针对车辆移动过程中服务质量(QoS)下降的问题,提出了一种基于凸优化使能深度强化学习的服务迁移(service migration via convex-optimization-enabled deep reinforcement learning,SeMiR)方法。将优化问题分解为两个子问题并分别求解;...
详细信息
针对车辆移动过程中服务质量(QoS)下降的问题,提出了一种基于凸优化使能深度强化学习的服务迁移(service migration via convex-optimization-enabled deep reinforcement learning,SeMiR)方法。将优化问题分解为两个子问题并分别求解;针对服务迁移子问题,设计了一种基于改进深度强化学习的服务迁移方法,以探索最优迁移策略;针对资源分配子问题,设计了一种基于凸优化的资源分配方法,以推导给定迁移决策下每台MEC服务器的最优资源分配,提升服务迁移的性能。实验结果表明:与基准方法相比,SeMiR方法能够有效提升车辆的QoS,在各种场景下均展现出更加优越的性能。
受环境变化影响，暴雨规律显著变异，突发水事件增加，导致洪水过程非平稳性加剧，人类活动改变了天然汇流规律，洪水预报面临新的挑战，研究有效的洪水预报水文模型有助于应对可能发生的灾害。目前，基于传统物理方法（机理模型）的水文模型和数据驱动模型是研究洪水发生、预判洪水演变的两种主流方法。机理模型往往难以满足个性化或复杂繁多的场景要求，对洪水径流系统机制的理解不够完整，科研人员需要其利用深厚的专业知识来确定参数的初始表达，常常面临效率低下和优化水平不高的问题。数据驱动模型训练严重依赖于数据集，训练过程缺乏物理规律引导，容易出现不符合科学常识的输出，违反物理一致性原则，模型的可解释性较差。此外，训练数据和测试数据分布的偏差，会带来模型的泛化问题。理论引导数据科学(Theory-guided data science， TGDS)方法旨在利用领域的科学知识，提高数据驱动模型的有效性。因此，在本文的研究中，结合TGDS技术，为数据驱动模型引入洪水预报领域的物理知识，来指导模型更准确地拟合洪水过程，融合机理模型与数据驱动模型两种建模的优越性能，弥补相应的不足，增强模型的通用性、可解释性及其物理一致性。具体来说，首先，对现有的机理模型与数据驱动模型的实现与融合方式进行了概念与特点分析。其次，本文对TGDS技术在不同领域的研究现状提出了新的分类方式，并进行总结。最后，对知识引导数据驱动方法在水文模型构建的未来工作进行了展望。
暂无评论