1）equals和= =的区别？

1

public boolean equals(Object obj){return(this == obj);}

equals也是用= =来比较的，但equals可以根据需求重写。= =如果比较的是两个值类型的话，就是比较它们之间是否相等，如果是引用类型，则比较的是地址。

2）为什么重写equals一定要重写hash code？

默认的hash code方法是根据对象的内存地址经过哈希算法得到的，如果不重写的话，那么在两个相同的对象使用equals时就可能得到不同的结果，比如map里面，如果以对象为key，会导致逻辑上的key相同但值不同。

3）Integer与int的= =比较是怎样的？

1
2
3
4
5
6
7
8
9
10
11

public static void main(String[] args){        
    Integer a = 3;
    int b = 3;        
    Integer c = Integer.valueOf(3);        
    Integer d = new Integer(3);        
    System.out.println(a == b);//输出true
    System.out.println(b == c);//输出true
    System.out.println(b == d);//输出true
    System.out.println(a == c);//输出true
    System.out.println(c == d);//输出false
}

Integer在int比较的时候，会自动拆箱，再做值比较，所以返回true；

Integer在于Integer比较的时候，除了new Integer之外，其他比较的都是同一段地址（3），而new的新对象则不是，所以返回false。

4）接口和抽象类的区别？

接口中所有的方法都是抽象的，而抽象类可以有抽象和非抽象；

类可以实现多个接口，但只能继承一个抽象类；

（？）类可以不实现抽象类和接口声明的所有方法，但是该类必须声明成抽象的；

接口的成员方法默认是public，而抽象类的成员可以是private、protected、public；

JDK1.8 开始，接口中可以包含default方法（可以进行实现），但是抽象类没有。

5）java的异常处理机制，Error和Exception的区别？

二者都有共同的父类：Throwable

Error：表示程序发生错误，是程序无法处理、不可恢复的，如OutOfMemoryError（内存溢出）、VirtualMachineError（虚拟机错误）、、ThreadDeath（线程死锁）；

Exception：表示程序可处理的异常，又分为CheckedException（受检异常）、UncheckedException（非受检异常）。受检异常发生在编译期，必须要使用try…catch或者throws抛出异常，否则编译不通过（IOException、多线程之类）；非受检异常发生在运行期，具有不确定性，主要由程序的逻辑问题引起，如NullPointException参数值为null（空指针），IndexOutOfBoundsException下标参数越界。

有哪些Exception？设计模式、mapreduce

6）++和–是否为原子操作，为什么？

不是原子操作。原子操作意思是操作不可分割，但是++和–可以分为三个步骤：

1.从栈读取值

2.进行加1的操作

3.将值压回栈

在多线程时就会导致自增或者自减不准确。

7）面向对象的三大特性是什么？

封装、继承、多态。

封装：把客观事物封装成抽象的类，并且类可以把自己的数据和方法只让可信的类或者对象操作，对不可信的进行信息隐藏。通过这种方式，对象对内部数据提供了不同级别的保护，防止程序中无关的部分意外的改变或错误的使用了对象的私有部分。

继承：指让某个类型的对象获得另一个类型的对象的属性和方法。可以使用现有类的所有功能，并在无需重新编写原来的类的情况下，对这些功能进行扩展。

• 实现继承：直接使用基类的属性和方法，无需额外编码；

• 接口继承：仅使用属性和方法的名称，但子类必须提供实现的能力。

多态：指一个类实例的相同方法在不同的情形有不同的表现。

8）JAVA中具体如何实现多态？

• 接口

  implements A,B

  除非实现接口的类是抽象类，否则该类要定义接口中的所有方法。

  接口无法被实例化，但是可以被实现。一个实现接口的类，必须实现接口内所描述的所有方法，否则就必须声明为抽象类。另外，在 Java 中，接口类型可用来声明一个变量，他们可以成为一个空指针，或是被绑定在一个以此接口实现的对象。

  接口不能包含成员变量，除了 static 和 final 变量。

  接口不能用于实例化对象。

  接口没有构造方法。

  接口中所有的方法必须是抽象方法。

  1 2 3 4 5 6 7 8 9 10 11 12 13 14

  public interface A{ public void setNameA(String name); } public interface B extends A,C{ // 接口继承 public void setNameB(String name); } public class D implements B{ // 实现接口 public void setNameA(String name){ System.out.println("A,"+name); } public void setNameB(String name){ System.out.println("B,"+name); } }

• 重写（overriding）与重载（overloading）

  重写	重载
  子类对父类允许访问的方法的实现过程进行重新编写，返回值和形参都不变。	在一个类中，方法名字相同，而参数不同，返回类型可以不同。
  声明为final和static的方法不能被重写，但能够被再次声明。	被重载的方法可以改变访问修饰符
  构造方法不能被重写。	最常见的就是构造器重载。
  被重载的方法不可以声明新的或更广的检查异常，但可以减少或删除	被重载的方法可以声明新的或更广的检查异常
  不能做更严格的访问限制	可以修改访问的限制

