一、基于移动Agent的移动计算形式理论分析(论文文献综述)
徐越[1](2020)在《基于机器学习的无线网络负载优化方法研究》文中研究说明近年来,无线网络规模爆炸式增长、新兴业务不断涌现、用户需求持续变化,致使无线网络负载在时空二维非均匀分布且波动性进一步加剧。如何在无线网络的资源约束下自适应优化网络负载,满足用户多样化的业务需求,是新一代无线网络面临的核心难题之一。传统的移动网络负载优化方法主要是基于经典信息论和网络信息论对优化问题进行建模求解,然而偏理想化的数学优化模型难以应对迅速攀升的信息体量和快速变化的业务需求。因此,新一代无线网络亟需全新的负载优化模式。有鉴于此,本文将传统基于信息理论的建模求解优化模式改变为基于人工智能的智能演进优化模式,使无线网络的负载优化从“被动应对”转变为“主动学习”,综合利用前沿的机器学习理论,解决移动通信网络在负载时空非均匀分布且剧烈波动下网络性能优化的难题。包括:设计了支撑负载智能优化的网络架构,提出了具有通用性和自主优化能力的单节点智能优化方法、具有可拓展性和多机计算能力的多节点智能优化方法、具有自治性和协同决策能力的多智能体优化方法。主要工作及创新如下:第一,针对机器学习的需求与特点设计了支撑负载智能优化的网络架构,为其他章节方法提供基础支撑。首先,提出了一种无线大数据认知架构,从数据驱动的角度,明确了无线网络基于数据进行智能决策的工作流程和方法。然后,以数据认知为基础,提出了一种基于云与边缘计算的可拓展型负载优化架构,赋能并行化或全分布式的多机计算模式以满足新一代无线网络的大规模负载优化需求。以上架构为本文的后续方法研究提供了框架支持。第二,以前述架构为基础,研究了基于单节点机器学习的负载优化方法,利用单机资源解决有限规模的负载预测和负载均衡问题。本部分共提出了两种具有不同特点的负载优化方案。第一种是先预测后调优的组合型优化方案:提出了一种基于高斯过程的流量预测模型,以预测无线流量的未来变化趋势;仿真结果表明:所提模型针对真实4G数据的预测准确度高达97%,明显优于现有模型;接着,以预测结果为指导,进一步实现了负载自适应的智能基站休眠,显着提升了系统能效。第二种是融预测和调优为一体的优化方案:提出了一种基于深度强化学习的负载均衡模型,通过与环境的动态交互来自主学习最优的负载均衡策略,同时适应负载的动态波动;仿真结果表明:所提模型的负载均衡性能较现有模型提升约20%,具有较强的环境自适应能力。第三,将单节点负载优化方法进一步拓展至多节点负载优化方法,利用多机协同计算能力满足大规模负载优化对系统承载和响应速度的要求。首先,针对大规模负载预测问题,提出了一种多节点负载预测框架和相应的分布式高斯预测模型,通过并行化计算,指数级地提升了预测速度。仿真结果表明:所提多节点负载预测框架与现有其他低复杂度预测模型相比,降低了约15%的预测误差,且所需交互开销更小。然后,针对大规模负载均衡问题,提出了一种多节点负载均衡框架和相应的分布式深度强化学习模型。所提框架利用多节点分摊大规模负载均衡的计算负担,并利用知识迁移技术进一步提升深度强化学习模型的学习效率与稳定性。仿真结果表明:与单节点负载均衡相比,所提多节点负载均衡框架的性能优势随网络规模的增大而逐步递增。第四,将多节点负载优化方法进一步拓展至多智能体负载优化方法。在多机协同计算的基础上,赋予各节点独立的学习与决策能力,进一步提升网络的智能性。首先,本部分提出了一种基于投票机制的多智能体强化学习方法:多智能体通过投票进行协作,共同决定集体行为,并基于分布式强化学习算法优化各自的行为策略。然后,本部分从理论上证明,所提分布式算法收敛至全局最优解的速率与集中式算法完全相同,即:所提方法的分布式决策过程不会为多智能体的策略优化带来任何的性能损失。最后,将所提方法用于解决无人机辅助的大规模负载分流问题,证实了该多智能体学习方法的有效性和相应理论分析的正确性。本文首先提出网络架构作为基础支撑,然后逐步研究单节点、多节点和多智能体负载优化方法,所对应的优化问题规模逐渐加大,优化模型难度逐级递增,网络智能化程度逐渐增强。本文所提架构、方法、模型、理论证明等,为新一代无线网络的智能化演进提供了有效参考。相关成果已发表IEEE JSAC、Magazine等高水平期刊和本领域旗舰会议近十篇,并申请了国家发明专利两项。
叶雷[2](2004)在《基于MAS体系的移动GIS集成服务研究》文中研究表明当代信息技术与移动通信网络的普及已大大改变了我们的生活习惯,“数字地球”与城市信息化的建设使我们更清楚地了解、掌握、认知周边环境成为可能,运用信息,尤其运用空间信息已不再是政府、企业、科研机构所享有的特权,以人为本,从管理模式到服务职能思路的转变,使每个人都有权要求在任一时间、任一地点充分享受技术创新给我们带来的方便,高科技更应该服务于公众、服务于社会。移动GIS集成服务研究正是基于这样的出发点,应用当代软件工程中解决复杂系统问题的最新模式MAS体系,借助2G以上的移动通信机制,实现空间信息的4A服务。 本文以国家863项目“数字城市关键技术研究”招标子课题,上海市科技发展基金重大专项,“空间信息移动用户应用服务系统关键技术研究”为实例,对基于MAS体系的移动GIS集成服务进行了比较全面的探讨,概括起来,论文主要涉及以下内容: 第一章通过文献综述、对比研究,从地理学新视角出发,重新认识地理信息系统的发展,简要介绍了从地理信息系统走向地理信息服务的过程,及地理信息科学形成的基础,并提出了从移动GIS走向移动GIS集成服务的观点,引出移动GIS集成服务研究。 第二章在研究国内外移动GIS理论、方法、技术发展的基础上,提出了移动GIS集成服务概念,并建立了以层次化、增量化为特点,以空间数据结构、空间分析方法、通信机制为移动GIS集成服务技术体系的基石,以Agent与MAS的组织结构为核心,通过标准、规范、协议建立保障的移动GIS集成服务技术体系,为移动GIS集成服务提供理论、方法与技术理论依据。 第三章体现出Agent、MAS体系理论以及AOSE理论是移动GIS集成服务体系的核心。本文在总结、梳理Agent、MAS以及AOSE理论的基础上,提出对Agent的认识观点与看法及如何应用Agent模型,在此基础上创造性地提出了空间信息智能体结构,并基于混合式MAS体系结构,提出来构建基于MAS体系的移动GIS集成服务框架结构,力图将Agent理论、MAS体系与AOSE的方法引入移动GIS集成服务中来,在针对复杂系统建设的GIS软件工程理论与方法上寻求创新。 第四章从空间信息处理、空间信息服务与示范系统集成等三个方面,提出移动GIS集成服务实践中的系列关键技术,包括:面向多信息源的数据整合技术、海量空间信息数据快速检索及分层智能提取技术、基于城市路网结构的建筑物间最优路径算法、异种GIS平台间互基于MAS体系的移动Gls集成服务研究摘要操作、面向2.SG以上移动通信机制的GIS wAP Service、基于空间信息智能体与MAS体系的系统整体结构等。这些关键技术是本文在实践方面的工程经验与工程创新的总结。 第五章较全面地介绍了空间信息移动用户服务系统,展示了相关各项研究成果的表现形式,并对研发工作从研究背景与实现目标、系统设计、功能及其实现等方面进行了简述。 第六章中总结了论文的创新点,并对目前尚未实现、仍需进一步研究的Grid与网格计算与移动GIS集成服务未来的结合进行了思考,并对移动GIS集成服务的应用前景进行了展望。 通过这些研究,本文从理论、技术、方法、工程实践等方面较全面地描述了基于MAS体系的移动GIS集成服务,并通过关键技术研究、实例等体现在工程实践中已取得的丰硕成果,为移动GIS集成服务在4G以及4G后的研究奠定了基础,也为地理信息科学中针对复杂系统的GIS建设应用提供了理论与技术上的支持。
