一、TSR程序卸载的实现（论文文献综述）
李牧,张红平,陈实,陶沛东,祝航,周沧涛,赵剑衡,孙承纬[1]（2022）在《激光驱动材料动态压缩技术》文中研究指明激光驱动动态压缩实验是极端高压高密度研究的主要途径,在多个学科领域具有重要意义,包括地球行星科学,材料科学以及惯性约束聚变,有助于认识极端条件下的材料特性并拓展其在各学科的应用。近年来激光驱动压缩技术在激光装置、激光等离子体、制靶和诊断技术的同步提升下取得了突破性的进展,与其他极端条件实验平台相比,其斜波压缩、复杂路径、衰减冲击等新型加载路径得到快速发展,微介观诊断技术和宏观诊断技术相结合,具有明确的超高压、高温、高应变率以及高同步精度等技术特色。从激光驱动材料压缩的热力学路径、激光驱动的机制与特色、激光驱动实验技术、材料极端压缩物理进展等方面介绍激光驱动实验和理论方面的进展。
宋家,余靖,金顺福[2]（2021）在《基于半休眠模式的云计算任务卸载策略及性能研究》文中研究表明云系统中的任务卸载是一种将密集的移动应用程序迁移到云端计算的机制。考虑云用户服务质量和云系统能耗水平,在云端引入周期性同步半休眠模式,提出一种云计算任务卸载策略。针对不同负载情况下的虚拟机服务速率,构建多服务台同步多重工作休假排队模型。基于拟生灭过程和矩阵几何解方法,得到云用户的平均响应时间与云系统的能源消耗。进行系统实验,评估卸载策略的系统性能,并验证其有效性。基于权重分配构建系统成本函数,改进海鸥优化算法,给出云计算任务卸载策略的智能优化方案,实现系统成本的最小化。
郑会吉,余思聪,崔翛龙,朱利,柏财通[3]（2021）在《边缘计算中的计算卸载综述》文中提出边缘计算可以有效解决传统云计算中传输时延大、用户数据安全性不够高、传输带宽压力大以及终端移动设备计算能力受限、能耗大等问题.计算卸载是边缘计算中的关键技术,针对当前计算卸载技术的研究现状和存在的不足,本文围绕计算卸载,首先介绍边缘计算的体系架构以及部分应用和分析4种主要的影响因素以及相应具体的条件;其次针对3种决策目标分析了算法策略及对应变量在算法中的作用;最后总结目前在计算卸载中存在的不足.
胡世红[4]（2021）在《边缘计算中资源动态调度的QoS优化技术研究》文中研究指明随着物联网（Internet of Things,IoT）的迅速发展和无线网络的广泛普及,智能终端设备和移动应用对数据通信和计算的需求日益增长,新兴的边缘计算范式应运而生。通过将位于云计算中心的服务和功能移到用户附近,边缘计算可以提供强大而便捷的通信、存储和计算能力,克服了云计算延迟高、隐私性和安全性低以及能耗高等局限性。在边缘计算中,物端可将延迟敏感型或计算密集型应用卸载到边缘服务器上进行处理,以获得更高的服务质量（Quality of Service,QoS）。一方面,卸载过程涉及边缘系统中各类计算、通信和存储资源的竞争和分配,另一方面,边缘资源提供者需要考虑资源配置形式以满足物端需求。然而,由于边缘系统中物端请求的多样变化性以及边缘资源的有限、分散和异构性,使得边缘计算中资源调度问题变得越来越棘手。为此,本论文致力于研究如何将边缘计算资源进行动态调度以优化QoS,进一步以物联网和车联网为典型边缘计算场景,分别针对请求卸载与资源分配、请求分布预测与资源配置、任务协同调度、任务依赖型调度等典型问题进行研究。通过深入的理论分析和扎实的实验研究,取得了以下研究成果:（1）多基站协同下物端动态请求调度优化方案。针对5G通信协议下存在的多址干扰现象,以及多用户-多边缘中联合请求卸载与资源分配等问题,研究了用户功率分配和动态请求调度优化方案。首先,基于拟凸技术,提出了一种基于次梯度的非合作博弈模型进行用户的功率分配以实现最小化传输能耗。其次,将联合请求卸载与资源调度问题建模为一个混合整数非线性程序,以最小化请求响应延迟为目标。