摘要：MT-3000是由国防科技大学面向下一代超级计算机设计的国产异构众核处理器,具有优越的计算能力,可以有效加速可视化数据处理。等值线和等值面提取是标量场数据最常用的几何可视化方法,但现有的提取算法通常仅面向通用CPU或GPU。在MT-3000处理器上,由于片上缓存空间有限,从核访存带宽限制等问题,导致计算效率低下;另外,由于编程模型的特殊性,现有软件与方法无法直接在MT-3000上运行。为了充分发挥国产超算系统在可视化领域的计算效能,基于MT-3000的微体系结构对等值线网格序列算法和等值面移动立方体算法分别提出了新的并行化算法。新方法采用向量指令、流水线实现存算重叠等技术,更加适应异构众核架构,从而达到加速算法执行的目的。实验结果表明,2种算法的加速比均达到4以上,并且随着从核的增多,算法的执行时间近呈线性下降,这证明所提算法具有良好的可扩展性。

摘要：连续体机器人通常由柔性材料制成,能够承受大幅度形变,在各领域具有广阔的应用前景.然而,其软体结构和非传统的驱动机制也带来了诸多非线性因素,使得其状态和运动难以被精确建模.因此,为连续体机器人设计了一种无模型控制方案.该方案一方面通过变参递归神经网络(Varying parameter-recursive neural network,VP-RNN)求解连续体机器人的逆运动学,以实现高精度运动控制,另一方面使用递归最小二乘法(Recursive least square,RLS)基于实时数据估计和更新机器人雅可比矩阵伪逆,以避免机器人的解析建模.最后,通过仿真模拟和实物实验验证了所提出控制方案的可行性、精确性和鲁棒性,并通过一系列对比实验突出了所提出方法的优势.该方法率先研究基于递归最小二乘法的连续体机器人雅可比矩阵伪逆估计,对未来的连续体机器人研究具有一定的启示作用.

摘要：高铁站规模庞大且功能分区复杂,旅客在站内寻找路径时,常因导向标识不清晰而浪费时间甚至迷路,这不仅影响旅客的出行体验,还可能增加高铁站的运营压力。因此,优化高铁站内旅客导向标识的布设显得尤为重要。提出了一种基于“快车道”路径的导向标识布设模型,旨在简化旅客的路径选择过程。通过构建典型高铁站的仿真场景,并利用AnyLogic系统仿真软件对模型进行验证,研究对比了“快车道”路径与传统最短路径导向标识布设对旅客行进效率的影响,同时对旅客行进时间、速度以及应急疏散效果进行了详细分析。仿真结果表明,基于“快车道”路径的导向标识布设模型能够显著提高旅客的导向效率。与传统最短路径布设相比,旅客在站内的平均停留时间减少了约4分钟。该模型在提高旅客导向效率、减少停留时间以及提升应急疏散能力方面表现出色,具有重要的实际应用价值,为高铁站导向标识系统的优化设计提供了新的思路和方法。

摘要：布线是芯片设计自动化流程中至关重要且特别耗时的一环,直接影响最终产品的面积、成本、功耗、速度和可靠性,研究智能布线算法对提高芯片布线效率和优化芯片布线效果具有重要意义.芯片布线问题是一个多目标、多约束的NP困难问题.即使已有几十年的研究历史,目前仍存在大量未突破的问题和空间.随着制造工艺的不断发展,布线规则、约束和目标也持续调整和增加,使得布线选择极其困难.因此,对芯片设计自动化中自动布线的前沿研究进行了全面归纳与分析,以帮助科研人员全面了解该领域的研究进展和方向,助力智能布线算法的研究和发展.具体而言,首先阐述芯片布线的问题背景,然后分别介绍全局布线(Global routing,GR)和详细布线(Detailed routing,DR)的任务定义和目标、过程特点、难点和挑战、评估方法;接着详述和分析各布线方法,重点论述基于规划搜索的布线方法和基于机器学习的布线方法的最新研究成果、优缺点及其应用环节;然后介绍公开数据集和开源布线工具;最后总结现有方法在实际应用中存在的局限性,并对自动布线未来的发展趋势和潜在研究方向进行展望.

摘要：针对求解计算流体力学过程中图形处理器资源利用率低的问题,提出面向计算流体力学的图形处理器资源优化管理方案。基于计算流体力学的算法特性和同时运行任务的执行特点,设计合理的调度方案。通过动态改变不同任务的启动规模和启动时间,在减少资源竞争的同时提高图形处理器资源的有效使用。实验结果表明:本文提出的资源管理方案相比基线方法在不同任务规模下的平均加速比达到1.64,对图形处理器的硬件资源使用也有了显著的提升。

摘要：由于解决了三维点云的排列不变性问题,基于三维点云的深度学习方法在计算机三维视觉领域中取得了重大的突破,人们逐渐倾向于使用三维点云来描述物体并基于神经网络结构来提取点云的特征.然而,现有的方法依然无法解决旋转不变性问题,使得目前的模型鲁棒性较差;同时,神经网络结构的设计过于启发式,没有合理利用三维点云的几何结构与分布特性,导致网络结构的表达能力有待提升.鉴于此,提出了一种具有良好兼容性的严格旋转不变性表达以及深度层次类簇网络,试图从理论与实践两个层面解决上述问题.在点云识别、部件分割、语义分割这3个经典任务上进行了旋转鲁棒性对比实验,均取得了最优的效果.