陈星延[3](2021)在《移动互联网的内容缓存与边缘计算关键技术研究》文中进行了进一步梳理移动互联网深刻影响着当前社会经济和产业革新,作为“互联网+”战略的重要发展方向,近年来得到了快速发展,已经成为国家发展和社会进步的重要支柱产业之一。然而,现有移动互联网发展依然面临诸多挑战:(1)资源争用与浪费共存。移动环境资源匮乏,热点区域资源争用严重,网络接入困难,进而导致资源浪费严重;(2)动态差异化用户需求。移动用户位置动态,请求行为存在差异,传统静态服务机制难以适配动态个性化的用户需求;(3)网络资源分布碎片化。移动网络资源分布动态离散,不同节点的资源缺乏协同,难以被有效管理与利用;(4)网络环境异构复杂。不同通信制式相互独立,多形态网络融合受限,跨网络协同困难。上述现状严重影响了移动网络的资源利用效率,制约了移动互联网性能的进一步提升,导致用户服务需求与体验得不满足。为解决该问题,许多研究者针对移动互联网,在内容缓存和边缘计算方面做出了大量的工作。然而,当前内容缓存策略相对静态,性能严重依赖于内容流行度,缺乏对用户个性化需求的感知。同时,移动环境的缓存部署给用户的数据隐私带来了极大的安全隐患;另一方面,虽然边缘计算被运用在许多领域,但缺乏有效整合碎片化网络计算资源的解决方案,导致整体性能难以提升,无法为用户提供的高质量、高稳定、低延时的移动互联网服务。本文面向移动互联网内容缓存和边缘计算两个关键技术:在编码缓存、缓存预取、“云-边-端”计算协同和计算与传输联合优化四方面进行了深入研究。首先,给出了一种面向移动互联网的边缘编码缓存策略。界定了编码缓存状态与状态间转化规则,构建了基于动力学模型的网络状态演化模型,实现网络缓存供需情况认知与预测。提出了基于特征学习的编码内容选择框架和隐私感知的编码缓存算法,提高了移动互联网缓存资源利用率与用户隐私安全性能。其次,为满足动态差异化用户需求,提出了面向隐私保护的移动内容缓存预取机制,具体包括:基于分布式学习的用户兴趣感知、基于多目标优化的在线内容主动缓存以及基于差分隐私的数据隐私安全保护,实现了从用户个性化认知、内容主动缓存到隐私安全的一体化预取缓存方案设计。随后,提出了基于“云-边-端”协同的实时计算与传输优化框架,创造性地提出了增广队列模型,量化建模了节点计算负载和链路拥塞情况,形式化表征了传输和计算资源的联合优化问题,设计了一种基于Nesterov加速梯度的分布式优化算法,给出算法稳定性、队列长度、算法最优性和算法收敛速度的理论性能指标,有效整合了大量用户节点的计算资源,为系统扩容提供了良好的可扩展性。最后,围绕移动网络异构复杂的现状,提出了基于多智能体强化学习的计算传输联合优化方法,开创性的提出了增广图模型,将抽象的资源联合优化问题转化为直观的网络路由问题,设计了一种网络化多智能体强化学习方法,提升了协同计算和数据传输的综合性能。本研究主要以流媒体服务为例,针对移动互联网,从内容缓存、边缘计算两方面开展了全面的分析与研究。主要包括:模型构建、问题表征与建模、分布式优化算法设计、算法理论性能分析、算法数值结果分析、原型系统搭建及原型实验评估等研究方法。本文所取得的成果对我国未来移动互联网建设和新型流媒体服务的发展具有一定的借鉴意义。
蒋登豪[4](2021)在《循环流化床煤气化过程强化试验研究》文中认为循环流化床煤气化技术的反应条件温和,运行温度受到煤灰熔融特性的限制;而且沿提升管高度方向反应温度和颗粒浓度逐步降低,导致气化反应速率受到限制、系统碳转化率偏低等。为了优化循环流化床气化炉提升管内的温度场和气固流场、实现煤气化过程强化,本文主要开展了理论分析和试验研究。在工业实际和理论分析的基础上,提出了气化剂分级耦合顶部扩径提升管的强化措施。针对炉型开发过程中系统运行、提升管内气固流动等关键问题,设计、搭建了冷态试验台,并开展了冷态试验研究。之后,根据冷态试验相关结论进行了热态试验台的设计和搭建,并首先开展了气化剂分级试验。基于试验结果,明确了气化剂分级对气化过程的强化作用,分析了气化剂分级对喷口局部和提升管内热质输运的影响,揭示了气化剂分级的强化机制及实现条件。之后开展了变径提升管循环流化床气化炉气化试验,研究了操作参数和结构参数对气化炉内反应过程的影响。本论文获得的主要结论如下:(1)在冷态试验中,射流对主流的影响表现为射流对壁面下降流颗粒的再夹带作用和对核心区上升颗粒的截断作用之间的竞争。再夹带现象阻碍壁面附近颗粒返混回到密相区,并实现颗粒向核心区的径向输运,使提升管内固含率轴向分布均匀性得到改善。在试验条件下,气化剂分级之后,旋风分离器压力损失明显增加,可能导致系统压力平衡失效,喷口高度为h/H=0.1时,系统稳定性好。提升管顶部扩径结构促进颗粒返混,使提升管内物料量和颗粒浓度增加;同时降低旋风分离器入口颗粒浓度和压力损失,从而改善气化剂分级条件下系统运行的不稳定性。(2)再夹带现象在热态试验中得到验证。该现象可以实现热量和质量向上输运的协同强化,使稀相区内反应温度和颗粒浓度同步提高,煤焦气化反应得到强化。当系统氧煤比、给煤量一定时,在试验范围内气化剂分级的强化作用随二次气化剂比例的增加而增强。对于神木煤,相比于未分级工况,在二次气化剂比例为30%时,冷煤气效率提高14.8%(相对值),碳转化率提高14.3%(相对值),煤气产率提高7%(相对值)。气化剂分级对低活性煤种的气化过程也有一定的强化作用。气化剂分级的强化作用受到二次气化剂氧气浓度和喷口处颗粒浓度的限制。随着二次气化剂氧气浓度增加,颗粒的燃烧速率加快,导致可燃物质被过量消耗,半焦活性降低,使气化剂分级的强化作用受到抑制。在试验条件下,氧气浓度为45%时,气化特性最好;氧气浓度为65%时,喷口处发生结渣。强化作用随二次气化剂风量的增加而增强,但当射流速度达到30m/s、截断作用发生时,气化剂分级的强化作用消失。通过增加喷口数量可以提高再夹带量,进一步增强气化剂分级的强化作用。(3)顶部扩径结构使提升管内物料量增加,反应温度降低,主要促进水蒸气的分解,使煤气中H2含量升高、冷煤气效率提高。但强化作用随氧煤比增加而减弱。顶部扩径结构对低活性煤种的气化过程作用有限。对于变径提升管循环流化床气化炉,随着氧煤比增加,碳转化率、冷煤气效率和煤气产率逐步上升,煤气热值先升高后降低。随着蒸汽煤比增加,碳转化率、冷煤气效率和煤气产率先增加后基本不变,煤气热值逐渐降低。(4)对于神木煤的富氧气化,在试验条件下煤气中焦油含量在11.7-73.3 mg/m3,与操作参数密切相关。随着氧煤比增加,煤气中焦油含量逐渐降低,焦油组分表现出重质化特性。煤气中焦油含量随蒸汽煤比的增加而逐渐降低,多环芳香烃组分含量先降低,在蒸汽煤比达到0.31 kg/kg后有所升高。气化剂分级有利于焦油转化,在二次气化剂比例为30%时,焦油脱除率达到54.6%。(5)循环流化床煤气化底渣的含碳量随粒径呈单峰分布。粒径为2 mm左右的底渣颗粒质量占比大、含碳量高是底渣含碳量偏高的直接原因。与原煤和飞灰相比,底渣的燃烧反应性差,为异相着火方式,着火温度为599℃、燃尽温度为756℃。不同粒径的底渣具有相似的燃烧行为,燃烧反应性主要与其含碳量相关。提高氧气浓度后,底渣的失重峰向低温区移动,同时峰宽变窄、峰高变高,底渣的燃烧过程得到改善。
寇立伟[5](2021)在《四旋翼水下航行器的轨迹跟踪和协同包围控制研究》文中研究表明自主水下航行器作为一种新型智能化海洋作业装备,已在海洋资源开发、环境监测和海域侦查等领域发挥出越来越重要的作用。一方面,水下航行器精确的轨迹跟踪能力是其完成既定任务的关键保障。另一方面,随着海洋开发的不断深入,多水下航行器协同控制逐渐成为目前研究的热点问题。与单个水下航行器相比,多水下航行器协同作业能够实现诸如排雷、搜救等大规模复杂水下任务。然而水下航行器通常具有欠驱动、非线性和强耦合等特性,以及易受复杂海浪洋流等外部干扰影响,这给水下航行器轨迹跟踪和多航行器协同控制带来极大的挑战。本文以新型的四旋翼水下航行器为对象,针对其三维轨迹跟踪控制和协同包围控制两个关键问题开展一系列研究。首先,本文构建了四旋翼水下航行器的运动学模型和动力学模型,详细介绍了航行器配置的“X”型驱动系统,并推导出完整的仿射非线性数学模型。基于非线性控制和几何控制方法分析了四旋翼水下航行器的非完整性、可稳性和可控性,为后续的控制器设计奠定基础。其次,针对受推力饱和约束和海浪洋流等外部时变干扰的四旋翼水下航行器三维轨迹跟踪控制问题,本文利用坐标偏置的方法设计了基于输入输出反馈线性化的运动学控制器,并基于干扰观测器,辅助动态系统和动态面控制方法设计了反步法动力学控制器。动态面控制方法能够避免传统反步法的微分爆炸问题,使控制器设计更为简洁。严格的理论分析证明了水下航行器轨迹跟踪闭环系统的信号一致最终有界。然后,针对四旋翼水下航行器协同包围控制问题,本文利用坐标偏置的方法设计了基于输入输出反馈线性化的运动学控制器,并设计了自适应反步法控制器和鲁棒反步法控制器分别处理航行器受到的未知常值干扰和时变干扰。两种控制器均无需事先指定包围队形,且无需任何绝对的位置信息。理论分析表明两种控制器均可保证移动目标被航行器包围至其凸包内部,且能够实现航行器之间的障碍规避和对移动目标的速度估计。最后,针对协同包围控制中四旋翼水下航行器简化子系统的过驱性,本文研究了在推进器饱和约束下,四旋翼水下航行器的约束控制分配问题。提出了一种基于零空间投影的直接分配策略。针对可达转矩向量,基于推进器能耗最小的优化指标设计了分配策略;针对不可达转矩向量,利用尺度缩放,将其映射到可达转矩集的边界上,保证最终的控制输出和虚拟控制指令方向一致。理论证明和仿真结果验证了分配算法的有效性。