最后,将该问题作为一个双决策问题进行分析,提出了一种基于精英非支配排序遗传算法的多目标优化算法。实验结果表明,与其它类似算法相比,提出的功率分配算法可以有效节约传输能耗。在动态边缘系统中,提出的请求卸载和资源调度算法在请求响应率方面不仅优于对比方法,且能保持良好的性能。（2）基于服务请求分布预测的资源动态配置优化算法。针对智能互联社区中物端请求的动态多样性和边缘资源受限等问题,研究了多服务请求分布预测和容器化边缘资源配置方案。首先,通过测试实验展示了容器化技术在边缘计算中的优势和挑战,从而提出一种容器化边缘资源配置框架,该框架集成了请求分布预测和资源配置算法。其次,基于快速傅立叶变换（Fast Fourier Transform,FFT）,设计了一种在线周期性请求分布预测算法。最后,根据预测请求分布结果,提出了一种基于一阶自回归模型与比例积分控制器的资源配置算法,该算法是一种自适应的容器资源调优控制器。仿真实验表明,所提出的请求分布预测算法,其预测精度高于其它两种预测算法。系统实验结果表明,与基线算法相比,基于控制思想的资源预分配算法具有较低的服务延迟和较高的资源利用率。（3）基于多智能体强化学习的分布式任务调度优化算法。针对车辆边缘计算（Vehicular Edge Computing,VEC）中普遍存在的单个路边计算单元（Road Side Unit,RSU）请求超载和服务配置缺失等问题,研究了基于多智能体深度强化学习的分布式协同任务调度算法。首先,将分布式RSU之间的任务调度交互建模为一个Markov博弈。其次,考虑到多智能体深度强化学习是一种很有前途的Markov博弈决策优化方法,提出了一种基于多智能体深度强化学习的协同任务调度算法,以最小化任务的长期平均延迟为目标。该算法基于反事实多智能体策略梯度的分布式部署和集中训练架构,并利用动作语义网络的优势,促进多个RSU之间的协作。系统和仿真实验结果表明了该算法的有效性。与基线算法相比,提出的协同任务调度算法收敛速度更快,且平均任务延迟更低。不同场景下的仿真结果表明,所提算法具有良好的可扩展性和稳定性。（4）移动车辆集群下任务依赖的贪婪调度优化算法。针对车联网（Internet of Vehicle,Io V）中车辆资源未被充分利用的现象,以及延迟敏感型应用中存在的任务依赖关系等问题,研究了车辆资源聚集方案和贪婪任务调度算法。通过对真实交通数据集进行分析,验证了在现实中聚集车辆资源的可行性。在此基础上,设计了基于延迟感知的车载边缘网络实时调度框架。首先,提出了一种基于聚类的算法来生成边缘车辆集群,将互联车辆作为边缘计算资源来提供协同计算服务。其次,考虑到应用中任务之间的依赖关系,提出了一种贪婪任务调度算法来卸载作业,其目标是最小化作业的总延迟并最大化边缘车群的资源利用率。实验结果表明,所提出的聚类算法生成的边缘车群能够保持一个稳定的周期来提供计算服务。在测试平台上的两个案例研究表明,与基线算法相比,所提出的调度算法在延迟和资源利用率方面具有一定的优势。
贾觐,暴占彪[5]（2021）在《改进GA的边缘计算任务卸载与资源分配策略》文中指出针对现有边缘计算计算卸载算法存在的延迟较大且负载不均衡的问题,提出一种移动边缘计算中基于改进遗传算法的计算卸载与资源分配算法。基于提出的移动边缘计算网络构建系统模型,其中包括能耗、平均服务延迟、执行时间以及负载均衡模型。以能耗、延迟、负载均衡最小化为优化目标,利用改进的遗传算法进行求解,其中采用染色体一维表现形式、交叉和变异算子提高算法的性能。利用i Fog Sim和Google集群对所提算法进行模拟仿真实验,结果表明,算法种群数量和最大迭代次数的合理值分别是60和25,所提算法得到的计算卸载和资源分配策略在能耗、负载均衡、延迟和网络使用率方面的表现均优于其它算法。
