XiaoMi-AI文件搜索系统
World File Search System调度策略
农村电气化：优化方法概述
为了在可持续发展目标 7 (SDG7) 下到 2030 年为所有人提供“负担得起、可靠、可持续和现代化的能源”，农村电气化需要取得重大进展，因为大多数无法用电的人居住在农村地区。优化方法可以在此过程中发挥关键作用，提供一个分析框架来实现受预算、资源、当地人口和其他约束条件限制的各种经济、社会和环境目标。这篇综述论文首次概述了为农村电气化开发或应用的基于优化的解决方法。根据我们的综述，我们首先提出了农村电气化的四个原型问题，即 (i) 最佳系统配置和单位规模、(ii) 最佳电力调度策略、(iii) 最佳技术选择和 (iv) 最佳网络设计。我们讨论了每种问题类型，并根据问题目标、拟议的解决方法、组成部分、规模、区域以及它们与不同 SDG7 组成部分的关系提供了系统的分类。我们揭示了能源研究人员未来研究的差距和悬而未决的问题，旨在引起优化社区对这一关键领域需要紧急关注的挑战性和独特问题的关注。
无人机辅助导航中的资源感知...
摘要 — 本文研究了一种无人机 (UAV) 辅助移动边缘计算 (MEC) 系统，其中 UAV 为地面 MEC 系统提供补充计算资源。UAV 通过创建相应的虚拟机来处理从移动用户 (MU) 接收的计算任务。由于 MEC 系统中 UAV 的共享 I/O 资源有限，每个 MU 都会在决策时期内竞争安排本地和远程任务计算，旨在最大化预期的长期计算性能。MU 之间的非合作交互被建模为随机博弈，其中 MU 的决策取决于全局状态统计数据，并且所有 MU 的任务调度策略是耦合的。为了近似纳什均衡解，我们提出了一种基于长短期记忆和深度强化学习 (DRL) 技术的主动方案。建立 MEC 系统的数字孪生，以离线训练主动 DRL 方案。使用所提出的方案，每个 MU 仅使用自己的信息进行任务调度决策。数值实验表明，该方案在决策时期内每个 MU 的平均效用方面具有显着的性能提升。
机器学习训练工作负载的动态 GPU 能量优化
摘要 — GPU 被广泛用于加速机器学习工作负载的训练。随着现代机器学习模型变得越来越大，它们需要更长的时间来训练，从而导致更高的 GPU 能耗。本文介绍了 GPOEO，这是一种用于机器学习训练工作负载的在线 GPU 能量优化框架。GPOEO 通过采用新颖的在线测量、多目标预测建模和搜索优化技术来动态确定最佳能量配置。为了表征目标工作负载行为，GPOEO 使用 GPU 性能计数器。为了减少性能计数器分析开销，它使用分析模型来检测训练迭代变化，并且仅在检测到迭代偏移时收集性能计数器数据。GPOEO 采用基于梯度提升的多目标模型和局部搜索算法来找到执行时间和能耗之间的权衡。我们通过将 GPOEO 应用于在 NVIDIA RTX3080Ti GPU 上运行的两个 AI 基准测试套件中的 71 个机器学习工作负载来评估它。与 NVIDIA 默认调度策略相比，GPOEO 平均节能 16.2%，平均执行时间略有增加 5.1%。
电力系统中边际瓶颈识别...
为了量化对应于给定调度策略 p * 的电力系统能力，[2] 提出了可调度区域 (DPR) 的概念，该概念似乎既有效又鼓舞人心。另一方面，一个有趣的问题是哪个约束最有可能被违反。这个主题还没有得到广泛的研究，[3] 报告了开创性的工作，其提出通过将 p * 投影到 DPR 的每个边界来确定这个约束。到 p * 距离最近的边界将是最危险的瓶颈。然而，WPPE 的相关性是预测 WPG 的固有性质，却被忽略了。为了弥补这一空白，本文提出了一种在考虑 WPPE 相关性的情况下识别电力系统边际瓶颈的方法，从而对本研究课题进行有益的补充，并为电力系统运营商提供有用的信息。该方法基于用椭圆凸集表示风力发电区域 (WGR) 的公式化，该区域描述了实现的风力发电区域可能落入的空间。然后将识别过程公式化为三级最大-最大-最小问题。利用所提出的方法生成适当的初始点，可以通过基于迭代线性规划 (ITLP) 的算法来解决该问题。在两个测试系统上的仿真表明
风能的分布式稳健优化策略...
