多资源分配论文

多资源分配论文（精选9篇）

多资源分配论文 第1篇

关键词：可行度,形态学,A*搜索算法,航迹规划,救援效率

重大自然灾害发生后, 以通用航空直升机为基础的救援飞行, 具有快速、高效、受地理空间限制较少等优势, 能够深入受灾严重地区进行侦查、运送伤员和物资, 对减少人民生命财产损失有着重要意义。然而, 由于缺乏一套较为完善的航空救援应急救援方案, 救援效率和安全性得不到保障。以“5.12”汶川大地震为例, 民航局调集了三十一架民航直升机实施救援, 然而由于灾区资料和飞行情报准备准备不足, 飞行员在不熟悉地形、气象信息、救援目标和受灾严重程度情况下执行救援任务, 救援初期的效率和飞行安全受到很大影响[1]。由此可见, 飞行前准备对于重大自然灾害条件下的航空应急救援任务的执行显得至关重要;而规划救援路线又是飞行准备中的核心问题。因此, 在保证航空救援飞行安全的前提下, 快速规划出最短可行飞行路径对减少灾区损失有重大意义。如何合理地将直升机分配到灾区、规划救援飞行的往返路径、制定航空应急救援预案, 是提高航空应急救援效率和安全性的关键问题。

多直升机、多目标协同问题, 实质是资源分配和调度问题, 目的在于以最小的代价高质量地完成任务。常用的算法有遗传算法[2]、蚁群算法[3]和模拟退火算法[4]等。航迹规划是指在特定约束条件下, 寻找运动体从初始点到目标点满足某种性能指标最优的运动航迹;其本质是路径搜索问题。常用的算法有基于概略图的规划方法[5]、基于单元分解的规划方法、Dijkstra算法和A*算法[6]。其中, 基于概略图的方法通常用于平面且实时性要求较低的航迹规划;基于单元分解的方法规划精度与单元格划分精细程度直接相关, 高精度的计算量大、规划耗时增加[5]。卢斌文采用Dijkstra算法对飞行回避特殊地形的过程进行了规划研究, 并利用蚁群算法对航迹进行优化[3]。航空应急救援方面, 陈通[7]等人研究了直升机水平航迹规划方法, 夏正洪[1]等研究了重大灾害条件下如何提高航空应急救援效率。研究成果集中在直升机飞行策略, 缺乏重大灾害条件下直升机与灾区的多目标分配方案, 航空应急救援预案以及救援指挥辅助系统的实现。

针对重大自然灾害发生后, 需要多架直升机共同完成多个救援任务的特点, 深入分析救援任务的类型、直升机性能、途中气象和地理环境等因素, 本文提出了基于救援任务可行度矩阵的多救援直升机、多目标协同搜索算法。如何有效、合理地将直升机分配到最需要救援的受灾目标点, 提高了航空应急救援整体效能。基于形态学的图像处理和启发式搜索算法, 提出了救援直升机二维航迹规划方法;并将三维航迹搜索算法转化成多个高度层上的二维航迹搜索问题求解。在满足安全间隔的前提下, 求解可行最短飞行路径, 形成重大灾害条件下的航空应急救援预案;并根据该预案开发了航空应急救援辅助系统, 为提高救援效率和保障救援安全性做充分的飞行前准备。

1 基于可行度的多机、多目标分配算法

1.1 救援任务可行度分析

可行度是某直升机执行某次救援飞行任务的可行度值;该值越大表明这架直升机越适合这项救援任务。本文分析了救援任务执行的可行性影响因素:基地与目标点之间的距离fd、海拔高度fh、净空环境fc、地理环境ft、任务类型等fm。针对影响因素中的定量因子如fd可采用基于阈值的区间量化处理方法进行定量评估;而对定性因子如fc可采用模糊综合评价方法转换为定量评估;再利用专家调查法得到影响因素的权重值如表1所示。最后通过线性加权求和得到第i个飞机执行第j项任务的可行度值cij (1in, 1jm) , 两次循环结束即可得到可行度矩阵C= (cij) nm。

式 (1) 中ωk表示该因素的权重值, fk表示第k项因素的可行度。

(1) 基地与目标点之间距离fd, 根据常见的机型性能从0~1 000 km按50 km等间隔划分, fd取值为20~0。fd=0表示该目标点超出直升机航程。

(2) 目标点海拔高度fh。从0~5 000 m按500 m等间隔划分, fh取值为10~0。fh=0表示该目标点超出直升机升限。

(3) 目标点净空情况fc属于定性指标, 采用三级量化指标, 用0表示净空条件差, 所有航空器均不能降落;1表示净空条件一般, 可酌情降落;2表示净空条件好, 一般均可降落。

(4) 目标点地理环境ft属于定性指标, 采用三级量化, 0表示地形险要, 不宜降落;1表示地形情况一般, 可酌情降落;2表示地形平坦, 一般可降落。

(5) 任务类型fm属于定性指标, 分为遥感摄影、目标搜寻、物资投放、人员营救, 按任务紧要程度分别赋值为1, 2, 3, 4。

1.2 多机多目标分配算法

多直升机协同的本质是资源分配和调度问题, 目的在于以最小的代价高质量地完成任务。通过计算可行度矩阵Cij的解矩阵Xij得到直升机与灾区的分配方案。针对救援直升机和目标点之间数量不相同的任务指派问题, 拟采用添加虚拟变量的方式转换为平衡指派问题[8], 然后选用匈牙利算法来求解。匈牙利算法通过等效变换找到与原可行度矩阵等效的新矩阵, 使得该新矩阵中不同行列均有零元素, 将解矩阵Xij对应位置上的元素置为1, 其余位置为0, 这就得到了平衡指派问题的最优解[8]。

针对救援直升机与目标点数量通常不一致的情况 (nm) , 即可行度矩阵不为方阵, 可以把可行度矩阵C补成方阵 (如n

1.3 算例分析

若2架直升机对4个救援目标点之间的可行度矩阵为,

从公式 (2) 中可知, 根据图1中的流程图首先将矩阵Cij转换成方阵, 然后在每行中使用各元素减去该行中最小的元素, 得到0元素并将其标记为元素;此时不满足最优解条件, 对子矩阵继续采用匈牙利算法, 得到最优解矩阵为, 此时得到N个独立的元素, 最终得到最优分配方案为:直升机i{1 2 1 2}目标点j{1 2 4 3}。

2 救援直升机航迹规划研究

航迹规划是救援飞行前的一项重要准备工作, 对救援效率和安全性的提高有重要意义。本文从数字高程地图中提取单层等高线图, 并对该图进行二值化图像处理得到以等高线表示的障碍物图。其中黑色表示障碍物, 白色表示可供飞行区域。利用形态学膨胀方法剔除白色飞行区域内的不安全区域, 并使用腐蚀和骨架化方法提取安全飞行区域的拓扑结构, 从而得到以二值图像表示的航迹规划解空间;选用启发式最短路径搜索算法A*算法在二维平面上搜索最短航迹。

2.1 障碍物图

将单层等高线数字地图用二值化图像处理方法进行处理, 得到的障碍物图中封闭等高线所围成的黑色部分, 白色部分表示安全区域。对于人为设定的禁飞区、限制区以及人工障碍物 (如峡谷、高压线等) 可以通过在地图上添加等效的等高线来实现 (如图2中F区域) 。

2.2 航迹解空间

救援直升机在山区飞行时, 与障碍物之间必须保持侧向安全间隔。因此, 选用基于形态学的图像处理膨胀方法[7]对白色安全区域进行压缩, 以剔除间隔不满足安全间隔要求的区域, 并采用骨架化[7]的特征提取方法提取安全区的拓扑结构, 从而得到二维飞行平面内的可行航路迹解空间如图2中细折线所示。

2.3 水平最优路径

航迹规划的本质是路径搜索问题, 二维平面内求解最短路径的方法通常为Dijkstra算法, 该算法能得出最短路径的最优解, 但是效率较低, 时间复杂度为n2。为了提高航迹规划的效率, 本文选用启发式搜索算法A*算法[6]在二维平面内寻找最短路径。A*算法公式表示为:f (n) =g (n) +h (n) , 其中f (n) 是节点n从初始点到目标点的估价函数, g (n) 是在状态空间中从初始节点到n节点的实际代价, h (n) 是从n到目标节点最佳路径的估计代价。从航迹解空间中搜索起点A到终点B之间的最短飞行路径所图3所示。

2.4 三维飞行路径

考虑到多架救援直升机之间侧向、纵向、垂直间隔以及往返等影响, 在航路规划时尽量保证往返目的地航线无重叠、且在航路宽度不能保证同高度侧向间隔的地区不能使用同高度进行往返执行救援任务[9]。因此, 本文提出将三维飞行航迹规划问题转换为可用高度层上的水平航迹规划, 分别求出各高度层上的最短飞行路径, 结合多直升机多目标分配算法, 制定直升机救援预案。该图为展示了救援飞行起点A到终点B之间的可行三维飞行航迹, A点和B点的经纬度坐标如图4所示。

3 航空应急救援仿真系统

3.1 救援系统实施方案

针对重大灾害条件发生后航空应急救援效率低下, 救援安全得不到保障等特点, 研究了影响航空应急救援的任务类型及紧要程度、目标点与救援指挥中心的距离、目标作业点的地理要素特征、救援直升机性能特征、救援目标点气象特征等因素, 制定航空应急救援系统实施方案如图5所示, 首先分析救援任务的可行性得到可行性矩阵, 求解该矩阵可以得到直升机多目标分配方案。通过形态学图像处理技术对灾区地图进行处理, 并利用启发式的A*算法搜索最短飞行路径, 结合直升机分配方案可以得到应急救援预案, 通过测量航路点间距和方位角可以得到直升机应飞磁航向、预计飞行时间。当救援直升机沿预定的飞行航迹飞行时, 判定是否满足安全飞行间隔, 如果存在冲突则告警提示, 并指挥直升机进行高度、航向避让, 修改救援预案;否则记录飞行过程中经纬度坐标, 调用Google Earth飞行模拟API演示应急救援预案, 做充分的飞行前准备。

