总延迟。最后建立基于服务器部署代价和请求总延迟代价的最小化目标函数,并把边缘服务器部署问题规约为混合整数非线性规划问题,利用Benders分解算法求出边缘服务器部署的位置和数量。仿真结果表明:基于Benders分解的边缘服务器部署优化策略能在保障整体边缘服务器部署成本较低的同时,实现降低用户访问延迟和提高资源利用率之间的均衡优化的目标。
二、面向制造的成本计算系统开发（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、面向制造的成本计算系统开发（论文提纲范文）
（1）边缘计算网络中任务卸载和资源分配优化研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 缩略语 |
| 常用数学符号 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 边缘计算概述 |
| 1.2.1 系统架构 |
| 1.2.2 基本特征 |
| 1.2.3 典型应用 |
| 1.2.4 关键性能指标 |
| 1.3 任务卸载和资源分配研究及挑战 |
| 1.3.1 任务卸载和资源分配 |
| 1.3.2 任务卸载和资源分配研究的挑战 |
| 1.4 研究现状 |
| 1.4.1 针对不同性能指标的任务卸载和资源分配研究 |
| 1.4.2 面向多服务器协同的任务卸载和资源分配研究 |
| 1.4.3 面向多维资源联合的任务卸载和资源分配研究 |
| 1.4.4 基于无人机辅助的任务卸载和资源分配研究 |
| 1.4.5 研究不足 |
| 1.5 主要创新工作与章节安排 |
| 1.5.1 主要创新工作 |
| 1.5.2 章节安排 |
| 2 基于边缘服务器协同的任务卸载和资源分配优化 |
| 2.1 引言 |
| 2.2 系统模型和问题建模 |
| 2.2.1 系统模型 |
| 2.2.2 问题建模 |
| 2.3 基于资源供需关系变化的在线式算法 |
| 2.3.1 基于李雅普诺夫优化理论的问题重构 |
| 2.3.2 基于连续凸近似理论的优化方法 |
| 2.4 性能仿真验证 |
| 2.4.1 仿真设置 |
| 2.4.2 仿真结果与分析 |
| 2.5 本章小结 |
| 3 基于端边协同的任务卸载和资源分配优化 |
| 3.1 引言 |
| 3.2 系统模型和问题建模 |
| 3.2.1 系统模型 |
| 3.2.2 问题建模 |
| 3.3 基于端边协同的在线式优化 |
| 3.3.1 基于李亚普诺夫优化理论的问题转化和分解 |
| 3.3.2 时间平均约束转化 |
| 3.3.3 用户端数据接入控制决策优化 |
| 3.3.4 边缘服务器侧计算资源分配优化 |
| 3.3.5 用户端计算和卸载相关决策优化 |
| 3.4 性能仿真验证 |
| 3.4.1 仿真设置 |
| 3.4.2 仿真结果与分析 |
| 3.5 本章小结 |
| 4 基于多维资源联合的任务卸载和资源分配优化 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 问题建模 |
| 4.3 基于多维资源联合的分布式在线优化 |
| 4.3.1 时间平均约束转化 |
| 4.3.2 通信和计算资源分配优化 |
| 4.3.3 基于匹配理论的任务缓存部署和调度决策优化 |
| 4.4 性能分析 |
| 4.5 性能仿真验证 |
| 4.5.1 仿真设置 |
| 4.5.2 仿真结果与分析 |
| 4.6 本章小结 |
| 5 基于无人机辅助的空地协同任务卸载和资源分配优化 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.2.1 问题建模 |
| 5.3 基于空地协同的在线式任务卸载和资源分配优化 |
| 5.3.1 问题转化 |
| 5.3.2 用户端计算资源分配优化 |
| 5.3.3 无人机侧计算资源分配和任务调度决策优化 |
| 5.4 性能分析 |
| 5.5 性能仿真验证 |
