利用探空火箭、新一代天气雷达和气象探测资料对2015年7月17日延安宝塔区冰雹云进行了综合探测,结果表明:(1)当日08:00(北京时,下同)500 hPa河套低涡分裂东移,有较强冷平流且移动速度较快,地面14:00升温明显造成了这次降雹。(2)偏后位...利用探空火箭、新一代天气雷达和气象探测资料对2015年7月17日延安宝塔区冰雹云进行了综合探测,结果表明:(1)当日08:00(北京时,下同)500 hPa河套低涡分裂东移,有较强冷平流且移动速度较快,地面14:00升温明显造成了这次降雹。(2)偏后位置的冰雹云内部温、湿条件以及对流指数(Tg)、整层比湿积分(IQ)、总指数(TT)均小于外部的自然大气;层结稳定度指数(K)、抬升指数(LI)、沙氏指数(SI)冰雹云内部比外部自然大气偏小;热力参数风暴强度指数(SSI)冰雹云内部低于外部自然大气;冰雹云内部能量参数(CAPE)明显低于自然大气;冰雹云内部0℃层高度低于冰雹云外部自然大气。(3)火箭探测的位置偏冰雹云后部,冰雹云由低层到高层风向呈逆时针变化,探空仪摆动明显,-20℃温度层偏高,气流较强,整层偏下沉气流。(4)冰雹云0℃附近,在温度区间-1.8~5.0℃、厚度1.0 km范围内有最大湿度区,湿度达80%以上,最大湿度87.1%,为冰雹的形成提供了水汽条件。(5)紧贴0℃下正温区,有最大水平风速为19 m s^-1急流,厚度为0.022 km。在温度区间-4.8~5.0℃、厚度1.6 km范围内维持13 m s^-1以上水平风速,为冰雹的形成提供了动力场条件。(6)在温度区间-8.7^-9.2℃、厚度0.2 km,有小于或等于2 m s^-1弱风区;弱风区下方,在温度区间-4.6^-8.8℃、厚度0.889 km有上升气流,平均上升速度1.79 m s^-1,最大上升速度4 m s^-1,这种配置为冰雹的生长提供了环境场。展开更多
This article establishes a three-tier mobile edge computing(MEC) network, which takes into account the cooperation between unmanned aerial vehicles(UAVs). In this MEC network, we aim to minimize the processing delay o...This article establishes a three-tier mobile edge computing(MEC) network, which takes into account the cooperation between unmanned aerial vehicles(UAVs). In this MEC network, we aim to minimize the processing delay of tasks by jointly optimizing the deployment of UAVs and offloading decisions,while meeting the computing capacity constraint of UAVs. However, the resulting optimization problem is nonconvex, which cannot be solved by general optimization tools in an effective and efficient way. To this end, we propose a two-layer optimization algorithm to tackle the non-convexity of the problem by capitalizing on alternating optimization. In the upper level algorithm, we rely on differential evolution(DE) learning algorithm to solve the deployment of the UAVs. In the lower level algorithm, we exploit distributed deep neural network(DDNN) to generate offloading decisions. Numerical results demonstrate that the two-layer optimization algorithm can effectively obtain the near-optimal deployment of UAVs and offloading strategy with low complexity.展开更多
针对硅通孔(TSV)价格昂贵、占用芯片面积大等问题,该文采用基于云模型的进化算法对TSV数量受约束的3维片上网络(3D No C)进行测试规划研究,以优化测试时间,并探讨TSV的分配对3D No C测试的影响,进一步优化3D No C在测试模式下的TSV数量...针对硅通孔(TSV)价格昂贵、占用芯片面积大等问题,该文采用基于云模型的进化算法对TSV数量受约束的3维片上网络(3D No C)进行测试规划研究,以优化测试时间,并探讨TSV的分配对3D No C测试的影响,进一步优化3D No C在测试模式下的TSV数量。该方法将基于云模型的进化算法、小生境技术以及遗传算法的杂交技术结合起来,有效运用遗传、优胜劣汰以及保持群落的多样性等理念,以提高算法的寻优速度和寻优精度。研究结果表明,该算法既能有效避免陷入局部最优解,又能提高全局寻优能力和收敛速度,缩短了测试时间,并且优化了3D No C的测试TSV数量,提高了TSV的利用率。展开更多
针对TSV数量限制下的3D No C测试,如何在功耗约束条件下充分利用有限的TSV资源快速地完成3D No C测试,这属于NP难问题,采用基于云模型的进化算法对有限的TSV资源进行位置寻优,以及对通信资源进行分配研究,在满足功耗约束以及路径不冲突...针对TSV数量限制下的3D No C测试,如何在功耗约束条件下充分利用有限的TSV资源快速地完成3D No C测试,这属于NP难问题,采用基于云模型的进化算法对有限的TSV资源进行位置寻优,以及对通信资源进行分配研究,在满足功耗约束以及路径不冲突条件下调度测试数据,以实现芯核的最大化并行测试,减少测试时间。以ITC’02测试标准电路作为实验对象,实验结果表明,本文方法可以有效地进行TSV的位置寻优以及资源的合理分配,从而提高TSV利用率,减少测试时间。展开更多