3.2 救援指挥系统的实现

选用Visual C++6.0作为开发工具, 通过读取汶川周围50 km范围内的等高线地图数据KML文件 (精度为20 m) , 构造灾区的地理环境。其中红色和黑色表示高海拔地带, 而绿色表示低海拔地区。假设在该地图中设置救援指挥中心和受灾点 (A、B、C) ;系统会根据当前的救援物资、受灾点的特点来进行直升机的指派, 将直升机分配到最合理的受灾点。结合直升机多目标点救援的分配算法自动规划航空器救援的飞行路径 (分别用红、褐、蓝三种颜色标识) , 其中飞行路径上由一系列重要的位置点构成, 并标出路径长度等参数;通过添加直升机 (B7901、B7902、B7903为直升机的呼号) 沿指定航迹进行二维救援飞行模拟如图6所示, 直升机飞行过程中通过标牌显示飞机的呼号、速度、航向、高度等重要参数。为了更清晰地观看所飞航路周围的地理环境, 本系统调用了Google Earth的模拟飞行功能API进行三维模拟飞行演示, 提高救援飞行效率, 保障救援飞行安全性。

4 结论

本文深入分析影响航空应急救援效率的影响因素, 提出了基于救援任务可行度矩阵的多救援直升机多目标分配算法, 合理地将救援直升机分配到受灾目标点;提出了基于形态学的图像处理和启发式搜索算法的救援直升机航迹规划算法, 得到可行的最短飞行路径, 形成了重大灾害条件下的航空应急救援预案, 根据该救援预案开发了航空应急救援系统, 为提高救援效率和保障救援安全性做充分的飞行前准备, 为航空应急救援领域提供了可行方案。

参考文献

[1] 夏正洪, 潘卫军.重大灾害条件下的航空应急救援效率研究.计算机工程与设计, 2012;33 (3) :1251—1256

[2] 李学全, 张泊, 王军.多目标规划的一种混合遗传算法.数学理论与应用, 2005;25 (3) :24—27

[3] 卢斌文, 曲东才.一种基于蚁群智能算法的航迹优化方法.科学技术与工程, 2013;13 (2) :398—401

[4] 宋锦河.基于模拟退火算法的生成调度问题.长春工程学院学报 (自然科学版) , 2004;5 (1) :61—63

[5] 刘森琪, 段海滨.基于Voronoi图和蚁群优化算法的无人作战飞机航路规划.系统仿真学报, 2008;20 (21) :5936—5939

[6] 范晨, 王正杰.基于A*算法的飞行器三维航迹规划研究.弹箭与制导学报, 2006;26 (1) :650—656

[7] 陈通.救援直升机航迹规划研究.广汉:中国民航飞行学院, 2011

[8] 李雪芹, 彭其渊.二维不平衡指派问题模型及粒子群算法求解.西南交通大学学报, 2008;43 (4) :535—539

人力资源多项选择 第2篇

13．人力资源需求预测的方法有()。

A．德尔菲法 B．回归分析法

C．因果分析法 D．成就需要分析法 E．物质刺激法

14.工作分析的对象是岗位中的()在组织中的运作关系。

A．工作内容 B．工作责任和技能 C．工作强度 D．工作环境 E．工作心理及岗位

15．招聘的成功因素有()。

A．外部影响 B．企事业的要求

C．职务的要求 D．应聘者个人的资格 E．应聘者个人的偏好

16．按考评标志可把员工考评的类型划分为哪些种类？()A．常模参照性考评 B．效标参照性考评 C．无标准的内容考评 D．绩效考评 E．非绩效考评

17．薪酬具有哪些功能？()A．补偿功能 1 B．激励功能 C．调节功能 D．救济功能 E．开发功能

18．职业咨询预测法的主要测评工具有()。

A．能力倾向测试 B．职业兴趣测验 C．人格测验 D．价值问卷 E．生涯成熟问卷

13．人力资源需求预测的方法有()。

A．德尔菲法 B．回归分析法

C．因果分析法 D．成就需要分析法 E．物质刺激法

14．工作分析的对象是岗位中的()在组织中的运作关系。

A．工作内容 B．工作责任和技能 c．工作强度 D．工作环境 E．工作心理及岗位

15.影响企事业单位招聘的内部因素可以分为哪几个方面？()A．空缺的职位的性质 B．企事业单位的性质 C．企事业组织的形象 D．人口和劳动力 E．劳动力市场条件

16.按考评标志可把员工考评的类型划分哪些种类？()A．常模参照性考评 B．效标参照性考评 C．无标准的内容考评 D．绩效考评 E．非绩效考评

17．经济性福利通常以金钱或实物为其形式，其主要形式有哪些？()A．超时酬金 B．住房性福利

C．交通性福利 D．教育培训性福利 E．医疗保健性福利

18.员工保障管理体系建设的原则有()。

A．普遍性原则 B．个别性原则

C．公平与效率结合原则 D．政事分开原则

E．管理服务社会化和法制化原则

13．下面哪些工作是人力资源战略的主要内容？()A.人力资源中长期规划 B．人力资源引进与保留战略 C．人力资源培训与开发战略 D．绩效和薪酬战略 E．组织文化发展战略

14.人事管理人员的职责之一是进行工资调查。这一职责由下列任务所组成()。

A．设计调查问卷 B．把问卷发给调查对象

C．将结果表格化并加以解释 D．召开专家讨论鉴定会

E．把调查结果反馈给调查对象

15.企事业组织的性质对招聘工作有着重要的影响，具体表现在以下几个方面？()A．企业的战略 B．企业的经营目标 C．战略决策的层次 D．企业战略类型。E．企业文化

16.技术等级水平考评的内容有哪些？()A．技术等级证书 B．工作经验 C知识 D．技能 E．文化程度

17.薪酬制度设计的基本原则是()。

A．按劳取酬 B．同工同酬 C．外部平衡 D．内部平衡

E．合法保障

18.我国的社会保障主要包括()。

A．社会保险 B．社会救济 C社会福利 D．优抚安置 E．社会互助和社区服务等

13.以下哪些法定劳动年龄以外的劳动人口属于现实的人力资源？()A.未满16周岁的体操运动员 B．未满16周岁的文艺演员 C．未满16周岁的特种工匠 D．60岁以上的男人 E．55岁以上的女人

14.通常一个企业的办公室主任要同时担负单位的()等几项职责。

A.人事调配 B．文书管理

C．日常行政事务处理 D-负责市场营销业务 E．负责解决生产安全问题

15.影响企事业单位招聘的内部因素可以分为哪几个方面？()A.空缺的职位的性质 B．企事业单位的性质 C．企事业组织的形象 D．人口和劳动力 E．劳动力市场条件

16.模具工技术等级的考评分初级、中级与高级三级，“模具工技术等级”是考评对象。为了把握这一对象，通常规定了哪几个方面的考评内容？()A.文化程度 B．技术等级水平 C．身体条件 D．社会关系背景 E．毕业学校

17.岗位工资制在实施中可以采取哪些形式？()A.基础工资制 B．单一型岗位工资制

C．技能工资制 D．衔接可变型岗位工资制 E．重合可变型岗位工资制

18.根据《劳动合同法》规定，订立劳动合同，应当遵循什么原则？()A．合法公平B．平等自愿 C．先发制人 D．协商一致 E．诚实信用

13.人力资源的战略分析就是对公司人力资源管理的现状、优势和不足的全面分析，在综合考虑下面哪些因素的基础上，提炼影响组织人力资源战略选择的关键问题。()A．战略 B．使命

C．人种进化 D．外部环境 E．内部资源

14.人力资源管理人员的职责之一是进行工资调查。这一职责由下列任务所组成。()A．设计调查问卷

B．把问卷发给调查对象

C．将结果表格化并加以解释 D．召开专家讨论鉴定会

E．把调查结果反馈给调查对象 15．招聘的渠道大致有()。

A．人才交流中心 B．招聘洽谈会

C．传统媒体与现代网上招聘 D．校园招聘 E．人才猎取

16．按考评标志可把员工考评划分为哪些类型？()A.常模参照性考评 B．效标参照性考评 C．无标准的内容考评 D．绩效考评 E．非绩效考评

17．薪酬具有哪些功能？()A．补偿功能 B．激励功能 C．调节功能 D．救济功能 E．开发功能

18．职业咨询预测法的主要测评工具有()。

A.能力倾向测试 B．职业兴趣测验 C．人格测验 D．价值问卷 E．生涯成熟问卷

13．以下哪些法定劳动年龄以外的劳动人口属于现实的人力资源？()A．未满16周岁的体操运动员 B．未满16周岁的文艺演员 C．未满16周岁的特种工匠 D．60岁以上的男人 E．55岁以上的女人

14.管理人员分析法中主管人员对所管辖人员的记录与分析内容主要包括(A.工作任务 B．责任

C．技能要求 D．职位要求 E．社会环境

15．影响企事业单位招聘的内部因素可以分为哪几个方面？()A．空缺的职位的性质 B．企事业单位的性质 C．企事业组织的形象 D．人口和劳动力 E．劳动力市场条件

16.在员工考评领域中，“考评”包括哪些形式？()A．考试 B．面试

C．评价中心测验 D．情境考验 E．观察分析等

17.经济性福利通常以金钱或实物为其形式，其主要形式有哪些？()A．超时酬金 B．住房性福利

C．交通性福利 D．教育培训性福利 E．医疗保健性福利

多资源分配论文 第3篇

资源分配在面向海云协同网络抽象计算平台中是非常重要的一部分。当系统只有一种资源的时候, 系统分配给每个用户1/n这种资源是公平且高效的。然而, 在现实中, 系统不仅仅是由一种资源, 而是由很多资源组成, 比如CPU、Memory等。同时用户可能对系统中的各种资源有不同需求。这种情况在一些计算机系统中出现并越来越普遍, 比如数据中心等。如果系统仍然采用上述均衡各种资源的方法, 毫无疑问系统的效率会不高。因为有的用户可能需要的CPU比Memory多, 而其他的用户可能需要的Memory比CPU多, 这样他们就会浪费掉他们其实并不需要那么多的资源。因此, 本文期望发现新的解决多资源分配的方法。在这个问题中, 本文主要需要考虑的问题是如何公平且高效地分配各种资源给不同的用户。在近几年中, 有一些算法已经提出了一些解决该问题的方案, 比如DRF ( Dominant Resource Fairness) [1], CEEI ( Competitive Equilibrium from Equal Incomes) [2, 3, 4]和Assert Fairness。