郑晓[6](2021)在《移动边缘计算网络中任务卸载调度与资源配置优化研究》文中指出随着物联网的飞速发展,终端设备数量呈现出爆炸式增长,由此产生的海量数据对移动边缘计算(MEC)网络提出了更高要求。移动边缘计算网络作为一种全新物联网计算模式应运而生,它利用边缘节点间的相互协作机制将计算能力从云端下沉到网络边缘侧,来处理大规模复杂计算问题,进而实现网络互联、协同合作、边缘智能和安全卸载。相比于传统云计算网络,在动态复杂网络环境以及多样化服务下,移动边缘计算网络具备节点数量海量化、类型多元化、范围广泛化等特点,同时在计算处理协同性、资源配置优化性以及安全需求可信性等方面存在巨大挑战,如何应对这些挑战并将其应用到移动边缘计算网络中,成为学术界和工业界都关注的焦点问题。在此背景下,本文研究移动边缘计算网络中的任务卸载调度与资源优化配置的理论与方法。本文的主要研究成果如下:(1)基于随机在线学习的任务卸载调度与资源配置优化。为提高移动设备的计算体验质量,MEC通过在支持传统通信和MEC服务的切片无线接入网(RAN)内提供紧密的计算能力而成为一种很有前途的范例。然而,虚拟MEC系统的计算卸载策略的设计仍然具有挑战性。本文考虑了切片RAN中具有代表性的移动用户的MEC,其中可选择多个BSs进行计算卸载。将最优计算卸载策略的求解问题建模为马尔可夫决策过程(MDP),其目标是最大化基于任务队列状态、能量队列状态以及移动用户与基站之间信道状态的长期收益。为克服状态空间的维度灾难问题,本文将MDP分解为一系列具有简化状态空间的单代理MDP,并推导出一种在线本地学习算法来学习状态值函数。数值实验表明,与基准策略相比,本文提出的学习算法在计算卸载性能上有显着提高。(2)基于区块链的任务卸载调度与资源配置优化。车载自组织网络(VANETs)在智能交通中起着不可替代的作用。然而,在大规模动态VANETs中,不同车辆之间的通信安全面临实时、高速和连续数据流的挑战。为此,本文建立卸载决策、共识机制以及无线带宽分配的联合优化卸载模型,提出一种分布式软件定义的VANETs架构和基于区块链的可信赖访问机制,从而对VANETs进行动态编排以保证联网车辆的通信安全,同时使云服务器免受非法卸载行为的侵害。此外,为了实现联网车辆的最佳卸载策略,引入了一种基于深度增强学习(DRL)的卸载方案。实验结果表明本文提出的方法在访问控制和卸载性能方面优于现有的其他方案。(3)基于边缘计算的耦合资源管理调度与资源配置优化。智慧城市是由众多赋予不同智能等级的网络物理系统(CPS)构成,随着CPS与云计算的融合,传感器云系统在许多领域都很流行,物理节点可被多个用户共享,从而实现高性能计算。然而,当物理传感器节点同时接收到多个服务命令时,会出现一些服务冲突,即耦合资源管理问题,这会导致服务失败。为此,提出了一种边缘计算模型,并将匈牙利算法扩展到能够获得较小延迟的耦合资源管理,从而实现有效和可持续的服务。边缘计算层充当CPS和云之间的缓冲区和控制器,可以处理恶意攻击,构建高度可持续的系统。实验结果和理论分析表明,该方法可以减少耦合计算,提高资源利用率,使系统更加高效。(4)基于策略合成的巡逻管理调度与资源配置优化。在MEC系统中,将任务卸载到边缘服务器很容易受到诸如篡改、监听等具有策略性的攻击问题。为此,设计一种在MEC环境下的有效巡逻调度策略算法来保护网络中的边缘节点,其中巡逻程序是能够检测/预防边缘节点上不良活动的软件代理。由于在对抗安全博弈中,存在实际攻击者能力未知且需要强大防御者策略的最坏情况的一种假设。基于此,通过策略合成方法,本文构建巡逻博弈中防御者策略模型。该方法将给定博弈拆分为不相交的子博弈,然后分别递归求解它们,接下来将获得的解决方案组合到原始博弈策略中。实验结果表明本文的方法相比之前方法,可扩展到更通用的模型,有助于推动适用于安全问题的所有分解技术的发展。
陈霖[7](2021)在《博物馆移动端导览系统的情感体验设计研究》文中研究说明在体验经济时代下,博物馆正从单一的文化收藏展示机构转型为文化交流、社会教育、展览娱乐等功能为一体的综合性场所,并不断丰富人们的精神文化生活。随着移动互联网的深入发展,以智能手机为载体的移动导览系统正成为博物馆文化信息传播的主流媒介,扮演着辅助观众寻求个性化游览体验的智能助手角色。但是,目前多数博物馆移动端导览系统常关注新媒体技术的应用而忽视了用户情感需求的满足,导致在人性化功能和情感化体验建设方面相对欠缺。因此,本文以博物馆移动端导览系统为研究对象,借助情感体验设计理论,探究移动端导览系统用户情感体验形成阶段与设计策略,旨在满足使用者游览博物馆时的高层次情感需求。籍此,发挥出积极情感体验对用户认知文化信息深度、获取文化服务意愿以及缓解“博物馆疲劳”方面的重要影响,使用户与博物馆建立情感联结,从而提升博物馆品牌竞争力和文化影响力。本课题首先从博物馆文化信息传播和观众体验理论视角出发,梳理博物馆、观众、导览媒介三者之间的关系,明确了设计研究的范畴与价值。其次,从研究对象的本体出发,分析现有博物馆移动端导览系统的主流媒介形态、交互特征、服务场景、技术应用与发展趋势,并结合情感体验相关理论与典型案例研究,梳理了移动端导览系统的用户情感体验现状与不足,提出对研究对象进行情感体验设计的必要性和价值要点。随后,依据情感体验三层次理论,对移动端导览系统的用户情感体验要素和目标进行逐层提取和内容特性分析,并以此为用户调研思路,借助现场试验、用户访谈、影随观察、问卷调查的设计调研方法和用户画像、体验地、情境描述的用户体验分析方法,对移动端导览系统使用人群的情感体验影响因素进行提炼和权重分析。之后,结合用户体验的时间特性,总结出移动端导览系统目标用户积极情感体验形成的四阶段:感知存在阶段-使用期待感的产生;认知内容阶段-使用舒适感的形成;引导游览阶段-辅助参与感和愉悦感的获得;持续影响阶段-游览成就感和文化认同感的满足。基于此,结合目标用户心理特征与高权重比情感体验影响因素,从感官吸引、信息呈现、互动引导和情感记忆四个方面,提出了针对不同阶段的移动端导览系统情感体验设计策略模型。最后,通过设计实践,对提出的设计策略模型进行应用、验证与反思,并回顾全文整体思路,对研究的局限进行反思。
高玉兰[8](2021)在《协作通信网络中无线资源管理策略研究》文中研究说明随着第五代(The Fifth Generation,5G)无线通信网络在全球范围内的部署,超5G(Beyond--5G,B5G)无线通信网络逐渐成为工业界和学术界的前沿研究课题。由于爆炸式移动数据流量的增长以及各类新应用场景的不断涌现,B5G无线通信网络面临着诸多挑战:首先,未来移动通信旨在采取更高效的传输技术以持续提升频谱效率和能量效率;其次,伴随着物联网和机器类型通信的蓬勃发展,移动智能设备的数量急剧增长,高效的计算任务卸载对于能量受限的移动智能设备尤为重要;第三,随着智能反射面等新型材料的涌现,未来移动通信将实现低成本、低复杂度和低能耗的可持续容量增长。基于上述研究背景和发展趋势,为了解决有限的无线资源和蓬勃发展的业务需求之间的矛盾,高效的资源管理已经成为B5G无线通信网络的研究趋势。由于当前对于B5G无线网络仍处于探索阶段,如何提升网络服务质量和能量效率、并降低时延以及实现成本是亟需解决的关键问题。近年来,协作通信通过网络节点高效协作挖掘分集增益和效能提升,已经成为解决上述问题的重要潜在技术。鉴于此,本文面向B5G移动通信的需求,通过协作通信来提升系统的能量效率,降低时延和实现成本,从系统模型、接入方案设计和性能分析三个方面对不同需求的协作通信网络进行深入研究。本文的主要研究内容和贡献总结如下:首先,面向能量效率最大化的需求,探索了基站端和需求侧潜在协作行为对系统能量效率和用户体验的影响。通过定义需求侧协调能量效率,以实现基站与需求侧联合协作通信模式。将系统模型建模为在满足基站最大发送功率以及用户期望速率的约束下,通过功率分配来最大化需求侧协调能量效率。