Academus — Эдиторум — Editorum

Publications

Conference articles

  • FACTORS INFLUENCING THE FORMATION AND REALIZATION OF THE TRANSBOUNDARY NATURAL MANAGEMENT POLICY IN AZOV-BLACK SEA BASIN

Справка

На этой вкладке выполняется анализ научных публикаций. Определяется научный уровень публикации, выявляются полученные результаты, извлекаются термины, введенные в публикации.

Уровень публикации оценивается по шкале «Является/не является научной» с промежуточными значениями. Введите текст или выберите файл публикации и нажмите кнопку «Анализировать». Анализ качества научных текстов в настоящее время доступен только для русского языка.

Введите текст публикации:

…или загрузите файл публикации:

Настройки поиска

  • Все коллекции

  • Авторефераты

  • Российские журналы

  • Википедия

  • Внешние коллекции ВУЗов

  • Инфра М

  • Hindawi

  • Springer open access

  • Springer

Справка

На этой вкладке выполняется поиск текстовых заимствований в коллекциях документов. Введите проверяемый текст в соответствующее поле или загрузите файл с текстом для поиска заимствований. Вы можете выбрать год опубликования проверяемого текста для разделения найденных совпадений на две категории: множество документов-источников, из которых заимствует проверяемый текст, (опубликованных ранее), а также множество документов, заимствующих из проверяемого текста, (опубликованных позднее). При оценке оригинальности проверяемого текста Вы можете исключить из рассмотрения совпадающие фрагменты, относящиеся к цитированиям в списках литературы (выделяются автоматически).

Введите текст публикации:

…или загрузите файл публикации:

Год публикации: 2015

Не учитывать список литературы

Настройки поиска

  • Все коллекции

  • Авторефераты

  • Российские журналы

  • Википедия

  • Внешние коллекции ВУЗов

  • Инфра М

  • Hindawi

  • Springer open access

  • Springer

Загрузить и отредактировать произведение онлайн в формате epub/html/pdf/docx

Нарезка существующего контента Выберите тип произведенияМонографияУчебникУчебное ПособиеСтатьяВКР

Список статей

Advances in Law Studies
Advances in Management & Marketing
Foods and Raw Materials
Russian Journal of Management
Актуальные направления научных исследований XXI века: теория и практика
Аудитор
Безопасность в техносфере
В мире неразрушающего контроля
Вестник Ассоциации вузов туризма и сервиса
Вестник Донского государственного технического университета

К чему вы хотите привязать эту статью *

Привязка к конкретному объекту * Нет привязки

Язык РусскийАнглийский

ЧПУ статьи

Секции меню

Название статьи

SEO. Ключевые слова

SEO. Описание Naukaru.ru — сайт научных журналов: бесплатная публикация статей, присвоение DOI, подписка на журналы.

Это услуга?

Какой маркетинговый функционал подключить? Не подключать блокПодписка на журнал

Статья

Naukaru.ru — портал научной периодики, площадка для публикации статей и чтения новых материалов.

Задачей проекта является привлечение максимально широкого круга исследователей в каждой предметной области для обсуждения реальных научных вопросов и проблем и сплочения научного сообщества для решения задач, встающих перед ним.

Проект Naukaru.ru также имеет своей целью привлечение внимания зарубежных ученых к исследованиям, которые проводятся в России. Для достижения этой цели ведется работа по включению всех журналов сайта в иностранные реферативные базы данных (Scopus, World of Science и др. ), а всем материалам присваивается идентификатор цифрового объекта DOI для облегчения их поиска.

Также для зарегистрированных пользователей есть возможность получить идентификатор ORCID, который позволяет собрать все свои публикации в одном месте.

На сайте Naukaru.ru располагаются научные журналы по различным отраслям знаний, основанные руководителями состоявшихся научных школ, имеющих богатый опыт в своей сфере и сложившиеся традиции научных исследований. Редсоветы журналов полностью независимы в отборе произведений, главными критериями отбора являются научность, актуальность и новизна исследований.

Обращаем ваше внимание на то, что публикация в части журналов, расположенных на сайте, бесплатна.

Для того чтобы использовать максимум возможностей системы, предлагаем Вам посетить раздел Услуги и зарегистрироваться.

Загрузить и отредактировать произведение онлайн в формате epub/html/pdf/docx

Нарезка существующего контента Выберите тип произведенияМонографияУчебникУчебное ПособиеСтатьяВКР

Список непериодики

Жизнь сократа как основа его философии
История рима от основания города Саламбо

К чему вы хотите привязать эту непериодики *

Привязка к конкретному объекту * Нет привязки

Язык РусскийАнглийский

ЧПУ непериодики

Секции меню

Название непериодики

SEO. Ключевые слова

SEO. Описание

Это услуга?

Какой маркетинговый функционал подключить? Не подключать блокПодписка на журнал

Непериодика

Это было в Мегаре, предместье Карфагена, в садах Гамилькара. Солдаты, которыми он командовал в Сицилии, устроили большое пиршество, чтобы отпраздновать годовщину Эрикской битвы, и так как хозяин отсутствовал, а их было много, они ели и пили без всякого стеснения.

Начальники, обутые в бронзовые котурны, поместились в среднем проходе под пурпуровым навесом с золотой бахромой. Навес тянулся от стены конюшен до первой террасы дворца. Простые солдаты расположились под деревьями; оттуда видно было множество строений с плоскими крышами — давильни, погреба, амбары, хлебопекарни, арсеналы, а также двор для слонов, рвы для диких зверей я тюрьма для рабов.