文摘利用探空火箭、新一代天气雷达和气象探测资料对2015年7月17日延安宝塔区冰雹云进行了综合探测,结果表明:(1)当日08:00(北京时,下同)500 hPa河套低涡分裂东移,有较强冷平流且移动速度较快,地面14:00升温明显造成了这次降雹。(2)偏后位置的冰雹云内部温、湿条件以及对流指数(Tg)、整层比湿积分(IQ)、总指数(TT)均小于外部的自然大气;层结稳定度指数(K)、抬升指数(LI)、沙氏指数(SI)冰雹云内部比外部自然大气偏小;热力参数风暴强度指数(SSI)冰雹云内部低于外部自然大气;冰雹云内部能量参数(CAPE)明显低于自然大气;冰雹云内部0℃层高度低于冰雹云外部自然大气。(3)火箭探测的位置偏冰雹云后部,冰雹云由低层到高层风向呈逆时针变化,探空仪摆动明显,-20℃温度层偏高,气流较强,整层偏下沉气流。(4)冰雹云0℃附近,在温度区间-1.8~5.0℃、厚度1.0 km范围内有最大湿度区,湿度达80%以上,最大湿度87.1%,为冰雹的形成提供了水汽条件。(5)紧贴0℃下正温区,有最大水平风速为19 m s^-1急流,厚度为0.022 km。在温度区间-4.8~5.0℃、厚度1.6 km范围内维持13 m s^-1以上水平风速,为冰雹的形成提供了动力场条件。(6)在温度区间-8.7^-9.2℃、厚度0.2 km,有小于或等于2 m s^-1弱风区;弱风区下方,在温度区间-4.6^-8.8℃、厚度0.889 km有上升气流,平均上升速度1.79 m s^-1,最大上升速度4 m s^-1,这种配置为冰雹的生长提供了环境场。
基金supported in part by National Natural Science Foundation of China (Grant No. 62101277)in part by the Natural Science Foundation of Jiangsu Province (Grant No. BK20200822)+1 种基金in part by the Natural Science Foundation of Jiangsu Higher Education Institutions of China (Grant No. 20KJB510036)in part by the Guangxi Key Laboratory of Multimedia Communications and Network Technology (Grant No. KLF-2020-03)。
文摘This article establishes a three-tier mobile edge computing(MEC) network, which takes into account the cooperation between unmanned aerial vehicles(UAVs). In this MEC network, we aim to minimize the processing delay of tasks by jointly optimizing the deployment of UAVs and offloading decisions,while meeting the computing capacity constraint of UAVs. However, the resulting optimization problem is nonconvex, which cannot be solved by general optimization tools in an effective and efficient way. To this end, we propose a two-layer optimization algorithm to tackle the non-convexity of the problem by capitalizing on alternating optimization. In the upper level algorithm, we rely on differential evolution(DE) learning algorithm to solve the deployment of the UAVs. In the lower level algorithm, we exploit distributed deep neural network(DDNN) to generate offloading decisions. Numerical results demonstrate that the two-layer optimization algorithm can effectively obtain the near-optimal deployment of UAVs and offloading strategy with low complexity.
文摘针对硅通孔(TSV)价格昂贵、占用芯片面积大等问题,该文采用基于云模型的进化算法对TSV数量受约束的3维片上网络(3D No C)进行测试规划研究,以优化测试时间,并探讨TSV的分配对3D No C测试的影响,进一步优化3D No C在测试模式下的TSV数量。该方法将基于云模型的进化算法、小生境技术以及遗传算法的杂交技术结合起来,有效运用遗传、优胜劣汰以及保持群落的多样性等理念,以提高算法的寻优速度和寻优精度。研究结果表明,该算法既能有效避免陷入局部最优解,又能提高全局寻优能力和收敛速度,缩短了测试时间,并且优化了3D No C的测试TSV数量,提高了TSV的利用率。
文摘针对TSV数量限制下的3D No C测试,如何在功耗约束条件下充分利用有限的TSV资源快速地完成3D No C测试,这属于NP难问题,采用基于云模型的进化算法对有限的TSV资源进行位置寻优,以及对通信资源进行分配研究,在满足功耗约束以及路径不冲突条件下调度测试数据,以实现芯核的最大化并行测试,减少测试时间。以ITC’02测试标准电路作为实验对象,实验结果表明,本文方法可以有效地进行TSV的位置寻优以及资源的合理分配,从而提高TSV利用率,减少测试时间。