• 抽象类和抽象方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42

public abstract class employee{ //抽象类
	private String name;
    private int number;
    public employee(String name,int number){
        this.name=name;
        this.number=number;
    }
    public void showNow(){
        System.out.println("Employee Now");
    }
    public abstract double computePay(); //抽象方法
}

public class salary extends employee{
    private double sala;
    public salary(String name, int number, double sala){
        super(name,number);
        this.sala=sala;
    }
    public void showNow(){ // 重写，返回值和形参都不变
        System.out.println("Salary Now");
    }
    public double computePay(){ // 实现抽象方法
        return sala/52;
    }
    public void Unique(){
        System.out.println("I am unique.");
    }
    
}

public class AbstractDemo{
	public static void main(String [] args){
        salary s = new salary("张三",1,5000);
        employee e = new employee("李四",2,6000); // 编译错误
        employee e = new salary("李四",2,6000);
      	s.showNow(); // 输出 Salary Now
        e.showNow(); // 输出 Salary Now，在编译阶段，只检查参数的引用类型Salary，在运行时，JVM指定对象的类型并且运行该对象的方法。
        s.Unique(); // 输出 I am unique.
        e.Unique(); // 编译错误
    }
}

9）面向对象和面向过程的区别？

10）String/StringBuffer/StringBuilder的区别？

字符串直接相加本质也是转换成StringBuilder调用append，但是会产生大量的StringBuilder对象，所以不如直接new一个StringBuffer来用效率高。

1
2
3

String s1 = "123";  // 存储在公共池中
String s2 = s1;  // 相同引用
String s3 = new String("123"); // String对象创建，在堆上

11）什么是面向函数式编程？

12）谈谈static、final关键字？（JVM和内存模型）

final 把类定义为不能继承的最终类，或者用于修饰方法，使得该方法不能被子类重写。

1
2

final class A{//} // 太监类hhh
public/.. final int Move(){//}

1

public final static int ABC=100;//全局常量

13）谈谈volatile、synchronized关键字？

线程安全的两个方面：执行控制和内存可见。

执行控制的目的是控制代码执行顺序以及是否可以并发执行。

内存可见控制的是线程执行结果在内存中对其他线程的可见性。JAVA内存模型的实现，线程在具体执行时，会先拷贝主存数据到线程本地（CPU缓存），操作完成后再把结果从线程本地刷新到主存。

synchronized关键字解决的是执行控制的问题，它会阻止其他线程获取当前对象的监控锁，使得当前对象中被synchronized关键字保护的代码块无法被其他线程访问，也就无法并发执行。同时它会创建一个内存屏障，内存屏障指令保证了所有CPU操作结果都会直接刷到主存中，从而保证了操作的内存可见性。

volatile关键字解决内存可见性问题，对所有volatile变量的读写都会直接刷新到主存，即保证了变量的可见性。满足一些对变量可见性有要求而对读取顺序没有要求的需求。

区别：volatile本质是再告诉jvm当前变量在寄存器中的值是不确定的，需要从主存中读取；synchronized则是锁定当前变量，只有当前的线程可以访问该变量，其他线程都会被阻塞。

14）谈谈深拷贝和浅拷贝？

浅拷贝：1. 数据类型是基本数据类型的成员变量，浅拷贝会直接进行值传递，也就是将该属性值复制一份给新的对象；2.数据类型是引用类型的成员变量，比如某个数组、某个类的对象，会进行引用传递，即将内存地址复制一份给新的对象，这种情况下，在一个对象中修改该成员变量会影响到另一个对象。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

public class A implements Cloneable{ // 浅拷贝
	public Object clone(){
    	Object obj=null;
        try{
            obj = super.clone();
        }catch(CloneNotSupportedException e){
            e.printStackTrace();
        }
        return obj;
    }
}
main(){
    A a = new A();
    A b = a.clone();
}

https://www.cnblogs.com/shakinghead/p/7651502.html

15）JAVA线程和系统线程的区别？

16）开多个JAVA进程和多个线程的区别？

17）什么是同步与异步，阻塞和非阻塞？

18）多进程之间如何通信？

19）枚举enum

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

enum Color{
	RED,GREEN,BLUE;
	private Color(){ System.out.println(this.toString()); }// 外部无法调用
    public void colorInfo(){
        System.out.println("wow");
    }
}
public class Test{
    public static void main(String[] args){
        Color c1 = Color.RED; // 会调用三次构造函数
        Color[] all = Color.values();
        for(Color c : all){
            System.out.println(c.ordinal());
        }
    }
}