Фиговые деревья окружали кухни; лес смоковниц тянулся до зеленых куш, где рдели гранаты меж белых хлопчатников; отягченные гроздьями виноградники поднимались ввысь к ветвям сосен; под платанами цвело поле роз; на лужайках местами покачивались лилии; дорожки были посыпаны черным песком, смешанным с коралловым порошком, а посредине тянулась аллея кипарисов, как двойная колоннада зеленых обелисков.

Дворец Гамилькара, построенный из нумидийского мрамора в желтых пятнах, громоздился в отдалении на широком фундаменте; четыре этажа его выступали террасами один над другим. Его монументальная прямая лестница из черного дерева, где в углах каждой ступеньки стояли носовые части захваченных вражеских галер, красные двери, помеченные черным крестом, с медными решетками — защитой снизу от скорпионов; легкие золотые переплеты, замыкавшие верхние оконца, — все это придавало дворцу суровую пышность, и он казался солдатам столь же торжественным и непроницаемым, как лицо Гамилькара.

Are you sure you want to delete?

Логин

Пароль

Дезинфекция воды

  • Главная
  • Оборудование
  • Оборудование для бассейнов

Хлоргенератор (система морской воды) для бассейна до 56800л, с таймером 26670
(Код: 26670)

19000 ₽

Производитель: Intex

Хлорогенератор Krystal Clear Saltwater System Intex 26670 новая модель в компактном корпусе. Предназначен для обеззараживания воды и предотвращения ее цветения. Необходимая пропускная способность фильтра 2650-11355 л/час. Предназначен для бассейнов до 56800 литров. В качестве реагента используется обычная поваренная соль, которую необходимо растворить в бассейне. Далее в процессе электролиза из нее выделяется свободный хлор, который не имеет запаха и не раздражает кожу или слизистую оболочку глаз. Система KRYSTAL CLEAR SALTWATER комбинирует в себе уникальную двухэтапную технологию для лучшего обеззараживания воды в бассейне. Когда Вы добавляете в воду обычную соль, за счет ее ионизации в хлоргенераторе (когда вода в процессе фильтрации проходит через покрытый титаном гальванический элемент) образуются ионы хлора. Эти ионы хлора совершенно безопасны для человека, совершенно им не ощущаются и в то же время являются смертельно губительными для различных микроорганизмов, которые заводятся и размножаются в любом открытом водоеме. В результате этого мы получаем новую, мягкую, очищенную воду без побочных химических элементов. С новым процессом ЭКО, молекулы воды расщепляются на очень мощные окислители, которые разрушают органические загрязнители, такие как бактерии и водоросли. Характеристики: Обновленная панель управления Производительность: 12 гр. хлора в час Мощность: 120 Вт Таймер: 6-10-14 ч Для бассейнов до 56800 л Функция самоочистки пластин Комплект: шланг, адаптер А, инструкция

В корзину Подробнее

ХЛОРОГЕНЕРАТОР INTEX 26664
(Код: 26664)

13000 ₽

Производитель: Intex

Хлорогенератор Krystal Clear Saltwater System Intex 28664 новая модель в компактном корпусе. Предназначен для обеззараживания воды и предотвращения ее цветения. Необходимая пропускная способность фильтра от 1136 до 3785 л/час. Подходит для бассейнов до 17000 литров. В качестве реагента используется обычная поваренная соль, которую необходимо растворить в бассейне. Далее в процессе электролиза из нее выделяется свободный хлор, который не имеет запаха и не раздражает кожу или слизистую оболочку глаз. Система KRYSTAL CLEAR SALTWATER комбинирует в себе уникальную двухэтапную технологию для лучшего обеззараживания воды в бассейне. Когда Вы добавляете в воду обычную соль, за счет ее ионизации в хлоргенераторе (когда вода в процессе фильтрации проходит через покрытый титаном гальванический элемент) образуются ионы хлора. Эти ионы хлора совершенно безопасны для человека, совершенно им не ощущаются и в то же время являются смертельно губительными для различных микроорганизмов, которые заводятся и размножаются в любом открытом водоеме. В результате этого мы получаем новую, мягкую, очищенную воду без побочных химических элементов. С новым процессом ЭКО, молекулы воды расщепляются на очень мощные окислители, которые разрушают органические загрязнители, такие как бактерии и водоросли. Характеристики: Обновленная панель управления Производительность: 4 гр. хлора в час Мощность: 30 Вт Таймер: 6-10-14 ч Для бассейнов до 17000 л Функция самоочистки пластин Комплект: шланг Ø32 мм, тест-полоски

В корзину Подробнее

ХЛОРОГЕНЕРАТОР INTEX 26668
(Код: 26668)

16500 ₽

Производитель: Intex

Хлорогенератор Krystal Clear Saltwater System Intex 28668 новая модель в компактном корпусе. Предназначен для обеззараживания воды и предотвращения ее цветения. Необходимая пропускная способность фильтра 2650-11355 л/час. Подходит для бассейнов до 26500 литров. В качестве реагента используется обычная поваренная соль, которую необходимо растворить в бассейне. Далее в процессе электролиза из нее выделяется свободный хлор, который не имеет запаха и не раздражает кожу или слизистую оболочку глаз. Система KRYSTAL CLEAR SALTWATER комбинирует в себе уникальную двухэтапную технологию для лучшего обеззараживания воды в бассейне. Когда Вы добавляете в воду обычную соль, за счет ее ионизации в хлоргенераторе (когда вода в процессе фильтрации проходит через покрытый титаном гальванический элемент) образуются ионы хлора. Эти ионы хлора совершенно безопасны для человека, совершенно им не ощущаются и в то же время являются смертельно губительными для различных микроорганизмов, которые заводятся и размножаются в любом открытом водоеме. В результате этого мы получаем новую, мягкую, очищенную воду без побочных химических элементов. С новым процессом ЭКО, молекулы воды расщепляются на очень мощные окислители, которые разрушают органические загрязнители, такие как бактерии и водоросли. Характеристики: Обновленная панель управления Производительность: 5 гр. хлора в час Мощность: 65 Вт Таймер: 6-10-14 ч Для бассейнов до 26500 л Функция самоочистки пластин Комплект: шланг, адаптер А, инструкция

