摘要：针对具有能量收集能力的移动边缘计算系统的计算资源分配问题,提出一种基于李雅普诺夫贪婪优化算法。构建在设备电池电量逐渐收敛下,移动设备时延与能耗联合成本的动态最小化优化问题。利用李雅普诺夫动态优化理论,将优化问题分解成每个时隙最佳本地执行、卸载执行和能量收集3个子问题,通过线性规划获得子问题最优解。通过在本地执行、卸载执行和任务丢弃之间选择执行模式,获得设备的时延与能耗联合成本最小结果。利用键值对设计贪婪策略程序,以适应多用户多服务器系统。仿真结果证实,在保证所有设备电池电量都在规定操作水平附近稳定情况下,卸载率可达99.9%以上,并能有效降低服务延时和系统能耗。

摘要：由于服装的面料组成具有复杂性,企业在不同时间对不同规格型号面料需求量不一致,传统的人工预测及单维度智能预测模型难以解决问题。针对服装企业面料需求非确定性、预测难的痛点,提出基于关联规则及组合模型的面料需求预测方法。首先构建Apriori面料型号关联模型,挖掘多批多类面料间的型号关联规则;然后构建Prophet时间序列模型与长短期记忆神经网络(long short-term memory,LSTM)的组合预测模型Prophet-LSTM,结合其在解决面料需求预测问题上的优势;最后将挖掘出的高关联面料型号历史需求数据作为输入,采用量子粒子群算法(quantum particle swarm optimization,QPSO)优化组合模型权值系数,进行关联面料需求量预测。使用均方根误差(root mean squared error,RMSE)及平均绝对误差(mean absolute error,MAE)作为评价指标设计对比实验,实验结果表明:采用量子粒子群优化的QPSOProphet-LSTM面料需求预测模型RMSE较Prophet降低5.464,较LSTM降低1.184;MAE较Prophet降低4.261,较LSTM降低0.819,需求预测精度更高,支持服装企业面料柔性生产。

摘要：针对目前服装面料需求数据周期非确定性导致预测精度差的问题,提出一种基于Prophet算法的服装面料需求预测模型。通过分析服装面料需求历史数据的时间序列特征构建Prophet模型,使用M公司面料数据集设计Prophet与LSTM的对比实验,并采用RMES以及MAE作为评价指标。实验结果表明:相比于LSTM,Prophet模型具有较高的预测精度且有效提升了服装面料需求时间序列预测的准确性。