| 5.5.1 仿真设置 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文与其他成果 |
| 学位论文数据集 |
（2）不完全观测边缘计算系统中计算卸载问题研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究的主要挑战 |
| 1.2.1 异构系统中的资源分配 |
| 1.2.2 复杂数据空间探索 |
| 1.2.3 智能模型的聚合 |
| 1.3 本文的研究内容 |
| 1.3.1 不完全观测边缘计算系统优化 |
| 1.3.2 边缘计算中用户行为价值预测 |
| 1.3.3 去中心化的多服务器计算卸载过程 |
| 1.4 论文的组织与安排 |
| 第2章 研究现状与关键问题 |
| 2.1 边缘计算的基本概念 |
| 2.1.1 边缘计算的应用场景 |
| 2.1.2 边缘计算的研究热点 |
| 2.1.3 计算卸载的相关技术 |
| 2.2 深度强化学习在计算卸载中的应用 |
| 2.2.1 深度强化学习对系统性能的优化 |
| 2.2.2 深度强化学习对服务质量的提高 |
| 2.3 深度强化学习与边缘计算融合的挑战 |
| 2.4 本章小结 |
| 第3章 不完全观测边缘计算系统 |
| 3.1 引言 |
| 3.2 系统定义 |
| 3.2.1 计算模型 |
| 3.2.2 通信模型 |
| 3.2.3 能耗模型 |
| 3.3 影响卸载效率的因素分析 |
| 3.3.1 问题定义 |
| 3.3.2 任务完工时间分析 |
| 3.3.3 处理器空闲损失分析 |
| 3.3.4 任务卸载成本分析 |
| 3.4 用户设备之间的不完全观测问题 |
| 3.4.1 半在线卸载模型 |
| 3.4.2 边缘服务器端卸载算法 |
| 3.4.3 本地用户端卸载算法 |
| 3.5 实验验证 |
| 3.5.1 系统设计 |
| 3.5.2 实验结果 |
| 3.6 本章小结 |
| 第4章 未知用户的不完全观测性研究 |
| 4.1 引言 |
| 4.2 未知用户行为预测问题分析 |
| 4.2.1 复杂动作空间的探索 |
| 4.2.2 深度强化学习算法分析 |
| 4.3 基于深度强化学习的半在线卸载过程 |
| 4.3.1 优化目标 |
| 4.3.2 马尔科夫决策模型 |
| 4.3.3 系统动作转换与延迟奖励 |
| 4.3.4 用户与服务器的双向选择过程 |
| 4.4 实验验证 |
| 4.4.1 实验设计 |
| 4.4.2 实验参数分析 |
| 4.4.3 用户成本效益分析 |
| 4.4.4 服务器负载与收益 |
| 4.4.5 用户行为预测 |
| 4.4.6 多服务器间负载均衡 |
| 4.5 本章小结 |
| 第5章 未知服务器的不完全观测性研究 |
| 5.1 引言 |
| 5.2 限时感知类任务卸载的问题分析 |
| 5.2.1 系统模型 |
| 5.2.2 任务状态转换与生命周期 |
| 5.2.3 服务器资源平衡 |
| 5.2.4 限时感知问题的优化函数 |
| 5.3 快速去中心化强化蒸馏 |
| 5.3.1 去中心化的部分可观测马尔科夫决策过程 |
| 5.3.2 轨迹观测历史蒸馏 |
| 5.3.3 信任值蒸馏 |
| 5.3.4 流言组蒸馏 |
| 5.4 实验验证 |
| 5.4.1 实验设计 |
| 5.4.2 对中心化学习过程的提升 |
| 5.4.3 训练速度优化 |
| 5.4.4 蒸馏间隔的影响分析 |
| 5.4.5 用户合作性的影响分析 |
| 5.4.6 流言组大小的影响分析 |
| 5.4.7 平衡吞吐量与卸载成功率 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 作者简介及攻读博士学位期间取得的研究成果 |
| 致谢 |
（3）QoS感知的服务资源调度与优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 研究背景 |