20）JVM垃圾回收机制

21）Redis 非关系型数据库

22）Java设计模式与实现

23）Java引用类型

24）HashMap和HashTable

总体

用户设备会将任务分发到移动边缘计算服务器上，但是在offload过程中，由于小基站的高干扰、多址、资源有限，需要一种高效的计算卸载方案。在这篇论文中，作者研究了在小型蜂窝网络下的边缘计算系统的节能计算卸载方案，通过计算卸载决策、信道、传输功率和计算资源的联合优化，为的就是减少所有终端设备的能耗。终端设备不仅要决策是否卸载，也要决策卸载到哪里。

文章首先给出了计算卸载模型，并将此问题表述为一个NP难的混合整数非线性规划问题。利用遗传算法和粒子群优化算法，设计了一个次优算法——分层遗传算法（hierarchical GA）和基于粒子群算法（PSO-based computation）的计算算法。最后通过仿真研究了收敛性，并与其他基准算法比较，验证了它的性能。

简单介绍

移动边缘计算中，计算卸载是关键环节，包含：传输过程、远程执行过程、结果回传过程。通过网络将计算卸载到边缘计算服务器中，大大降低时延，延长设备使用。

该团队解决了三个挑战：计算决策、无线资源分配、计算资源分配。

• 计算决策问题

  决定计算任务要在云端还是用户设备端进行。虽然边缘服务器可以为设备提供云服务，但是无法保证所有的设备在有限的网络和计算能力下都能得到服务。或者是过量的任务卸载到边缘，会造成拥塞、用户间交流的高干扰。

  ——通过优化多用户间多小区网络中的计算决策问题、平衡用户服务和系统收益。

• 无线资源分配

  能耗是很重要的一部分。由于UE与边缘服务器的通信距离相对短，可以降低能耗。但是计算卸载的能效依赖于无线资源分配方案。传输功率增加，数据速率增加，但干扰和传输能耗也增加，延迟也可能增加。因此分配无线资源时，需要更高效的干扰管理方案，自适应的功率控制。

• 计算资源分配

  应该不均匀分配。1）不同用户有不同的任务大小；2）根据网络状况的良莠，QoS需要更多/更少的计算资源

  联合动态无线和计算资源分配方案。

考虑多个SBS服务多个用户的MEC系统，考虑干扰管理、功率控制方案，优化卸载决策、信道分配、计算资源分配方案来研究节能计算方案。工作：

• 提出采用MEC的分布式SCN的计算卸载系统模型，MBS与SBS都配备了MEC服务器。从延迟和能耗方面给用户带来好处，给系统的效率提升。
• 在边缘计算系统中，将能耗计算卸载问题定义为一个混合整型非线性编程问题（MINLP）——NP-hard。主要就是为例如在满足所有用户设备的异构质量服务要求和资源分配原则下，以最少的能耗完成任务。
• 基于层次GA、PSO，提出HGPCA次优化算法。提高收敛速度和性能。并分析算法的复杂性和收敛性。
• 模拟时，部署了数百个用户和数十个小基站，研究算法收敛性并与其他基准算法比较验证性能。

系统模型

A. 小型蜂窝网络下的移动边缘计算系统

• 每个UE都有一个非密集型计算任务需要完成。

• SBS与UE随机分配在MBS周围

• 计算任务j：
  $$
  T_j={d_j,X_j,t^{max}_j}
  $$

• 每个任务可以在本地计算，也可以卸载到MBS或SBS中的MEC服务器。
• 卸载需要三步：1）通过无线信道上传数据；2）在MEC服务器上执行任务；3）从MEC服务器上下载结果到UE。【重点放在前两步，涉及到一个通信模型和一个计算模型】

B. 通信模型

主要集中在上行链路传输。

• 假设MBS与SBS使用不同的无线电频谱来避免层间干扰。对于SBS，频谱以叠加的方式使用时，意味着在小区之间存在干扰。而每个信道是正交的，也就是说同一个区内，不存在干扰。
• MaUs ：UE的任务被大型基站处理
• SUs ：UE的任务被小型基站处理

• 假设所有终端在传输时它的传输功率是静态的。

传输速率R_0

当满足$a_{j}^{(0)}=1$时，UE-j分配得信道k ($b_j^{(k)}=1$)，则传输速率R满足：
$$
R^{0}j(A{_j},B,P)=\sum_{k\in{c_a}}b^{(k)}jWlog_2(1+\frac{p_j\rvert h{0j}^{(k)}\rvert^2}{N_0})
$$

• $A_{_j}$是除了UE-j外的卸载决策profile
• $h_{0j}^{(k)}$是从UE-j到MBS的信道增益系数（2信道增益、比值信噪比）
• $N_0$是复高斯白噪声方差

小区间干扰指示函数$\delta$

考虑相邻的SBS中的SU-j‘对该SU-k信道接收信号的干扰，将小区间干扰指示函数表示为：
$$
\delta_{i,j^{‘}}^{(k)}=\begin{cases}
1,RSS_{i,j^{‘}}^{(k)} \ge RSS_{th}\
0,else.
\end{cases}
$$

$$
RSS_{i,j^{‘}}^{(k)} = \sum_{i^{‘}\in{N_B}\setminus i}
a^{(i{‘})}{j{‘}}b^{(k)}{j{‘}}p_{j{‘}}
\rvert h^{(k)}_{i,j{‘}}\rvert^2
$$