提到的三个算法都提出了自己的公平性原则和效用函数。DRF提出了主要资源这个概念, 即用户需求的资源中占所有资源比例最大的资源。在DRF中, 均衡各个用户的主要资源被认为是公平的分配, 同时效用函数就是分配给各个用户的任务数目, 系统的目标是在保证公平的情况下最大化效用函数。在CEEI中, 系统首先分配给各个用户1/n所有的资源, 然后各个用户可以与其他用户在完全竞争市场中交换资源。这个算法的效益函数认为是分给各个用户任务数的乘积。Assert Fairness试图去均衡用户分配得到的所有资源的份额, 效益函数是分配给各个用户的任务数目。这些算法都解决了多资源分配问题, 但是他们都基于一个不实际的假设就是任务是可分的。在现实生活中, 用户分配得到的任务数是不可分的。

文献[1]中的作者采用上述三个算法来解决了一个实际问题。经过比较CEEI遗留了最小的资源碎片, 这意味着它更高效的使用了资源。从经济学的角度, CEEI是一种比其他算法更高效的算法。针对DataOS中的多资源管理问题, 本文提出了一种解决CEEI任务不可分问题的算法, 称为ICEEI ( Indivisible Competitive Equilibrium from Equal Incomes) 。在ICEEI中, 系统一个任务接着一个任务的分配资源, 并且每一个决定都是试图去最大化效益函数。这样问题就转变成了完全信息的动态博弈问题[5]。由于博弈树是解决该问题的好方法, 所以本文采用变形的博弈树来解决这个问题。通过这种方法, ICEEI在满足实际的情况下使得效益最大化。

ICEEI从微观经济学的角度解决了多资源分配任务不可分问题。ICEEI满足Pareto有效和共享激励这两个公平法则。本文还进行一系列仿真实验来验证所提出的算法, 结果显示ICEEI可以高效的应对用户对资源需求的动态变化, 而且当分配给每个用户的主要资源不同时比DRF表现的更好。

本文将在下面的部分介绍如下内容, 第二章介绍了多资源分配的相关工作。第三章提出了ICEEI算法并详细介绍了它。第四章介绍了ICEEI算法满足的多资源分配的公平性法则。在第五章中, 本文用实验来验证了ICEEI的有效性, 最后在第六章对全文进行了总结。

2 相关工作

除了上面提到的三个多资源调度的方法。在这一部分再介绍两个改进DRF不足的多资源调度算法Sequential Minmax[6]和DRFH ( DRF mechanism in Heterogeneous environments) [7]。这些算法不同于现在系统中实际应用的一些调度策略, 比如当前普遍应用的集群计算框架Hadoop[8]等。Hadoop采用的算法与单资源分配的方法类似, 系统首先将所有的资源分成包含固定量各种不同资源的小块, 称作slot。然后将slot作为系统唯一的资源进行分配。这种分配方法利用资源的效率并不是很高。因为不同的用户会对不同的资源有不同的需求, 如果slot都是由固定量的不同资源组成, 他们就会浪费一些他们并不需要那么多的资源。所以本文想提出一种更适合现在的计算系统, 比如数据中心, 且计算更高效的算法。

Sequential Min - max分配算法试图去解决DRF算法的任务不可分问题。在这个算法中, 系统总是会去选择那个主要资源最小的用户来分配任务。所以系统尽量的均衡各个用户的主要资源来解决任务不可分问题。DRFH算法对DRF算法的改进是考虑了机器的异构性。所以该算法提出的一个新概念是某台机器上的主要资源, 然后该算法试图去均衡用户在所有机器上主要资源的总和。虽然这两个算法都在一定程度上对DRF进行了改进, 但是DRF本身利用资源的效率不如CEEI高。

由于上面的算法都存在缺陷, 所以在下面的部分, 本文将提出一个全新的算法, 称作ICEEI, 结决了CEEI算法的任务不可分问题, 使得其更符合实际而且工作效率更高。

3 多资源分配算法 ICEEI

3. 1 ICEEI 模型

在讲述算法之前, 本文先给出了ICEEI算法的变量符号表, 如表1所示。

本文用一个简单的例子来描述上述算法。一个系统由9 CPUs, 18 GB RAM和两个用户构成。用户1需要 ( 1 CPU, 4 GB) 来完成一个任务, 用户2需要 ( 3CPUs, 1 GB) 来完成一个任务。在模型中相应的表示为r1= 9, r2= 18, d11= 1, d12= 4 , d21= 3和d22= 1。假设还没有开始分配资源时为初始状态 ( 0, 0, …, 0, 0, r1, r2, …, rm) 。如果系统分配第一个任务给用户1, 则状态将改变成 ( 1, 0, …, 0, 0, r1- d11, r2- d12, …, rmd1m) 。这个状态属于集合A1。正如可述, 在系统分配完第一个任务的资源后, 会得到A1的所有点。然后对于A1中的所有点, 再重复进行上面的分配, 这样就可以得到A2, 重复上述过程, 就可以得到完整的博弈树[5], 博弈树对于解决完全信息动态博弈问题非常有用。

3. 2 ICEEI 算法

ICEEI算法是解决资源不可分的问题。首先系统分配给每个用户1 /n的资源, 然后允许用户们在一个完全竞争市场中与其他用户交换资源。这个市场满足两个假设: 第一个假设是一个用户不会影响市场的价格, 第二个假设是市场通过供应和需求的情况来调整市场的价格。ICEEI算法的目标是在有限的资源内最大化效益函数。如下公式所示。

首先通过一个简单的例子来介绍该算法的计算过程, 假设系统由9 CPUs, 18 GB RAM和两个用户组成。用户1对需要 ( 1 CPU, 4 GB) 资源来完成一个任务, 用户2需要 ( 3 CPUs, 1 GB) 资源来完成一个任务。初始状态是A0= { ( 0, 0, 0, 9, 18) } 。从初始状态开始, 系统分配第一个任务资源的选择是用户1和用户2, 如果它分配第一个任务的资源给用户1, 则得到状态 ( 1, 0, 0, 8, 14) ; 如果系统分配第一个任务的资源给用户2, 我们会得到状态 ( 0, 1, 0, 6, 17) 。所以集合A1是 { ( 1, 0, 0, 8, 14) , ( 0, 1, 0, 6, 17) } 。系统会对集合A1中的点重复进行上面的分配过程, 比如对于点 ( 1, 0, 0, 8, 14) , 系统仍然可以把下一个任务的资源分配给用户1或用户2, 这样就得到新的两个状态 ( 2, 0, 0, 7, 10) 和 ( 1, 1, 1, 5, 13) 。对于点 ( 0, 1, 0, 6, 17) , 按照上述分配, 可以得到两个状态 ( 1, 1, 1, 5, 13) 和 ( 0, 2, 0, 3, 16) 。经过上述计算过程中, 得到了集合A2, { ( 2, 0, 0, 7, 10) , ( 1, 1, 1, 5, 13) , ( 0, 2, 0, 3, 1) } 。对于集合A2, 经计算可以得到A3, { ( 3, 0, 0, 6, 6) , ( 2, 1, 2, 4, 9) , ( 1, 2, 2, 2, 12) , ( 0, 3, 0, 0, 15) } 。对于集合A3, 经计算可以得到A4{ ( 4, 0, 0, 5, 2) , ( 3, 1, 3, 3, 5) , ( 2, 2, 4, 1, 8) } 。最后计算得到A5, { ( 4, 1, 4, 2, 1) , ( 3, 2, 6, 0, 4) } 。计算得到的End集合是{ ( 4, 1, 4, 2, 1) , ( 3, 2, 6, 0, 4) , ( 0, 3, 0, 0, 15) } 。每个点中间的值是系统的总效用函数, 对于这个例子, 经过比较发现 $ 6 $ 是最大的效用函数。具体的分配为用户1分配3个任务, 用户2分配2个任务。

算法的细节如表2所示, 该算法的输入是系统的总资源和各个用户对系统各种资源的需求, 经过计算, 可以得到一个结果集合, 称为END集合。在对该集合中的各点的M值进行比较之后, 可以获得一个M值最大的点, 系统在该点处获得最大效益。

4 ICEEI 满足的公平性法则

在多资源分配中有几个很重要的公平性法则[4]如下所示:

( 1) 共享激励: 用户共享数据资源比排他性使用分配给自己的资源收益更高。

( 2) 防护策略: 用户不会从谎报其数据资源需求中获得额外收益。

( 3) 嫉妒避免: 一个用户不会倾向于其他用户的数据资源分配。

( 4) Pareto有效: 在不降低其他用户的分配情况下, 无法增加该用户的分配

文献[1]中证明CEEI算法不满足防护策略, ICEEI算法也同样不满足这个策略。ICEEI满足的两个公平法则是共享激励和Pareto有效。在ICEEI算法中, 系统分配给每一个用户1/n的资源作为初始状态, 然后用户可以在一个完全竞争市场与其他用户交换资源。他们交换资源的目的就是希望比初始状态表现的更好, 所以该算法是共享激励的。同时ICEEI也是Pareto有效的, 随着剩余资源不足够分配给任何系统任何任务, 就进入了分配的结束状态。所以如果系统仍然想分配资源给某一个用户, 就必须减少分配给其他用户的资源。所以ICEEI是Pareto有效的。文献[6]中提到共享激励和嫉妒避免公平法则不能同时在资源不可分问题中满足。所以ICEEI不是嫉妒避免的。

5 实验结果

通过一系列的实验验证了ICEEI算法。第一部分讲述了当用户的需求变化时算法是如何调整的。后面的部分将ICEEI和DRF进行了对比。所有的实验都是在集群调度模拟器[9]中实现的。这个模拟器可以像大规模集群一样的工作, 它不仅可以模拟集群调度策略的模型, 也可以比较不同调度策略。这个集群调度模拟器使用离散事件模拟器来处理工作量并且可以分析结果数据。在对模拟器经过一定的修改之后, 在Data OS[10]平台上进行了ICEEI算法的实验。