В корзину Подробнее

ХЛОРОГЕНЕРАТОР-ОЗОНАТОР INTEX 26666
(Код: 26666)

28000 ₽

Производитель: Intex

Хлорогенератор-озонатор Intex 28666 Ozone Saltwater System позволяет отказаться от использования химических средств для очистки и обеззараживания воды, предназначен для каркасных и надувных бассейнов Intex. Предназначен для бассейнов до 56800 литров. Совмещенный вариант для обеззараживания воды с двойным эффектом. Озон наиболее сильный окислитель, уничтожающий бактерии и вирусы. При озонировании, одновременно с обеззараживанием происходит обесцвечивание воды, а также ее дезодорация. Действие озона в 3.000 раз быстрее хлора. Озонатор вырабатывает озон из кислорода, содержащегося в атмосферном воздухе. Озониpование применяется как дополнительный метод дезинфекции, вместе с хлорированием. Использование хлоргенератора не только намного безопаснее для кожи и слизистой оболочки глаз, но и дешевле в эксплуатации, так как в качестве реагента используется обычная соль. Данный хлоргенератор предназначен для совместного использования с фильтрующим насосом (произв. не менее 5680 л/ч). Он имеет самоочищающуюся титановую электролитическую сетку, удобную сенсорную панель управления для задания режима работы и систему оповещения при сбоях в функционировании. Для функционирования хлорогенератора с озонатором необходим фильтрующий насос с производительностью от 5,680 до 15,140 литров в час. Характеристики: Обновленная панель управления Производительность: 11 гр. хлора в час, озон 150 мг. в час Мощность: 125 Вт Таймер: 6-10-14 ч Для бассейнов до 56800 л Функция самоочистки пластин Комплект: шланг, адаптер А, инструкция

В корзину Подробнее

Copyright MAXXmarketing GmbH
JoomShopping Download & Support
  • Главная
  • Оборудование
  • Оборудование для бассейнов
  • org/ListItem»> Дезинфекция воды

Совместная разгрузка задач и распределение ресурсов в автомобильных граничных вычислительных сетях для экстренной логистики

На этой странице ) играет важную роль в аварийно-спасательной логистике, предоставляя транспортным средствам услуги в режиме реального времени и с малой задержкой. Решение проблемы совместной разгрузки задач и распределения ресурсов (JTORA) является ключом к повышению эффективности VEC. Это исследование формулирует специальную модель в соответствии с многоэтапными характеристиками вычислительной задачи в автомобильных граничных вычислительных сетях (VECN) для экстренной логистики. Во-первых, задача JTORA разбивается на три вычислительных шага, каждый из которых включает задачу разгрузки задач (TO) и задачу распределения ресурсов (RA). Затем предлагается гибридное решение, которое использует процесс имитации отжига для оптимизации генетического алгоритма (GA) и взаимодействует с алгоритмом оптимизации роя частиц (PSO), называемым алгоритмом генетической имитации отжига и оптимизации роя частиц (GSA-PSO). Кроме того, разрабатывается имитационный эксперимент и проверяется эффективность GSA-PSO.

1. Введение

Данные Международной базы данных о стихийных бедствиях показали, что среднегодовое количество стихийных бедствий за последнее десятилетие почти вдвое превысило показатель 1980-х годов [1]. В чрезвычайных происшествиях способность аварийной логистики обеспечить своевременную поставку аварийных материалов напрямую повлияет на эффективность аварийного реагирования [2]. Таким образом, технология Интернета вещей (IoT) широко используется в операциях экстренной логистики, эффективно способствуя повышению эффективности экстренной логистики, типичным представителем которой является технология Интернета транспортных средств (IoV).

Благодаря постоянному развитию технологий Интернета вещей и технологий беспроводной связи уровень интеллекта транспортных средств постоянно повышается [3]. Требования к вычислительным возможностям для интеллектуальных транспортных средств постоянно растут, поэтому облачные вычисления внедряются в IoV с использованием серверов облачных вычислений для обеспечения централизованного хранения данных и вычислительных услуг для транспортных средств [4]. Особенности и экономические преимущества облачных вычислений получили широкое признание [5]; однако недостатки все еще существуют. Облачные серверы часто централизованно развертываются в удаленных районах, а IoT ускоряет увеличение объема данных, которые необходимо обрабатывать, что затрудняет парадигму облачных вычислений для удовлетворения требований интеллектуальных приложений с малой задержкой, особенно в задачах VEC [6]. ]. Для компенсации дефицита облачных вычислений по латентности был предложен ВЭК, повышающий качество информационных услуг за счет установки вычислительных узлов типа придорожных блоков (РСУ) рядом с транспортным средством [7].