崔玉亚[6]（2021）在《面向移动边缘计算的任务调度的关键技术研究》文中进行了进一步梳理随着万物互联的不断发展,目前的网络带宽已经不能满足数据的爆炸式增长。并且,工业物联网、智慧城市、无人驾驶等高新技术对低延迟的需求更高。移动边缘计算（Mobile Edge Computing,MEC）将存储、计算和网络资源部署在网络的边缘,在地理位置上更加靠近用户。将计算任务卸载到边缘服务器上可以使任务得到及时的处理,能够有效的减少端到端延迟,提高网络效率,减轻云中心的负载。计算卸载是MEC中的研究重点,动态环境下设计高效的卸载策略能够有效的减少延迟以及能量消耗。同时移动管理也是MEC中难点之一,当用户在多个边缘服务器之间移动时,何时迁移服务、将服务迁移到哪直接影响用户的体验质量（Quality of Experience,Qo E）。本文研究了不同场景下任务卸载以及多用户服务迁移问题。针对不同的MEC场景,设计最优的卸载调度策略来减少边缘设备的延迟和能耗,另一方面,在迁移代价约束下,通过最优任务迁移算法来最小化平均延迟。本文的贡献如下:首先,针对多用户单服务器的粗粒度卸载场景,在考虑动态环境下信道的时变性以及多用户之间的干扰,本文研究了多用户粗粒度卸载问题。用户被看作博弈的玩家,执行计算的方式（本地或卸载到边缘服务器执行）被看作博弈的策略空间,将基于MEC的多用户计算卸载问题建模为一个演化博弈模型来最小化延迟和能耗。然后,通过复制者动态（Replicated Dynamic,RD）研究了多用户卸载策略的更新过程,并证明了在复制者动态模型下存在唯一的演化稳定策略（Evolu-tionary Stability Strategy,ESS）。最后在实际的应用环境中,设计了一个基于Q学习的演化博弈算法（Evolutionary Game Theory-Q Learning,EGT-QL）,每个用户根据Q学习独自选择、更新策略,经过不断的学习最终达到ESS。通过实验证明所提出算法的收敛性,并且与5种相关算法进行对比,验证了EGT-QL的可靠性。然后,研究了多用户多服务器场景下的细粒度卸载问题,将全部任务都卸载边缘服务器处理并不是必须或者是最优的。本文,提出了一种面向移动边缘计算的多用户细粒度任务卸载调度方法。联合卸载调度策略,将计算任务建模为一个有向无环图（Directed Acyclic Graph,DAG）。通过分析本地和边缘服务器的并行处理来优化任务节点的执行位置和调度顺序。考虑系统的能耗和延迟把计算卸载看作一个约束多目标优化问题（Constrained Multi-object Optimization Problem,CMOP）,然后提出了一个改进的带有精英策略的快速非支配排序算法（NSGA-Ⅱ）算法来解决CMOP。所提出的算法能够实现本地和边缘的并行处理从而减少延迟和能耗。最后通过大量的实验来证明算法的性能,实验结果表明,算法能够在实际应用程序中作出最优决策。最后,研究了MEC中的移动管理问题。当用户处在移动状态时,需要在多个边缘服务器之间动态迁移计算任务来保持服务的连续性。由于移动的不确定性,频繁的迁移会增加成本和延迟,不迁移会导致服务的中断,因此设计一个有效的迁移策略非常具有挑战性。本文研究了动态环境下多用户任务迁移问题,在考虑迁移成本、服务质量（Quality of Service,Qo S）、服务器上的迁移负载、频谱资源分配的情况下,提出了一个多用户任务迁移模型。在迁移代价约束下,将多用户任务迁移问题描述为最小化优化问题,最大程度的降低系统的延迟。在多代理深度强化学习（Multi-agent Deep Reinforcement Learning,MADRL）中,本文构造了一个自适应权重的深度确定性策略梯度（Adaptive Weight Deep Determinis-tic Policy Gradient,AWDDPG）算法来优化任务迁移的代价和延迟。采用集中训练分布式执行的方式来促进移动用户之间的协作通信,通过离线训练AWDDPG模型,移动用户能够实时做出迁移决策。大量实验表明,所提出的算法与相关算法相比大大降低了服务延迟和迁移代价。