| 1.2 研究内容与意义 |
| 1.2.1 实现最大最小公平的多用户并发服务选择 |
| 1.2.2 最大化用户激励的市场化云资源定价机制 |
| 1.2.3 去中心化QoE感知的多用户边缘资源管理 |
| 1.3 研究难点与挑战 |
| 1.3.1 兼顾服务公平与服务质量的多目标优化设计 |
| 1.3.2 服务资源定价与用户资源需求分配间的强耦合性 |
| 1.3.3 多用户竞争博弈过程的无序性 |
| 1.4 论文组织 |
| 第二章 相关研究综述 |
| 2.1 服务选择和服务推荐 |
| 2.2 多用户间竞争与合作 |
| 2.3 服务资源的定价策略 |
| 2.4 边缘化的服务计算架构 |
| 2.5 讨论与总结 |
| 第三章 基于公平性指标的多用户服务选择方法 |
| 3.1 本章引论 |
| 3.2 问题描述 |
| 3.2.1 带约束的多用户并发服务选择模型 |
| 3.2.2 实现最大最小公平(MMF)的字典序优化问题 |
| 3.3 多用户公平服务选择方案的求解算法 |
| 3.3.1 基于迭代的MMF优化框架 |
| 3.3.2 对最大化最低服务费用问题的等价线性规划变换 |
| 3.4 实验验证 |
| 3.4.1 实验设置 |
| 3.4.2 实验结果 |
| 3.5 本章小结 |
| 第四章 面向市场的云资源定价与售卖机制 |
| 4.1 本章引论 |
| 4.2 模型设计 |
| 4.2.1 云资源拍卖市场 |
| 4.2.2 用户效用模型 |
| 4.3 基于用户个体理性的云资源购买策略 |
| 4.4 最大化用户激励的云资源拍卖机制PIRA |
| 4.4.1 优化问题描述 |
| 4.4.2 PIRA拍卖机制 |
| 4.4.3 重要性质分析 |
| 4.5 实验验证 |
| 4.5.1 实验设置 |
| 4.5.2 数值实验 |
| 4.5.3 基于实际轨迹数据的仿真实验 |
| 4.6 本章小结 |
| 第五章 QoE感知的分布式边缘任务调度和资源管理 |
| 5.1 本章引论 |
| 5.2 问题描述 |
| 5.2.1 系统模型 |
| 5.2.2 体验质量(QoE)模型 |
| 5.2.3 优化问题描述 |
| 5.3 多用户边缘资源博弈(ERAGame) |
| 5.3.1 ERAGame博弈模型描述 |
| 5.3.2 面向QoE改进的多用户博弈协调机制 |
| 5.4 基于ERAGame的分布式算法 |
| 5.4.1 QoE-DEER算法设计 |
| 5.4.2 QoE-DEER算法分析 |
| 5.5 实验验证 |
| 5.5.1 实验设置 |
| 5.5.2 实验结果 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（4）移动边缘计算资源分配综述（论文提纲范文）
| 1 引言 |
| 2 MEC的定义及典型应用场景 |
| 2.1 边缘计算与移动边缘计算 |
| 2.1.1 边缘计算的兴起 |
| 2.1.2 云计算V.S.边缘计算V.S.移动边缘计算 |
| 2.1.3 MEC的定义 |
| 2.2 MEC的八大典型应用场景 |
| 2.2.1 MEC在公共安全中的应用 |
| 2.2.2 MEC在自动驾驶中的应用 |
| 2.2.3 MEC在虚拟现实中的应用 |
| 2.2.4 MEC在工业互联网中的应用 |
| 2.2.5 MEC在智能家居中的应用 |
| 2.2.6 MEC在智慧城市中的应用 |
| 2.2.7 MEC在医疗卫生中的应用 |
| 2.2.8 MEC在休闲娱乐中的应用 |
| 3 移动边缘计算的发展历程 |
| 4 MEC标准模型和框架研究 |
| 4.1 MEC的标准模型 |
| 4.1.1 欧洲电信标准化协会的MEC架构 |
| 4.1.2 英特尔的MEC框架 |
| 4.1.3 3GPP基于5G的MEC框架 |
| 4.2 MEC的框架研究与设计 |
| 5 MEC资源分配的关键问题研究 |
| 5.1 MEC计算卸载 |