VEC — это новый тип вычислительной парадигмы, который представил MEC в автомобильных сетях [8]. В VECN транспортные средства могут использовать серверы MEC или другие транспортные средства для вычислений, что значительно повышает качество обслуживания и снижает задержку обслуживания [9]. Алгоритм разгрузки вычислительной задачи и метод распределения ресурсов играют ключевую роль в эффективности VECN [10]. Для решения этой проблемы было предложено несколько прекрасных работ. Стремясь оптимизировать временную задержку в процессе разгрузки, некоторые исследователи используют теорию массового обслуживания, теорию игр, оптимизацию роя частиц, алгоритм глубокого обучения и другие методы для построения модели разгрузки вычислительной задачи [11–14]. Другие исследования сосредоточены на снижении энергопотребления или двойной оптимизации энергопотребления и временной задержки [15–19].]. Надежность и использование вычислительных ресурсов привлекли внимание многих исследователей [8, 20–22]. Исследование проблемы JTORA используется для решения вычислительных задач в целом, но это не относится к аварийной логистике. Вычислительные задачи, обычно выполняемые VEC в аварийной логистике, заключаются в обработке данных от мультисенсоров на транспортном средстве, и задачи состоят из нескольких шагов. Как правило, процесс делится на три этапа: предварительная обработка данных, извлечение признаков и объединение данных. Вычислительная сложность и размер данных для каждого шага различны. Следовательно, схема выгрузки задач и распределения ресурсов должна быть разработана в соответствии с различиями на каждом этапе, что позволяет достичь ожидаемого эффекта оптимизации.

В этой статье проводится целевое исследование проблемы JTORA в VECN для экстренной логистики. Мы разработали совместный метод оптимизации, который всесторонне учитывает вычислительную сложность и объем вычислений каждого вычислительного шага, чтобы максимизировать выигрыш от назначения задачи, который измеряется взвешенной суммой затрат времени и количества устройств, занятых в задаче.

Остальная часть статьи организована следующим образом. Модель системы и проблема сформулированы в разделе 2. Раздел 3 описывает метод, который мы называем гибридным решением GSA и PSO, и знакомит с основной идеей и шагами алгоритма. В разделе 4 планируется имитационный эксперимент, а его результаты анализируются. Наконец, в разделе 5 дается краткое изложение нашей работы и вносятся предложения по применению метода.

2. Формулировка модели

Мы рассматриваем систему VECN для экстренной логистики с несколькими транспортными средствами и многогранными устройствами, как показано на рисунке 1, в которой каждое транспортное средство оснащено вычислительным терминалом и множеством датчиков. Вычислительные терминалы и пограничные устройства (RSU) рассматриваются как информационные агенты (IA) с определенными вычислительными и коммуникационными возможностями. Любые два ИА в сети могут быть подключены, но скорость связи разная. Сенсорная информация датчиков может быть передана любому ИА для обработки, но она должна передаваться через вычислительный терминал транспортного средства, на котором развернут датчик. Обозначим множество IA в системе VEC как X  = { X (1), X (2), X (3), …, X ( E )}, где E представляет собой общее количество IA. Вычислительная задача инициируется транспортным средством в парке и требует одновременной обработки информации от нескольких датчиков в транспортном средстве. Обозначим множество сенсорной информации как S  = { S (1), S (2), S (3), …, S ( N )}, где N представляет количество датчиков.

2.1. Модель системы

Процедура вычислительной задачи показана на рис. 2. Она состоит из трех этапов: предварительной обработки данных, выделения признаков и объединения данных, различающихся по вычислительной сложности. Кроме того, размер данных изменяется на каждом этапе процесса. Для простоты ссылки ключевые обозначения, использованные в статье, сведены в Таблицу 1.

Вычислительная задача генерируется из транспортного средства, а информация датчиков отправляется в IA для обработки. IA должен выполнить задачу или передать ее другим IA. Вычислительная задача с большим объемом данных и низкой вычислительной сложностью может быть передана ИС с хорошим каналом связи, но слабой вычислительной мощностью, и наоборот. Каждый IA может выполнять несколько миссий на одном и том же этапе задачи. Несколько IA взаимодействуют посредством разделения вычислительной задачи, тем самым улучшая общую производительность системы VECN.

2.2. Формулировка задачи

При расчете VECN для экстренной логистики скорость реагирования является основным фактором, который необходимо учитывать. Во-вторых, чтобы эффективно справляться с чрезвычайными ситуациями в сложных средах, задача должна занимать как можно меньше оборудования, чтобы можно было зарезервировать достаточно вычислительных ресурсов для обработки нескольких чрезвычайных ситуаций, которые могут возникнуть одновременно.

Мы предполагаем, что S ( i ) инициируется с X ( e 1) и переданы информационным агентам X ( e 2), X ( e 3) и X ( e 4). Передача информации зависит от возможностей как отправки, так и приема, поэтому в качестве основы для расчета необходимо использовать меньшую из них. В то же время следует учитывать, что если данные обрабатываются самим ИА, время передачи равно 0. Затраченное вычислительное время можно получить, умножив размер данных на вычислительную сложность, а затем разделив его на вычислительную мощность. . Основываясь на сделанных выше предположениях, мы можем последовательно проанализировать вычислительную процедуру.

