XiaoMi-AI文件搜索系统
World File Search System调度算法
重新访问循环：分析，优化和对未来的经典调度算法
一般而言，可以将调度视为CPU处理任务的处理时间的分配。由于CPU通常在大多数系统中一次仅执行一个过程，因此必须在其几个任务之间共享其可用时间。在计算中可以找到的最简单但公平的调度算法之一是循环robin（RR）。例如，如果您曾经见过孩子在玩游戏，玩家必须在其中等待轮流等待，那么您可以理解Round Robin的基本思想。就像游戏一样，Round Robin计划算法中的每个“玩家”都会有一定时间使用CPU。也就是说，如果在回合结束时没有完成这样的任务，则将其放置在队列的背面；它允许执行下一个任务。这一直持续到所有任务完成为止。
EMCS：一种针对基于云雾的物联网应用、使用进化学习方法的节能完工成本感知调度算法
摘要：物联网 (IoT) 的迅猛发展产生了大量的近距和遥感数据，随着可持续环境新解决方案的出现，这些数据还在不断增加。云计算通常用于帮助资源受限的物联网传感设备。然而，云服务器位于核心网络深处，距离物联网很远，引入了大量数据交易。这些交易需要大量电力消耗，并向环境释放有害的二氧化碳。一种位于网络边缘的分布式计算环境，即雾计算，已被推广，以减少云计算对物联网应用的限制。雾计算可以处理实时和延迟敏感的数据，并减少流量，从而最大限度地降低能耗。通过实施节能任务调度，可以减少额外的能耗，该调度根据最小完成时间、成本和能耗来决定在云或雾节点上执行任务。本文提出了一种称为节能完工成本感知调度 (EMCS) 的算法，该算法使用进化策略来优化执行时间、成本和能耗。通过大量模拟对本文工作的性能进行了评估。结果表明，在完工时间方面，EMCS 比成本完工感知调度 (CMaS) 好 67.1%，比异构最早完成时间 (HEFT) 好 58.79%，比蜜蜂生命算法 (BLA) 好 54.68%，比进化任务调度 (ETS) 好 47.81%。比较 EMCS 模型的成本，其成本比 CMaS 低 62.4%，比 BLA 低 26.41%，比 ETS 低 6.7%。在比较能耗时，EMCS 的能耗比 CMaS 低 11.55%，比 BLA 低 4.75%，比 ETS 低 3.19%。结果还表明，随着雾节点和云节点数量的增加，云节点和雾节点之间的平衡在完工时间、成本和能耗方面提供了更好的性能。
基于强化学习的城市轨道交通储能系统优化充放电调度算法节省电价
摘要 为节省韩国城市铁路电价，本文提出了基于强化学习的储能系统充放电优化算法。通过强化学习，按照电价单位对储能系统充放电计划进行优化，降低峰值电力需求，以节省电价。为此，对包括储能系统、电价以及根据储能系统运行而变化的电价的城市铁路系统进行了建模。还通过DQN算法对代理进行强化学习，以降低峰值电力需求。利用配备储能系统的城市铁路实际线路运行数据进行学习。在这次强化学习中，大约399个（45.3%）错误数据被删除，481个（54.7%）正常数据被提取。通过强化学习，最大峰值电力需求从2,982.4 kW降低了100 kW，达到目标值当峰值电力需求在2600kW以下时，在电价便宜的时候充电，在电价昂贵的时候放电，从而节省总电价。