王怡苹,李文海,吴忠德[7]（2021）在《内外场通用的加卸载检测系统设计与实现》文中研究表明为了解决电子干扰吊舱加卸载模块缺乏检测手段的问题,设计了具有多功能特点的检测系统,由检测终端、加卸载模块测试适配器和多根测试电缆组成,可在内场环境下与吊舱内场检测设备配合完成加卸载模块的内场原位检测;在外场环境下与载机驾驶舱内的显示控制器或中央控制单元配合完成加卸载模块的外场原位检测;离位检测时,检测系统提供加卸载模块正常工作所需的电气环境,并模拟吊舱处理控制单元与加卸载模块间的数据通信,完成加卸载模块的检测;实际应用证明,检测系统可完成多环境下的加卸载模块检测,完善了电子干扰吊舱维护保障手段,提高了对电子干扰吊舱的综合保障能力。
许育文[8]（2021）在《M310核电机组应急柴油机低功率试验风险分析》文中研究说明以核电厂A列柴油机（LHP）为例,从柴油机的卸载/带载逻辑进行分析,进而分析RP模式下进行柴油机低功率试验给机组带来的风险,并针对风险提出相应的防范措施,以指导日常运行试验。核电机组功率运行期间,柴油机低功率试验存在导致停堆、机组瞬态和重大设备损坏的风险。试验前应做好风险分析,同时在试验过程中严格遵守试验程序,确保机组安全稳定运行。
高学群[9]（2021）在《物联网数据采集器硬件设计》文中研究说明嵌入式Linux是以Linux系统为基础的嵌入式操作系统,将Linux操作系统定制成能够运行的嵌入式操作系统。嵌入式Linux不仅具有嵌入式操作系统的特点还有着大量的开放源码资源和免费的版权,最重要的是有着优异的性能和许多应用软件的支持。凭借着产品应用开发周期短,可参考和移植实时开放代码,被开发人员广泛关注。
雷鹰,郑万波,魏嵬,夏云霓,李晓波,刘诚武,谢洪[10]（2021）在《基于概率性能感知演化博弈策略的“云+边”混合环境中任务卸载方法》文中指出针对"中心云服务器+多个边缘服务器"构成的"云+边"混合环境中多任务卸载效率不足的问题,提出了一种基于概率性能感知演化博弈策略的任务卸载方法。首先,在一个"中心云服务器+多个边缘服务器"构成的"云+边"混合环境中,假设其中分布的边缘服务器具有时变波动的性能,采用一种基于概率性能感知演化博弈策略的任务卸载方法对边缘云服务器的历史性能数据进行概率分析,以获得演化博弈模型;然后,生成服务卸载的演化稳定策略（ESS）,使每个用户都能在获得高满意度的前提下进行任务的卸载。基于云边缘资源位置数据集和云服务性能测试数据集进行模拟实验,在24个连续时间窗口上进行不同方法的测试比较。实验结果表明,所提方法在多个性能指标上都优于传统的贪婪（Greedy）算法、遗传算法（GA）和基于纳什均衡的博弈论算法等任务卸载方法。该方法的平均用户期望达成度相较于三个对比方法分别提升了13.7%、117.0%、13.8%,平均卸载时延分别降低了6.5%、24.9%、8.3%,平均货币成本分别降低了67.9%、88.7%、18.0%。
二、TSR程序卸载的实现（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、TSR程序卸载的实现（论文提纲范文）
（1）激光驱动材料动态压缩技术（论文提纲范文）
| 1 激光驱动的动高压技术 |
| 2 激光动高压加载路径 |
| 2.1 冲击压缩过程 |
| 2.2 斜波压缩过程 |
| 2.3 复杂路径压缩过程 |
| 3 激光驱动材料动态压缩的实验方法 |
| 3.1 材料压缩状态的确定 |
| 3.2 温度的确定 |
| 3.2.1 条纹光学高温测量技术 |
| 3.2.2 多通道瞬态辐射高温计 |
| 3.2.3 吸收边温度测量技术EXAFS |
| 3.3 物质相结构的确定 |