RSS表示SU-j’ 对SBS-i的分配信道k上的干扰功率，RSSth表示干扰阈值；su-j’和SBS-i不相关。

来自其他SU对SBS-i的信道k的干扰I

来自其他SU对SBS-i、信道k的干扰：
$$
I_{ij}^{(k)}(A_{_j},B_{_j},P_{_j})=
\sum_{i’\in N_B\setminus 0}
\sum_{j’\in u\setminus j}
a_{j’}^{(i’)}b^{(k)}{j’}
\delta{i,j^{‘}}^{(k)}
p_{j’}\rvert h_{i,j’}^{(k)}\rvert^2
$$

传输速率R_i

故，达到的传输速率：
$$
R^i_j(A_{_j},B,P)=
\sum_{k\in c_a}
b^{(k)}j Wlog_2
(1+\frac
{p_j\rvert h{ij}^{(k)}\rvert^2}
{I^{(k)}{ij} (A{_j},B_{_j},P_{_j})+N_0})
$$

C. 计算模型

计算任务是如何在本地终端的UE上执行的，或者是在MEC服务器上远程执行。

1）本地计算

假设每个终端的CPU在计算时的频率不变，但不同的终端可能有不同的频率。

终端本地计算的延迟T

$$
T^{(e)}_{j,l}=\frac
{f_j}
{F_j^{(l)}}
$$

本地计算的能耗E

$$
E_{j,l}^{(e)}=f_jp^{(e)}_{j,l}
$$

2）边缘计算

BS 传输的延迟T（第一阶段）

$$
T_{j,off}^{(i,tr)}(A_{_j},B,P)=\frac
{d_j}
{R_j^{(i)}(A_{_j},B,P)}
,i \ge0
$$

BS 传输能耗E（第一阶段）

$$
E_{j,off}^{(i,tr)}(A_{_j},B,P)=
P_jT_{j,off}^{(i,tr)}(A_{_j},B,P)
$$

边缘计算时延

$$
T_{j,off}^{(i,e)}(F)=\frac{f_j}{F_j^{(i)}}
$$

忽略MEC上执行任务的能耗，因为BS能源丰富。另外也不考虑第三阶段，因为实际情况，传入数据往往比输出的数据要大。

总时延T

$$
T_j^{(i,off)}(A_{_j},B,P,F)=
T_{j,off}^{(i,tr)}(A_{_j},B,P)+
T_{j,off}^{(i,e)}(F)
$$

总能耗E

$$
E_j^{(i,off)}(A_{_j},B,P)=E_{j,off}^{(i,tr)}(A__j,B,P)
$$

问题公式化和分析

在该系统模型的基础上，将计算卸载问题定义为一个优化问题，包括计算卸载决策、无线资源管理、功率控制和计算资源分配。然后对所述问题进行了复杂性分析。

A. 问题表示

对于A、B、F，可以得到完成UE-j任务的时延和能耗

完成任务的时延

$$
T_j(A,B,P,F)=
\sum_{i \in N_B}a_j^{(i)}T_j^{(i,off)}
(A_{_j},B,P,F)+(1-\sum_{i\in N_B}a_j^{(i)})
T_{j,l}^{(e)}
$$

完成任务的能耗

$$
E_j(A,B,P,F)=
\sum_{i\in N_B}a_j^{(i)}E_j^{(i,off)}(A_{_j},B,P)+
(1-\sum_{i\in N_B}a_j^{(i)})E_{j,l}^{(e)}
$$

当满足$a_j^{(i)}=0$时，有$T_j^{(i,off)}=0,E_j^{(i,off)}=0$

问题$P_0$

求最小的所有终端总能耗
$$
P_0: \min_{A,B,P,F} \sum_{j\in u}E_j(A,B,P,F)\
$$

B. 问题分析

目标

$P_0$旨在求得所有终端最小的总能耗，通过优化卸载决策A，信道分配指示B，传输功率P，计算资源分配指示F。

NP难问题——混合整数非线性编程问题（MINLP）A,B中是二进制变量，P、F中是正实数。$P_0$问题非光滑、非微分或连续。

拟议算法

A. HGPCA 流程

GA——优胜劣汰，适合大范围搜索，收敛速度慢（基础）

PSO——适合局部搜索，收敛快，易陷入局部最优（优化）

在每一次迭代时，先用GA作为T1迭代，得到粗粒度的结果，然后用T1的结果传入PSO作为T2的迭代，下一次迭代的输入，就是T2的迭代输出。当$t=0$时，用表达式（17）作为input。