通过将原始非凸问题转化为两个易处理的子问题,提出了一种局部最优的传输方案设计。理论分析和仿真结果充分证明了当考虑基站端与需求侧的协作行为时,系统能量效率将会显着提高并且能够自适应地匹配用户的期望服务质量需求。其次,研究了异构无线网络协作通信的能量效率最大化问题。基于用户社会关系信任度的架构,建立了用户间的频谱-功率交易机制。考虑了用户移动的场景,提出了一种社会意识辅助的自适应接入方案来最大化系统的平均能量效率。理论分析揭示了平均虚拟队列时延与平均能量效率的折中关系。此外,分析结果表明,受益于社会关系的优势,社会意识辅助的自适应接入方案能显着提高系统的平均能量效率,且能够增强数据传输的安全性。再次,研究了设备对设备辅助协作移动边缘计算系统的加权时延-能耗最小化问题。基于移动智能设备的状态和用户间的社会信任度,建立了四种计算任务卸载模式。将系统建模为在满足计算任务时延约束下,通过联合考虑卸载模式选择、接入方案选择、传输功率分配以及算力分配来最小化系统平均加权时延-能耗。理论分析和仿真结果表明可通过局部策略使得系统平均加权时延-能耗渐近稳定。最后,基于低成本智能反射面这一新载体,结合点对点通信的场景,提出了一种模块化智能反射面结构,以解决智能反射面尺寸过大和用户体验之间平衡的问题:在满足模块大小、反射系数以及源节点最大发送功率的约束下,通过触发模块识别、传输功率分配和无源波束赋形来最大化最小信噪比。将原始NP-难问题松弛为二阶锥问题,提出了最优的触发模块子集、传输方案设计以及降维的无源波束赋形。理论分析和实验结果充分表明了当在智能反射面引入模块化结构时,智能反射面辅助的协作通信系统的信噪比会显着提高,并且可达速率与系统总功耗之间存在明显的折中关系。
孙旭红[9](2021)在《基于强化学习的多智能体对抗算法研究》文中研究表明对抗是现实中十分常见的问题,小到游戏,大到战争处处都有对抗的影子。智能体攻防对抗是一种典型的对抗问题,其对抗主体由若干防守者与若干进攻者组成,防守者的任务是防守平面上的某一目标区域免于被进攻者靠近。对该问题的研究主要存在两个关键点:首先,攻防对抗问题属于微分博弈问题,需要对博弈的纳什均衡状态进行理论分析。其次,在实际应用问题中,需要设计适当的控制器以指导智能体的博弈过程向均衡状态发展,随着无人设备的智能化,控制器的设计也在寻求人工智能的解决方案。本文以攻防对抗问题为研究对象,将智能体攻防对抗问题分为双智能体攻防(一攻一防)与多智能体攻防(多攻多防)等场景,对相关问题进行了数学定义,理论均衡分析以及相适应的策略学习算法设计与改良,并设计出一套多无人车系统以对上述理论工作做实验验证。相关的研究重点包括如下:(1)对双智能体攻防问题进行数学定义与理论均衡分析;对多智能体攻防问题进行数学定义,并对三智能体攻防对抗问题进行了理论均衡分析;分析履带式车辆的运动学特性,建立移动机器人的运动学模型。(2)针对有限视野状态下的双智能体攻防问题,本文基于Q学习原理设计了一种解决该问题的学习算法,仿真实验证明该算法可以有效解决双智能体攻防问题。针对Q学习算法收敛慢的缺点,本文提出了一种基于人工势场法的改进Q学习算法,实验表明,改进方案有效加速了 Q学习算法的收敛速度。(3)针对复杂情况下的多智能体攻防问题,本文设计了一种基于MADDPG算法的控制器,仿真实验证明该算法可以有效解决多智能体攻防问题。针对MADDPG算法信息利用率低,资源占用大,算法收敛慢的特点,本文进行了相关的改进工作。实验表明,改进后的MADDPG算法收敛速度明显提升,对各种任务场景也都有较强的适应能力。(4)针对攻防对抗算法的实验验证问题。本文设计出一套基于机器人操作系统与超宽带定位系统的多无人车平台,并基于该平台在多种场景下展示了改进Q学习算法与改进MADDPG算法的控制效果。通过实物实验,进一步证明了上文所述运动学模型与理论均衡分析的正确性,以及相关训练算法的有效性。
汤窈颖[10](2021)在《探测性能驱动的机载多雷达系统路径优化方法》文中指出面对日益复杂的战场环境,传统的单机载平台独立工作的模式存在探测区域覆盖范围小,抗摧毁能力差,不具备体系对抗能力等缺点。“以平台为中心”的单机载平台工作模式,正逐渐向“以网络为中心”的多机载平台协同模式转变。结合传感器的机载协同探测系统的可控自由度和灵活性都更强,同时,随着雷达在现实战场中的广泛应用,对机载多雷达系统进行研究是十分有意义的。而多机路径规划是机载多雷达系统执行探测任务时重要的一环。本文围绕机载多雷达系统路径优化问题,研究了系统对不同任务重要性区域的离线、在线差异化监视方法,从理论分析、方法研究、仿真实验等方面进行了系统性工作,主要工作内容如下:1.构建了机载多雷达系统的运动和约束模型,研究了不同间距下装载在机载平台上的雷达独立探测模式和协同探测模式,为建立离线、在线差异化监视问题模型提供了理论基础。2.分析了机载多雷达系统对不同任务重要性区域的长时检测概率曲线,根据分析结果,设计了一个基于有效探测时长和限时回访的目标函数,用于评价机载多雷达系统对兴趣区域的整体监视性能,结合系统约束,建立并分析了系统离线路径优化问题模型,为后续的算法设计提供了研究思路。3.提出了一种基于虚拟力的粒子群优化算法,结合B-Spline平滑算法,解决了高维、高计算量的机载多雷达系统离线约束优化问题。对比分析了固定路径对兴趣区域的监视性能,证明了此算法的有效性。4.分析了不同任务重要性区域对机载多雷达系统的在线监视需求,为设计虚拟引导节点偏好函数提供研究思路,提出了一种基于分布式Anti-Flocking算法的在线路径优化策略方法,解决了自由空间和障碍空间下,机载多雷达系统对不同任务重要性区域的在线监视问题。仿真实验对以上模型和方法进行了验证,结果表明,上述方法可实现机载多雷达系统对不同任务重要性区域的离线、在线差异化监视。
二、基于移动Agent的移动计算形式理论分析(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、基于移动Agent的移动计算形式理论分析(论文提纲范文)
(1)基于机器学习的无线网络负载优化方法研究(论文提纲范文)
摘要 |
ABSTRACT |
符号说明 |
英文缩略语 |
第一章 绪论 |
1.1 研究背景 |
1.2 研究现状与挑战 |
1.2.1 无线网络负载优化相关研究 |
1.2.2 机器学习在无线网络中的应用 |
1.3 本文的主要工作 |
1.3.1 智能无线网络架构设计与分析 |
1.3.2 基于单节点机器学习的负载优化 |
1.3.3 基于多节点机器学习的负载优化 |
1.3.4 基于多智能体机器学习的负载优化 |
1.4 本文组织结构 |
第二章 智能无线网络架构设计与分析 |
2.1 引言 |
2.2 技术背景 |
2.2.1 无线网络认知技术 |
2.2.2 移动云计算 |
2.2.3 移动边缘计算 |
2.3 数据流架构 |
2.3.1 认知数据与方法 |
2.3.2 无线大数据认知流 |
2.4 计算流架构 |
2.4.1 云与边缘智能 |
2.4.2 分布式与并行化学习框架 |
2.4.3 可拓展型学习算法 |
2.5 模型与数据协同驱动 |
2.6 应用案例 |
2.7 本章小结 |
第三章 基于单节点机器学习的负载优化 |
3.1 引言 |
3.2 基于高斯过程的无线流量预测模型 |
3.2.1 基准高斯预测模型 |
3.2.2 模型核函数设计 |
3.2.3 模型超参数训练 |
3.3 基于深度强化学习的负载均衡模型 |
3.3.1 强化学习基础 |
3.3.2 用户切换模型 |
3.3.3 负载均衡问题建模 |
3.3.4 基于深度强化学习的负载均衡算法 |
3.4 仿真验证与结果分析 |
3.4.1 无线流量预测与基于负载感知的基站休眠 |
3.4.2 自组织网络的负载均衡 |
3.5 本章小结 |
第四章 基于多节点机器学习的负载优化 |
4.1 引言 |
4.2 基于分布式高斯过程的多节点负载预测框架 |
4.2.1 整体框架设计 |
4.2.2 基于矩阵近似的分布式训练算法 |
4.2.3 基于矩阵分块的分布式训练算法 |
4.2.4 基于交叉验证的分布式预测算法 |
4.3 基于分布式深度强化学习的多节点负载均衡框架 |
4.3.1 整体框架设计 |
4.3.2 基于负载感知的基站聚类算法 |
4.3.3 基于多探索策略的分布式学习算法 |