| 4 激光驱动材料动态压缩的亮点工作 |
| 4.1 太帕压力范围内压标的确立 |
| 4.2 高压行星物理发展 |
| 4.2.1 氢、氘以及氦等轻元素的高压研究进展 |
| 4.2.2 超离子态水的实验确认 |
| 4.2.3 透明矿物的超高压研究进展 |
| 4.3 超高压冲击绝热线声速测量 |
| 5 结论与展望 |
（2）基于半休眠模式的云计算任务卸载策略及性能研究（论文提纲范文）
| 0 引言 |
| 1 云计算任务卸载策略及系统模型 |
| 1.1 云计算任务卸载策略 |
| 1.2 系统模型 |
| 2 系统模型的稳态分析 |
| 2.1 稳态条件 |
| 2.2 状态转移 |
| 2.3 稳态分布 |
| 3 系统性能指标 |
| 4 系统实验 |
| 5 系统优化 |
| 6 结论 |
（4）边缘计算中资源动态调度的QoS优化技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 边缘计算的研究背景 |
| 1.1.2 选题及研究意义 |
| 1.2 边缘计算资源调度概述 |
| 1.2.1 基本架构 |
| 1.2.2 边缘动态资源调度的定义 |
| 1.2.3 边缘动态资源调度中的关键问题 |
| 1.3 边缘计算资源动态调度研究现状 |
| 1.3.1 计算卸载 |
| 1.3.2 资源分配 |
| 1.3.3 资源配置 |
| 1.4 论文主要研究内容与贡献 |
| 1.5 论文的组织与安排 |
| 第二章 多基站协同下物端动态请求调度优化方案 |
| 2.1 引言 |
| 2.2 系统模型与问题描述 |
| 2.2.1 时延模型 |
| 2.2.2 能量模型 |
| 2.2.3 问题建模 |
| 2.3 NCGG和 MO-NSGA算法 |
| 2.3.1 功率分配 |
| 2.3.2 联合请求卸载和计算资源调度 |
| 2.4 仿真结果与分析 |
| 2.4.1 参数设置 |
| 2.4.2 NCGG的性能评估 |
| 2.4.3 MO-NSGA的性能评估 |
| 2.5 本章小结 |
| 第三章 基于服务请求分布预测的资源动态配置优化算法 |
| 3.1 引言 |
| 3.2 背景基础 |
| 3.2.1 容器技术的基本概念 |
| 3.2.2 Docker容器 |
| 3.3 动机和挑战 |
| 3.3.1 动机 |
| 3.3.2 挑战 |
| 3.4 CEC框架设计 |
| 3.4.1 系统模型 |
| 3.4.2 设计目标 |
| 3.4.3 框架总览 |
| 3.4.4 框架工作流 |
| 3.5 在线请求分布预测和资源配置 |
| 3.5.1 在线请求分布预测 |
| 3.5.2 基于控制论的资源配置预测 |
| 3.6 实验验证与分析 |
| 3.6.1 实验设置 |
| 3.6.2 仿真结果 |
| 3.6.3 系统评估 |
| 3.7 本章小结 |
| 第四章 基于多智能体强化学习的分布式任务调度优化算法 |
| 4.1 引言 |
| 4.2 系统模型和问题形成 |
| 4.2.1 系统模型 |
| 4.2.2 问题形成 |
| 4.3 多智能体交互模型构建与问题转化 |
| 4.3.1 Markov博弈 |
| 4.3.2 问题转化 |
| 4.3.3 纳什均衡分析 |
| 4.4 基于多智能体强化学习的协同任务调度算法 |
| 4.4.1 COMA |
| 4.4.2 ASN |
| 4.4.3 基于COMA-ASN的分布式任务调度算法 |
| 4.5 实验验证与分析 |
| 4.5.1 真实场景中的实验 |
| 4.5.2 不同仿真场景下的实验 |
| 4.6 本章小结 |
| 第五章 移动车辆集群下任务依赖的贪婪调度优化算法 |
| 5.1 引言 |
| 5.2 数据分析和系统模型 |
| 5.2.1 数据分析 |