Возьмем в качестве примера этап предварительной обработки данных, для каждого S ( i ), размер данных равен Q ( i )∙RI( i , 1), а индекс вычислительной сложности равен CI ( и , 1). Емкость отправки, присвоенная S ( i ), равна SC( e 1)∙SCR( i , e 1,1), а пропускная способность приема назначена S ( i ) это RC( e 2)∙RCR( i , e 2, 1). Время, затраченное на передачу TT( i , 1) и время, затраченное на вычисление TC ( i , 1) на первом этапе, можно рассчитать по следующей формуле:

Общее время, затраченное на этапе предварительной обработки данных, может вычисляется как

Уравнение (3) является условием ограничения. Затраты времени на два других шага рассчитываются так же, как указано выше. Целевая функция задачи JTORA равна

α и β – весовой коэффициент затраченного времени и количество ИА, используемых в задаче, соответственно. Проблема может быть разделена на подзадачи: проблема разгрузки задач (TO) состоит в том, чтобы решить, какому информационному агенту следует доставить информацию датчиков для обработки, а проблема распределения ресурсов (RA) состоит в том, чтобы решить, сколько ресурсов информационный агент должен выделить. выполнить задание.

3. Предлагаемые методы

Задача ТО представляет собой комплексную задачу о рюкзаке (КП), которая является классической задачей комбинаторной оптимизации [23]. В литературе в качестве основных методов решения КП рассматриваются алгоритмы, основанные на динамическом программировании, и рандомизированные алгоритмы, основанные на эволюционных стратегиях [24]. В качестве типичного эволюционного алгоритма генетический алгоритм (ГА) достиг значительных успехов в решении задачи о рюкзаке [25].

Задача RA является непрерывной нелинейной задачей. PSO широко применяется для решения таких задач благодаря преимуществам простых правил, небольшого количества наборов параметров и высокой скорости сходимости [26, 27].

Айвалиотис-Апостолопулос и Лукидис предложили гибридный алгоритм, который вкладывает операции оптимизации роя частиц в генетический алгоритм, который называется генетическим алгоритмом роя (SGA) [28]. При рассмотрении задач непрерывной оптимизации и дискретных задач (коммивояжера) SGA в целом показал значительно лучшую производительность, чем PSO, GA и два существующих гибридных алгоритма с точки зрения точности.

Однако SGA обладает большей случайностью в выборе схем и имеет сильную зависимость от начальной популяции решений. Поэтому мы предлагаем алгоритм генетического имитации отжига (GSA), который использует процесс имитации отжига для управления выполнением генетического алгоритма, чтобы избежать снижения эффективности алгоритма, вызванного начальной популяцией. Затем мы объединяем алгоритмы GSA и PSO для решения проблемы JTORA и называем этот алгоритм гибридным решением алгоритмов GSA и PSO (GSA-PSO), как показано на рисунке 3.9.0003

В GSA-PSO GA используется для создания и оптимизации схемы разгрузки задач; PSO используется для расчета оптимального распределения ресурсов на основе схемы разгрузки задач. Смоделированный процесс отжига используется для управления выполнением ГА, чтобы избежать влияния слабой начальной популяции на процесс расчета. Шаги решения GSA-PSO следующие:   Шаг 1: создать начальную популяцию случайным образом. Каждое семя популяции представляет собой схему разгрузки задач и содержит 2 N  + 1 случайные числа, которые больше 0 и меньше или равны E . Например, если N равно 3, а E равно 7, схема, состоящая из [1, 2, 3, 4, 5, 6, 7], означает, что S (1), S (2 ), и S (3) присваиваются соответственно X (1), X (2) и X (3) на этапе предварительной обработки данных и соответственно присваиваются X (4), X (5) и X (6) на этапе извлечения признаков и назначаются X (7) на этапе объединения данных. Шаг 2: передать начальную популяцию в PSO и вычислить наилучшее значение SCR, RCR и CCR для оптимизации распределения ресурсов. Шаг 3: проверьте конечное условие. Если количество итераций достигает, вычисления следует остановить; в противном случае следует перейти к шагу 4. Шаг 4: рассчитать индекс пригодности с помощью уравнения (4). Шаг 5: проверьте фитнес-индекс. Если индекс пригодности этого поколения лучше, чем раньше, расчет должен перейти к шагу 7, в противном случае он должен перейти к шагу 6. ​​ Шаг 6: проверьте коэффициент отжига. Если коэффициент отжига больше нуля, при вычислении следует вычесть 1 из коэффициента отжига и перейти к шагу 7, в противном случае следует повторно инициализировать популяцию, сбросить коэффициент отжига, рассчитать распределение ресурсов и пригодность, а затем перейти к шагу 7. Этот шаг должен гарантировать, что, если индекс пригодности постоянно снижается после нескольких поколений эволюции, популяция должна быть повторно инициализирована. Шаг 7: выполните процесс скрещивания и мутации популяции в соответствии с правилами ГА для создания новой популяции, затем перейдите к шагу 2.

4. Экспериментальные результаты и анализ

Для проверки эффективности алгоритма GSA-PSO в среде моделирования Matlab был разработан эксперимент по моделированию с несколькими группами экспериментальных данных.

4.1. Система VECN, состоящая из 6 транспортных средств и 1 придорожной единицы

Мы рассматриваем систему VECN, состоящую из 6 транспортных средств и 1 придорожной единицы, и вычисляем схему решения задачи JTORA с GSA-PSO и SGA соответственно. Наконец, результаты сравниваются и анализируются. Различные показатели приведены в таблице 2.

Значения RI, CI, SC, RC и CC даны по экспериментальным данным. Время итерации двух методов установлено равным 100, количество семян на поколение установлено равным 100, коэффициент отжига установлен равным 10, α , β установлен равным 1, и другие соответствующие параметры ГА и алгоритмы PSO используют одни и те же настройки. Эти два метода используются соответственно для решения одной и той же проблемы JTORA. Эффективность двух методов сравнивается путем записи оптимального значения каждой итерации.