| 5.1.1 基于能耗的MEC计算卸载 |
| 5.1.2 基于时延的MEC计算卸载 |
| 5.1.3 能耗与时延折中研究 |
| 5.1.4 MEC计算卸载小结 |
| 5.2 MEC缓存资源分配 |
| 5.2.1 MEC缓存管理 |
| 5.2.2 MEC排队模型 |
| 5.2.3 MEC负载共享和平衡 |
| 5.2.4 MEC负载研究小结 |
| 5.3 MEC资源调度 |
| 5.3.1 MEC任务分配/卸载 |
| 5.3.2 MEC资源联合优化 |
| 5.3.3 公平性和资源交易 |
| 5.3.4 MEC资源优化小结 |
| 5.4 MEC移动性管理 |
| 5.4.1 MEC计算分流和接入点选择 |
| 5.4.2 MEC任务部署 |
| 5.4.3 MEC功率控制 |
| 5.4.4 虚拟机配置和网络功能虚拟化 |
| 5.4.5 MEC移动性管理小结 |
| 5.5 MEC安全与隐私 |
| 5.5.1 MEC安全问题 |
| 5.5.2 MEC隐私保护 |
| 5.5.3 MEC安全隐私问题小结 |
| 6 未来的研究方向与挑战 |
| 6.1 MEC结合EH/WPT |
| 6.2 MEC结合NOMA |
| 6.3 MEC结合AI/DL |
| 6.4 MEC结合UAV |
| 6.5 MEC深入融合Io T |
| 7 结论 |
（5）云计算环境下可信服务动态保障模型及方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 云计算系统及可信服务研究现状 |
| 1.2.1 IaaS与可信服务 |
| 1.2.2 PaaS与可信服务 |
| 1.2.3 SaaS与可信服务 |
| 1.3 可信服务保障关键技术研究现状 |
| 1.3.1 云计算的可信性模型 |
| 1.3.2 云计算的服务选择 |
| 1.3.3 云计算的服务组合 |
| 1.3.4 云计算的卸载与服务优化 |
| 1.4 研究目标 |
| 1.5 本文研究内容与组织结构 |
| 第2章 云计算环境下可信服务动态保障模型构建 |
| 2.1 引言 |
| 2.2 云计算环境下可信性动态保障模型 |
| 2.3 基于动态可信标签的虚拟化可信映射方法 |
| 2.3.1 模型问题描述 |
| 2.3.2 虚拟化资源可信映射方法 |
| 2.3.3 实验分析与验证 |
| 2.3.4 模型的有效性对比 |
| 2.4 本章小结 |
| 第3章 基于熵和SVM的服务特征子集选择方法 |
| 3.1 引言 |
| 3.2 服务分析方法 |
| 3.2.1 特征评估方法分类 |
| 3.2.2 特征选取方法分析 |
| 3.3 基于熵的改进特征评估方法 |
| 3.3.1 基于熵的特征评估方法概述 |
| 3.3.2 基于模糊集理论的服务熵计算方法 |
| 3.3.3 基于熵的特征评估方法(FIAME) |
| 3.4 基于SVM的改进特征子集选择方法 |
| 3.4.1 前向分布算法 |
| 3.4.2 支持向量机模型 |
| 3.4.3 基于迭代SVM的特征子集选择方法 |
| 3.5 实验验证与分析 |
| 3.5.1 实验目的 |
| 3.5.2 数据集选择 |
| 3.5.3 基于熵的特征评估方法实验 |
| 3.5.4 基于迭代支持向量机的特征子集选择方法实验 |
| 3.6 本章小结 |
| 第4章 基于区块链和混合灰狼算法的可信服务组合方法 |
| 4.1 引言 |
| 4.2 基于区块链的可信服务组合框架设计 |
| 4.3 基于智能合约可信服务组合的实现方法 |
| 4.3.1 基于标识的服务注册 |
| 4.3.2 可信服务组合协议 |
| 4.3.3 智能合约的实现过程 |
| 4.4 混合灰狼优化算法 |
| 4.4.1 标准灰狼优化 |
| 4.4.2 混合灰狼优化算法 |
| 4.5 实验验证与分析 |
| 4.5.1 实验场景设置 |
| 4.5.2 HGWO 算法实验 |
| 4.6 本章小结 |
