41、自主计算中作为 MAPE - K 循环的反馈控制

最新推荐文章于 2025-08-16 14:42:41 发布
最新推荐文章于 2025-08-16 14:42:41 发布
阅读量71 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 自适应系统：保障与挑战 文章标签： 自主计算 MAPE-K循环 反馈控制
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/seed/article/details/149625248

自主计算中作为 MAPE - K 循环的反馈控制

1 计算系统中的反馈循环

1.1 自适应和可重构计算系统

计算系统正变得越来越具有动态可重构性或适应性。一方面，这些系统需要对环境变化或执行平台的改变做出动态反应，以提高性能和/或能源效率；另一方面，复杂系统规模过大，手动管理容易出错且效率低下，因此需要自动化管理。

这种趋势在服务和应用软件、中间件、虚拟机、操作系统以及硬件架构等多个层面都有体现。自动化动态适应管理涵盖计算和通信资源、服务质量、容错等多个方面，涉及从传感器网络等小型嵌入式系统到数据中心和云等大规模系统。例如，数据中心基础设施通过管理循环来管理计算资源，通常会考虑能源效率，并可能涉及冷却系统的管理；基于 FPGA 的架构可以在运行时动态部分地重新配置。

1.2 自主计算

自主计算提出了一种通用的反馈循环结构来处理自适应和可重构计算。在这个闭环中，系统配备了传感器监测器和重新配置操作（执行器），二者通过控制和决策组件关联，该组件实现动态适应策略。这个循环可以用 MAPE - K 方法定义，包括对监测数据的分析、规划响应行动、执行这些行动，所有这些都基于对被管理系统的知识表示。