На рисунках 4(a) и 4(b) представлены результаты моделирования GSA-PSO и SGA соответственно. На рис. 4 по оси абсцисс отложено значение индекса количества итераций, а по оси ординат — оптимальное значение. Можно увидеть, что оба результата лучше, чем у случайно сгенерированной схемы, если сравнить исходную схему с оптимальной схемой. Кроме того, мы можем видеть, что начальная популяция регенерируется посредством имитации процесса отжига в алгоритме GSA-PSO, и результат (19.45) лучше, чем результат SGA (20.18). Итоговая оптимальная схема алгоритма GSA-PSO — [1, 1, 3, 3, 3, 1, 4], а SGA — [3, 4, 1, 7, 4, 4, 7].

4.2. Система VECN, состоящая из 10 транспортных средств и 3 придорожных единиц

Чтобы проверить влияние количества IA на качество обслуживания, мы рассматриваем систему VECN, состоящую из 10 транспортных средств и 3 придорожных единиц. Различные индикаторы показаны в таблице 3.

Время итерации двух методов установлено равным 200, количество семян на поколение установлено равным 200, коэффициент отжига установлен равным 30, а другие параметры остаются неизменными.

На рисунках 5(a) и 5(b) представлены результаты моделирования GSA-PSO и SGA соответственно. Результат GSA-PSO (17,99) лучше, чем результат SGA (19,59). Окончательная оптимальная схема алгоритма GSA-PSO — [13, 12, 1, 12, 9, 13, 7], а SGA — [1, 3, 1, 3, 2, 1, 13]. Сравнивая результаты с результатами на рисунке 4, мы также можем сделать вывод, что производительность системы VECN может быть улучшена за счет увеличения количества IA. Этот вывод согласуется с универсальной логикой, а также показывает эффективность нашего алгоритма.

Далее мы протестировали другие случаи IA с теми же параметрами. Каждый раз, когда IA, CC, SC и RC которого равны 200, добавляется к VECN, результаты показаны на рисунке 6. На рисунке 6 абсцисса представляет значение индекса количества IA, а ордината представляет оптимальное значение. ценить.

Можно видеть, что когда количество RSU превышает количество информации о зондировании, производительность системы VECN, использующей SGA, значительно повышается, но для GSA-PSO производительность не улучшается. Однако в аварийной ситуации количество RSU зачастую не так велико.

4.3. Система VECN, состоящая из высокопроизводительных IA

Чтобы проверить влияние производительности IA на качество обслуживания, мы рассмотрим две системы VECN, которые такие же, как мы использовали в разделе 4.1, но одна улучшает вычислительные возможности (CC) каждый IA на 10 %, а другой улучшает сетевые коммуникационные возможности (SC и RC) каждого IA на 10 %.

На рис. 7(a) представлены результаты моделирования системы VECN, чьи вычислительные возможности (CC) каждого IA улучшены на 10%. На рисунке 7(b) представлены результаты моделирования системы VECN, чьи сетевые коммуникационные возможности (SC, RC) каждого IA улучшены на 10%. Можно видеть, что производительность системы VECN может быть улучшена за счет улучшения производительности IA.

5. Выводы

В этой статье задача JTORA разбивается на три вычислительных шага в соответствии с вычислительными задачами, которые VEC обычно выполняет в аварийной логистике. Предлагается алгоритм GSA-PSO с учетом вычислительной сложности и размера данных для каждого вычислительного шага. Производительность алгоритма оценивается с помощью имитационного эксперимента, и результаты подтверждают его эффективность. Сравнивая несколько групп экспериментальных результатов, мы также можем сделать вывод, что производительность системы VECN можно улучшить двумя способами. Один из них заключается в увеличении количества IA, но эффект уменьшается, когда количество RSU превышает количество необходимой информации о датчиках. Другой заключается в улучшении возможностей IA, которые содержат вычислительные и сетевые коммуникационные возможности.

Доступность данных

Данные, использованные для поддержки исследования, включены в документ.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов в связи с публикацией данной статьи.

Благодарности

Это исследование финансировалось Чунцинским аспирантским научно-исследовательским инновационным проектом, Китай (грант № CYB22297).

Ссылки
  1. В. Ю. «Модель размещения и хранения предметов первой необходимости до стихийного бедствия с учетом как случайности, так и неопределенности», Наука о безопасности , том. 141, 2021.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  2. В. К. Чен и К. Хуа, «Построение системы аварийно-спасательной логистики и системы информационной платформы», в материалах 4-й Международной конференции по гражданскому строительству, архитектуре и строительным материалам (CEABM) , стр. 2679–2685, Хайкоу, Китай, май 2014 г.

    Просмотр по адресу:

    Google Scholar

  3. Дж. Ю. Фэн, З. Лю, К. Ву и Ю. Джи, «Мобильные граничные вычисления для Интернета транспортных средств: структура разгрузки и планирование работы», Журнал IEEE Vehicular Technology , том. 14, нет. 1, стр. 28–36, 2019 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  4. Н. Кумар, С. Зеадали и Дж. Дж. Родригес, «Автомобильные сети, устойчивые к задержкам, для управления данными интеллектуальных сетей с использованием мобильных граничных вычислений», Журнал IEEE Communications , том. 54, нет. 10, стр. 60–66, 2016 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  5. C. Colman-Meixner, C. Develder, M. Tornatore и B. Mukherjee, «Обзор методов обеспечения отказоустойчивости в инфраструктурах и приложениях облачных вычислений», IEEE Communications Surveys and Tutorials , vol. 18, нет. 3, стр. 2244–2281, 2016.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  6. YY Dai, D. Xu, K. Zhang, S. Maharjan и Y. Zhang, «Глубокое обучение с подкреплением и разрешенный блокчейн для кэширования контента в автомобильных периферийных вычислениях и сетях», IEEE Transactions on Vehicular Technology , том. 69, нет. 4, стр. 4312–4324, 2020.