| 第5章 云计算环境下的可信服务资源优化 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.2.1 本地计算 |
| 5.2.2 中心云端计算 |
| 5.3 基于遗传算法的模型求解 |
| 5.3.1 遗传算法 |
| 5.3.2 基于禁忌搜索的遗传算法优化 |
| 5.3.3 算法流程与实现 |
| 5.4 实验结果及分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
| 个人简历 |
（6）面向精益生产的典型分段标准工程图管理技术优化研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 中间产品族划分 |
| 1.2.2 装配序列规划 |
| 1.2.3 多类小批量工时定额 |
| 1.3 本文研究内容及组织结构 |
| 1.3.1 本文研究主要内容 |
| 1.3.2 本文组织结构 |
| 第2章 分段中间产品装配组立信息模型 |
| 2.1 装配信息模型建立与表达 |
| 2.1.1 几何信息 |
| 2.1.2 拓扑信息 |
| 2.1.3 制造技术信息 |
| 2.1.4 管理特征信息 |
| 2.2 船体分段信息模型的主要内容 |
| 2.2.1 概述 |
| 2.2.2 分段部件信息模型 |
| 2.2.3 分段部件关系信息模型 |
| 2.3 基于船体分段信息模型的分段模糊聚类分析 |
| 2.3.1 概述 |
| 2.3.2 船体分段模糊聚类分析 |
| 2.3.3 基于模糊聚类分析的典型分段分类成组模型 |
| 2.4 本章小结 |
| 第3章 典型分段部件装配序列规划研究 |
| 3.1 基于拆卸矩阵的典型分段装配序列的规划 |
| 3.1.1 典型分段部件装配拆卸网络图 |
| 3.1.2 典型分段部件拆卸干涉矩阵分析 |
| 3.2 基于柔性约束关系的装配序列优化 |
| 3.2.1 柔性约束的规格化 |
| 3.2.2 基于层次分析法的分段装配序列柔性约束权值分析 |
| 3.3 基于CATIA的船体分段部件装配序列模拟仿真分析 |
| 3.3.1 分段装配仿真流程分析 |
| 3.3.2 分段模型装配路径分析 |
| 3.3.3 分段虚拟装配干涉分析 |
| 3.4 本章小结 |
| 第4章 基于典型分段装配序列的任务包工时定额研究 |
| 4.1 分段装配序列的任务包工时定额构成 |
| 4.1.1 分段装配序列的任务包内容 |
| 4.1.2 船体分段装配任务包工时影响关键因素 |
| 4.1.3 分段任务包工时函数建立 |
| 4.2 基于PSO-BP神经网络测算分段任务包工时定额 |
| 4.2.1 BP神经网络概述 |
| 4.2.2 粒子群算法概述 |
| 4.2.3 PSO-BP神经网络预测算法 |
| 4.2.4 应用PSO-BP神经网络预测船体分段任务包工时定额 |
| 4.3 基于PSO-BP的分段任务包定额工时计算系统实现 |
| 4.3.1 分段任务包定额工时计算系统的总体流程 |
| 4.3.2 任务包定额工时计算系统的COM组件制作及安装流程 |
| 4.3.3 分段任务包定额工时计算系统建立 |
| 4.4 本章小结 |
| 第5章 船体分段标准工程图生产管理系统设计与实现 |
| 5.1 标准工程图生产管理系统的需求分析 |
| 5.1.1 分段生产计划准确性改善的需求分析 |
| 5.1.2 标准工程图生产管理系统功能需求分析 |
| 5.2 标准工程图生产管理系统的总体设计 |
| 5.2.1 标准工程图生产管理系统模块结构 |
| 5.2.2 标准工程图生产管理系统主要功能模块设计 |
| 5.3 标准工程图生产管理系统的实现 |
| 5.3.1 标准工程图生产管理系统开发环境 |
| 5.3.2 标准工程图生产管理系统功能模块实现 |