B. GA

遗传算法采用了生物遗传中优胜劣汰的思想，只要求问题是可计算的，忽略它是否可微、连续等。它从一组初始解开始，通过选择、交叉和变异进行优化，直到达成可接受的解决方案或收敛。交叉和突变的操作可以保持种群多样性，扩展搜索区域，故不容易陷入局部最优。

1） 染色体和适应度函数

染色体 expression（15）

使用real coded GA。一个个体由染色体定义，染色体是问题$P_0$的一个解决方案，某个种群的染色体和结构。为了减少要优化的变量的数量，将${A,B,P,F}$转化为$I$：
$$
I=[A^{} \space\space B^{}\space\space P\space\space F^{*}]^{\top}
$$

适应度函数

$$
Fitness=\sum_{j\in N_u}E_j(A,B,P,F)+Penalty
$$

$$
Penalty=\sum_{j\in N_u}\alpha_j[max(0,T_j(A,B,P,F)-t_j^{max})]
$$

2）初始化和选择

初始化 expression(18)

算法1中的初始化是在此工作中随机生成的，但是在$P_0$的约束中（除了$C_1$）。初始种群的基因产生如下：
$$
a^{}_j(0)=randin({-1}\cup N_B)\
b^{}j(0)=randin({0}\cup c_a)\
p_j(0)=rand(p{max})\
f_j^{}(0)=rand(F_{a_j^{}(0)})
$$
$randin(Set)$是一个生成器函数，元素的输出是从随机选择器$Set.rand(x)$返回的，在$[0,X]$的随机数。对于$b_j^{}(0)$，有：
$$
\kappa = \begin{cases}
\emptyset,\space\space\space\space\space\space a_j^{}(0)=-1\
C_M,\space\space a_j^{}(0)=0\
C_S,\space\space\space a_j^{}(0)>0
\end{cases}
$$

选择

选择的方法上，采用了锦标赛，它是在选择父母时从K个人中选择最适合的一个。1. 计算成本较低，2. 选择好父母比只选择最好的父母更好。它保持多样性，并有机会培养更好的人, 3. 将其应用于最小化MINLP问题时无需修改。

3）交叉与突变

每次迭代中，应该用选择来维持父代，然后对父结点进行交叉和变异操作产生子结点。

交叉

随机选择两个父代，以交叉概率$p_c$交换对应的基因片段，从而产生两个后代。保持多样性。

突变 expression(19)(20)

先选择一个个体，然后对染色体的每个元素，在表达式（15）定义后的变量范围内以突变概率$p_m$发生突变。

突变原理如下：
$$
\hat x ^{}_j=\begin{cases}
round(x_j^{}+\gamma_1(x_{max}-x_j^{})),
\space\space\gamma_2>0.5
\
round(x_j^{}-\gamma_1(x_j^{*}-x_{min})),
\space\space\gamma_2\le0.5
\
\end{cases}
$$

$$
\hat y ^{}_j=\begin{cases}
y_j^{}+\gamma_1(y_{max}-y_j^{}),
\space\space\gamma_2>0.5
\
y_j^{}-\gamma_1(y_j^{*}-y_{min}),
\space\space\gamma_2\le0.5
\
\end{cases}
$$

$x$ 代表前两行的整数变量，$y$代表后两行连续的整数变量。

$round(·)$是输出不超过$(·)$的整数。

$\gamma_1$,$\gamma_2$是两个(0,1)范围内的随机数

C. PSO exp(21)

粒子有速度、位置（基于社会信息共享）。粒子的位置表示所提问题的解，而速度表示解的演化过程。与GA相似，粒子的位置用$X=I$表示expression（15），粒子的速度：
$$
V=[V_1\space\space\space\space V_2\space\space\space\space V_3\space\space\space\space V_4]^{\top}
$$

粒子的速度 expression(22)

$$
V_{r,d}^{t+1}=wV_{r,d}^t+r_1c_1(pbest_{r,d}-X_{r,d}^{t})+r_2c_2(gbest_{r,d}-X_{r,d}^t)
$$

粒子的位置 expression(23)

$$
X_{r,d}^{t+1}=\begin{cases} \begin{aligned}
round(X_{r,d}^t+V_{r,d}^{t+1}),\space\space r=1,2\
X_{r,d}^t+V_{r,d}^{t+1}\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space r=3,4\
\end{aligned}\end{cases}
$$

$w$是惯性权值，$c_1$,$c_2$是瞬间加速度，$r_1$,$r_2$增加搜索随机性，在$[0,1]$之间。速度和位置不会超出expression(15)的约束。

D. 计算复杂性

初始化、适合度计算、选择、交叉、突变操作。每个->总体

初始化

初始化的总复杂度为
$$
O(U+N)+O(U)+O(K\times U\times 4)\approx O(K\times U+N), N<U
$$

GA 选择、交叉、突变

GA 总复杂度为：
$$
O(T_1\times K\times U)+O(T_1\times K \times U^2)\approx O(T_1\times K \times U^2)
$$