4.4 仿真验证与结果分析 |
4.4.1 分布式无线流量预测 |
4.4.2 大规模自组织网络负载均衡 |
4.5 本章小结 |
第五章 基于多智能体机器学习的负载优化 |
5.1 引言 |
5.2 系统模型 |
5.2.1 多智能体马尔可夫决策过程 |
5.2.2 目标问题 |
5.3 基于投票机制的多智能体强化学习 |
5.3.1 投票机制 |
5.3.2 分布式多智能体强化学习算法 |
5.4 收敛性分析 |
5.5 仿真验证与结果分析 |
5.5.1 理论验证 |
5.5.2 无人机辅助的负载分流 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 全文总结 |
6.2 研究展望 |
参考文献 |
致谢 |
攻读学位期间所取得的研究成果 |
(2)基于MAS体系的移动GIS集成服务研究(论文提纲范文)
目录 |
摘要 |
ABSTRACT |
第一章 引言 |
1.1 地理学新视角与地理信息系统 |
1.2 地理信息系统发展阶段 |
1.3 从地理信息系统走向地理信息服务 |
1.4 从移动GIS到移动GIS集成服务 |
1.5 论文研究内容及其组成 |
第二章 移动GIS集成服务技术基础 |
2.1 移动GIS集成服务的相关概念 |
2.1.1 移动计算、移动计算机环境、移动GIS |
2.1.2 移动GIS集成服务 |
2.1.3 移动终端 |
2.1.4 嵌入式系统 |
2.1.5 实时与GIS协同 |
2.2 移动GIS集成服务的技术体系 |
2.3 移动GIS集成服务的空间数据结构 |
2.3.1 空间数据的内涵与外延 |
2.3.2 空间数据的特点 |
2.3.3 空间数据的组织 |
2.4 移动GIS集成服务的空间分析 |
2.4.1 基本图形量算 |
2.4.2 包含分析 |
2.4.3 直线段求交 |
2.4.4 空间叠置分析 |
2.4.5 网络分析 |
2.5 移动GIS集成服务的通信机制 |
2.5.1 现代移动通信的发展阶段 |
2.5.2 移动通信原理 |
2.5.3 数字蜂窝移动通信组网系统 |
2.5.4 中国移动通信网络的发展 |
2.5.5 探讨移动GIS集成服务通信机制的实现 |
2.6 移动GIS集成服务的标准、规范与协议 |
2.6.1 地理信息分层简化提取规范 |
2.6.2 基于TCP/IP的命令菜单方式互操作通讯规范 |
2.7 本章小结 |
第三章 AGENT与MAS体系理论分析 |
3.1 从AGENT的产生到AGENT-ORIENTED软件工程 |
3.1.1 Agent综述 |
3.1.2 Agent的特征 |
3.1.3 软件Agent |
3.1.4 基于Agent的系统 |
3.1.5 Agent与对象 |
3.1.6 面向Agent软件工程中的通用模式 |
3.1.7 小结 |
3.2 MAS体系的定义 |
3.2.1 多Agent理论 |
3.2.2 MAS的体系结构 |
3.3 MAS体系应用中的需求分析 |
3.3.1 面向Agent需求分析的讨论 |
3.3.2 MAS体系结构中的需求 |
3.4 MAS体系与移动GIS集成服务 |
3.4.1 智能体理论模型 |
3.4.2 智能体结构的一般模型 |
3.4.3 AUML |
3.4.4 一种空间信息智能体结构 |
3.4.5 基于MAS体系的移动GIS集成服务结构 |
3.5 本章小结 |
第四章 移动GIS集成服务实践中的关键技术与实现 |
4.1 移动GIS集成服务实践中的空间信息处理 |
4.1.1 面向多信息源的数据整合集成技术 |
4.1.2 海量空间信息数据快速检索及分层智能提取技术 |
4.1.3 基于城市路网结构的建筑物间最优路径检索通用算法 |
4.1.4 异种GIS平台间互操作理论、算法、技术、原型 |
4.2 移动GIS集成服务实践中的空间信息服务 |
4.2.1 面向多通讯方式的空间信息服务 |
4.2.2 面向多终端的应用集成服务 |
4.2.3 面向2.5G以上移动通信机制的GIS WAP Service |
4.3 空间信息移动用户应用服务示范系统集成 |
4.3.1 基于空间信息智能体与MAS的系统整体结构 |
4.3.2 示范系统逻辑结构 |
4.3.3 示范系统功能间的协同 |
4.4 本章小结 |
第五章 空间信息移动用户应用服务示范系统建设 |
5.1 研究背景与实现目标 |
5.1.1 空间信息移动服务应用技术将是新世纪作为行业和地方实现跨越式发展的一项基础性技术 |
5.1.2 上海有必要率先解决空间信息移动用户应用服务系统关键技术 |
5.1.3 建立数字化、移动性和互连网结合的公众空间信息服务系统将是保证上海城市可持续发展的基础工程之一 |
5.1.4 课题研究目标 |
5.2 系统设计 |
5.2.1 系统设计原则 |
5.2.2 空间信息移动用户应用服务系统的建设方法 |
5.2.3 示范系统软硬件配置 |
5.3 系统功能及其实现 |
5.3.1 示范系统 |
5.3.2 空间信息简化提取 |
5.3.3 空间信息应用 |
5.3.4 系统通信 |
5.3.5 系统管理 |
5.3.6 系统自身管理 |
第六章 总结与展望 |
6.1 总结 |
6.2 对GIS大规模应用集成应用服务进一步的思考:GRID与海量空间信息处理中的科学计算 |
6.3 应用前景展望 |
附录 |
后记 |
(3)移动互联网的内容缓存与边缘计算关键技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 论文研究背景 |
1.1.1 移动互联网发展概述 |
1.1.2 移动互联网现状特征 |
1.1.3 面向移动互联网的内容缓存与边缘计算 |
1.2 论文选题依据 |
1.3 论文主要研究内容 |
1.4 论文主要贡献与创新 |
1.5 论文组织结构 |
1.6 本章参考文献 |
第二章 相关研究综述 |
2.1 移动互联网内容缓存相关研究 |
2.1.1 网络缓存部署 |
2.1.2 预取缓存策略 |
2.1.3 缓存隐私安全 |
2.2 移动互联网边缘计算相关研究 |
2.2.1 边缘计算的发展应用 |
2.2.2 “云-边-端”协同计算 |
2.2.3 边缘计算与数据传输 |
2.3 本章小结 |
2.4 本章参考文献 |
第三章 面向移动互联网的编码缓存部署策略 |
3.1 本章引言 |
3.2 基本系统模型 |
3.2.1 基本概念和背景知识 |
3.2.2 编码缓存模型 |
3.2.3 相关基本模型 |
3.3 面向编码缓存的网络状态演化模型 |
3.3.1 基于动力学的网络演化模型 |
3.3.2 网络演化模型的准确性评估 |
3.3.3 基于特征学习的内容编码方法 |
3.4 隐私与服务性能的联合优化问题 |
3.4.1 联合优化问题建模 |
3.4.2 最优化编码缓存控制 |
3.4.3 隐私感知的编码缓存算法 |
3.5 仿真实验与性能评估 |
3.5.1 仿真实验设置 |
3.5.2 服务性能评估 |
3.5.3 隐私性能评估 |
3.6 本章小结 |
3.7 本章参考文献 |
第四章 面向隐私保护的移动内容缓存预取机制 |
4.1 本章引言 |
4.2 移动网络内容预取模型 |
4.2.1 用户请求影响因素分析 |
4.2.2 预取缓存的优化模型 |
4.2.3 面向预取的隐私攻击模型 |
4.3 面向差分隐私的预取优化算法 |
4.3.1 在线学习的差分隐私技术 |
4.3.2 针对问题1的在线差分隐私算法 |
4.3.3 针对问题2的在线差分隐私算法 |
4.4 算法理论性能 |
4.4.1 两种算法的差分隐私性能 |
4.4.2 两种算法的最优性能分析 |
4.5 实验与性能分析 |
4.5.1 实验场景的环境设置 |
4.5.2 实验结果的对比分析 |
4.6 本章小结 |
4.7 本章参考文献 |
第五章 基于“云-边-端”协同的实时计算和传输模型 |
5.1 本章引言 |
5.2 基本系统模型 |
5.2.1 “云-边-端”协同计算模型 |
5.2.2 移动网络模型 |
5.2.3 增广队列模型 |
5.3 问题的形式化表征 |
5.4 资源联合优化的算法设计 |
5.4.1 Nesterov加速梯度下降法 |
5.4.2 基于Nesterov方法的资源优化算法 |
5.4.3 算法复杂度分析 |