阶段 说明
监测（Monitor） 对系统进行数据采集
分析（Analyse） 对采集的数据进行处理和分析
订阅专栏 解锁全文 会员秒杀 ¥9.9 重磅福利 超级会员免费看
边缘智能-分布式计算连续体系统-阅读笔记
weixin_43680163的博客
03-17 1598
DeepSLOs负责系统组件之间的结构和关系，为应用程序及其底层基础设施设置正确的钩子。运行平衡是对SLO定义的概念变体，根据基础设施和部署的应用组件之间的关系，可以实现不同的SLO描述。最后，DCCSs的弹性策略比云计算更为复杂和多样化，因此需要建立模型并采取积极的措施来应对系统的变化。马尔可夫毯子技术旨在为系统的任何组件提供固定的本体结构，无论其粒度如何。GKR是一组工具，可用于获取描述系统的马尔可夫毯子，并且通过其分析，它们还可以帮助检测系统中的罕见故障和缺陷。
什么是 AI Agent（智能体）？AI Agent（智能体）从入门到精通，收藏这一篇就够了！
m0_70486148的博客
12-28 1543
当发展到L4级别时，Agent（即智能体）的能力已经越来越接近，可以借助AI完成绝大部分的工作。相对来看，L3和L4级别的AI应用价值更大，但需要大语言模型的能力来进一步支持升级。图1 生成式AI应用的分级在中，笔者已对基于大语言模型的智能体进行介绍。基于大语言模型的智能体的演进方向之一是多智能体间的协同。和人类在现实生活中将不同专长的专家组成团队、发挥集体智慧、共同完成复杂任务的协作方式类似，目前众多理论研究者和应用开发者也在探索多个不同角色的智能体相互协作、共同完成复杂任务的方案。
A Comprehensive Review on Network Protocol Design forAutonomic Internet of Things
weixin_57666702的博客
11-19 225
自主物联网网络协议设计综述文章链接：https://doi.org/10.3390/ info12080292时间：2021年7月22日发表期刊：MDPI关键词：物联网;自主计算;协议设计;自组织;自我优化;自我保护提示：以下是本篇文章正文内容，下面案例可供参考本文综述了支持自主物联网的网络通信协议设计的最新研究进展。提示：这里对文章进行总结：例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
42、自主计算中作为MAPE - K循环的反馈控制
seed的博客
07-17 49
本文探讨了自主计算中基于MAPE-K循环的反馈控制方法，深入分析了线性控制、非线性控制和离散控制在计算系统优化和管理中的应用。内容涵盖先进建模与控制理论、离散事件系统监督控制原理以及视频解码与DVFS、服务器供应等实际案例研究。通过对比不同控制技术的优劣，展望了未来控制技术的发展趋势，包括多种控制技术的融合、智能化控制的引入以及分布式控制的广泛应用。文章强调了合理设计控制策略对于提升系统性能、降低能耗和避免故障的重要性。
论文阅读笔记
Sun
09-09 494
Self-adaptive Software: Landscape and Research Challenges   摘要： 软件系统处理处于动态环境中的分布式应用时需要人的监管来执行操作。配置、诊断故障和维护任务导致大量时间和金钱消耗。主要由于软件开发过程中遵循的Open-loop架构。因此，需要在合理的时间和金钱范围内，降低管理复杂度、管理自动化、健壮性并达到质量需求。 自适应软件能...
43、自主计算系统中的反馈控制：挑战与机遇
seed的博客
07-18 34
本文探讨了自主计算系统中反馈控制的应用，包括控制器的优势、多管理循环的协调机制、复制服务器系统的管理策略，以及跨学科合作的重要性。通过案例分析和理论模型，展示了反馈控制在提升系统安全性、资源优化方面的潜力，并指出了未来研究的挑战与方向。
18、基于物联网系统的自主计算技术解析
d6e7f8的博客
08-16 47
本文深入解析了基于物联网系统的自主计算技术，重点探讨了自主计算的核心概念及其与MAPE-K循环（监控、分析、规划、执行与共享知识）的关联。文章详细描述了自主计算在物流领域的应用，包括如何通过自主控制优化交通调度、资源分配和系统适应性。同时，文章还介绍了基于CoReMo平台的系统架构设计，展示了如何利用复杂事件处理（CEP）和Petri网建模实现交通状态的实时监控与响应。此外，文章分析了自主计算技术的优势与挑战，并展望了其未来发展方向。
17、普适反馈控制循环中的服务发现
tcp8optimizer的博客
08-04 57
本文探讨了在普适计算环境中实现反馈控制循环（FCL）的服务发现机制。通过结合自主计算的MAPE-K模型与服务组件架构（SCA），提出了一种支持动态服务发现和透明管理的解决方案。文中介绍了SCA的基本原理及其在FraSCAti平台上的实现，并结合REST架构风格设计普适绑定，以支持多种服务发现协议（如UPnP和SLP）和通信机制。普适绑定通过低耦合的设计，实现了服务的动态加入与离开，从而有效应对上下文感知应用程序的移动性挑战。文章还通过智能家居场景的实证测试，评估了普适绑定的性能，并提出了未来优化方向，包括性
回归评价指标:MAE、MSE、RMSE、MAPE和R-Squared
学习记录，厚积薄发
02-04 1万+
MAE、MSE、RMSE、MAPE、R-Squared傻傻分不清楚
机器学习模型评价(Evaluating Machine Learning Models)-主要概念与陷阱
热门推荐
我和我追逐的梦~~~
10-31 9万+
机器学习模型评价(Evaluating Machine Learning Models)-主要概念与陷阱   本文主要解释一些关于机器学习模型评价的主要概念，与评价中可能会遇到的一些陷阱。如训练集-验证集二划分校验（Hold-out validation）、交叉校验（Cross-validation）、超参数调优(hyperparameter tuning)等。这三个术语都是从不同的层
机器学模型评价与优化（学习笔记）
a_siasin的专栏
08-10 2万+
说明：对于模型的参数最优问题，没有很明确很清晰的思路，因此在这里总结有关模型评价和模型优化的有关知识，这个过程中在网上搜索一些文章，并对这些资料进行简单的整理，作为我学习的笔记，记录在这里，希望对志同道合之士有所帮助，谢谢。 编辑：a_siasin 时间：2016年8月5日 一、模型的评价 1、主要概念与陷阱 本文主要解释一些关于机器学习模型评价的主要概念，与评价中可能会遇到的一些陷
几种MAPE的实现方式
liangdaojun的博客
04-05 1万+
目录方法一 （label 中有NaN值）方法二（label 中有零值）方法三 （限制过大过小值） 方法一 （label 中有NaN值） 这种方式是为了防止label里面有NaN值，但没考虑是否为零值。 def masked_mape(preds, labels, null_val=np.nan): if np.isnan(null_val): mask = ~torch.i...
live-player组件使用技巧[代码]
11-24
本文详细介绍了在小程序中使用live-player组件实现直播流播放的各种操作技巧，包括全屏切换、播放暂停、静音外放等功能。作者首先明确了live-player组件的基本属性和方法，然后通过UI图和代码演示展示了如何自定义操作栏，实现播放控制。文章还提供了完整的HTML、Script和CSS代码示例，帮助开发者快速掌握live-player组件的使用。最后，作者总结了实现过程中的关键点，并鼓励读者点赞、收藏加关注。
Aegisub特效字幕插件教程[代码]
11-24
本文详细介绍了Aegisub特效字幕制作中常用的插件使用方法，包括渐变插件和抖动插件的安装与操作步骤。渐变插件支持水平渐变和垂直渐变，可调整填充色、边缘描边等效果；抖动插件则能实现字幕的随机抖动或手动选择抖动，支持x轴、y轴或同时抖动。文章还提供了插件的下载链接，帮助用户快速上手制作动态字幕效果。