PSO

PSO总复杂度：
$$
O(T_1\times K \times U^2)+O(K\times U)\approx O(T_2\times K\times U^2)
$$

总复杂度

$$
O(K\times U+N)+O(T\times T_1\times K\times U^2)+O(T\times T_2\times K\times U^2)\approx O(T\times T_1\times K\times U^2)
$$

$set \space \space T_1>T_2$

E. 收敛性分析

针对HGPCA，给出一些引理。

Lemma 1

HGPCA具有全局收敛性，当他满足：

1）下层GA在评估流程中总是包含最优解决方案；

2）惯性权值$w$、上层PSO的加速度常数$c_1,c_2$满足以下约束：
$$
\sqrt{2(1+w-\beta)^2-4w}<2
$$
且$\beta=\beta_1+\beta_2，\beta_1=c_1r_1，\beta_2=c_2r_2$

证明

虽然经典的GA是无法全局收敛到最优处的，但是GA的一个变体确是可做到的，那就是无论在选择前还是选择后，最佳个体总是存在于种群之中。在算法2中的第四步，总有用最优个体$I_{best}$代替最糟糕的个体。故底层GA是可收敛的。

对于PSO，已有证明它收敛于：
$$
X\to \frac
{\beta_1p_{best}+\beta_2g_{best}}
{\beta}
$$
假设全局最优为$g_{best}^{}$，当上层粒子群达到全局最优时，下层GA也达到全局最优点$g_{best}^$，故：
$$
X\to \frac
{\beta_1p_{best}+\beta_2g_{best}}
{\beta}
=
\frac
{(\beta_1+\beta_2)g_{best}}
{\beta}
=g_{best}^*
$$

仿真结果与讨论

A. 仿真设置

比较

B. 收敛性分析

在遗传算法中，有三个重要的参数：不同的种群大小K、不同的$p_c$交叉概率，不同的$p_m$突变概率。

$K$	$p_c$	$p_m$
$K=16$	$p_c=0.6$	$p_m=0.01$
当k很小的时候，无法保证种族多样性；当k很大的时候，一个小的变异可能无法包含最优解，因此需要更多迭代来收敛	当交叉概率很小的时候，对种群多样性的贡献很小，当交叉概率很大时，可能导致解的状态变差。	突变是很随机的，它不参考任何已知的信息，设计的本意是增加种群的多样性，而突变概率过大的时候可能会违背这个本意。

在上述参数下，跟GA与PSO算法对比，可以看到，PSO算法明显收敛最快，HGPCA次之，最后是GA；其次，HGPCA有着最低的能耗，PSO最高，这是因为HGPCA结合了两者的优点——GA更适合全局搜索、PSO更适合局部精确搜索。由于PSO收敛最快，因此它在传统的GA基础上，使算法的收敛速度提高。

和暴力搜索相比，（4个SBS，4UE，随机分布在MBS，每个SBS有一个信道，2.4GHz）随着迭代，能耗减少，但迭代次数更加大时，性能优化不明显。

C. 性能分析

信道和计算资源不同

首先分析SBS不同资源量（信道和计算资源）对此算法的影响。然后，在各种参数下，与前面提到的其他基线算法进行比较后，可以验证所提出的算法。

SBS拥有的信道数量与能耗、卸载方案的关系	SBS的计算资源与能耗、卸载的关系
（假设有足够的计算资源）不难看出，SBS的信道数量增加时，能耗会下降，UE中任务卸载数会上升。信道少的时候，UE之间的干扰就会很大，会导致时延，卸载少。	SBS的计算资源与能耗、卸载的关系（信道30个）。资源增加时，能耗下降，卸载数增加。资源少，计算时间长，大多选择本地计算，能耗就高；资源多，计算时间就少，卸载的性价比就高。
	当计算资源很多，传输时延就成了提高性能的绊脚石。无线资源和计算资源的匹配也很重要。

算法对比

GA/PSO/R/L

UE: 100,200,300; SBS:49	SBS: 36, 48, 64; UE: 200
可以直观看出，HGPCA的能耗总是低于其他算法。	三种情况下，HGPCA能耗都是最低的。
HGPCA的能耗随着UE增加而增加，因为任务数多了，UE之间的干扰也增加了。	系统包含更多的计算资源，同时干扰也增加了，因此既HGPCA与GA的能耗都增加。
	由于UE不变，LCA的能耗不变；PSO不适合计算大范围的问题，总会陷入局部最优；RCA随机分配资源，所以性能不稳定。

JOIS

SBS信道数不同	SBS计算能力不同
4SBS、4UE
随着信道数量上升，能耗都减少，但HGPCA的能耗一直都比JOIS低	随着SBS计算能力上升，能耗都降低，但是显然HGPCA的能耗一直低于JOIS
随着信道数量上升，UE卸载任务数量都增加，但HGPCA的卸载数量高于JOIS	随着SBS计算能力上升，任务卸载数量增加，但HGPCA的任务卸载分配要优于JOIS

