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。
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。
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。
具有再生能量的固定优先实时系统的动态功率管理
能耗是实时嵌入式系统的关键问题。通常，嵌入式设备应采用实时行为，因为任务即应用程序必须在截止日期之前完成其执行。大多数设备（例如传感器节点）在截止日期时不允许任何失败。据说他们是艰难的实时。因此，必须为这些嵌入式系统提供特定的实时操作系统，即使能量限制，也可以保证执行所有任务的可预测行为。首先，确定一组任务是否可以满足其时序要求很重要。最常见的想法是计算每个任务的最差响应时间，并将其与其截止日期进行比较。如果是这样，其次，调度算法应指示如何安排任务。经典的实时调度算法是在线，优先，优先级驱动和非闲置的（也称为工作）。他们根据准备处理的任务列表在频道上做出决定，但忽略将来会到达的任务。任务是根据优先驱动的策略安排的，即，最高优先级执行的现成任务，如果至少一个任务待执行，则处理器永远不会ives。在过去的50年中，已经开发了各种调度算法，以提高受时间限制的系统性能。其中之一是速率单调（RM）。另一个是最早的截止日期（EDF）[1]。尽管RM和EDF
为资源充足性建立长期存储模型
负荷、风能和太阳能概况，通过调度算法得出每小时的存储输出，并开发一个全球 ELCC 表面，该表面反映了资源边际价值的互补和对抗关系（基于其在净峰值负荷的边际减少，作为代理）对于任何给定的机组组成。
数据表 – PLAN
由于每项任务都有自己的资源、约束和目标，PLAN 允许用临时实现来取代调度算法。可以使用各种技术独立开发、改进或研究高级算法，然后将其作为插件轻松集成到核心 PLAN 产品中。这支持由多学科团队和不同领域专家组成的复杂任务。
混合能源系统的技术控制和优化调度策略
摘要：优化调度是混合能源系统 (HES) 优化的一个主要问题。由于可再生能源技术的资本成本高昂，高效且有效的调度模型至关重要，该模型能够以最低净现值成本 (NPC) 满足负载需求。多种能源混合优化 (HOMER) 软件固有的调度算法、循环充电 (CC) 和负载跟踪 (LF) 对于建模和优化 HES 非常有用。在这些控制策略中，在每个时间步骤使用燃料电池系统 (FC) 或电池储能系统 (BES) 的决定都是基于最低成本选择。此外，FC 与 BES 同时运行会降低 FC 的运行效率。这些缺陷会影响 HES 的优化设计。本研究介绍了一种调度算法，该算法专门设计用于通过最大限度地利用 FC 而不是 HES 的其他组件来最小化 NPC。该框架解决了原生 HOMER 调度算法的调度缺陷。 MATLAB 版本 2021a，Mathworks Inc.，美国马萨诸塞州纳蒂克 HOMER 软件中的 Link 功能用于实现所提出的调度 (PD) 算法。结果表明，与 CC 和 LF 控制调度策略相比，PD 可节省 4% 的成本。此外，FC 约占 HES 总发电量的 23.7%，高于 CC (18.2%) 和 LF (18.6%)。开发的模型在优化 HES 以实现最小 NPC 和高效能源管理时可为工程师和利益相关者带来益处。
多功能雷达中的跟踪和控制
5. 1 简介 89 5.2 资源管理和任务调度目标 91 5.3 静态阵列多功能雷达中的任务调度 92 5.3.1 背景 92 5.3.2 MESAR 算法 93 5.3.3 改进的 MESAR 算法 97 5.3.4 仿真架构 98 5.3.5 使用简单的双扇区监视系统进行调度 100 5.3.6 使用 MESAR 监视体积进行调度 104 5.3.7 使用 MESAR 调度程序进行绘图确认延迟 109 5.4 旋转阵列多功能雷达中的任务调度 110 5.4.1 背景 110 5.4.2 旋转多功能雷达系统的任务调度算法 114 5.4.3 旋转多功能雷达的波束搜索模式 118 5.4.4 旋转多功能雷达任务调度算法的结果 119 5.4.5 旋转多功能雷达的其他资源管理问题 123 5.5 用于高效调度的惩罚函数和模糊逻辑 124 5.5.1 模糊逻辑的使用 125 5.6 结论 126
嵌入式系统中的容错的监管计时器
嵌入式人工智能包括各种技术，从高级算法到高度专业的计算系统。智能嵌入式系统在汽车，航空航天，医疗保健和物联网等各个行业中起着越来越重要的作用。在考虑智能嵌入式系统所带来的日常生活的位置时，了解其安全性的重要性非常重要。为了确保其高性能，能源效率和鲁棒性，必须确保严格的任务计划。我们对定期和独立的先发制件任务的硬实时容忍度安排的问题感兴趣。本文着重于为这些系统提出一种容忍度的调度算法。通过使用看门狗计时器，该计时器允许智能嵌入式系统通过检测处理器错误并采用最早的截止日期（EDF）算法来更加自治，以允许我们的系统尊重时间约束。目的是通过确保尽管存在故障来确保执行关键任务，以提高可靠性和效率。设计和实施嵌入式系统的耐故障调度算法是各个行业的关键方面。这有助于提高智能嵌入式系统的可靠性和安全性，这对于确保系统的平稳操作至关重要。