5.5 算法的理论性能指标 |
5.6 实验与性能评估 |
5.6.1 数据集和实验设置 |
5.6.2 数值结果性能分析 |
5.6.3 原型实验性能评估 |
5.7 本章小结 |
5.8 本章参考文献 |
第六章 基于多智能体强化学习的视频转码优化方法 |
6.1 本章引言 |
6.2 系统模型与问题建模 |
6.2.1 移动网络模型 |
6.2.2 视频转码模型 |
6.2.3 增广图模型 |
6.2.4 联合优化问题 |
6.3 面向计算传输联合优化的网络化多智能体强化学习 |
6.3.1 基本概念与背景知识 |
6.3.2 网络化多智能体强化学习方法 |
6.4 基于多智能体强化学习的联合优化算法设计 |
6.4.1 策略梯度理论 |
6.4.2 基于网络化MARL的“行动者-评论家”算法 |
6.5 实验与性能评估 |
6.5.1 仿真与原型实验设置 |
6.5.2 数值结果与性能评估 |
6.6 本章小结 |
6.7 本章参考文献 |
第七章 结语 |
7.1 论文总结 |
7.2 未来的研究工作 |
附录A 第五章中的定理证明 |
A-Ⅰ 定理5-1证明 |
A-Ⅱ 定理5-2证明 |
A-Ⅲ 定理5-3证明 |
A-Ⅳ 定理5-4证明 |
A-Ⅴ 参考文献 |
致谢 |
攻读博士学位期间发表的学术成果 |
一、已发表或已接受的作者论文 |
二、其它研究成果 |
攻读博士学位期间主持或参与的科研项目 |
(4)循环流化床煤气化过程强化试验研究(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 流化床气化技术及其发展 |
1.2.1 鼓泡床气化炉 |
1.2.2 循环流化床气化炉 |
1.3 循环流化床气化炉的工作原理 |
1.3.1 煤的气化过程 |
1.3.2 提升管内的气固流动行为 |
1.3.3 操作参数对循环流化床煤气化过程的影响 |
1.4 流化床气化过程强化 |
1.4.1 气化剂分级 |
1.4.2 气化飞灰回送 |
1.4.3 复合型流化床气化炉 |
1.4.4 新型循环流化床气化炉 |
1.4.5 小结与评价 |
1.5 本论文研究目的和主要内容 |
1.5.1 研究目的 |
1.5.2 主要研究内容 |
第2章 循环流化床煤气化炉气化特性 |
2.1 引言 |
2.2 循环流化床煤气化过程分析 |
2.2.1 工艺流程 |
2.2.2 过程分析 |
2.3 循环流化床煤气化底渣的理化特性 |
2.3.1 样品表征及分析方法 |
2.3.2 底渣含碳量随粒径的分布 |
2.3.3 理化结构特性 |
2.3.4 灰特性 |
2.3.5 燃烧特性 |
2.4 循环流化床煤气化过程强化分析 |
2.5 本章小结 |
第3章 气化剂分级冷态试验研究 |
3.1 引言 |
3.2 试验装置和方法 |
3.2.1 试验装置的设计和调试 |
3.2.2 试验物料和方法 |
3.2.3 试验条件 |
3.3 试验结果与讨论 |
3.3.1 再夹带现象 |
3.3.2 操作参数对系统运行的影响 |
3.3.3 气化剂分级对轴向固含率的影响 |
3.3.4 二次气化剂风量对系统运行的影响 |
3.3.5 底部结构对系统运行的影响 |
3.3.6 顶部结构对系统运行的影响 |
3.4 本章小结 |
第4章 循环流化床气化炉气化剂分级试验研究 |
4.1 引言 |
4.2 试验台设计 |
4.2.1 设计条件 |
4.2.2 工艺流程 |
4.2.3 性能计算 |
4.2.4 结构计算 |
4.3 试验台建设和调试 |
4.3.1 冷态调试 |
4.3.2 热态调试 |
4.4 试验装置及方法 |
4.4.1 试验物料 |
4.4.2 试验方法 |
4.4.3 样品收集及表征 |
4.5 试验结果及讨论 |
4.5.1 气化剂分级对气化过程的影响 |
4.5.2 二次气化剂位置的影响 |
4.5.3 二次气化剂比例的影响 |
4.5.4 二次气化剂氧气浓度的影响 |
4.5.5 二次气化剂风量的影响 |
4.5.6 气化剂分级对不同粒径用煤气化过程的影响 |
4.5.7 气化剂分级对不同煤种气化特性的影响 |
4.5.8 强化机制分析 |
4.6 本章小结 |
第5章 变径提升管循环流化床气化试验研究 |
5.1 引言 |
5.2 试验装置及方法 |
5.3 试验结果及讨论 |
5.3.1 氧煤比的影响 |
5.3.2 蒸汽煤比的影响 |
5.3.3 扩径结构的影响 |
5.3.4 扩径结构对不同煤种气化特性的影响 |
5.4 本章小结 |
第6章 结论与展望 |
6.1 主要结论 |
6.2 主要创新点 |
6.3 未来工作展望 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
(5)四旋翼水下航行器的轨迹跟踪和协同包围控制研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
缩写、符号清单、术语表 |
1 绪论 |
1.1 课题研究的目的和意义 |
1.2 自主水下航行器研究现状 |
1.2.1 国外自主水下航行器研究现状 |
1.2.2 国内自主水下航行器研究现状 |
1.2.3 自主水下航行器的未来发展 |
1.3 课题研究综述 |
1.3.1 水下航行器的三维轨迹跟踪问题 |
1.3.2 水下航行器的协同包围控制问题 |
1.3.3 水下航行器的约束控制分配问题 |
1.4 主要工作及创新点 |
1.5 本文结构 |
2 四旋翼水下航行器系统建模及特性分析 |
2.1 本章概述 |
2.2 预备知识 |
2.2.1 非线性系统可控性 |
2.2.2 李括号和李代数 |
2.3 四旋翼水下航行器数学模型 |
2.3.1 “X”型驱动系统 |
2.4 四旋翼水下航行器特性分析 |
2.4.1 非完整性分析 |
2.4.2 可稳性分析 |
2.4.3 可控性分析 |
2.5 本章小结 |
3 四旋翼水下航行器三维轨迹跟踪控制 |
3.1 本章概述 |
3.2 问题描述 |
3.3 控制器设计 |
3.3.1 干扰观测器设计 |
3.3.2 横滚控制器设计 |
3.3.3 位置控制器设计 |
3.3.4 推进器饱和抑制 |
3.4 稳定性分析 |
3.4.1 子系统Σ(φ, p_e,z_1,z_2)的收敛性 |
3.4.2 子系统Σ(v, q)的收敛性 |
3.4.3 偏航角ψ的收敛性 |
3.5 仿真结果 |
3.5.1 无外部干扰下的仿真结果 |
3.5.2 外部干扰下的仿真对比 |
3.6 本章小结 |
4 四旋翼水下航行器协同包围控制 |
4.1 本章概述 |
4.2 预备知识 |
4.3 系统建模和问题描述 |
4.3.1 系统建模 |
4.3.2 问题描述 |
4.4 控制器设计 |
4.4.1 基于输入输出反馈线性化的运动学控制器 |
4.4.2 考虑常值干扰的自适应反步法控制器 |
4.4.3 考虑时变干扰的鲁棒反步法控制器 |
4.5 仿真结果 |
4.5.1 常值干扰下的移动目标协同包围 |
4.5.2 时变干扰下的移动目标协同包围 |
4.5.3 特殊情况移动目标协同包围 |
4.6 本章小结 |
5 四旋翼水下航行器约束控制分配 |
5.1 本章概述 |
5.2 预备知识 |
5.2.1 约束控制集和可达转矩集 |
5.2.2 最小范数解 |
5.3 问题描述 |
5.4 算法设计 |
5.4.1 零空间投影 |
5.4.2 可达转矩向量: Γ∈ Φ |
5.4.3 不可达转矩向量: Γ ?Φ |
5.5 仿真结果 |
5.5.1 比较仿真 |
5.5.2 定理5.1验证 |
5.5.3 讨论分析 |
5.6 本章小结 |
6 总结和展望 |
6.1 全文工作总结 |
6.2 问题及展望 |
参考文献 |
附录 A |
附录 B |
附录 C |
C.1 引理5.2 的证明 |
C.2 定理5.1的证明 |
作者简历 |
读博期间科研成果(含录用) |
读博期间参加的重大科研项目 |
(6)移动边缘计算网络中任务卸载调度与资源配置优化研究(论文提纲范文)
摘要 |
ABSTRACT |
缩略语表 |
主要符号表 |
1 绪论 |
1.1 研究背景 |
1.2 移动边缘计算网络 |
1.2.1 基本特征 |
1.2.2 典型应用 |
1.3 关键问题及其研究现状 |
1.3.1 计算卸载技术关键问题及其研究现状 |
