XiaoMi-AI文件搜索系统
World File Search System负载平衡
带电池存储的光伏系统中直流母线调节的限制控制和能量饱和管理
由于光伏 (PV) - 电池 (BAT) 系统中发电和负载波动很大，因此电源管理策略变得不可或缺，因为需要 BAT 来维持发电/负载平衡并调节直流总线。事实上，能源管理策略必须考虑系统的极限，即标称 PV/BAT 功率额定值和 BAT 的充电状态 (SOC)。然而，实际使用可能与预期不同，迫使系统达到其极限。本文主要关注应用于示例独立直流微电网的极限控制和能量饱和管理。它包括根据电源的额定值准确地在电源之间分配可变功率负载，包括最小 SOC ' BAT 情况下的再生制动和最大 SOC ' BAT 情况下的电力负载需求的全面供应。此外，直流总线电压作为设计参数被调节到其预定义的水平。详细介绍了所提出的控制算法，并给出了过应力和标称条件下的系统设计。该算法的主要优点是其简单性。通过使用 Matlab/Simulink 和 DSpace 的仿真/实验系统验证和分析了能量饱和管理控制策略的有效性。结果表明，所提出的技术可以智能地管理能量流，从而确保系统在正常模式和饱和模式下正确安全地运行。
共享内存块的基于... -IUE
快速行进方法通常用于扩展各个字段中的前面模拟，例如流体动力学，计算机图形和微电子，以恢复级别集合函数的签名距离字段属性，也称为重新启动。为了提高重新距离步骤的性能，已经开发了快速行进方法的并行算法以及对层次网格的支持；后者在局部支持模拟域的更高分辨率，同时限制了对整体计算需求的影响。在这项工作中，先前开发的多网性快速行进方法通过所谓的基于块的分解步骤扩展，以改善层次结构网格的串行和并行性能。OpenMP任务用于基于每个网格的基础粗粒平行化。开发的方法提供了改进的负载平衡，因为该算法采用了高网格分配学位，从而使网格分区与各种网格尺寸之间的平衡。对具有不同复杂性的代表性几何形状进行了各种基准和参数研究。在24核Intel Skylake Computing平台上的各种测试用例中，串行性能提高了21％，而平行速度为7.4至19.1，有效地使以前方法的并行效率增加了一倍。©2021作者。由Elsevier B.V.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
碳减少计划和温室气库存
Cisilion Limited是一家IT业务，在伦敦和Surrey莱瑟黑德的三个地点运营。我们的主要产品是网络路由，交换，数据中心，WAN优化，无线，网络负载平衡，Cisco Collaboration Suite，Microsoft Teams，Azure和Enterprise Mobility Services由我们高技能的劳动力安装和支持。我们认识到我们的运营导致空气和水的排放以及废物的产生。我们所有人都有责任采取行动，并做出支持可持续低碳未来的决定。科学家指出，我们需要在2030年到2030年将全球温室气体排放量减半，并到2050年净净净净收入，以避免对环境的影响最大。在2021年的COP 26峰会上的会谈中，政府机构的目标定为减少碳。但是，也是企业通过了解自己对环境的影响以及影响其供应链中的这些组织来发挥至关重要的作用。我们不断努力减少年度碳影响力，启动其他项目和活动，这些项目和活动将进一步减少当地和全球的影响，并为全球联合国联合国碳抵消计划做出贡献。我们对环境的承诺扩展到我们经营的客户，社区，员工，供应商和其他国家。我们的还原计划基于以下原则：
互动研究与分析
摘要。本文从理论角度探讨了排队理论及其与迅速发展的人工智能 (AI) 领域的交集。为了利用人工智能方法解决排队理论问题，提出了一种创新方法，将模拟技术与人工神经网络 (ANN) 相结合。这种结合不仅表现出很高的效率，而且有望在将机器学习方法应用于排队理论难题方面取得长足进步。除了理论基础之外，本文还阐明了排队理论在人工智能领域的实际应用。它展示了来自现实场景的示例，例如在线书店和电子商务平台，以展示各种排队模型的战略部署，以增强用户体验和系统效率。讨论深入探讨了资源分配、负载平衡和服务时间优化等方面的优势。此外，本文推测了排队理论与人工智能之间不断发展的关系，预计未来这种联系将变得更加深刻和有影响力。随着人工智能研究的不断进步，人们期待对复杂排队问题有新的见解，并为在一系列现实场景中管理排队提供创新解决方案。本分析强调了排队理论与人工智能相结合的潜在丰富性，为未来的研究和应用铺平了道路。
多块结构化网格的多准则划分
多块结构化网格的分区会影响数值模拟的性能和可扩展性。最佳分区器应同时实现负载平衡和最小化通信时间。最先进的域分解算法在平衡处理器之间的负载方面做得很好。但是，即使工作得到很好的平衡，通信成本也可能不平衡。影响通信成本的两个主要因素是边切割和通信量。当前的分区器主要侧重于减少总通信量，并依赖于简单的技术，例如在最长边处切割，而这种技术不会捕获几何中的连通性。它们也没有考虑网络延迟和带宽对分区的影响，导致所有平台上的分区相同。此外，它们的性能测试大多采用平面 MPI 模型，其中分区对通信的影响被同一节点上内核之间的快速共享内存访问所隐藏。在本文中，我们提出了用于多块结构化网格的新分区算法，以解决当前分区器的上述限制。新算法包括一个成本函数，它不仅考虑了通信量和边切，还考虑了网络的延迟和带宽。我们尽量减少所有处理器之间的总体成本，以创建最佳分区。为了证明所提算法的效率
