“深时数字地球”(Deep-time Digital Earth,简称DDE)是由中国科学家发起和主导,并由国际最大的地学组织——国际地质科学联合会批准的第一个大科学计划。深时数字地球旨在为地球的发展演变创建一个前所未有的互联互通的数字档案,利用...“深时数字地球”(Deep-time Digital Earth,简称DDE)是由中国科学家发起和主导,并由国际最大的地学组织——国际地质科学联合会批准的第一个大科学计划。深时数字地球旨在为地球的发展演变创建一个前所未有的互联互通的数字档案,利用先进的信息技术和数据科学方法,将地质历史的时间尺度与现代地球观测数据相结合,构建一个全面、动态、多维的地球系统模型。古地理图是揭示地表演变过程、板块运动、物种分布变迁等地质和环境资源问题,构建深时数字地球的重要时空可视化工具。从20世纪70年代开始,国外学者开始通过收集的大量以古地磁为主的地球物理数据、地质年代学数据、古生物化石数据等地学数据构建古地理重建模型。经过20年的努力,在EarthByte、Gplates Web Portal等网站发布了叠加地貌图、地质图、高程信息、磁异常、岩性等要素信息的近30种古地理图。当前,国内很多在线地质信息应用系统包含了样品、产状、化石、矿点等要素在现代地图的叠加展示,但是大多数系统缺少在线古地理图可视化功能,因此,无法从时间维度表达地质数据的年代信息。本文作者力求全部采用基于免费开源框架的技术路线构建一个能够快速部署的古地理图可视化Web应用(single page application, SPA)系统,在一个页面内可以切换不同古地理重建模型,展示岩石、古生物化石等兼具空间属性和地质年代学属性的地质要素。采用Vue组件实现前端模块组件与数据的分离,易于与Web GIS系统前端进行数据传输和功能模块的整合,从而可以快速集成进基于B\S架构的地质信息系统中。展开更多
已有基于深度强化学习(Deep Reinforcement Learning,DRL)的云数据中心任务调度算法存在有效经验利用率低造成训练成本高、状态空间维数不固定和维度较高导致学习震荡,以及策略更新步长固定造成的收敛速度慢等问题。为解决以上问题,基...已有基于深度强化学习(Deep Reinforcement Learning,DRL)的云数据中心任务调度算法存在有效经验利用率低造成训练成本高、状态空间维数不固定和维度较高导致学习震荡,以及策略更新步长固定造成的收敛速度慢等问题。为解决以上问题,基于云数据中心场景构建并行任务调度框架,并以时延、能耗和负载均衡为目标研究云任务调度问题。在DRL算法A2C(Advantage Actor Critic)的基础上,提出了一种基于自适应状态优选和动态步长的云数据中心任务调度算法(Adaptive state Optimization and Dynamic Step size A2C,AODS-A2C)。首先,使用准入控制和优先级策略对队列任务进行筛选和排序,提高有效经验的利用率;其次,将动态高维状态以自适应的方式进行快速优选处理,保持相对稳定的状态空间,避免训练过程中出现震荡问题;最后,使用JS(Jensen Shannon)散度度量新旧策略的概率分布差异,并根据这种差异动态地匹配调整Actor网络和Critic网络的学习步长,从而将当前学习状态迅速调整为最佳值,提高算法的收敛速度。仿真实验结果表明,所提出的AODS-A2C算法具有收敛速度快、鲁棒性高等特点,相较于其他对比算法在时延方面降低了1.2%到34.4%,在能耗方面降低了1.6%到57.2%,并可以实现良好的负载均衡。展开更多
文摘“深时数字地球”(Deep-time Digital Earth,简称DDE)是由中国科学家发起和主导,并由国际最大的地学组织——国际地质科学联合会批准的第一个大科学计划。深时数字地球旨在为地球的发展演变创建一个前所未有的互联互通的数字档案,利用先进的信息技术和数据科学方法,将地质历史的时间尺度与现代地球观测数据相结合,构建一个全面、动态、多维的地球系统模型。古地理图是揭示地表演变过程、板块运动、物种分布变迁等地质和环境资源问题,构建深时数字地球的重要时空可视化工具。从20世纪70年代开始,国外学者开始通过收集的大量以古地磁为主的地球物理数据、地质年代学数据、古生物化石数据等地学数据构建古地理重建模型。经过20年的努力,在EarthByte、Gplates Web Portal等网站发布了叠加地貌图、地质图、高程信息、磁异常、岩性等要素信息的近30种古地理图。当前,国内很多在线地质信息应用系统包含了样品、产状、化石、矿点等要素在现代地图的叠加展示,但是大多数系统缺少在线古地理图可视化功能,因此,无法从时间维度表达地质数据的年代信息。本文作者力求全部采用基于免费开源框架的技术路线构建一个能够快速部署的古地理图可视化Web应用(single page application, SPA)系统,在一个页面内可以切换不同古地理重建模型,展示岩石、古生物化石等兼具空间属性和地质年代学属性的地质要素。采用Vue组件实现前端模块组件与数据的分离,易于与Web GIS系统前端进行数据传输和功能模块的整合,从而可以快速集成进基于B\S架构的地质信息系统中。
文摘已有基于深度强化学习(Deep Reinforcement Learning,DRL)的云数据中心任务调度算法存在有效经验利用率低造成训练成本高、状态空间维数不固定和维度较高导致学习震荡,以及策略更新步长固定造成的收敛速度慢等问题。为解决以上问题,基于云数据中心场景构建并行任务调度框架,并以时延、能耗和负载均衡为目标研究云任务调度问题。在DRL算法A2C(Advantage Actor Critic)的基础上,提出了一种基于自适应状态优选和动态步长的云数据中心任务调度算法(Adaptive state Optimization and Dynamic Step size A2C,AODS-A2C)。首先,使用准入控制和优先级策略对队列任务进行筛选和排序,提高有效经验的利用率;其次,将动态高维状态以自适应的方式进行快速优选处理,保持相对稳定的状态空间,避免训练过程中出现震荡问题;最后,使用JS(Jensen Shannon)散度度量新旧策略的概率分布差异,并根据这种差异动态地匹配调整Actor网络和Critic网络的学习步长,从而将当前学习状态迅速调整为最佳值,提高算法的收敛速度。仿真实验结果表明,所提出的AODS-A2C算法具有收敛速度快、鲁棒性高等特点,相较于其他对比算法在时延方面降低了1.2%到34.4%,在能耗方面降低了1.6%到57.2%,并可以实现良好的负载均衡。
文摘实现储能系统安全运行,对锂离子电池可用容量的准确预测非常关键。通过对储能电池相关参数进行信息熵分析,筛选出对于电池可用容量具有显著影响的健康因子,将信息熵筛选出的健康因子与水母搜索反向传播神经网络(jellyfish search-back propagation neural network,JS-BP)相结合,建立电池可用容量预测模型。基于美国航空航天局(National Aeronautics and Space Administration,NASA)公开的相关老化数据集与电池老化实验平台的老化数据展开综合分析,其结果表明所提模型具有较高的电池容量预测精度,平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)均处于较低水平,验证了该模型的准确性。