1.3.2 资源配置优化关键问题及其研究现状 |
1.4 研究内容 |
2 预备知识 |
2.1 增强学习 |
2.1.1 基本要素 |
2.1.2 马尔科夫决策过程 |
2.1.3 Q-Iearing |
2.2 深度增强学习 |
2.2.1 深度Q网络 |
2.2.2 深度增强学习 |
2.3 区块链 |
2.4 本章小结 |
3 基于随机本地在线学习的任务卸载调度与资源配置优化 |
3.1 引言 |
3.2 结构设计 |
3.3 系统建模 |
3.3.1 问题描述 |
3.3.2 求解问题最优解 |
3.4 算法设计 |
3.4.1 线性Q-函数分解算法 |
3.4.2 在线本地学习算法 |
3.5 实验结果 |
3.5.1 实验设置 |
3.5.2 性能分析 |
3.5.3 附录 |
3.6 本章小结 |
4 基于区块链的计算卸载调度与资源配置优化 |
4.1 引言 |
4.2 分布式SDVs |
4.2.1 基于区块链的SDVs |
4.2.2 共识机制分析 |
4.3 网络结构 |
4.3.1 MECCO系统 |
4.3.2 MECCO工作流程 |
4.4 系统模型 |
4.4.1 访问控制机制 |
4.4.2 信任共识机制 |
4.4.3 计算卸载机制 |
4.5 算法设计 |
4.5.1 系统访问控制 |
4.5.2 算法描述 |
4.6 实验结果 |
4.6.1 实验设置 |
4.6.2 性能分析 |
4.7 本章小结 |
5 基于边缘计算的耦合资源管理调度与资源配置优化 |
5.1 引言 |
5.2 问题描述 |
5.2.1 问题定义 |
5.2.2 具体实例 |
5.3 算法设计 |
5.3.1 算法描述 |
5.3.2 算法理论分析 |
5.4 实验结果 |
5.4.1 实验设置 |
5.4.2 性能分析 |
5.5 本章小结 |
6 基于策略合成的巡逻管理调度与资源配置优化 |
6.1 引言 |
6.2 结构设计 |
6.2.1 场景引入 |
6.2.2 问题假设 |
6.3 系统模型 |
6.3.1 相关知识 |
6.3.2 模型分析 |
6.4 模块化策略 |
6.4.1 分配策略 |
6.4.2 构建策略 |
6.4.3 示例描述 |
6.5 算法设计 |
6.5.1 策略合成分解过程 |
6.5.2 巡逻调度分配过程 |
6.6 实验结果 |
6.6.1 实验设置 |
6.6.2 性能评估 |
6.6.3 附录 |
6.7 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 |
(7)博物馆移动端导览系统的情感体验设计研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.1.1 博物馆导览数字化、智能化发展趋势 |
1.1.2 移动智能媒介赋能博物馆文化高价值传播 |
1.1.3 技术乌托邦下,人们情感意识觉醒 |
1.1.4 体验经济发展,情感体验设计兴起 |
1.2 研究现状 |
1.2.1 博物馆移动端导览系统设计研究现状 |
1.2.2 情感体验设计研究现状 |
1.3 研究目的与意义 |
1.3.1 研究目的 |
1.3.2 研究意义 |
1.4 研究创新点 |
1.5 研究方法与研究框架 |
1.5.1 研究方法 |
1.5.2 研究框架 |
第二章 研究对象及情感体验设计相关理论分析 |
2.1 博物馆、观众、导览媒介三者关系分析 |
2.2 博物馆移动端导览系统相关内容分析 |
2.2.1 概念阐述与媒介形态分析 |
2.2.2 交互特征与服务场景分析 |
2.2.3 技术应用与发展趋势分析 |
2.3 情感体验设计相关理论分析 |
2.3.1 情感体验设计概念阐述 |
2.3.2 情感体验相关模型分析 |
2.3.3 情感体验设计特征归纳 |
2.4 博物馆移动端导览系统的用户情感体验现状分析 |
2.4.1 《玩转故宫》微信小程序导览案例分析 |
2.4.2 《云观博》移动端AR导览案例分析 |
2.4.3 《上海博物馆》移动端APP导览案例分析 |
2.4.4 博物馆移动端导览系统的用户情感体验不足归纳 |
2.5 博物馆移动端导览系统情感体验设计的价值分析 |
2.5.1 博物馆文化信息情感式认知的优势 |
2.5.2 博物馆数字化服务人文关怀的匮乏 |
2.5.3 博物馆品牌文化价值的深层次认同 |
第三章 博物馆移动端导览系统的情感体验影响因素分析 |
3.1 博物馆移动端导览系统的情感体验要素与目标初步提取 |
3.1.1 本能层情感体验要素与目标提取 |
3.1.2 行为层情感体验要素与目标提取 |
3.1.3 反思层情感体验要素与目标提取 |
3.2 博物馆移动端导览系统的情感体验影响因素定性调研 |
3.2.1 调研目的和调研方法 |
3.2.2 调研人群与调研内容 |
3.2.3 实地调研的实施与结果整理 |
3.2.4 目标用户画像构建与心理特征分析 |
3.2.5 用户游览旅程构建与情感体验动力因素分析 |
3.2.6 情感体验影响因素提取结果整理归纳 |
3.3 博物馆移动端导览系统的情感体验影响因素权重分析 |
3.3.1 问卷调研的研究方法 |
3.3.2 问卷调研的结果分析 |
3.4 博物馆移动端导览系统的情感体验设计方向确认 |
3.4.1 目标用户情感体验形成阶段构建 |
3.4.2 导览系统情感体验设计机会点洞察 |
第四章 博物馆移动端导览系统的情感体验设计策略构建 |
4.1 博物馆移动端导览系统的情感体验设计策略框架 |
4.2 感知存在阶段-个性鲜明的感官吸引策略 |
4.2.1 强化人设感知的系统形象塑造 |
4.2.2 映射博物馆文化的界面视觉语言 |
4.3 认知内容阶段-高信噪比的信息呈现策略 |
4.3.1 符号化转译的导览内容价值呈现 |
4.3.2 结构化分层的导览地多维重构 |
4.3.3 个性化导览的文化消费模式探索 |
4.4 引导游览阶段-愉悦意向的互动引导策略 |
4.4.1 使用愉悦的交互框架人性化升级 |
4.4.2 游戏愉悦的参观引导互动方式 |
4.4.3 社交愉悦的社群互动引导机制 |
4.5 持续影响阶段-价值激励的情感记忆策略 |
4.5.1 基于成就激励的游览进度可视体验 |
4.5.2 基于稀缺激励的游览惊喜体验 |
4.5.3 基于情感激励的游览复盘体验 |
第五章 博物馆移动端导览系统的情感体验设计实践 |
5.1 上博“古代青铜馆”微信导览小程序情感体验设计背景阐述 |
5.1.1 案例优化设计价值与可行性分析 |
5.1.2 案例用户情感体验现状启发式评估 |
5.2 上博“古代青铜馆”微信导览小程序情感体验设计需求分析 |
5.2.1 馆方需求分析 |
5.2.2 用户需求分析 |
5.2.3 系统需求分析 |
5.3 上博“古代青铜馆”微信导览小程序情感体验设计框架构建 |
5.3.1 情感体验设计策略导入与设计触点规划 |
5.3.2 产品定义与功能信息架构情感化重塑 |
5.3.3 人性化的交互框架与使用流程设计 |
5.3.4 贴合游览场景的用户体验情境描绘 |
5.4 上博“古代青铜馆”微信导览小程序情感体验设计方案阐述 |
5.4.1 感知存在阶段的情感体验设计方案 |
5.4.2 认知内容阶段的情感体验设计方案 |
5.4.3 引导游览阶段的情感体验设计方案 |
5.4.4 持续影响阶段的情感体验设计方案 |
5.5 上博“古代青铜馆”微信导览小程序情感体验设计方案评估 |
5.5.1 情感体验设计方案评估方法选择 |
5.5.2 情感体验设计方案评估准备与实施 |
5.5.3 情感体验设计方案评估结果分析 |
第六章 主要结论与展望 |
6.1 主要结论 |
6.2 局限与展望 |
致谢 |
参考文献 |
附录1:作者在攻读硕士学位期间发表的论文 |
附录2:深度访谈提纲 |
附录3:调查问卷 |
附录4:PAD情感量表 |
(8)协作通信网络中无线资源管理策略研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 论文研究背景与意义 |
1.1.1 协作通信概述 |
1.1.2 无线资源管理概述 |
1.1.3 论文选题的研究意义 |
1.2 论文选题的研究现状 |
1.2.1 协作通信网络中能量效率最大化 |
1.2.2 协作通信网络中最小化时延 |