    Посмотреть по адресу:

    Сайт издателя | Академия Google

  7. С. Раза, С. Г. Ван и М. Ахмед, «Обзор автомобильных граничных вычислений: архитектура, приложения, технические проблемы и будущие направления», Wireless Communications and Mobile Computing , vol. 2019 г., идентификатор статьи 3159762, 19 страниц, 2019 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  8. JN Sun, Q. Gu, T. Zheng, P. Dong, A. Valera и Y. Qin, «Совместная оптимизация разгрузки вычислений и планирования задач в автомобильных граничных вычислительных сетях», Доступ IEEE , том. 8, стр. 10466–10477, 2020.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  9. Дж. Линь, В. Ю, Н. Чжан, С. Ян, Х. Чжан и В. Чжао, «Опрос по Интернету вещей: архитектура, поддерживающие технологии, безопасность и конфиденциальность, а также приложения». », IEEE Internet of Things Journal , vol. 4, нет. 5, стр. 1125–1142, 2017.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  10. X. Y. Huang, L. J. He и W. Y. Zhang, «Разгрузка вычислительных задач с учетом скорости транспортного средства и распределение ресурсов на основе мультиагентного обучения с подкреплением в автомобильной граничной вычислительной сети», в Proceedings of the 4th International Conference on Edge Computing (IEEE EDGE)/IEEE World Congress on Services (SERVICES) , стр. 1–8, Чикаго, Иллинойс, США, июль 2020 г.

    Посмотреть по адресу:

    Google Scholar

  11. S. Renhao, W. Leiyu и G. Shuaishuai, «Адаптивная разгрузка задач в автомобильных граничных вычислительных сетях на основе глубокого обучения с подкреплением», в Proceedings of the 2021 IEEE/CIC International Conference on Communications in China (ICCC ) , стр. 260–265, Сямынь, Китай, июль 2021 г.

    Просмотр по адресу:

    Google Scholar

  12. М. Д. Хоссейн, С. Ханал и Х. Эй-Нам, «Эффективная разгрузка задач для автомобильных сетей с поддержкой MEC: подход, основанный на теории игр», в Proceedings 12-й Международной конференции по вездесущим и будущим сетям (ICUFN) , стр. 11–16, остров Чеджу, Южная Корея, август 2021 г. Томас, Т. М. Чжан и Дж. Дин, «Схема планирования гибридных задач для разнородных автомобильных граничных систем», Доступ IEEE , том. 7, стр. 117088–117099, 2019.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  13. Н. Кешари, Т. С. Гупта и Д. Сингх, «Разгрузка задач на основе оптимизации роя частиц в автомобильных граничных вычислениях», в Proceedings of the 2021 IEEE International Systems Conference (SysCon) , p. 8, Ванкувер, Британская Колумбия, Канада, май 2021 г.

    Просмотр по адресу:

    Google Scholar

  14. C. Yang, Y. Liu, X. Chen, W. Zhong, and S. Xie, «Эффективная мобильность с учетом разгрузка задач для автомобильных граничных вычислительных сетей» Доступ IEEE , том. 7, стр. 26652–26664, 2019.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  15. А. Малаваде, М. Одема, С. Лаженесс-Дегроот и М. А. Аль Фарук, «SAGE: методология с разделенной архитектурой для эффективного сквозного автономного управления транспортными средствами», ACM Transactions on Embedded Вычислительные системы , том. 20, нет. 5, стр. 1–22, 2021.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  16. X. H. Gu и G. A. Zhang, «Энергоэффективная разгрузка вычислений для автомобильных граничных вычислительных сетей», Компьютерные коммуникации , том. 166, стр. 244–253, 2021.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  17. Дж. Ченг и Д. Дж. Гуан, «Исследование механизма решения задач по разгрузке в Интернете на основе мобильных граничных вычислений», EURASIP Journal on Wireless Communications and Networking , vol. 2021, вып. 1, 2021.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  18. Ю. Р. Ли и С. З. Сюй, «Иии. Совместная оптимизация разгрузки пограничных облачных вычислений в Интернете транспортных средств», в Proceedings of the 30th International Conference on Computer Communications and Networks (ICCCN) , Афины, Греция, июль 2021 г. разгрузка задач с несколькими транспортными средствами на основе обучения», в Proceedings of the IEEE/CIC International Conference on Communications in China (ICCC) , стр. 1033–1038, Сямынь, Китай, июль 2020 г.

    Посмотреть по адресу:

    Google Ученый

  19. М. С. Бьют, П. З. Фан и Г. Лю, «Схема совместной разгрузки задач в автомобильных граничных вычислениях», в Трудах IEEE 93-й конференции по автомобильным технологиям (VTC-Spring) , Хельсинки, Финляндия, апрель 2021 г.