| 5.2.2 系统模型 |
| 5.3 LARS框架设计 |
| 5.3.1 控制中心 |
| 5.3.2 应用 |
| 5.4 动态调度算法 |
| 5.4.1 Herd生成器 |
| 5.4.2 卸载控制器 |
| 5.4.3 作业安排器 |
| 5.4.4 任务调度 |
| 5.5 实验验证与分析 |
| 5.5.1 仿真结果 |
| 5.5.2 测试平台实验 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读博士学位期间发表的论文 |
（5）改进GA的边缘计算任务卸载与资源分配策略（论文提纲范文）
| 0 引言 |
| 1 相关工作 |
| 2 系统建模 |
| 2.1 能耗模型 |
| 2.2 平均服务延迟 |
| 2.3 平均执行时间 |
| 2.4 负载平衡目标 |
| 3 提出的遗传算法 |
| 4 仿真实验 |
| 4.1 仿真环境 |
| 4.2 实验结果分析 |
| 4.3 不同算法的对比分析 |
| 5 结束语 |
（6）面向移动边缘计算的任务调度的关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究的背景 |
| 1.2 MEC的研究现状 |
| 1.2.1 MEC中卸载问题及研究现状 |
| 1.2.2 MEC中移动性管理问题及研究现状 |
| 1.3 研究的意义 |
| 1.4 论文的研究内容和结构安排 |
| 第二章 移动边缘计算中任务调度的相关理论与技术 |
| 2.1 移动边缘计算 |
| 2.1.1 系统框架 |
| 2.1.2 MEC的特点 |
| 2.1.3 MEC的应用场景 |
| 2.2 博弈论和演化博弈论 |
| 2.3 强化学习 |
| 2.3.1 基于值函数的方法 |
| 2.3.2 基于策略的方法 |
| 2.3.3 Actor-Critic方法 |
| 2.3.4 深度强化学习 |
| 2.4 NSGA-Ⅱ算法 |
| 2.5 本章小结 |
| 第三章 基于演化博弈策略的计算卸载新方法 |
| 3.1 引言 |
| 3.2 系统模型构建 |
| 3.2.1 通信模型 |
| 3.2.2 任务模型 |
| 3.3 多用户计算卸载演化博弈策略 |
| 3.3.1 演化博弈模型 |
| 3.3.2 复制者动态 |
| 3.3.3 演化稳定策略分析 |
| 3.4 分布式环境下边缘计算卸载方法 |
| 3.4.1 基于强化学习的分布式演化博弈算法(EGT-QL) |
| 3.4.2 基于Q学习演化博弈算法(EGT-QL)的收敛性 |
| 3.4.3 EGT-QL算法复杂度分析 |
| 3.5 实验测试与结果分析 |
| 3.5.1 收敛性分析 |
| 3.5.2 算法对比 |
| 3.6 本章小结 |
| 第四章 基于多用户的细粒度卸载调度策略 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 计算延迟模型 |
| 4.2.2 计算能耗模型 |
| 4.3 调度约束和卸载策略 |
| 4.3.1 调度约束 |
| 4.3.2 卸载策略 |
| 4.4 多用户细粒度任务卸载调度方法 |
| 4.4.1 传统的NSGA-Ⅱ算法 |
| 4.4.2 基于改进的NSGA-Ⅱ卸载调度决策方法 |
| 4.4.3 算法复杂度分析 |
| 4.5 实验结果和分析 |
| 4.5.1 实验环境 |
| 4.5.2 实验结果 |
| 4.5.3 对比实验 |
| 4.6 本章小结 |
| 第五章 基于深度强化学习的分布式服务迁移方法 |
| 5.1 引言 |
| 5.2 系统模型和问题描述 |
| 5.2.1 回程延迟 |
| 5.2.2 通信延迟 |
| 5.2.3 计算延迟 |
| 5.2.4 迁移成本 |