| 5.3.3 标准工程图生产管理系统效益分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 附录3 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（7）忆阻阵列上的容错驱动神经突触映射方法（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 神经形态计算 |
| 1.2.2 忆阻器 |
| 1.2.3 忆阻容错方法研究现状 |
| 1.3 研究内容 |
| 1.4 论文结构安排 |
| 第2章 基于忆阻阵列的神经形态系统 |
| 2.1 神经网络 |
| 2.2 基于忆阻交叉阵列的神经网络结构 |
| 2.3 忆阻器故障及故障注入 |
| 2.3.1 忆阻器故障 |
| 2.3.2 忆阻交叉阵列故障注入 |
| 2.4 故障测试算法 |
| 2.5 本章小结 |
| 第3章 面向NCS的忆阻阵列上的容错谱聚类方法 |
| 3.1 谱聚类算法 |
| 3.1.1 相似度度量方法 |
| 3.1.2 相似图及其构造方法 |
| 3.1.3 图的划分准则 |
| 3.1.4 拉普拉斯矩阵 |
| 3.1.5 谱聚类算法流程 |
| 3.2 面向NCS的忆阻阵列上的容错映射框架FTNCS |
| 3.2.1 容错驱动谱聚类方法 |
| 3.2.2 集群规模控制谱聚类 |
| 3.2.3 离群值控制方法 |
| 3.2.4 布局评估 |
| 3.3 本章小结 |
| 第4章 面向NCS的固定尺寸忆阻阵列上的容错映射框架 |
| 4.1 基于METIS的容错驱动聚类算法 |
| 4.2 冗余忆阻交叉阵列容错 |
| 4.3 对半转置方法 |
| 4.4 基于二分匹配的启发式映射算法 |
| 4.5 本章小结 |
| 第5章 模拟实验结果及分析 |
| 5.1 蒙特卡洛及模拟实验环境 |
| 5.2 实验结果比较及分析 |
| 5.2.1 对半转置方法的优越性 |
| 5.2.2 固定尺寸忆阻交叉阵列大小的影响 |
| 5.2.3 FTNCS框架结果对比 |
| 5.2.4 FTDC-NCS框架结果对比 |
| 5.2.5 布局评估结果 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（8）基于硅基光子芯片的神经网络算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 深度卷积神经网络 |
| 1.2.2 硬件加速研究现状 |
| 1.2.3 光子计算技术 |
| 1.3 本文主要工作 |
| 1.4 本文组织结构 |
| 2 光学神经网络理论基础 |
| 2.1 人工神经网络基础理论 |
| 2.1.1 卷积层 |
| 2.1.2 池化层 |
| 2.1.3 全连接层 |
| 2.1.4 激活函数 |
| 2.2 光学计算模型 |
| 2.2.1 全光学脉冲神经网络 |
| 2.2.2 宽带衍射型光学神经网络 |
| 2.2.3 现场可编程光子阵列 |
| 2.2.4 光计算实现神经网络算法所面临的挑战 |
| 2.3 本章小结 |
| 3 光电混合神经网络计算系统 |
| 3.1 系统整体架构 |
| 3.2 光学组件 |
| 3.2.1 硅基光子计算芯片计算原理 |
| 3.2.2 硅基光子计算芯片结构 |
| 3.3 电学组件 |
| 3.4 系统软件架构 |
| 3.5 本章小结 |
| 4 面向光子计算芯片的神经网络算法设计 |
| 4.1 与光学组件匹配的卷积层算法设计 |
| 4.2 电域池化层算法设计 |
| 4.3 与光学组件匹配的全连接层算法设计 |
| 4.4 解决光电接口速率不一致的卷积优化算法 |
| 4.5 本章小结 |
| 5 算法仿真实验和分析 |
| 5.1 卷积神经网络算法设计及实验 |
| 5.1.1 算法模型训练平台及测试数据 |
| 5.1.2 卷积神经网络图像分类实验 |
| 5.2 FPGA卷积神经网络算法仿真实验 |
| 5.2.1 基于FPGA的算法仿真系统设计 |
| 5.2.2 FPGA算法仿真测试 |