    Просмотр по адресу:

    Google Scholar

  20. Н. Ча, К. Ву, Т. Йошинага, Ю. Джи и К. Л. А. Яу, «Виртуальный край: исследование разгрузки вычислений в совместных транспортных граничных вычислениях», IEEE Доступ , том. 9, стр. 37739–37751, 2021.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  21. В. Каккиани, М. Иори и А. Локателли, «Задачи о рюкзаке — обзор последних достижений. Часть II: множественные, многомерные и квадратичные задачи о рюкзаке», Computers and Operations Research , vol. 143, 2022.

    Посмотреть по адресу:

    Google Scholar

  22. А. Сулейман, М. Садик, Ю. Мехмуд, М. Акрам и Г. А. Али, «Оптимизация роя бинарных частиц с коэффициентами ускорения на основе пригодности (FACBPSO) решить проблему уцененного рюкзака»9.0023 Симметрия , vol. 14, нет. 6, с. 1208, 2022.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  23. Ф. Э. Кеддоус и А. Накиб, «Оптимальная сеть CNN-Хопфилда для распознавания образов на основе генетического алгоритма», Алгоритмы , том. 15, нет. 1, с. 11, 2021.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  24. Р. Мескита и П. Д. Гаспар, «Новый алгоритм оптимизации планирования пути, основанный на оптимизации роя частиц для БПЛА для мониторинга и отпугивания птиц», Процессы , том. 10, нет. 1, с. 62, 2021.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  25. Y. Dong, Y. Zhang, F. Liu и Z. Zhu, «Исследование метода оптимизации параметров закачки-производства на основе улучшенного алгоритма оптимизации роя частиц», Energies , vol. 15, нет. 8, с. 2889, 2022.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  26. П. Айвалиотис-Апостолопулос и Д. Лукидис, «Роющий генетический алгоритм: вложенный полностью связанный гибрид генетического алгоритма и оптимизации роя частиц», PLoS One , vol. 17, нет. 9, ID статьи e0275094, 2022.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

Copyright

Copyright © 2023 Rui Li et al. Эта статья находится в открытом доступе и распространяется в соответствии с лицензией Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии надлежащего цитирования оригинальной работы.

Guardian 26,664 от Rufus – Fifteensquared

Обычная смесь от Rufus, с, как мне кажется, особенно слабым набором загадочных определений и несколькими подсказками, которые я называю «определением и буквальной интерпретацией».

Через
1 ГУСЕНИЦА

Личинка для еды и поддержки (11)

Парад CATER («обеспечить питание») плюс PILLAR («поддержка»).

9 ОШИБКА

Ошибка дезертира, пойманного в ловушку из-за признаков колебания (7)

Конверт («пойманный») КРЫС («дезертир») в ER UM («признаки колебания»).

10 ДЕВОЛЮЦИЯ

Число решить, как делегировать (7)

Шарада D (римская цифра 500, «число») плюс EVOLVE («тренировка»).

11 Споткнулся

Слегка подбежал к вершине — и споткнулся (7,2)

Определение и буквальное толкование.

12 АНТР

Возможна аренда пещеры поэта (5)

Анаграмма («возможно») слова «аренда».

13 ВЫСОКИЙ

Уходим в отличном настроении (4)

Двойное определение.

14 НА УРОВНЕ

Нет чаевых? Честно! (2,3,5)

Определение и буквальное толкование.

16 МОЗГОВЫЕ ВОЛНЫ

Капитальные идеи (10)

Загадочное определение.

19 ЭДГИ

Очень нервный (4)

Двойное определение. Край — это крайность, поэтому «экстремально» используется для обозначения EDGY, даже если последнее слово не используется таким образом.

20 ПОД

Командует младший (5)

Двойное определение.

21 ПЕРЕСТАНОВИТЬ

Задняя плита в новом порядке (9)

Шарада REAR («спина») плюс RANGE («печь»).

23 ДНЕВНИКИ

Журналы, которые я забрал для подписи (7)

Шарада DI, инверсия («возвращено») «я бы» плюс ОВЕН («знак»).

24 НА СМЕНУ

Без возврата со сменой работы (2,5)

Шарада ON, инверсия («возврат») «нет» плюс SHIFT («изменение»).

25 РЕГУЛЯРНАЯ АРМИЯ

Даже в мирное время ее члены готовы сражаться (7,4)

Загадочное определение.

Вниз
1 КАРЕТКА И ПАРА

Все, что нужно для выезда в свадебное путешествие? (8,3,4)

Загадочное определение.

2 ПОДГОТОВКА

Младенец, воспитанный для выполнения простых арифметических действий (3,2)

Определение и буквальное толкование.

3 РАМАДАН

Удалось удержать первого быстро подлетающего человека (7)

Конверт («удерживать») МАДА, разворот («поднимающийся» в нисходящем свете) АДАМ («первый человек») в РАН («управляемый»). Месяц РАМАДАН, конечно же, пост в светлое время суток.

4 В ГЛУБИНЕ

Что-то вроде расследования, проведенного батискейпом? (2,5)

Определение и буквальное толкование.

5 ЛЮБИМЫЙ

Очень нравится быть умелым и побеждать (8)

Шарада ЛЮБВИ («очень нравится») плюс ABLE («искусный»).

6 ОТНОСИТЕЛЬНАЯ ПЛОТНОСТЬ

В частности, что делает кровь гуще воды? (8,7)

Загадочное определение. ОТНОСИТЕЛЬНАЯ ПЛОТНОСТЬ также известна как удельный вес.

7 ПОБЕДИТЕ ГРАНИЦЫ

Перейти за пределы? (4,3,6)

Загадочное определение.

Leave A Comment