21、智能采样优化与负延迟的形式化研究

智能采样优化与负延迟的形式化研究

智能采样优化

在智能采样算法的研究中，为了改进其性能，研究人员进行了诸多尝试。其中一个实验是在算法推进过程中重新引入调度器，目的是解决智能采样算法的两个关键局限：一是无法识别初始种群之外的调度器；二是应对局部极值现象的能力较弱。

重新引入调度器实验结果

实验针对WLAN和GOSSIP两种场景，分别以每3次、5次和10次迭代的频率重新引入调度器，观察不同缩减因子下满足特定条件（|ˆpmax − pmax| < ϵ）的运行比例。然而，结果并不理想。具体表现为：
- 该策略在所有情况下都未能取得比初始种群更大时更好的效果。
- 在某些情况下，由于在算法即将结束时引入了评估较差、得分较低的调度器，反而使算法性能变差。

不过，研究人员推测，如果新的调度器能够利用已丢弃调度器的累积信息进行合成，从而引入不同且可能得分较高的调度器，而非随机引入，那么这种策略仍具有一定的潜力。

智能采样算法的未来扩展方向

智能采样算法具有一定的应用价值，通过Plasma的初步实验表明，它可用于获取使BLTL属性最小化或最大化的调度器。为了进一步拓展其应用范围，可从以下几个方面进行改进：
1. 适应其他系统和需求 ：将算法应用于定时随机系统或涉及成本计算的属性场景。
2. 解决调度器知识利用问题 ：当前算法未充分利用多个调度器之间的知识，导致在调度器罕见的情况下效率受限。可考虑引入遗传算法，具体步骤包括：
- 对种子种群进行建模。
- 从种子种群中提取信息。
3.