| 5.2.3 仿真测试结果分析 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（9）面向多维异构计算系统的通信及任务调度研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 GPU-CPU/FPGA-CPU异构系统研究现状 |
| 1.2.2 FPGA-GPU-CPU异构系统研究现状 |
| 1.3 研究内容与创新点 |
| 1.4 章节组织结构 |
| 2 异构计算基本概念与编程框架 |
| 2.1 异构编程架构介绍 |
| 2.1.1 异构计算的基本工作原理 |
| 2.1.2 异构计算分类及实现 |
| 2.1.3 FPGA-GPU-CPU异构 |
| 2.2 异构相关技术与开发工具 |
| 2.2.1 CUDA与 GPUDirect RDMA |
| 2.2.2 Vivado HLS和 SDAccel |
| 2.2.3 PCIe和 DMA |
| 2.3 异构任务调度算法研究 |
| 2.3.1 基于表的任务调度算法 |
| 2.3.2 基于复制的任务调度算法 |
| 2.3.3 基于随机搜索的任务调度算法 |
| 2.4 异构编程方法 |
| 2.4.1 异构编程流程 |
| 2.4.2 基于STM的异构编程框架 |
| 2.5 本章小结 |
| 3 异构高效通信方法 |
| 3.1 问题分析 |
| 3.2 通信实现原理 |
| 3.3 基于PCIe的异构通信方法 |
| 3.3.1 GPU-CPU通信实现 |
| 3.3.2 FPGA-CPU通信实现 |
| 3.3.3 FPGA-GPU通信实现及优化 |
| 3.4 本章小结 |
| 4 异构计算环境下的任务调度方法 |
| 4.1 问题分析 |
| 4.2 基于聚类的启发式异构任务调度算法研究 |
| 4.2.1 任务聚类 |
| 4.2.2 启发规则 |
| 4.3 多蚁群算法调度优化方案 |
| 4.3.1 问题建模 |
| 4.3.2 迭代规则与信息素优化 |
| 4.3.3 迭代过程与解的构造 |
| 4.4 遗传算法调度优化方案 |
| 4.4.1 适应度函数 |
| 4.4.2 改进交叉和变异算子 |
| 4.5仿真实验 |
| 4.6 本章小结 |
| 5 实验分析 |
| 5.1 实验环境 |
| 5.2通信验证实验 |
| 5.2.1 实验过程 |
| 5.2.2 实验结果 |
| 5.2.3 实验总结 |
| 5.3行人检测应用实验 |
| 5.3.1 实验过程 |
| 5.3.2 实验结果 |
| 5.3.3 实验总结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（10）边缘计算资源优化分配及部署技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 边缘计算概述 |
| 1.2.1 边缘计算的定义及特点 |
| 1.2.2 边缘计算层次结构 |
| 1.2.3 边缘计算的应用场景 |
| 1.3 研究现状 |
| 1.3.1 边缘计算环境下的计算卸载 |
| 1.3.2 云边协同环境中的资源分配 |
| 1.3.3 边缘计算环境下缓存放置 |
| 1.3.4 边缘服务器部署 |
| 1.3.5 现有研究的不足 |
| 1.4 论文研究内容与贡献 |
| 1.5 论文组织结构 |
| 第2章 边缘计算环境下多组件应用的计算卸载策略 |
| 2.1 引言 |
| 2.2 应用案例:增强现实应用 |
| 2.3 边缘计算环境下计算卸载问题描述以及建模 |
| 2.3.1 问题描述 |
| 2.3.2 问题建模 |
| 2.4 边缘计算环境下计算卸载策略 |
| 2.4.1 自适应卸载条件 |
| 2.4.2 基于模糊聚类的应用划分 |
| 2.4.3 基于动态子图匹配的多组件应用放置 |
| 2.5 基于动态子图匹配的计算卸载算法 |
| 2.5.1 算法实现 |
| 2.5.2 算法分析 |
| 2.6 多组件应用的计算卸载算例 |