1.2.3 低成本协作通信 |
1.3 论文的主要研究内容和结构安排 |
第二章 能量效率优先的基站与用户联合协作功率分配 |
2.1 引言 |
2.2 系统描述 |
2.2.1 信号模型 |
2.2.2 目标函数:DSC-EE |
2.3 问题建模与问题转化 |
2.4 DSC-EE的优化 |
2.4.1 优化问题P2 的功率分配 |
2.4.2 问题P3 的分析 |
2.5 仿真结果与分析 |
2.6 本章小结 |
第三章 能量效率最大化的联合节点选择和资源分配 |
3.1 引言 |
3.2 系统模型 |
3.2.1 通信模型 |
3.2.2 社会关系模型 |
3.3 基于社会意识的D2D协作通信模式 |
3.4 动态节点选择与问题建模 |
3.4.1 瞬时数据速率 |
3.4.2 动态节点选择 |
3.4.3 优化问题建模 |
3.5 基于Lyapunov理论的动态节点选择 |
3.5.1 问题P1 的解决方案 |
3.5.2 问题P2 的解决方案 |
3.6 仿真结果与分析 |
3.7 本章小结 |
第四章 时延最小化的计算卸载模式选择 |
4.1 引言 |
4.2 系统模型 |
4.3 计算卸载模式 |
4.3.1 本地卸载 |
4.3.2 直接云端卸载 |
4.3.3 社会意识辅助的节点协作计算卸载模式 |
4.4 动态卸载模式选择和问题建模 |
4.5 基于Lyapunov的卸载模式选择 |
4.6 仿真结果与分析 |
4.7 本章小结 |
第五章 低成本IRS辅助通信的多资源联合管理 |
5.1 引言 |
5.2 系统模型和问题建模 |
5.2.1 触发模块子集识别 |
5.2.2 凸松弛和问题建模 |
5.3 基于two-block ADMM的优化解决方案 |
5.3.1 触发模块子集识别 |
5.3.2 最大-最小SINR优化 |
5.3.3 算法总结 |
5.4 仿真结果与分析 |
5.4.1 仿真环境设置 |
5.4.2 Two-block ADMM算法验证 |
5.4.3 性能比较 |
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 |
参考文献 |
附录 A 部分公式的证明与推导 |
攻读博士学位期间取得的成果 |
(9)基于强化学习的多智能体对抗算法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 智能体对抗的研究现状 |
1.2.1 双智能体对抗的研究现状 |
1.2.2 多智能体对抗的研究现状 |
1.3 强化学习算法的研究现状 |
1.3.1 单智能体强化学习算法的研究现状 |
1.3.2 多智能体强化学习算法的研究现状 |
1.4 本论文的研究内容与结构安排 |
第二章 对抗问题的理论分析与移动小车建模 |
2.1 双智能体攻防的纳什均衡分析 |
2.1.1 数学定义 |
2.1.2 纳什均衡分析 |
2.2 多智能体攻防的纳什均衡分析 |
2.2.1 数学定义 |
2.2.2 纳什均衡分析 |
2.3 移动小车底盘运动学建模 |
2.3.1 底盘选择与坐标描述 |
2.3.2 运动学建模 |
2.4 本章小结 |
第三章 基于改进Q学习的双智能体攻防 |
3.1 强化学习基础知识简介 |
3.1.1 马尔科夫决策过程 |
3.1.2 策略与策略优化 |
3.2 有限视野下改进的Q学习 |
3.2.1 基于Q学习的防守者控制器设计 |
3.2.2 基于人工势场法的改进Q学习算法 |
3.3 仿真实验与结果分析 |
3.3.1 固定初始位置 |
3.3.2 随机初始位置 |
3.4 本章小结 |
第四章 基于改进MADDPG的多智能体攻防 |
4.1 多智能体强化学习简介 |
4.1.1 多智能体马尔科夫决策过程 |
4.1.2 DDPG算法 |
4.2 改进的MADDPG算法设计 |
4.2.1 MADDPG算法的设计 |
4.2.2 改进MADDPG算法设计 |
4.3 仿真实验与结果分析 |
4.3.1 无障碍物环境下的攻防对抗 |
4.3.2 有障碍物环境下的攻防对抗 |
4.4 本章小结 |
第五章 智能体攻防对抗演示系统设计 |
5.1 实验方案与相关技术 |
5.1.1 实验方案设计 |
5.1.2 机器人操作系统(ROS) |
5.1.3 超宽带(UWB)定位 |
5.2 系统组成 |
5.2.1 系统硬件组成 |
5.2.2 系统软件组成 |
5.3 系统实验 |
5.3.1 双智能体攻防对抗演示 |
5.3.2 一攻二防的攻防对抗演示 |
5.3.3 带障碍物的一攻二防对抗演示 |
5.4 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 |
参考文献 |
攻读硕士学位期间取得的成果 |
(10)探测性能驱动的机载多雷达系统路径优化方法(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 国内外研究动态 |
1.2.1 多机离线路径优化动态 |
1.2.2 移动传感器网络在线路径优化动态 |
1.3 本文的主要工作 |
1.4 本论文的结构安排 |
第二章 机载多雷达系统协同探测理论基础 |
2.1 机载多雷达系统协同探测概念与内涵 |
2.2 机载多雷达系统模型 |
2.2.1 运动模型 |
2.2.2 系统约束 |
2.3 机载多雷达系统协同探测基本理论 |
2.3.1 信号模型 |
2.3.2 探测模型 |
2.4 机载多雷达系统节点路径对监视性能的影响 |
2.4.1 不同探测模式 |
2.4.2 不同运动模式 |
2.4.3 不同移动路径 |
2.5 本章小结 |
第三章 探测性能驱动的机载多雷达系统离线路径优化 |
3.1 离线路径优化问题描述 |
3.2 机载多雷达系统离线路径优化问题模型 |
3.2.1 基于差异化监视任务的离线路径优化指标 |
3.2.2 基于差异化监视任务的离线路径优化问题 |
3.3 基于虚拟力的粒子群优化算法 |
3.3.1 算法思路及实现过程 |
3.3.2 参数分析 |
3.4 B样条曲线 |
3.5 仿真实验分析 |
3.5.1 不同权值 |
3.5.2 不同任务时间 |
3.5.3 不同的AOIs任务重要性 |
3.5.4 性能对比 |
3.6 本章小结 |
第四章 探测性能驱动的机载多雷达系统在线路径优化 |
4.1 在线路径优化问题描述 |
4.2 生物Anti-Flocking行为 |
4.3 基于差异化监视任务的在线控制策略 |
4.3.1 基于自由空间差异化监视任务的在线控制策略 |
4.3.2 基于障碍空间差异化监视任务的在线控制策略 |
4.3.3 参数分析 |
4.4 仿真实验分析 |
4.4.1 自由空间在线差异化监视仿真分析 |
4.4.2 障碍空间在线差异化监视仿真分析 |
4.5 本章小结 |
第五章 全文总结及展望 |
5.1 全文总结 |
5.2 工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
四、基于移动Agent的移动计算形式理论分析(论文参考文献)
- [1]基于机器学习的无线网络负载优化方法研究[D]. 徐越. 北京邮电大学, 2020(04)
- [2]基于MAS体系的移动GIS集成服务研究[D]. 叶雷. 华东师范大学, 2004(04)
- [3]移动互联网的内容缓存与边缘计算关键技术研究[D]. 陈星延. 北京邮电大学, 2021(01)
- [4]循环流化床煤气化过程强化试验研究[D]. 蒋登豪. 中国科学院大学(中国科学院工程热物理研究所), 2021
- [5]四旋翼水下航行器的轨迹跟踪和协同包围控制研究[D]. 寇立伟. 浙江大学, 2021(09)
- [6]移动边缘计算网络中任务卸载调度与资源配置优化研究[D]. 郑晓. 大连理工大学, 2021
- [7]博物馆移动端导览系统的情感体验设计研究[D]. 陈霖. 江南大学, 2021(01)
- [8]协作通信网络中无线资源管理策略研究[D]. 高玉兰. 电子科技大学, 2021(01)
- [9]基于强化学习的多智能体对抗算法研究[D]. 孙旭红. 电子科技大学, 2021(01)
- [10]探测性能驱动的机载多雷达系统路径优化方法[D]. 汤窈颖. 电子科技大学, 2021(01)