简介:在移动边缘云计算系统中重复覆盖的异构网络场景下,为了满足移动终端的任务卸载需求,同时降低终端任务卸载代价,提出基于演进博弈的云资源和计算资源联合分配方案(JRA-EG).同一个区域内具有任务卸载需求的终端形成一个种群,种群中终端通过选择不同的服务点(SPs)获得不同的无线资源和计算资源.为了建模与分析服务点选择与资源分配,建立了演进博弈模型.博弈的代价函数包括能耗代价、时延代价和经济代价.分别提出了基于复制动态的集中式算法和基于Q-learning的分布式算法求解演进均衡.仿真结果表明,所提的2种算法均能快速收敛至均衡解.与已有算法相比,JRA-EG方案节省了终端消耗能量,同时也降低了任务卸载时延.提出的方案能合理调度云资源和无线资源,从而有效降低终端的任务卸载代价.
简介:结合实际应用,阐述了将小写金额转换成大写金额的必要性和重要性,给出了采用分段处理的改进算法,并用PowerBuilder实现了该算法.
简介:借鉴求线性矩阵方程组同类约束解的MCG算法(修正共轭梯度法),建立了求多个未知矩阵的线性矩阵方程组的一种异类约束解的MCG1-3-5算法,证明了该算法的收敛性。该算法不仅可以判断矩阵方程组的异类约束解是否存在,而且在有异类约束解,且不考虑舍入误差时,可在有限步计算后求得矩阵方程组的一组异类约束解;选取特殊初始矩阵时,求得矩阵方程组的极小范数异类约束解。同时还能求取指定矩阵在该矩阵方程组异类约束解集合中的最佳逼近。算例表明,该算法有效。