摘要：微服务因其敏捷的开发方式、快速的部署方式,逐渐成为以云为基础的软件系统的主流架构方式之一.但是,微服务系统结构复杂,动辄上百个服务实例,而且服务之间的调用关系异常复杂,当微服务系统中出现异常时,难以定位故障根因.为了解决这个问题,端到端请求追踪(trace)成为微服务系统监控的标配.然而现有的分布式请求追踪实现方式对应用程序具有侵入性,严重依赖于开发者对请求追踪的经验,无法在运行时控制追踪功能的开启和关闭.这些不足不仅会增加开发者的负担,而且限制了分布式请求追踪技术的实际应用.设计并实现对程序开发者透明的请求追踪系统Trace++,能够自动生成追踪代码,利用动态代码插桩技术将追踪代码注入到运行中的应用程序.Trace++对程序低侵入,对开发者透明,能够灵活控制追踪功能的开启和关闭.此外,Trace++的自适应采样方法有效减少了请求追踪产生的开销.在微服务系统TrainTicket上的实验结果证明,Trace++能够准确发现服务依赖关系.在开启请求追踪时,性能开销接近于源代码插桩,在关闭请求追踪时无性能开销.此外,Trace++的自适应采样方法在采样到具有代表性样本的同时减少了89.4%的追踪数据.

摘要：移动边缘计算(mobile edge computing,MEC)是近年来出现的一种崭新技术,它能满足更多应用程序所需的计算资源,能使移动网络边缘资源受限的物联网(IoT)设备获得更好的性能.然而,众所周知,边缘基础设施在提高电力使用效率和整合可再生能源方面的能力较差.此外,由于物联网设备的电池容量是有限的,当电池电量耗尽时,所执行任务会被中断.因此,利用绿色能源来延长电池的使用寿命是至关重要的.此外,物联网设备间可以动态、有益地共享计算资源和通信资源.因此,为了提高边缘服务器的能效(power usage efficiency,PUE),实现绿色计算,设计了一种高效的任务卸载策略,提出了一种利用能量收集(energy harvesting,EH)技术和设备间通信(device-to-device communication,D2D)技术的绿色任务卸载框架.该框架旨在最小化任务执行所造成的边缘服务器端电网电力能源成本及云服务器端云资源租用成本.与此同时,引入激励约束,能够有效促进IoT设备间的协作,并防止IoT设备资源被其他设备过度使用.考虑到系统未来信息的不确定性,例如绿色能源的可获得性,提出了一种基于李雅普诺夫优化技术的在线任务卸载算法,该算法仅依赖于系统的当前状态信息.该算法的实现只需要在每个时间片内求解一个确定性问题,其核心思想是将每个时间片的任务卸载问题转化为图匹配问题,并通过调用爱德蒙带花树算法求得近似最优解.对所提出算法的性能进行了严格的理论分析,并通过实验验证了所提出框架的优越性能.

摘要：一维(有效)时间区间(VT)和二维最小限定矩形(MBR)是移动数据基本的时空单元,两者性质不同,应用中也有差异.现有移动数据查询通常是将相关数据转换为高出原空间情形"一维"的空间数据,其优势在于可充分使用现有空间数据索引技术.文中主要贡献在于研究基于过去和当前时间查询的移动数据索引模式,该索引模式能够表征时空各自特性并实现时空模块的整合配置.首先,文中将有效时间期间VT和空间MBR统一描述为广义区间,并通过区间数将其转化为平面上相点,实现了数学上的整合表述与刻画;同时,根据VT和MBR各自反映的时空特征,引入了基于时态拟序的时间相点线序划分和基于扩展KD-tree的空间相点MBR分类,建立时空相点分析基本框架;然后,在相点分析框架内实现时间和空间索引模块组建和整合配置,实现了移动数据索引模式Modim;另外,研究了基于当前与现在时间Modim数据查询以及索引增量式更新算法,并建立相点编码方案以实现最终查询结果的重构;最后,设计相关仿真以实现对Modim性能评估,与现有相关工作进行基本比较的结果表明文中工作是可行的和有效的.

摘要：针对软件开发人员不了解代码的能耗,或者即使能测得软件运行时的能耗但由于缺乏对影响能耗的各因素了解的问题,在对4种机器学习算法实验的基础上,选用岭回归算法建立了以软件性能事件为特征的软件能耗模型。以收集的软件能耗测量值和软件性能事件数据作为训练样本,利用岭回归机器学习算法建立平均能耗模型,用平均能耗模型来预测其他软件的平均能耗;并在此基础上,利用软件运行的实时特征提出了实时的能耗模型。实验结果表明:以测量的能耗为基准,采用所提出的平均能耗模型对软件能耗进行预测的误差率在9%以内;与平均能耗模型相比,实时能耗模型的预测误差率更低。采用本文所提出的两种能耗模型,软件设计人员不需要对自己的软件进行测量和训练就可以较准确地估算出软件的能耗并能解释能耗产生的原因,最后根据预测结果对软件的能效进行优化。