每当我偶尔翻到以前写的、或者是摘录的文字的时候，总是感觉，咦……原来我那时候是这种调调啊……啧啧啧……

好奇自己究竟有什么“审美”上的变化过程，顺便也摘一些喜欢的句子，开了这部分记录，给自己以后回过头来翻看的时候用。

音乐

21岁，自己最喜欢的还是音乐

在幻妙的时间里 有 望喜 和奇遇

在嘈杂的城市间 有永恒 的相遇

在有生之年里 常相伴 有知己

在漫妙的年龄享有 诚挚的 爱情

[ 勐巴拉娜西 ] 刺猬的歌总是能给我带来许多惊喜。这一段是最后子健写给小春天的祝福，真的很美好。

晚星就像你的眼睛杀人又放火

[ 漠河舞厅 ] 《再见了晚星》

文学

愿中国青年都摆脱冷气，只是向上走，不必听自暴自弃者流的话。能做事的做事，能发声的发声。有一分热，发一分光，就令萤火一般，也可以在黑暗里发一点光，不必等候炬火。此后如竟没有炬火，我便是唯一的光。

倘若有了炬火，出了太阳，我们自然心悦诚服的消失。不但毫无不平，而且还要随喜赞美这炬火或太阳；因为他照了人类，连我都在内。我又愿中国青年都只是向上走，不必理会这冷笑和暗箭。

[ 热风 · 随感录四十一 ]

我凭依栏杆，细看那萤火虫。我和萤火虫双方都长久地一动未动。只有夜风从我们身边掠过。榉树在黑暗中磨擦着无数叶片，籁籁作响。

我久久、久久地等待着。

过了很长很长时间，萤火虫才起身飞去。它顿有所悟似的，蓦地张开双翅，旋即穿过栏杆，淡淡的萤光在黑暗中滑行开来。它绕着水塔飞快地曳着光环，似乎要挽回失去的时光。为了等待风力的缓和，它又稍停了一会儿，然后向东飞去。

萤火虫消失之后，那光的轨迹仍久久地印在我脑海中。那微弱浅淡的光点，仿佛迷失方向的魂灵，在漆黑厚重的夜幕中往来彷徨。

我几次朝夜幕中伸出手去，指尖毫无所触，那小小的光点总是同指尖保持着不可触及的距离。

[ 萤 ] 读了一遍《萤》，过程中一直被那种从何而来的悲伤笼罩着，心里又很安静很安静。

亲爱的康氏：

抱歉因为生分，再唤你为康氏，因为阔别许久，无法想象你因为衰老而未曾出现的祥和的相貌。苦难已过，世界大好，如果有通往另一处日夜不眠的隧道，我将驾驶我深褐色的吉普车，摇下吱吱作响因寒冷而结霜的脆窗，我想向你展示我坚不可摧的礼扣，以及我未有一日曾动摇的思念若渴。

我时常想，人因何而美丽，又因何而凋谢，是食用了天合造化的菌类，或者瘟不知所起的家禽，动人的颜料片片剥落，毛发似雪花。你一定不属于任何一种，羞耻地，我竟然还会夸奖你，你的美丽在我一亩三方田地里，从未凋谢过。

倘若我晚生十年，我一定是当代赫赫有名的情话大王，早生十年，孩子们一定也会背诵我的诗歌，他们将短小精悍的句子摘抄在硬皮本的扉页，坑坑巴巴地撕下，送给心仪的女孩。不免有些遗憾，我为你书写的信件，没有哪一家出版社愿意刊登，瞎了眼，谁看了都知道，若不是用情至深，我怎敢肆无忌惮地表达我对你的喜爱，我甚至找不出词汇，轻易描述你的优雅。换言之，我一定免不了花言巧语之嫌，被史学家所诟病，为搏你芳心，人们一定指责我有意令宇宙短暂熄灭。

……

[再见了晚星] 我们看过许多婚姻的悲剧，却也仍然坚信爱情的美好。

总体介绍框架

参考文献：《边缘计算：现状与展望》施巍松

1、边缘计算

将计算任务在接近数据源的计算资源上运行，有效减少计算系统的延迟，减少数据传输带宽，环节云计算中心压力，提高可用性，并能够保护数据安全和隐私。

2、三个问题

1. 边缘计算从哪儿来？
2. 现状
3. 到哪儿去？

3、发展历程

技术储备期、快速增长期、稳健发展期。

4、七项关键技术

5、六类典型应用

6、需要解决的六类问题

美团

买房子。

在一条直线上有n个房子，房子之间的距离都相等。每个房子有价格a[i]，小团知道小美的房子就在某一些房子的其中一间。现在小团要买房子，她想买到小美的房子期望距离最短的一间，同时，又不能花超过k的价钱，若有多个选择，选择编号小的。