5. 1 ICEEI 的动态表现

通过实验来观察ICEEI算法如何用应用户对资源需求的变化。在这个实验中, 模拟器设置了48个节点。对于每一个节点, 由4CPUs和10 GB存储组成。用户1对资源的需求是 ( 1CPU, 1GB) 并且用户2对资源的需求是 ( 1CPU, 7GB) 。

图1和图2描述了各个用户分得的CPU和内存随着时间是如何变化的。首先根据上面我们给出的一些参数, ICEEI计算出在给定资源下分别分配给每个用户资源的最大值。计算过程是采用博弈树的方法。通过图1和图2, 可以发现在ICEEI算法下, 两个用户都很快达到了期望的最大值。如图1中, 用户1大约占据了77% CPUs和30%内存。图2中显示, 用户2占据了大约20% CPUs和62%内存。在分配之后, 系统稳定在最大值附近。

大约60s, 用户对资源的需求发生了改变。用户1需要 ( 1CPU, 1GB) 的资源, 用户2需要 ( 1CPU, 1GB) 的资源。在变化之后, ICEEI算法会重新用构建博弈树的方法计算得到最大值。从图1、图2中可以看出在ICEEI算法下, 两个用户占有的资源量重新达到了新的平衡。在变化之后, 从图1中可以看出, 用户1占用了50% CPUs和20%, 从图2中可以看出, 用户2也占用了50% CPUs和20%内存。所以ICEEI算法当用户的需求发生变化的时候, 可以快速的达到新的平衡, 系统的效益仍然是最大化的。

通过实验说明ICEEI算法在资源分配之后可以使得系统效益最大化。同时, 当用户的需求发生变化的时候, 可以快速的应对变化并且最大化系统效益。这意味着, ICEEI算法可以良好了在动态环境中运作, 所以在现实环境中依然是一个优秀的多资源分配算法。

5. 2 ICEEI 与 DRF 的对比

在很多情况下, 需要较少资源的小任务数量很多, 需要较多资源的大任务数量较少。如果在这种情况下仍然采用DRF的方法, 系统会仍然试图去均衡各个用户的主要资源。尽管大任务的数量较少, 但是它们仍然占据了较多的资源。如果采用ICEEI算法, 它会从最大化系统效益的角度出发, 它会尽量最大化资源利用率来提高工作效率。

例如模拟器配置了48个节点的计算环境, 每个节点包括4CPUs和10GB内存。用户1的需求参数是 ( 1CPU, 1GB) , 用户2的需求参数是 ( 1CPU, 7GB) 。用户1的每个工作由200个任务组成, 用户2的每个工作由30个任务组成。实验分别用DRF和ICEEI算法来调度同样多的负载。图3和图4中可以看出ICEEI完成调度的时间要更短一些大约50s, 而DRF大约用了53s的时间, 这是因为DRF仍然试图去均衡大任务和小任务的主要资源。大任务需要较多的内存, 所以存储成为了系统分配资源时的限制资源。当存储已经分配完了的时候, CPU仍然有大量的剩余。而ICEEI算法不同的是, 它总是希望最大化资源的利用率和减少资源碎片, 所以系统平衡了整体分配给小任务更多的资源, 使得它跑的更快。由于大任务本来数量就很少, 所以它不会成为系统运行时的限制。图3中显示了小任务在DRF和ICEEI两种调度中的各资源份额, 图4中显示了大任务的资源份额。从图3和图4可以发现ICEEI算法比DRF算法分配了更多的资源给小任务。ICEEI算法由于对资源的利用率更高所以比DRF算法使用了更少的调度时间。

ICEEI算法是从最大化系统效益的角度来进行的, 所以它总是试图减少资源碎片和提高资源利用率。当用户的主要资源不同时, DRF为了均衡各用户的主要资源, 可能使得某种资源成为系统分配的限制而其他资源仍有较大碎片, 这时ICEEI算法就会比DRF算法表现的更好一些了。

6 结束语

这篇文章从经济学的角度提出了用ICEEI算法来解决多资源分配的任务不可分问题。它的优点是可以减少资源碎片, 提高资源的利用率。该方法是通过采用构建博弈树的方法来解决了这个分配问题, 并进一步修改初始状态来优化了博弈树的构建。本文还证明了ICEEI满足共享激励和Pareto有效这两个多资源分配的公平法则。通过实验证明了该算法的有效性: ①可以快速应对用户对资源需求的变化, ②当用户的主要资源不同时比DRF算法表现的更良好。

参考文献

[1]A.Ghodsi, M.Zaharia, B.Hindman.Dominant resource fairness:fair allocation of multiple resource types.USENIX NSDI.2011.

[2]M.Schwarzkopf, A.Konwinski, M.Abd-El-Malek.Omega:flexible, scalable schedulers for large compute clusters.Proceedings of the 8th ACM European Conference on Computer Systems.ACM, 2013:351-364

[3]H.R.Varian.Equity, envy, and efficiency[J].Journal of economic theory, 1974, 9 (1) :63-91

[4]J.F.Nash Jr.The bargaining problem[J].Econometrica:Journal of the Econometric Society, pages 1950, 155-162

[5]D.Fudenberg and J.Tirole.Game theory[M].MIT Press, 1991.

[6]Parkes D C, Procaccia A D, Shah N.Beyond dominant resource fairness:extensions, limitations, and indivisibilities.Proceedings of the 13th ACM Conference on Electronic Commerce.ACM, 2012:808-825

[7]W.Wang, B.Li, and B.Liang.Dominant resource fairness in cloud computing systems with heterogeneous servers[J].arXiv preprint arX-iv:1308.0083, 2013.

[8]M.Isard, V.Prabhakaran, J.Currey等.Quincy:fair scheduling for distributed computing clusters.Proceedings of the ACM SIGOPS22nd symposium on Operating systems principles.ACM, 2009:261-276

[9]Cluster scheduler simulator, https://code.google.com/p/cluster-scheduler-simulator/.

多资源分配论文 第4篇

宽带电力线通信技术是利用广泛存在的配电网络进行高速通信的一种方式。伴随着通信技术的飞速发展,其业务也逐渐从自动抄表、负荷控制、供电管理等电力企业专用通信领域扩展到宽带接入和智能家庭网络等领域[1]。相比于传统的有线电缆通信和无线通信,宽带电力线通信技术有着无需重新布线、汲取电源便利和传输速率快等优势。然而电力线信道具有频率选择性衰落严重、噪声功率谱幅度差异大及时变性等弊端,为了克服电力线信道所带来的影响,正交频分复用(OFDM)技术已经被多个宽带电力线通信标准所应用[2]。其基本原理是将频带划分为若干彼此正交的子载波,在各子载波上传输相应的数据信息,其本质上是一种多载波调制方式。因而,如果已知各个子载波的信道信息,利用自适应资源分配的原理,动态分配各个子载波的数据比特和发射功率,就能更加有效地利用电力线频带资源,提高通信速率。

由于电力线是一种共享信道,连接在同一相上的多个用户共享带宽资源,所以需要考虑多用户之间的子载波及功率分配。而电力线是一种非屏蔽、对称性差的线缆,考虑到电磁辐射的要求,电力线通信信号的功率谱也受到一定的约束[3]。同时电力线信道的变化幅度很宽,各用户间的信道衰减差异较大,为保障电力线通信系统中的用户都能分配到一定的系统资源,用户之间的比例约束公平性也需要考虑。

以往文献中,有的提出利用凸优化算法进行多用户之间的资源分配[4],有的考虑了在功率谱约束下的电力线多用户资源分配问题[5],及讨论了公平性条件下的电力线多用户资源分配问题[6]。

本文从电力线信道的实际情况出发,考虑了宽带电力线通信的功率谱限制条件,兼顾多用户间的公平性原则,研究了宽带电力线通信的资源分配模型。并在此基础上提出了一种基于量子遗传算法的电力线多用户通信资源分配方法,并给出了目标函数。在典型多用户电力线信道条件下,同文献[6-8]的方法进行仿真比较。结果表明:利用本文方法可以快速、准确地进行宽带电力线的资源分配,提高频谱利用率,增加宽带电力线系统的传输速率。

1 多用户系统模型及问题描述

1.1 典型电力线信道建模

由于配电网中存在大量的支路,且支路插座上的负载与电力线特性阻抗失配,所以形成了典型的多径衰落信道。而电力线建模的方法也主要分为计算法和测量法2类。本文采用欧洲开放电力线研究联盟OPERA(Open PLC European Research Alliance)组织提供的电力线信道标准模型[9],考虑不同多径数目下的信道情况,反映了实际配电网中位于不同位置用户的信道情况。模型如图1所示(图中ε为信道衰减)。图中,4种信道分别为7径、5径、10径和15径下的信道衰减特性。其多径数目越多,衰减也越大,而且符合电力线的频率选择性衰落特征。电力线信道中的噪声可以分为5类[10,11,12,13]:有色背景噪声、窄带噪声、同步脉冲噪声、异步脉冲噪声和随机脉冲噪声。而与宽带电力线通信资源分配相关的是有色背景噪声。

1.2 多用户系统优化模型

电力线是典型的共享介质。在低压配电网络中,多个用户连接到同一相电源线上。服务器向这些用户提供各种类型的服务。

此处考虑由服务器到用户的下行通信情况,假设服务器可获知完整的信道信息。服务器利用这些信道信息以及各个用户的需求通过资源分配算法进行优化分配,得到各个子载波、比特和功率的分配情况。再将这些情况通过信令的方式发送给终端。然后服务器开始根据分配情况为每个子载波选择合适的数据进行调制发送。而终端则根据信令中的信息从共享信道中提取发送给自己的信息并进行相应的解调,直到用户的信道情况或业务需求发生变化。