| 5.2.5 问题描述 |
| 5.3 基于AWDDPG的分布式任务迁移算法 |
| 5.3.1 AWDDPG算法 |
| 5.3.2 AWDDPG架构 |
| 5.3.3 复杂度分析 |
| 5.4 性能评估 |
| 5.4.1 实验环境 |
| 5.4.2 实验结果 |
| 5.4.3 实际应用场景 |
| 5.5 本章小结 |
| 第六章 总结和展望 |
| 6.1 研究总结 |
| 6.2 未来展望 |
| 参考文献 |
| 在学期间取得的科研成果和科研情况说明 |
| 致谢 |
（7）内外场通用的加卸载检测系统设计与实现（论文提纲范文）
| 0 引言 |
| 1 需求分析 |
| 1.1 加卸载模块测试需求分析 |
| 1.2 检测系统设计分析 |
| 2 设计实现 |
| 2.1 硬件设计 |
| 2.1.1 检测终端 |
| 2.1.2 加卸载模块测试适配器 |
| 2.1.3 测试电缆 |
| 2.2 软件设计 |
| 2.2.1 开发环境 |
| 2.2.2 软件平台 |
| 2.2.3 测试程序集 |
| 3 验证实验 |
| 4 结束语 |
（8）M310核电机组应急柴油机低功率试验风险分析（论文提纲范文）
| 0 引言 |
| 1 柴油机低功率试验的目的 |
| 2 柴油机卸载/带载逻辑 |
| 2.1 设置柴油机卸载/带载逻辑的目的 |
| 2.2 柴油机卸载/带载指令 |
| 3 柴油机低功率试验风险分析 |
| 4 柴油机低功率试验风险防范措施 |
| 5 结束语 |
（9）物联网数据采集器硬件设计（论文提纲范文）
| 1 基于Linux的设备驱动介绍 |
| 2 设计的嵌入式Linux驱动程序设计 |
| 2.1 串口底层驱动程序 |
| 2.2 以太网口底层驱动程序 |
| 2.3 液晶显示底层驱动程序 |
| 2.4 按键输入底层驱动程序 |
（10）基于概率性能感知演化博弈策略的“云+边”混合环境中任务卸载方法（论文提纲范文）
| 0 引言 |
| 1 相关工作 |
| 2 系统和计算模型 |
| 2.1 系统模型 |
| 2.2 计算模型 |
| 3 演化博弈 |
| 3.1 博弈标准式 |
| 3.2 演化稳定策略 |
| 3.3 复制者动态方程 |
| 4 实验和结果分析 |
| 4.1 数据集 |
| 4.2 对比方法 |
| 4.3 对比结果分析 |
| 4.4 引入突变后的结果分析 |
| 5 结语 |
四、TSR程序卸载的实现（论文参考文献）
- [1]激光驱动材料动态压缩技术[J]. 李牧,张红平,陈实,陶沛东,祝航,周沧涛,赵剑衡,孙承纬. 强激光与粒子束, 2022
- [2]基于半休眠模式的云计算任务卸载策略及性能研究[J]. 宋家,余靖,金顺福. 高技术通讯, 2021(12)
- [3]边缘计算中的计算卸载综述[J]. 郑会吉,余思聪,崔翛龙,朱利,柏财通. 计算机系统应用, 2021(12)
- [4]边缘计算中资源动态调度的QoS优化技术研究[D]. 胡世红. 江南大学, 2021
- [5]改进GA的边缘计算任务卸载与资源分配策略[J]. 贾觐,暴占彪. 计算机工程与设计, 2021(11)
- [6]面向移动边缘计算的任务调度的关键技术研究[D]. 崔玉亚. 天津理工大学, 2021
- [7]内外场通用的加卸载检测系统设计与实现[J]. 王怡苹,李文海,吴忠德. 计算机测量与控制, 2021(10)
- [8]M310核电机组应急柴油机低功率试验风险分析[J]. 许育文. 设备管理与维修, 2021(20)
- [9]物联网数据采集器硬件设计[J]. 高学群. 中国军转民, 2021(19)
- [10]基于概率性能感知演化博弈策略的“云+边”混合环境中任务卸载方法[J]. 雷鹰,郑万波,魏嵬,夏云霓,李晓波,刘诚武,谢洪. 计算机应用, 2021(11)