输入：

一个n，一个k，代表房子的数量，最高的价格。

接下来n个整数，代表每个房子的价格，若某个房子价格为0，则小美可能住在这个房子里，且小团不能买这个房子。

输出：

房子编号。

2<=n<=100, 1<k,a[i]<100。

射箭比赛。

A队和B队分别有n、m个人参加射箭比赛。B队队长知道A、B两队会有多少人射中靶心，且知道每个人射中时，距离靶心有多远。比赛规定，射中靶心的人，当距离小于k时，得1分，当距离大于等于k时，得2分。假设距离在[1,1000]之间，那么当k等于某个值时，A队得分为AS，B队得分为BS，问BS-AS最大可以为多少？若BS<AS，输出0。

n,m<1e5

魔法字符串。

有长度为n的01字符串，小团可以对它施加魔法，做一次魔法，就能随机消除掉三个连续的字符，问0与1的差值最大可以为多少？

n<1e5?

字符串。

如果一个小写的英文字符串内，包含最多的英文字母出现的次数大于等于一半，那么它就是ok字符串。给你一个字符串，问你它有多少字串满足ok字符串？

一边看书一边刷题

• 总目标：找到实习

• 每日任务

  • 刷题
  • 基础知识补足
  • 拿出两个小时看论文+笔记

• 思路

  要么睡前看论文，要么起床后看

  刷题LeetCode 剑指offer100题

  基础知识：计网、操作系统、基础的数据结构、c++基础、linux知识

音乐区

• 《还愿》游戏原声带压缩包 百度网盘 提取码: 9m7x

书籍区

• 《迷茫的旅行商：一个无处不在的计算机算法问题》百度网盘 提取码：tix6

• 《三体》（epub格式）百度网盘 提取码：zch6

什么时候能说明白自己心里的感受呢？

得过且过汤

        刚踏入二零二零年的时候，谁都没有想到接下来的几个月会这样过去。我对此感到不可思议，因为我常常思考的一个问题总是，“为什么是我呢”。

        奶奶说，我们晓青今年22岁，就是人生中会遇到坎的时候。大四，并不顺利的毕业设计，不上不下的初试成绩，divorce，急性肠胃炎，虚弱乏力，整日熬夜，昼夜颠倒……发胖，death。virus又好像让全世界的人都一起陪我倒霉。对啊，为什么呢？为什么这样一切都偏巧赶在一块儿了呢？

        我不知道，此刻的我既唯物，又唯心，还是个主观唯心。

        这样一段时间，我陷入焦虑和压抑，常常喜欢逃避。抓住一切可以出门的机会，去找他，去外边，离我的电脑越远越好，我不要想起这些东西，不要提起。我甚至开始恐惧，我怕如果考上了研究生，生活会更糟糕，于是我放弃了复试准备，我开始报名事业编制，一边询问身边所有人企图得到认同。

         放弃，听起来很可惜吧？

        但是消极成了全部。我真的很想要一碗汤，喝了这汤，一睡三天，只求结果，不问过程。

        幸好，没有这汤，夏天也会来的。

一个既幸运又幸福的家伙

        我觉得自己很倒霉。

        这种倒霉就是每次做选择的时候，总能挑到最糟糕的那个。有的人就相反，运气总是很好。老实说我很嫉妒，并且无能为力。

        ……可我好像也蛮幸运的。在关键时刻上，常常以为自己不行了，结果却出人意料。

        至于幸福，真的，平时感觉不到。唯有遇到苦难，才能在退出来之后，发现，哦，我原来是幸福的。

        就比如现在。

MYSTERY OF LOVE

        我记得有一天我就躺在床上，然后阳台的门半开着，但是外面是阴天。我打开网易云，mystery of love，轻快明亮的曼陀铃，舒肤佳的声音唱着，我看着天花板，单曲循环一整个下午，然后阳光居然透过了云层中最薄的地方，照在了窗帘上……

        其实也没有什么特别的，只是当时特别安静，想起前一天晚上刚闹过脾气，听过家人朋友的安慰，告诉我没关系，很担心自己。哎，再难也就这样吧，我想，也没什么大不了的，对吧？

        房间里变得有点热热的，我换上了裙子，哦，穿不下了，不过没问题，他们不会嫌弃我的。裙子，裤子，其实都一样的，两个选择而已。

        那天我发了这样的一条心情：

Mystery of Love
无论第几次听都会被惊艳到
无论现在是什么季节天上有几朵乌云
我好像就能从这间小小的，阴阴的屋子里看到了
那片森林，瀑布，草地，溪流，山脉，土壤……
生机勃勃的绿色从心底长出来了
空气变得热腾腾
喷泉无力的在暴晒下工作着
冰凉的 泳池的水
皮肤就要黏糊糊的了
眯缝着眼睛
和你分享一半的雪糕

……

阳光透过了黄色带花的窗帘
不用想象，夏天已经来了

        是的，其实跟这首歌没关系，我知道夏天已经来了。