针对传统光伏（PV）功率预测模型受功率随机波动性影响以及易忽略重要信息导致预测精度低的问题，将注意力机制分别与深度确定性策略梯度（DDPG）和循环确定性策略梯度（RDPG）相结合提出了ADDPG和ARDPG模型，并在此基础上提出一个PV功率预测框架。首先，将原始PV功率数据以及气象数据标准化，并将PV功率预测问题建模为马尔可夫决策过程（MDP），历史功率数据和当前气象数据则作为MDP的状态；然后，将注意力机制加入DDPG和RDPG的Actor网络，赋予状态中各个分量不同的权重来突出重要且关键的信息，并通过深度强化学习智能体和历史数据的交互来学习数据中的关键信息；最后，求解MDP问题得到最优的策略，作出准确的预测。在DKASC、Alice Springs光伏系统数据上的实验结果表明，ADDPG和ARDPG在均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R2）上均取得了最优结果。可见，所提模型能够有效提高PV功率的预测精度，也可以推广到其他预测领域如电网预测、风力发电预测等。
在自动化的工业场景中，大量工业设备产生的时序性日志数据量呈爆炸式增长，业务场景对时序数据的访问需求进一步提升。虽然目前基于分布式列族的数据库HBase能够存储工业时序大数据，但由于未考虑特定业务场景中数据与访问行为特征的关联，现有策略无法较好地满足工业时序数据的特定访问需求。针对上述问题，基于分布式存储系统HBase，利用工业场景中数据与访问行为特征的关联性，提出面向海量工业时序数据的分布式存储性能优化策略。针对工业时序数据特点引发的负载倾斜问题，提出基于冷热数据分区及访问行为分类的负载均衡优化策略。使用逻辑回归模型（LR）对数据进行冷热分类，并将热数据分散存储在不同节点；同时，为进一步降低存储集群中跨节点的通信开销，以提升工业时序数据高维索引的查询效率，提出索引主数据同Region化策略，设计索引RowKey字段及拼接规则，将索引存放到与它对应的主数据相同的Region中。在真实工业时序数据上的实验结果表明，引入优化策略后的数据负载分布倾斜度降低28.5%，查询效率提升27.7%，验证了所提优化策略能够有效地挖掘特定时序数据的访问模式，合理地分配负载，降低数据访问开销，有能力满足对特定时序大数据的访问需求。
针对T-Bézier曲线的光顺要求,提出了用能量法对T-Bézier曲线进行光顺。首先通过能量法对T-Bézier曲线修改一个控制顶点使之达到光顺,同时给出了扰动因子α对曲线的影响,由此得到欲移动T-Bézier曲线的一个控制顶点达到光顺,可先确定α,再确定新的控制顶点,就可得到光顺后的新的T-Bézier曲线。对整条曲线进行光顺时先确定扰动因子{αi}i=1n,然后求解一个系数矩阵为实对称三对角矩阵的方程组,再依次确定新的控制点列{Pi}i=0n,最后由控制顶点确定光顺后的三次T-Bézier插值曲线,从而使T-Bézier曲线不仅达到整体光顺而且在数据点实现C2连续。最后,给出了3个实例,说明该算法是简单、实用和有效的。
针对画像块和照片块在流形上的邻域关系并不能完全反映彼此内在数据结构的问题,提出一种基于局部约束邻域嵌入(LCNE)的画像-照片合成算法。首先,利用基于邻域嵌入(NE)的合成方法得到待合成照片或画像的初始估计;其次,根据待合成的照片块或画像块与训练集中的照片块或画像块的相似性来约束合成权值;然后,通过交替优化方法进行权值的确定和K-近邻的选择,并更新待合成目标块;最后,合并所有估计的照片块或画像块合成目标图像。与基于邻域嵌入的画像照片合成方法相比,所提方法合成图像的结构相似度提高0.0503,脸识别准确率提高14%。实验结果表明,该方法解决了基于NE方法导致的邻域之间兼容性不强的问题,能大大减少合成图像上的噪声及变形。
ACP是一种适用于多组共享环境的路由器缓存管理协议。在突发数据流频繁出现的互联网中，当多播组数量或者组成员发生变化时，ACP分配算法暴露出慢收敛和分配结果不稳定等问题。通过设计并实现动态缓存分配算法、超时算法以及丢包策略，提出了一种新型的、适用于大规模多播网络的自适应主动可靠多播协议(AARM）模拟实验结果表明，与ACP相比，AARM将为多播网络在恢复延迟、带宽消耗和网络吞吐等方面带来明显的性能提升。