1.3 优化问题描述

假设系统有K个用户共享N个子载波,信道的总带宽为B(Hz)。系统总的发射功率是Ptarget,由于电力线的电磁辐射要求,其信号的功率谱必须小于P。优化目标是在发射功率和功率谱双重约束下的系统容量最大化。而同时要兼顾各个用户之间的公平性要求。因此优化问题可以描述为

其中,为每个子载波上的功率谱密度;αk,n为子载波分配系数,如果第n个子载波分配给用户k,则αk,n为1,反之则为0,此约束条件表明一个子载波只能分配给一个用户使用;γk为比例系数,表征各用户之间传输速率的比例约束;Rk则表示用户k分配到的比特数。

1.4 优化问题简化

考虑约束条件式(2)和式(3),如果各个子载波的功率谱限制之和小于总的发射功率Ptarget,则系统只需要满足功率谱上限要求即可,同时也确定了各个子载波的功率分配。上述问题从而简化为子载波的分配问题。如果各个子载波的功率谱限制之和大于总的发射功率Ptarget,也可以先考虑使用进行子载波分配,最后再进行子载波功率的调整即可。若用户k在子载波n上的发射功率谱为,则在该信道上的最大传输速率可以表示为

其中,gk,n表示用户k在信道n上的衰减系数,Γ为信噪比间隔,用来表示实际容量和理论计算的差额;σ表示背景噪声的功率谱(“”为下取整符号,表示rk,n为小于或等于的最大整数)。所以,电力线资源的优化问题可以分为2个步骤进行:首先按照功率谱限制进行子载波的分配,然后根据分配功率是否超过总功率限制进行子载波功率消减。因此约束条件式(2)和式(3)可以被替代为

其中,Rk,n表示用户k在信道n分配的比特数。

2 算法描述

2.1 基于量子遗传算法的子载波分配

由于功率谱的限制,分配给每个用户的子载波能够发送的比特数即已确定,因此原先的优化问题已经简化为一个0-1整数规划问题。由于公平性约束的限制,实际上构成的是一个非线性优化问题。寻找此问题的最优方法是匈牙利算法。但它的复杂度为O(N4),N为子载波的数量。在宽带电力线通信中,子载波往往很多,所以并不具有实际应用价值。而遗传算法作为一种随机搜索算法已经在很多优化问题上得到成功的应用,但其所需种群大,收敛速度慢。考虑到电力线通信对计算速度的要求,因此本文利用量子遗传算法[14]进行子载波的分配。量子遗传算法是用量子比特来表示信息,通过量子比特测量时的随机性来扩大种群搜索的范围,通过进化的方向性来快速逼近最优解。相比于传统的遗传算法,具有种群少、迭代进化次数少、不容易陷入局部极值的特点[15],适合用于子载波的分配。下面介绍具体实现。

2.1.1 初始化种群,进行量子编码

在量子遗传算法中,信息的基本单元是量子比特(qubit),与经典比特不同,量子比特可以处在叠加态。一个qubit可以表示为

其中,表示2个不同的量子态,而α和β分别表示处于这2个量子态的概率。因此1个qubit可以同时存储和表达2个态的信息。本文使用qubit来对优化目标进行编码。其中,1个个体包含N条染色体,表示N个待分配的子载波。而1条染色体含有条基因,表示该子载波分配给哪个用户(“”为上取整符号,表示S为大于或等于log2K的最小整数)。编码后的个体表示为

其中,qjt表示第t代第j个个体。

2.1.2 对每个个体进行量子态测量

量子态的测量是通过1个0~1的随机变量来测量1个量子叠加态,使之从一个概率状态坍塌到一个具体状态。

2.1.3 对每个具体的状态进行目标评估

评价函数的选择对量子遗传算法有着至关重要的作用。合适的目标函数可以有效地表示各状态的优劣,加速收敛。在电力线通信资源分配问题中,由于需要考虑各用户之间的公平性和系统总容量的最大化目标,提出了下面的评价函数:

其中,Rk表示第k个用户分配到的比特数,由子载波的分配情况式(9)和比特分配计算式(6)确定。而R′k表示用户k的相对速率,由式(11)计算得到,式(10)的后一项主要表示公平系数。因此,评价函数既考虑到了总体的速率最大化,又兼顾了公平性的需求。

其中,γk为约束条件式(5)中的比例系数。

为加快计算速度,在实际应用中,可以先建立所有用户在各个子载波上的传输速率表,为1个NK的矩阵。子载波的分配确定后,通过查表可以快速计算出各个用户的传输速率。

2.1.4 进化

如果计算的子载波分配方案达到系统要求或达到最大的迭代次数,则终止。反之则进行子代的进化。量子遗传算法的方向性主要表现在进化上。选出最优的个体,其他的个体根据进化规则向该个体进化。主要是通过量子旋转门实现。

其中,αi和βi表示个体中第i个量子比特的概率幅,θi为调整的旋转角。

文献[11]给出了旋转角的计算方法。通过量子旋转门的进化,最终达到子载波优化分配的目的。

2.2 功率调整算法

上面的子载波分配算法在功率谱限制条件下的分配功率小于系统功率要求的情况下成立。当已分配功率大于功率限制时,还需要进行功率调整。功率调整是通过减小特定子载波上的比特数目来达到降低功率的作用,有4个步骤。

a.计算功率差额。如果Δp0,结束功率调整。其中:

b.寻找相对速率最大的用户K*。

c.在用户K*分配的子载波集合ΩK*中寻找减小1 bit功率最大的载波N*。

在实际应用中,减小功率最多的是仅分配1 bit的子载波,然后是分配比特数最多的子载波。

d.更新子载波上的比特分配和功率分配。返回步骤a。

综合子载波分配和功率调整算法,完整的宽带电力线资源分配算法如图2所示。

3 仿真试验与分析

实验采用OPERA组织给出的标准电力线信道模型进行建模,如图1所示。系统的功率谱限制为-60 dBm/Hz,背景噪声用高斯白噪声替代,功率谱密度为-120 dBm/Hz。量子遗传算法中,种群大小为100,进化代数上限为100代。误码率要求为10-7。

根据上述仿真参数,本文的算法与一些经典算法进行比较。文献[6]的算法是一种完全公平性算法,用户间的比例约束均为1。文献[8]的算法是专为电力线通信设计的算法,其用户间的比例约束为各个用户独占所有信道的速率比。文献[7]是无线通信中一种经典的比例约束算法,其比例约束同本文一样可以任意设定。为进行公平比较,本文按照文献[6]和文献[8]的要求设定这2种比例约束,分别同上述算法进行比较。

图3和图4是在2种不同的比例约束下分别同文献[6]以及文献[7-8]中的方法进行比较(2幅图中,Nbit为总分配比特数;N为用户数)。从图中可以看到,本文方法在总分配比特数,也就是系统的总容量上要优于其他3种方法。由于实际的电力线信道之间的差异性较大,当存在比例约束条件时,为保障信道情况较差的用户也能拥有一定的传输速率,势必会影响系统的总体容量。此外,还可以看出,第2种约束条件下的系统容量要大于前一种。所以不同的比例约束也对系统的总体性能有一定的影响。

下面详细分析在4用户情况下的系统容量和公平性之间的关系。4用户在2种比例约束下的各方法分配结果如表1所示(表中,单位为bit/OFDM,表示1个OFDM符号可加载的比特数)。表中的最后一行是各个用户独立占用整个系统资源所达到的数据分配数,和信道情况的优劣直接相关。可以看出用户2的信道最优,而用户4的信道最差,这和图1中的信道曲线是吻合的。

为了比较资源分配的公平性,定义公平系数为

其中,φ=0时为完全公平。

所以,文献[6]的算法是一种公平性优先的算法,公平系数为0.64%。而在这种比例约束下,本文方法的公平系数为0.39%。但本文方法的系统总容量较文献[6]的方法提高了10.7%。同样,在第2种比例约束条件下,文献[7]和文献[8]的公平系数分别为11.73%和2.63%,而本文算法仅有1.02%。同时,本文算法在系统总容量上也优于其他几种算法。

图5(图中,n为进化代数;γ为适应度值)说明利用量子遗传算法能够有效地实施子载波分配。量子态测量的随机性使得种群搜索更加广泛,并使个体的差异性也更加明显。

4 结论

本文研究了考虑公平性的电力线资源优化问题。通过功率谱的限制,将复杂的双重约束条件进行简化,提出了分2步解决资源优化的方案。首先,通过量子遗传算法进行子载波的分配,然后通过功率调整算法达到限制功率的作用。通过仿真计算得到以下结论:

a.系统总容量和多用户之间的公平性在一定程度上是互相矛盾的,寻找一个合适的平衡点能够有效提升系统整体性能,本文中讨论的后一种比例策略较前一种有明显的性能提升;

b.传统基于贪婪策略的子载波分配算法在用户差异性较大的情况下难以进一步提高系统的性能,而以遗传算法为代表的智能算法能够在总体上考虑问题,达到系统性能的进一步提升;

c.本文利用量子遗传算法能够有效地加速算法的收敛,减小种群的数量,提高分配效率。

摘要：研究了宽带电力线通信在功率谱限制和比例公平约束条件下的资源优化分配问题,提出了基于量子遗传算法的资源分配方案。在功率谱限制条件下通过量子遗传算法进行子载波的分配,再根据总功率分配情况判断是否需要进行功率调整。利用欧洲开放电力线研究联盟(OPERA)提供的信道模型,在等比例分配和依信道分配2种不同的比例系数约束下进行了仿真实验。结果表明:所提出的方法可以提升系统的容量,也能很好地平衡多用户之间的比例公平性。与max-min算法及传统比例分配算法相比,该方法对系统的整体传输容量提升约为5%～10%,增加了频谱利用率,具有良好的比例公平性。