摘要：随着风电、光伏等可再生能源的不断扩张，其波动性和不确定性对系统调峰带来重大挑战。为加强系统的调峰管理和风电与光伏发电的融合，本文提出了一种结合深度调峰的风电-光伏热储电力系统分布式稳健优化调度策略。首先，建立了火电机组详细的调峰过程模型，建立了考虑碳排放的风电-光伏热储多能源耦合模型。其次，针对风电-光伏输出的变化性和不确定性，利用1-范数和∞-范数约束场景概率分布模糊集，建立了数据驱动的分布式稳健优化调度模型。最后，通过列和约束生成算法（C&CG）对模型进行迭代求解。结果表明，所提出的策略不仅增强了系统的峰值负荷处理和WD-PV集成，而且提高了系统的经济效率并减少了系统的碳排放，实现了模型经济性和系统稳健性之间的平衡。
TouringMachines：动态、合理、移动代理的架构
自动化工厂、核电站、电信中心和空间站等设施的计算机控制操作环境正变得越来越复杂。随着这种复杂性的增加，使用集中管理和调度策略来控制此类环境将变得越来越困难，这些策略既能应对意外事件，又能灵活应对可能随时间发生的操作和环境变化。解决这个问题的一个越来越有吸引力的方法是将此类操作的控制权分配给许多智能的、能够完成任务的计算代理。现实世界领域可能由多个代理组成。在这样的领域中，代理通常会执行许多复杂的任务，这些任务需要在一定程度上关注环境变化、时间限制、计算资源界限以及代理的短期行动可能对其长期目标产生的影响。在现实世界中操作意味着必须在时间和空间的多个粒度级别上处理意外事件。虽然代理必须保持反应能力才能生存，但如果代理要与其他代理协调其行动并以有效的方式处理复杂任务，则需要一定程度的战略和预测决策。本论文提出了一种新的集成代理架构，旨在为具有
多目标定向灰盒模糊测试
摘要 — 定向灰盒模糊测试 (DGF) 可以通过寻求到达程序位置或按顺序探索某些位置来快速发现或重现程序中的错误。然而，由于其静态阶段划分和粗粒度的能量调度，以前的 DGF 工具在面对多个目标位置（简称目标）时表现不佳。在本文中，我们提出了多目标定向灰盒模糊测试，旨在在模糊测试活动中到达多个程序位置。具体而言，我们提出了一种新颖的策略来自适应地协调探索和利用阶段，以及一种新颖的能量调度策略，通过考虑种子和目标位置之间的更多关系。我们在一个名为 LeoFuzz 的工具中实现了我们的方法，并在崩溃重现、真正验证和实际程序中的漏洞暴露方面对其进行了评估。实验结果表明，LeoFuzz 在有效性和效率方面优于六种最先进的模糊测试器，即 QYSM、AFLGo、Lolly、Berry、Beacon 和 WindRanger。此外，LeoFuzz 在实际程序中检测到 23 个新漏洞，其中 11 个已分配 CVE ID。
活力
电池储能系统 (BESS) 在配电网中的大规模集成有可能提高光伏 (PV) 发电的利用率并减轻电动汽车 (EV) 快速充电行为造成的负面影响。本文提出了一种基于深度强化学习的新型 BESS 功率调度策略，该策略安装在有源配电网中。该网络包括电动汽车快速充电需求、光伏发电和主电网的电力套利。目的是在保持电压限制的同时最大化 BESS 运营商的利润。新策略采用双延迟深度确定性策略梯度 (TD3) 算法，需要预测光伏发电和电动汽车智能充电需求。将提出的策略与深度确定性策略梯度 (DDPG)、粒子群优化和模拟退火算法进行了比较，以验证其有效性。使用 Project Shift（英国电网创新）的智能电动汽车充电数据集和英国光伏数据集进行了案例研究。 TD3 和 DDPG 算法的内部收益率结果分别为 9.46% 和 8.69%，这表明所提出的策略可以增强电力调度，并且在降低储能平准化成本和提高净现值方面优于主流方法。
优化减少云碳排放的成本
云数据中心能力的持续指数增长在执行大量计算密集的工作量时，对碳排放的认识提高了。为了减少car-bon排放，云用户通常会暂时将其批处理工作负载转移到碳强度低的时期。尽管这种时间的变化可以增加工作完成时间，但由于其延迟执行，云购买量的成本节省（例如保留实例）也会减少用户以碳吸引力的方式运作时。发生这种情况是因为碳感知调整通过定期离开资源来改变需求模式，这在碳排放和成本之间创造了权衡。在本文中，我们提出了盖亚（Gaia），这是一种碳感知的调度程序，使用户能够解决基于云的批处理调度程序中的碳，性能和成本之间的三向权衡。我们的结果量化了云平台中碳绩效成本的权衡，并表明，与现有的碳感知调度策略相比，我们提出的政策可以使每百分比增加成本的碳储蓄量增加一倍，同时将绩效降低间隔额的碳储蓄量增加了26％。
基于滚动时域策略的不确定条件下舰载机保障作业动态调度方法
特色应用：不同任务中舰载机保障作业的动态调度研究涉及多种保障资源（可再生资源包括保障作业人员和保障设备，不可再生资源包括油料、氧气、氮气、液压、电力等），作业活动需满足串行和并行约束关系，多重约束（可再生资源约束、不可再生资源约束、作业空间约束）等复杂的调度过程。这些资源的有效协调可以描述为不确定环境下的多资源约束多项目调度问题（MRCMPSP）。本文建立了舰载机动态保障调度的整数规划数学模型，解决了非确定性多项式时间难（NP-hard）问题。针对不确定、动态的环境，受到预测控制技术中的滚动时域（RH）优化方法的启发，提出了一种周期性、事件驱动的滚动时域（RH）调度策略。 RH策略不仅降低了问题规模，而且在合理的计算时间内有效地调整了基线调度，避免了在动态飞行甲板环境下不必要的调度，实现了资源的有效分配。设计了双种群遗传算法（DPGA）来解决大规模调度问题。计算结果