多机器人可扩展覆盖路径规划... - NSF PAR
摘要 — 本文介绍了一种新颖的多机器人覆盖路径规划 (CPP) 算法 - 又名 SCoPP - 该算法提供了一种时间高效的解决方案，根据多机器人系统中的每个机器人的初始状态，为其提供工作负载平衡的计划。该算法考虑了指定关注区域中的不连续性（例如，禁飞区），并使用离散的、计算效率高的最近邻路径规划算法为每个机器人提供了优化的有序路径点列表。该算法涉及五个主要阶段，包括将用户输入转换为地理坐标中的一组顶点、离散化、负载平衡分区、在离散空间中拍卖冲突单元以及路径规划程序。为了评估主要算法的有效性，考虑了多无人机 (UAV) 洪灾后评估应用，并在三个不同大小的测试地图上测试了该算法的性能。此外，我们还将我们的方法与 Guasella 等人创建的最新方法进行了比较。进一步分析了 SCoPP 的可扩展性和计算时间。结果表明，SCoPP 在任务完成时间方面更胜一筹；对于一个由 150 个机器人组成的团队覆盖的大地图，其计算时间不到 2 分钟，从而证明了其计算可扩展性。
基于深层学习的联合缓存和合作MEC
摘要 - 新应用程序的出现导致对移动边缘计算（MEC）的需求很高，这是一个有希望的范式，在网络边缘部署了类似云的架构，以向移动用户（MUS）提供计算和存储服务。由于MEC服务器与远程云相比的资源有限，因此在MEC系统中优化资源分配并平衡合作MEC服务器之间的负载至关重要。MEC服务器的不同类型计算服务（CSS）的缓存应用数据也可能是高度好处的。在本文中，我们调查了合作MEC系统中层次结构缓存和资源分配的问题，该系统被称为有限的Horizon成本成本最小化Markov决策过程（MDP）。为了处理大型状态和动作空间，我们将问题分解为两个耦合的子问题，并开发了基于分层的增强学习（HRL）基于基于的解决方案。下层使用深Q网络（DQN）来获取流量决策的服务缓存和工作量，而上层则利用DQN来获得合作MEC服务器之间的负载平衡决策。我们提出的方案的可行性和有效性通过我们的评估结果验证。
令牌和令牌化解决方案传单
•非结论令牌化最初意味着令牌是通过随机生成值并存储clearText并在数据库中存储相应的令牌来创建的，例如第一代信托通信产品。此数据库或拱形方法在概念上很简单，但意味着任何令牌化或陈旧的请求都必须提出服务器请求，并添加开销，复杂性和风险。它也不能很好地扩展。考虑一个请求以使平底锅的要求。服务器必须首先执行数据库查找，以查看该服务器是否已经具有该锅的令牌。如果这样做，它将返回该令牌。如果没有，则必须生成一个新的令牌，然后执行另一个数据库查找，以确保尚未将令牌分配给其他锅。如果有的话，它必须产生另一个令牌，检查一个等等。随着令牌创建的数量的增长，这些数据库查找所需的时间增加了，更糟糕的是，此类碰撞的可能性呈指数增长。此类实现通常还使用多个代币服务器来实现负载平衡，可靠性和故障转移，并且这些服务器必须执行实时数据库同步以确保可靠性和一致性，从而增加了进一步的复杂性和开销。
研究文章 简要回顾在软件定义网络中使用机器学习进行流量工程
本评论简要探讨了在软件定义网络 (SDN) 的流量工程 (TE) 中部署机器学习 (ML)。SDN 通过将控制平面与数据平面分离来改变传统的网络管理，为灵活和自适应的流量控制开辟了新的可能性。正如我们所展示的，SDN 中的 TE 可以通过更有效地利用资源、减少延迟和减少拥塞来优化网络性能——同时响应实时条件以保持高服务质量 (QoS)。然而，充分利用这些优势需要先进的算法和实时数据分析，这在计算上要求很高。TE 还依赖于拥有准确、最新的网络信息。同时，ML 通过与边缘计算、网络功能虚拟化 (NFV) 和物联网 (IoT) 等技术集成，使 SDN 更加有效。这种组合可以实现实时分析、快速决策、智能路由、负载平衡和更强大的安全性。然而，这些集成带来了可扩展性和互操作性方面的新挑战，这意味着我们需要在基础设施和专业知识方面进行大量投资。即使迄今为止取得了所有进展，但仍存在一些障碍。 其中包括扩展、保持强大的安全性以及实时做出瞬间决策的问题。 展望未来，未来的研究应集中在自主网络、节能的 ML 技术和混合 ML 解决方案上，旨在达到网络安全和性能的新高度。
使用云计算的基于AI的灾难分类
摘要：云计算和人工智能（AI）的组合（AI）在这个快速发展技术时代，对灾难管理和响应系统的有效补救措施。使用从社交媒体网站收集的文本和图像数据，该项目利用了数据中存在的集体智能。我们仔细训练了用于文本分析的双向LSTM模型和使用Kaggle数据集进行图像分类的卷积神经网络（CNN）模型。我们系统的基本组件是安装在Amazon Web服务（AWS）EC2实例上的API。为了提高性能和稳定性，通过负载平衡，自动缩放功能和多AZ冗余，可以加强API。API可以轻松地与受过训练的模型集成，以确定内容在接收输入数据时是否与灾难方案相关。当通过处理后的文本或图像进行正面分类时，警报机制会发出一封电子邮件通知，其中包含有关发现的灾难的重要信息。在Facebook，Instagram和Twitter等社交媒体网站上提供的大量用户生成的内容为提高E FFI CACY和EFFI的特殊机会提供了特殊的机会。该项目的主要目的是使用尖端技术来详细介绍大量社交媒体数据并在紧急情况下获得有用的见解。