桉叶多酚种质资源筛选 第5篇

桉树是我国重要的用材林木,种植面积大,年产桉树叶的生物量非常巨大,桉树叶提取物具有很强的生物活性功能[1,2,3]。前期研究显示提取物中多酚类物质含量非常高,而且抗氧化活性很强,两者之间存在计量依赖关系,因此桉叶中的多酚是一种潜在的高效天然抗氧化剂,有必要进行深入研究[4,5,6]。近些年来我国桉树的种植面积大、地域广、品种多,而且培育了多个具有地方特色的新品种,不同地域和品种桉叶中多酚含量可能存在一定差异,以及桉叶的采集季节和干燥方法不同,均会影响桉叶中的多酚含量和抗氧化效果[7,8]。为了更有效地研究和开发桉叶多酚,对国内种植面积较广的多个桉树品种的多酚含量和自由基清除能力进行比较,拟筛选出最佳品种资源;另外对桉叶的干燥方法对多酚含量和自由基清除能力的影响进行比较,筛选出最佳的桉叶干燥方法。

1 材料与方法

1.1 材料

桉叶品种:广林9号桉叶(采自湛江、广州、广西、四川)、广林29号桉叶(采自湛江、广州、四川)、U6桉叶(采自湛江、广州)、韦塔桉、粗皮桉、赤桉、托里桉、巨桉、红冠桉等均采自广州。

1.2 试剂

乙醇、甲醇、Na2CO3为分析纯,均在有效期内使用;DPPH(2,2-二苯代苦味肼基)、福林-酚试剂,购于sigma公司;没食子酸为广州市前进化工原料有限公司产品。

1.3 主要仪器设备

FW100型高速万能粉碎机、R204旋转蒸发器、FD1型冷冻干燥机、AL 104电子天平、KQ500B型超声波清洗器、SH-D真空泵、U3010紫外可见分光光度计。

1.4 方法

1.4.1 多酚含量及DPPH清除能力测定方法的建立[6]

(1) 福林酚法测定多酚含量

以没食子酸为标准品,配成0.01 mg/mL、0.02 mg/mL、0.04 mg/mL、0.06 mg/mL、0.08 mg/mL的样液,加入0.5 mL福林酚试剂和1.5 mL Na2CO3,定容至10 mL,在室温下避光反应2 h,于760 nm处测定其吸光值,绘制标准曲线。取1 mL 0.1 mg/mL的样品水溶液加到10 mL比色管中,按上述步骤测定其吸光度。测定的吸光度代入标准曲线,求得试样中总多酚的含量,以没食子酸含量计。

(2) DPPH清除能力的测定方法[6]吸取0.2 mL

0.05 mg/mL的样品溶液于比色管中,滴加3.8 mL110-4 mol/L的DPPH溶液,摇匀静置,室温避光反应0.5小时后,于517 nm下测定吸光度。根据式(1)计算每种样品对DPPH 自由基的清除率。

清除率/%=(1-(As-Asb)/(Ab)100 (1)

式中As为加0.2 mL样品液后DPPH溶液的吸光度;Asb为0.2 mL 样品液+ 3.8 mL 溶剂(甲醇)后的吸光度;Ac为0.2 mL 溶剂(甲醇)+ 3.8 mL DPPH溶液的吸光度。

1.4.2 不同品种和地区桉叶多酚的提取及测定

将不同品种和地区的桉叶阴干后,粉碎,过40目筛,得到桉叶粉。称取粉末10.0 g, 加入20倍体积的70%乙醇, 超声波提取2 次, 每次30 min, 趁热减压抽滤, 合并滤液, 减压旋转蒸发溶剂后, 冷冻干燥过夜, 得醇提物备用[5,6]。采用福林酚法对各醇提物进行多酚含量的测定。

1.4.3 桉叶处理方法的筛选

以湛江广林9号桉叶为原料,分别做晒干和阴干处理,并按照节1.4.2方法得到醇提物,分别对两种醇提物进行多酚含量和DPPH清除率的测定,并进行比较。

2 结果与分析

2.1 原料品种的筛选

分别对广林9号、广林29号、U6、韦塔桉、粗皮桉、赤桉、托里桉、巨桉、红冠桉这九个品种的醇提物进行多酚含量的测定,测定结果如表1所示,不同品种桉叶中的多酚含量差异明显,其中多酚含量最高的粗皮桉为赤桉的近2倍,而广林9号、广林29号、粗皮桉以及韦塔桉的树叶中多酚含量均比较高。综合资源量,广林9号和广林29号是以巨桉为母本、尾叶桉为父本的人工育种[9],种植面积广,产量高,因此可将桉叶广9号、广林29号作为桉叶多酚开发原料。

2.2 不同地区的桉叶多酚含量比较

分别对湛江、广州、广西、四川广林9号桉叶,和湛江、广州、四川广林29号桉叶以及湛江、广州U6桉叶的多酚含量进行比较,结果如表2所示,桉叶多酚含量:广西>湛江>广州>四川,其中湛江广林9号、广州广林29号以及广西广林9号有较高的多酚含量,均可作为桉叶多酚开发原料。

2.3 阴干和晒干桉叶提取物抗氧化能力的比较

对通过室内阴凉放置干燥和太阳光照射干燥的同种广林9号桉叶中多酚含量和清除自由基能力进行比较,结果如表3和图2所示,阴干的桉叶多酚含量和DPPH自由基清除率均比晒干样品高,初步推断,可能太阳光的照射对桉叶中的抗氧化成分有破坏作用,其中不稳定物质可能发生分解,从而降低了多酚含量和DPPH自由基清除能力,因此桉叶前处理中应尽量采用阴干的方法。

3 结论与讨论

通过比较不同地区和品种桉叶醇提物的多酚含量,综合各方面因素,筛选出湛江广林9号、广林29号以及广西广林9号为良好的桉叶多酚开发原料。

在研究过程中还发现桉叶不同的保藏方法对桉叶多酚物质的有一定的影响,在阳光中的长期照射下,其中的抗氧化物质可能发生分解,故采用阴干的方法比较合理和科学。

在研究过程中,发现不同桉叶亲缘性和多酚含量的关系可能存在一定的相关性,亲缘性紧密的几个品种多酚含量比较接近,广林9号、广林29号同属巨尾桉[9],两者多酚含量非常接近(分别为75.04±0.27 mg/g和74.85±0.78 mg/g);韦塔桉、粗皮桉也同属一类[10],两者多酚含量也很接近(分别为85.57±0.57 mg/g和87.11±1.02 mg/g),这为以后系统地研究桉叶亲缘性和多酚类物质含量的相关性提供了一定的参考依据。

摘要：桉叶中多酚含量丰富,是一类具有开发价值的天然活性物质。对国内多个品种桉叶的多酚含量进行比较,为桉叶多酚的开发利用进行资源筛选。选择了四川、广西、湛江和广州的主要桉树品种,15种桉叶进行桉叶多酚提取和抗氧化活性筛选,其中湛江广林9号、广林29号以及广西广林9号的桉叶多酚含量和抗氧化活性均高于其它品种,可作为桉叶多酚提取原料。另外对桉叶的干燥处理方法进行了考察,结果表明阴干的桉叶多酚含量高,抗氧化活性强。

关键词：桉叶,种质资源,筛选,多酚

参考文献

[1] Sugimoto K,Nakagawa K,Hayashi S.Hydrolyzable tannins as an-tioxidants in the leaf extract of eucalyptus globulus possessing tyrosi-nase and hyaluronidase inhibitory activities.Food Science and Tech-nology Research,2009;15(3):331—336

[2] Shalinder Kaur,Harminder Pal Singh,Daizy Rani Batish,et al.Chemical characterization,antioxidant and antifungal activity of es-sential oil from Eucalyp-tus tereticornis.Journal of Medicinal PlantsResearch,2011;5(19):4788—4793

[3]付文卫,赵春杰,裴玉萍,等.桉属植物的化学成分与生物活性.国外医药.植物药分册,2003;18(2):51—58

[4] Sónia A O Santosa,Juan JoséVillaverdea,Carmen S R Freirea,etal.Phenolic composition and antioxid-ant activity of Eucalyptus gran-dis,E.urograndis(E.grandis×E.urophylla)and E.maidenii barkextracts.Industrial Crops and Products,2012;(39):120—127

[5]陈海,田宏,肖苏尧,等.桉叶抗氧物的提取与抗氧化性质研究.湖南林业科技,2009;36(2):25—29

[6]王俊亮,肖苏尧,陈运娇.广林9号桉叶多酚抗氧化活性研究.食品科学,2012;33(1):20—24

[7]殷亚方,姜笑梅,吕建雄,等.我国桉树人工林资源和木材利用现状.木材工业,2001;15(5):3—5

[8] Ben Marzoug,Hajer Naceur,Bouajila,et al.Eucalyptus(gracilis,oleosa,salubris,and salmonophloia)essential oils:their chemicalcomposition and antioxidant and antimicrobial activities.Journal ofMedicinal Food,2010;13(4):1005—1012

[9]胡远琴.巨尾桉广林9、广林29的特征特性及丰产造林技术.现代农业科技,2011;(8):197—202

联盟资源多微信找项目 第6篇

芦笋

新农人中芦笋达人马春雷从事芦笋种植数年以上,积累了不少芦笋的种植和销售经验。2016年年初,他大范围出售自繁自育的芦笋苗,进口品种,售价每棵1.1元,一百棵起订。在微信群中简短介绍后,大家都开始咨询起来。

从事粮食酒酿造的代启飞想在自家菜园种植一些芦笋,对芦笋的功效提出了疑问。对于芦笋的保健作用,马春雷指出有“诗”为证:

蔬之王

相对于功效,种植葡萄的贾明强和李平更关注的是芦笋这个新项目的管理难度,毕竟农业技术是一个项目成功与否的关键。马春雷介绍到芦笋的管理相对棚室蔬菜管理较为容易,购买苗后,按照要求准备定植沟,定植后1个月进行查苗补苗,之后适时浇水,定期追肥即可。当然种植过程中遇到问题也可以随时通过微信咨询马春雷。芦笋定植当年不能采收,当年长势减弱时留母茎,第二年4月就可进行芦笋初采。

对于一些新农人比较关注的成本问题,马春雷也做了详细介绍。第一年每亩地投资约为2 000~4 000元,之后每年需要增加的成本在700~1 000元。在市场行情稳定,正常管理条件下,价格可在每斤5~7元,则每亩效益的理论数字是5 000~8 000元。