| 2.7 性能评估 |
| 2.7.1 实验分析方法和环境配置 |
| 2.7.2 实验测试用例 |
| 2.7.3 比较算法及性能指标 |
| 2.7.4 实验结果及分析 |
| 2.8 本章小结 |
| 第3章 能耗感知的多层资源动态分配方法 |
| 3.1 引言 |
| 3.2 能耗感知的“边缘-云”资源调度框架 |
| 3.3 能耗感知的多层资源分配问题描述与建模 |
| 3.3.1 问题描述 |
| 3.3.2 系统模型 |
| 3.3.3 问题建模 |
| 3.4 能耗感知的多层资源分配策略 |
| 3.4.1 边缘MDC服务区域划分 |
| 3.4.2 任务负载滚动预测 |
| 3.4.3 能耗感知的资源分配算法 |
| 3.5 在线的动态节点管理方法 |
| 3.5.1 节点开启 |
| 3.5.2 节点关闭 |
| 3.6 能耗感知的多层资源分配算例 |
| 3.7 性能评估 |
| 3.7.1 实验环境 |
| 3.7.2 数据集以及性能测试指标 |
| 3.7.3 实验结果分析 |
| 3.8 本章小结 |
| 第4章 边缘计算中分布式协同缓存放置算法 |
| 4.1 引言 |
| 4.2 边缘计算环境下数据缓存应用场景:大视频应用 |
| 4.3 分布式协同边缘缓存数据放置问题分析及建模 |
| 4.3.1 问题分析 |
| 4.3.2 问题描述 |
| 4.3.3 问题建模 |
| 4.4 分布式协同缓存数据放置 |
| 4.4.1 确定用户归属 |
| 4.4.2 基于伊藤算法的协同边缘缓存数据放置 |
| 4.4.3 算法关键因素设计 |
| 4.5 算法实现与分析 |
| 4.6 边缘计算中分布式协同边缘缓存放置实例 |
| 4.7 性能评估 |
| 4.7.1 实验环境以及参数配置 |
| 4.7.2 对比算法以及相关性能指标 |
| 4.7.3 实验结果及分析 |
| 4.8 本章小结 |
| 第5章 成本感知的边缘服务器优化部署方法 |
| 5.1 引言 |
| 5.2 边缘服务器部署问题分析与建模 |
| 5.2.1 边缘服务器部署问题分析 |
| 5.2.2 问题描述 |
| 5.2.3 边缘服务器部署建模 |
| 5.2.4 原问题的线性化过程 |
| 5.3 边缘服务器部署问题的Benders分解 |
| 5.4 基于Benders分解的边缘服务器部署算法实现 |
| 5.4.1 算法实现 |
| 5.4.2 算法正确性分析 |
| 5.5 边缘服务器部署算例 |
| 5.6 性能评估 |
| 5.6.1 实验设置 |
| 5.6.2 实验结果及分析 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间获得与学位论文相关的科研成果 |
四、面向制造的成本计算系统开发（论文参考文献）
- [1]边缘计算网络中任务卸载和资源分配优化研究[D]. 孙笑科. 北京交通大学, 2021(02)
- [2]不完全观测边缘计算系统中计算卸载问题研究[D]. 宋诗楠. 吉林大学, 2021(01)
- [3]QoS感知的服务资源调度与优化研究[D]. 李松远. 北京邮电大学, 2021(01)
- [4]移动边缘计算资源分配综述[J]. 梁广俊,王群,辛建芳,李梦,许威. 信息安全学报, 2021(03)
- [5]云计算环境下可信服务动态保障模型及方法研究[D]. 姜伟. 哈尔滨工程大学, 2021
- [6]面向精益生产的典型分段标准工程图管理技术优化研究与应用[D]. 习立洋. 江苏科技大学, 2021(03)
- [7]忆阻阵列上的容错驱动神经突触映射方法[D]. 吴雨婷. 中国科学技术大学, 2020(01)
- [8]基于硅基光子芯片的神经网络算法研究[D]. 郭嘉俊. 北京交通大学, 2020(03)
- [9]面向多维异构计算系统的通信及任务调度研究[D]. 孙兆鹏. 大连理工大学, 2020(02)
- [10]边缘计算资源优化分配及部署技术研究[D]. 邵艳玲. 武汉理工大学, 2019(01)