从事蔬菜种植的白荣辉对于芦笋关注较多的还是效益问题,当前市场消费力减弱,开发新品种的销路问题仍是一个难关。经过几年摸爬滚打,马春雷认为芦笋的目标人群应该是认知水平较高,高收入且高消费的人群,从芦笋在南方发展的蒸蒸日上来看,北方的芦笋市场仍有很大潜力值得开发。

苍术

用于燥湿健脾、祛风散寒的苍术(zhu)对风寒感冒、水肿、夜盲等症疗效显著,是需求用量较大的中药品种之一。辽宁清原中药材基地的徐恩国也在联盟群里分享了苍术项目的种植技术及前景。

苍术分为南苍术和北苍术,目前市场上流通的多为北苍术。北苍术主要分布我国北方,耐寒,喜凉爽、昼夜温差较大、光照充足的气候,对土壤要求不严,荒山、坡地、瘠土都可生长,以排水良好、地下水位低、土质疏松、腐殖质含量较高的沙壤土为好,忌水浸。播后3~4年或移栽后2~3年即可采收,亩产鲜品2 000~3 000公斤左右,按产地收购平均价格计算,亩纯效益6 000~10 000元以上。

多工厂企业生产任务分配方法探讨 第7篇

一、多工厂企业分配生产任务原理与传统求解法

首先以两个具体真实的工厂为例, 讨论如何分配生产任务的问题。由于在同一企业内部的多个工厂之间进行产量最优分配, 最核心的问题是明确这些工厂总的边际成本函数。为简单起见, 本文只介绍其中最关键的步骤即总边际成本的求法, 其它步骤并无二致。

原理:一个用两个工厂A和B生产的企业, 其边际成本分别为MCA和MCB, 经理将生产任务在两个工厂之间分配, 使其边际成本相等, 即:

MCA=MCB时, 企业产量QT=QA+QB的总成本最小。

生产部门可以提供给经理的两个工厂的边际成本, 为简单的线性函数:

MCA=28+0.04QA (1)

MCB=16+0.02QB (2)

注意:所估计的工厂A (1978年成立) 的边际成本要比工厂B (1995年成立) 的边际成本在每个产出水平上都高, 工厂B更有效率。

对于这类问题, 总是先求出总的边际成本函数, 然后再按照边际成本相等的原则进行分配。这里如何求得总的边际成本函数成为问题的关键。关于总边际成本函数的求法, 一般的求解方法如下:

首先从上面两个边际成本函数中分别求逆函数:

QA=25MCA-700

QB=50MCB-800

QT=QA+QB

同时记住这个简单加总要求:

MCA=MCB=MCT,

即QA=25MCA-700

QB=50MCB-800

将这两个边际成本反函数加总, 得到总成本函数:

QT=QA+QB=75MCT-1500

然后将该式反过来表示, 会得到下面的边际成本公式

MCT=20+0.0133QT

二、多工厂企业分配生产任务的简易求解法

事实上, 只要将 (1) +2 (2) 立即可以得到:

MCA+2MCB=60+0.04 (QA+QB)

我们知道, MCA=MCB=MCT, 同时QT=QA+QB, 就可得出:MCT=20+0.0133QT

三、多工厂企业分配生产任务的推广

为进一步说明本文算法的优势, 现假设一个大企业有很多工厂, 数目为N, 每个工厂的边际成本函数分别为:

MC1=a1+b1q1;MC2=a2+b2q2MCn=an+bnqn;

以上各个工厂的边际成本函数可以写作如下:

MC1/b1=a1/b1+q1

MC2/b2=a2/b2+q2

MCn/bn=an/bn+qn

将上列式子左右对应相加, 注意其中, MC1=MC2==MCn=MC;可得:

由于:q1+q2+qn=q

所以有:

这样就得到了任意多个工厂总的边际成本函数。

本文提出的这种简易算法没有改变原有的产量分配原则, 而是充分地、灵活地利用了分配原则。S.Charles Maurice与Christopher R.Thomas的算法本身便没有任何错误, 但过分拘泥于按照总边际成本的定义来求解, 在其给出的求解法中, 两次用了求逆和求反的方法, 导致算法过于复杂。简易算法的关键在于抓住QT=QA+QB, 为了保证这一点, 必须让Q1、Q2QN系数相同。在企业有更多工厂同时进行生产, 而经理要在各个工厂之间进行产量分配时, 本文提出的这种算法的相对优势就会进一步凸显出来。

参考文献

多资源分配论文 第8篇

关键词:资源约束;项目调度;遗传算法

中图分类号:O224 文献标识码:A文章编号:1006-8937(2010)10-0017-01

经济的全球化加剧了日益激烈的市场竞争,同时对企业的生存与发展提出了更高的要求。无论是软件开发、建筑工程、制造业等大型产业,还是进行批量生产的小型企业,为了进一步增强自身竞争优势,项目管理技术的应用已经越来越广泛。而项目调度问题作为项目管理技术中的一个重要分支,合理的调度计划能够有效地缩短项目周期、降低企业成本、提高产品质量。但是由于项目调度问题较为复杂,不仅存在前驱后继关系,还常伴有资源的约束,求解极为困难。

因此,文章所研究的主要内容就是对求解多模式资源约束项目调度问题的遗传算法进行优化。

1存在问题

在更多的实际项目中,为了提高资源的利用率,项目负责人往往会依据项目中各活动的轻重缓急程度来决定对各个活动的资源投入量,而在现实的工作过程中,各工作所获得的实际资源投入量会直接影响到该活动的工期。所以,当活动比较紧急时,可以通过加大资源投入量的方法,来缩短完成这项活动所需要的工期。当活动不是很紧张,可以略有拖延时,我们也可以考虑通过减少该活动的资源投入量,从而降低成本,这样就可以在工程进度中获得更大的收益。这种可以使用不同资源分配模式的资源约束项目调度问题就是多模式资源约束项目问题(multi-mode RCPSP,MRCPSP)。如果能够更好的为每项调度中的活动合理安排投入的资源,那么最终可以使得项目的完成情况更接近或超过预期目标。

2求解方法遗传算法是基于自然选择,在计算机上模拟生物进化机制的优化算法。它把欲求解问题的解空间映射作为遗传算法的搜索空间,把每一个可能的解编码作为一个解向量,也称为染色体(Chromosome),染色体中的每一个元素称为基因(Gene)。所有的染色体就可以组成一个种群。根据所研究问题的求解情况设定一个目标函数值,即评价指标,比如工程项目中的工期等。通过这个目标函数值,也称为个体适应度,来评价所有染色体,从而决定染色体的好坏优劣。这样,按照遗传算法的流程和对应的操作,不断进化种群中的染色体,来调整其基因值,使之愈来愈趋近于目标函数值所倾向的个体,也就是我们所研究问题中期望的较优解。

遗传算法通常包括六个基本步骤。步骤1,初始化种群:按照预先设定的优先规则(LFT,LST,MTS,MSLK,RND)和对应的个体数(比例,如LFT:LST:MTS:MSLK:RND=1:1:1:1:1)产生初始种群链表initGroupList,大小为GS。步骤2,选择操作:按照选定的选择操作的策略(轮盘赌、二人竞赛)和交叉率进行选择操作,将选中的个体加入到双亲链表parentsGroupList。步骤3,交叉操作:按照选定的交叉操作的策略(单点、两点、均匀、最大资源利用)进行交叉操作。从parentsGroupList中选择双亲进行交叉,交叉后的新个体保存到子代链表childrenGroupList。步骤4,变异操作:按照选定的变异操作的策略(基插、染插、交换、基邻插、染邻插、邻交换)进行变异操作。对childrenGroupList中的新个体按照变异率进行变异,变异后的个体加入到初始种群链表initGroupList。步骤5,维持种群:保证数量不变。步骤6,终止条件:是否达到最大迭代次数,如未达到则重复步骤2。否则,输出迭代中最好的个体。遗传算法编码和解码解析。根据目前的研究资料表明,紧前关系相容链表是目前较好的一种染色体编码方式。该方法简单易用并且求解效率高。

所选择的适应度函数。通常情况下,遗传算法的通用适应度函数公式定义如下:

f(x) = T (1)式中,f(x)是个体x的适应度值;T是个体x的项目工期。

选择、交叉和变异算子。遗传算法的核心操作是三个操作算子——选择、交叉和变异。这三个算子主导了遗传算法如何进行,也决定了所研究问题的求解质量。

①选择应运二人竞赛策略。在生物的遗传和进化的过程中,任何一个物种对生存环境适应度较高的个体都会有更多的机会将优良基因遗传到下一代中,反之被保留的机会就会减少,甚至被淘汰。根据预先设定的选择概率,在种群中对每个个体进行选择。在被选中的个体中依次进行选择,每次选择都从两个个体中选择最优的一个个体进入待交叉列表。因而选择操作在遗传算法中往往起着更为重要的作用,它会从父代中选出最好的基因遗传于子代之中。

②两点交叉策略。记参与交叉的两个父代个体为A和B,随机生成两整数p,q,1

③基于基因和邻域搜索的插入变异策略。基于基因插入变异策略是在基于基因的插入变异策略的基础上,根据变异概率和变异因子记录本次变异中出现过的最好染色体作为变异的结果,这个过程也称为邻域搜索。其中变异因子为在区间中尝试的位置次

3实验结果

为了研究遗传算法应用于MRCPSP求解的问题,文章选择了PSPLIB实例库中多模式J10作为测试依据,来验证遗传算法各个策略的优劣,结果如下:①选择策略。赌轮机制(比例复制)在运行J10项目中平均偏差率、最优解比例均不如二人竞赛策略。因此,文章融合算法中遗传算法部分采用二人竞赛的选择策略。②交叉策略。两点交叉相对于其它交叉策略具有更好的效果,平均偏差率、最优解比例都有很好成绩,因此文章融合算法中遗传算法部分采用两点交叉。③变异策略。文提出的基于基因和邻域搜索的插入变异策略相对于其他变异策略具有更好的效果,平均偏差率、最优解比例都有很好成绩,因此文章融合算法中遗传算法部分采用基于基因和邻域搜索的插入变异策略。

4结语

从实验结果可以看出,应运遗传算法解决资源约束项目调度问题具有很高的求解效率和质量。对遗传算法的变异策略进行改进,应运与求解具体的实例中更具有一定优势。

参考文献:

[1] 刘立东,蔡淮.融入遗传算法的混合蚁群算法[J].计算机工 程与设计,2008,(5).

[2] 陈国良,王煦法,庄镇权,等.遗传算法及其应用[M].北京:人 民邮电出版社,1996.

[3] (日)玄光男,程润传.遗传算法与工程设计[M].北京:科学出 版社,2000.

[4] 金菊良.遗传算法及其在水问题中的应用[D].南京:河海大 学,1998.

[5] 韩万林,张幼蒂.遗传算法的改进[J].中国矿业大学学报, 2000,(7).

[6] 杨启文,蒋静坪,张国宏.遗传算法优化速度地改进[J].软件 学报,2000,(4).

[7] 翟梅梅.基于蚁群算法的改进遗传算法[J].安徽理工大学 学报(自然科学版),2009,(3).

[8] 张晓玲,黄力.融入遗传算子的蚁群算法求解TSP问题[J]. 广西民族大学学报, 2009,(3).

[9] 黄立军,许永花.遗传算法和蚁群算法融合求解TSP[J].东 北农业大学学报, 2008,39(4):109-113.

[10] 徐金荣,李允,刘海涛,等.一种求解TSP的混合遗传蚁群算法[J].计算机应用,2008,(8).

多资源分配论文 第9篇

无线多传感器网络主要通过大量无线传感器节点构成, 各节点由数据采集、处理与控制、通信与电源等诸多模块组合而成。具体来说, 其在传感器网络中发挥数据采集者和数据中转站的作用。当作为数据采集者的时候, 传感器的数据采集模块会将附近环境的信息收集, 并且利用路由协议传输给基站 (base station) ;当作为作为数据中转站的时候, 传感器节点在完成收集周围环境信息的同时也会接收其他节点的信息, 并将收到的信息转发给其他节点或者直接传输给基站。

与传统的Ad Hoc网络比较来说, 其主要具有以下几方面特点: (1) 传感器节点数多, 网络节点密度高; (2) 主要通过电池向传感器节点供电, 相对比来说, 节点具有较为有限的能量; (3) 网络拥有容错能力; (4) 拓扑变化频繁。

具体来说, 其大体上涉及到下列几方面内容。

信号采集部分:由用来实现监测任务的不同传感器探测单元构成。其中涉及到不同类型的信息融合模块, 例如传感器处理电路, 探测电路等。

信息传输系统部分:这个结构负责编码与传递信息, 具体来说, 大体上涉及到以下几种模块:无线收发与编码压缩模块等。

测控平台部分:具体负责远程控制监测单元与信号接收等工作, 对获得的不同信息实施对比分析与融合, 目的是通过将监测数据即时传送给监测人员, 使监测人员实时掌握系统信息。它主要涉及到接收解调电路、解码解压缩模块等诸多部分。

1.1 多传感器网络通信系统

多传感器网络通信系统主要实现信息的融合、编码压缩和远距离传输。无限多传感器网络通信系统实现依靠无线电波, 最基本的无线通信系统由发射器、接收器与信道几部分构成。在这里, 需要注意的问题是, 无线电无法直接使用低频, 正是这一个方面的原因, 所以, 必须进行调试, 具体来说, 即在发射模块将即将传送低频信号加载至高频载波上。同时, 调制同样能够使一个无线信道兼容多种信息进行, 采用的方法是各信号利用相应的载波频率。而解调属于调制的反向过程, 这一个步骤主要是在接受器中实现, 主要是为了将初始信号恢复。

信息信号也称调制信号或基带信号;按照输出信号的性质, 主要能够把信号源划分成模拟与离散信源两种类型。其中, 对于前者来说, 其能够输出连续幅度的信号, 而对于后者来说, 其能够输出离散的信号。需要注意的一个问题是, 在信号源和发射器两者间一般必须具备发送设备, 在这里, 其主要是负责把信源与传输媒介两者进行有效匹配, 具体来说, 也就是把信源形成的信号转化成方便进行传输的信号, 在此基础上, 将其传至传输媒介, 发送设备可分为信道编码和信源编码两部分。

从发射器到接收器之间信号传递所经过的媒介, 或者为有线的, 或者为无线的, 传输的时候肯定会存在一定程度的干扰, 主要包括热噪声、衰落等诸多方面。接收器在这里主要负责实现发送设备的反变换, 具体来说, 也就是负责实现解调、译码等诸多功能, 其主要负责将原始信息从干扰的信号之中恢复, 就多路复用信号来说, 还负责接触多路复用, 正确分路。

1.2 多传感器通信系统调制技术 (OFDM) 概况

OFDM, 即正交频分复用技术, 归根结底, 其属于多载波调制其中一类。

具体来说, 其基本原理如下所示:把信道划分为几个正交子信道, 把高速数据信号变为并行的低速子数据流, 调制至各子信道上, 然后实现传输。在接收端利用有关方法能够将正交信号分开, 利用这种方式能够降低少子信道间彼此干扰ISI。各子信道上的信号带宽比其相关带宽小, 正是由于这一个方面的原因, 所以, 能够把各子信道上的视为平坦性衰落, 这样就能够将符号间干扰消除。同时, 因各子信道的带宽只为原信道带宽的很少的部分, 所以就非常易于实现信道均衡。

OFDM技术是在向B3G/4G演进的过程中关键的技术之一, 可以结合分集, 时空编码, 智能天线技术, 信道间干扰抑制以及干扰来使系统性能得到明显提升。具体来说, 主要涉及到下列几种:V-OFDM, W-OFDM, F-OFDM, MIMO-OFDM, 多带-OFDM。OFDM里面的每个载波彼此正交, 各载波在一个符号时间内的载波周期为整数, 各载波的频谱零点与邻居载波的零点重合, 于是使载波间的干扰有所降低。因载波相互之间存在一定的重叠, 正是这一个方面的原因, 其与传统的FDMA对比来说, 频带利用率明显提高。

2 Hopfield神经网络算法描述

基于Hopfield神经网络的多传感器通信系统资源分配 (OFDM系统的资源分配) 需要确定的是子信道分配方案和比特分配方案, 根据各用户的瞬时信道增益和用户业务量的大小, 动态地分配子信道, 使得系统的发送功率TP最小化, 然后在各个子信道上进行功率分配和比特加载, 即用HNN分为以下2方面。

2.1 子信道分配

传统的子信道分配方案为静态的, 主要是按照用户的业务量高低给用户分配子载波数目, 在这个过程中没有考虑各个用户的实际信道特征, 而是将固定的子载波分配给用户。针对静态子信道分配这个问题, 提出以Hopfield神经网络来分配。

第一步, 按照各用户业务量高低明确要分配给用户的子信道数目, 第二步要根据用户的顺势增益对子信道进行动态分配, 优化目标函数为:

公式中功率P是固定的调制方式中下一个信道符号的传输功率, 此处通过归一化来处理。

目标函数:

约束条件:

条件 (i) 要求每一个用户只能占用一个子载波;

条件 (ii) 要求用户可以使用每一个子载波。

综上所述, 把子信道分配的神经网络的总能量函数设为下式:

求解子信道分配的方程为下式:

式中的神经元的激励函数是g (·) 取的近似于S型的双曲正切函数, A、B、C是经验给出值, 其中:。

(3) 式和 (4) 式从网络的初始状态U0出发, 经过不断迭代, 获得其输出——子信道的分配矩阵ρ, 确定了Hopfield神经网络来解决动态子信道分配问题。

2.2 子信道上的比特加载、功率分配

表示第个用户分配到第个子信道;表示在第个子载波上要分配个比特;表示第个子载波需要分配的比特数。

为了使用HNN解决上述的问题, 本章将用ρ、v、l联合表示比特加载矩阵c;比特加载矩阵计算方法分为下述3步:

第一步:将l与v两矩阵的对应元素相乘获得新矩阵npn;

第二步:用元素均是1的列矩阵j和npn相乘得到新矩阵mpn;

第三步:将mpn扩展为k行然后和矩阵ρ的对应元素相乘最后得到矩阵c。

通过上述方法, 结合 (2) 式把 (1) 式转化为下述公式:

式中的约束条件有3个:

1表示各子载波分配一定的比特数目;

2表示各子载波均可以分配到比特;

3表示满足各用户需要的传输速率。

将总的能量函数设为:

求比特加载、功率分配的神经网络模型运动方程为:

式中D也是经验给出值。上述两个公式确定了HNN来解决自适应比特加载问题, 自U0出发, 不断迭代网络的运动方程, 获得其输出v, 在此基础上, 把它代入 (3) 式就能够获得最小发射功率Pt。

2.3参数设定及仿真结果

在OFDM通信系统中, 用户依次是4、5、6、8、12个, 信道带宽1MHz, 子载波数N=180, 采用四中不同自适应调制方式——B-PSK、Q-PSK、16与64-QAM的, 信道选择6径的频率选择性信道, 多径信号为Clarke平坦衰落模型, 各用户最大传输速率是64bit/符号

HNN参数设定取经验得出值:A、B、C、D分别为100、200、150、150, 计算步长是0.001, 神经元斜率为0.02, 迭代两千次, 高斯白噪声的单边带功率谱密度N0=10-8。

通过图1我们得知, 使用HNN能够妥善处理上述问题, 图中展示了在不同用户数、误比特率要求下的平均比特信噪比关系曲线。经验给出值A、B、C、D的取值通常处于0到1000之间, 不同的取值用于解决不同的问题, 取值不同会略微影响网络的收敛速度, 没有发现取值会影响网络收敛趋势。

图2表示用户数为6时, 采用3种方案——HNN、遗传算法、OFDM-FDMA下误比特率同平均比特信噪比相对比得来的关系图。从图中可以看到, HNN和遗传算法相对比, 随着误比特率值的不断降低, 平均比特信噪比由相差2d B, 发展到HNN优于遗传算法0.5d B, 也可以得其收敛速度比遗传算法快。

参考文献

[1]朱伟, 宋建新.无线通信的跨层优化[J].信息技术, 2006 (3) :125-128.