Golang开发Android应用[可运行源码]
11-24
本文介绍了如何使用Golang开发Android应用的基本环境配置。文章首先探讨了Golang与Android的关系，指出Golang可以编译成Android的可执行文件和动态库，适合用于编写运行库、后台服务或工具程序。接着，作者提供了一个简单的Golang代码示例，展示了如何用Golang编写Android应用。随后，详细讲解了在Windows 7/10 64位系统上配置Golang编译环境和Android NDK编译器的步骤，包括下载NDK、设置环境变量等。最后，文章还提到了命令行环境设置和编译过程，并提供了测试编译的步骤。整个配置过程虽然复杂，但通过本文的指导，读者可以顺利完成环境搭建，开始用Golang开发Android应用。
基于Simscape的纯电动汽车电机冷却系统建模与分析
11-24
本资源提供MATLAB多个发行版本（2014/2019a/2024a）的技术支持，并配套完整的案例数据集，确保程序可直接执行。代码架构采用模块化设计理念，具备以下技术特性：参数变量均通过独立配置模块实现灵活调整；程序逻辑采用分层结构，确保执行流程清晰可溯；关键算法段均配有标准化注释说明。本资源适用于计算机科学、电子信息技术、应用数学等专业的课程实践、综合课题研究及学位论文开发等学术场景。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
LUA loadstring用法[项目代码]
最新发布
11-24
本文详细介绍了LUA脚本中loadstring函数的用法，包括基本用法和复杂用法。基本用法如`assert(loadstring(script))()`，用于加载和运行给定的字符串。复杂用法展示了如何动态加载字符串并执行，结果可以是table或方法。例如，动态加载字符串生成table后，可以通过索引访问其中的数据；动态加载字符串生成方法后，可以直接调用该方法并输出结果。这些示例帮助开发者更好地理解和使用loadstring函数。
html5游戏源码挠痒痒
11-24
html5游戏源码挠痒痒
编码问题数据集-Coding Questions Dataset
11-24
该 CSV 文件包含一个结构化数据集，包含 616 个编程问题，旨在用于教育、研究和人工智能开发。每个条目包含每个题 title: Question title description: Detailed problem description difficulty_level: Difficulty level (e.g., Easy, Medium, Hard) created_at: Timestamp of creation updated_at: Timestamp of last update examples: Example inputs and outputs in JSON format constraints: Problem constraints in JSON format test_cases: Test inputs and expected outputs in JSON format id 每个问题的唯一标识符 title 题目标题 description 详细问题描述 difficulty_level 难度等级（例如：简单、中等、困难） created_at 创作时间戳 updated_at 最后更新的时间戳 examples JSON 格式的示例输入和输出 constraints JSON 格式中的问题约束 test_cases 测试输入和预期输出的JSON格式
python中计算计算平均绝对百分比误差MAPE
04-28
### 平均绝对百分比误差（MAPE）的定义与计算 平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）是一种常用的回归模型评估指标，用于衡量预测值相对于真实值的平均绝对百分比误差。其计算公式如下： \[ \text{MAPE} = \frac{1}{n} \sum_{i=1}^{n} \left| \frac{y_i - \hat{y}_i}{y_i} \right| \times 100 \] 其中： - \( n \) 是样本数量， - \( y_i \) 表示第 \( i \) 个样本的真实值， - \( \hat{y}_i \) 表示第 \( i \) 个样本的预测值。 此公式的含义是对每个样本的绝对百分比误差取平均，并将其转换为百分比形式[^1]。 在 Python 中可以利用 `sklearn.metrics.mean_absolute_percentage_error` 函数来快速计算 MAPE 值。如果需要手动实现该函数，则可以通过 NumPy 来完成。 --- ### 使用 `scikit-learn` 实现 MAPE 的代码示例 以下是基于 `scikit-learn` 库的 MAPE 计算方式： ```python from sklearn.metrics import mean_absolute_percentage_error import numpy as np # 示例数据 true_values = np.array([3, -0.5, 2, 7]) # 真实值 predicted_values = np.array([2.5, 0.0, 2, 8]) # 预测值 # 计算 MAPE mape_value = mean_absolute_percentage_error(true_values, predicted_values) print(f"MAPE: {mape_value * 100:.2f}%") # 转换为百分比表示 ``` 上述代码通过调用 `mean_absolute_percentage_error` 方法直接获取 MAPE 结果。 --- ### 手动实现 MAPE 的代码示例 如果不依赖外部库，也可以使用纯 Python 或 NumPy 编写自定义函数来计算 MAPE： ```python import numpy as np def calculate_mape(y_true, y_pred): """ 自定义函数用于计算 MAPE 参数: y_true (array-like): 真实值数组 y_pred (array-like): 预测值数组 返回: float: MAPE 值 """ y_true, y_pred = np.array(y_true), np.array(y_pred) # 过滤掉真实值为零的情况以避免除零错误 mask = y_true != 0 return np.mean(np.abs((y_true[mask] - y_pred[mask]) / y_true[mask])) * 100 # 示例数据 true_values = np.array([3, -0.5, 2, 7]) predicted_values = np.array([2.5, 0.0, 2, 8]) # 计算 MAPE mape_result = calculate_mape(true_values, predicted_values) print(f"Custom MAPE: {mape_result:.2f}%") ``` 在此代码中，为了防止分母为零引发异常，增加了过滤条件 `mask = y_true != 0`。 --- ### 数据分割与训练测试集划分 对于实际应用中的机器学习项目，通常会先将数据划分为训练集和测试集后再进行模型训练与验证。以下是一个简单的例子展示如何拆分数据并计算 MAPE： ```python from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_absolute_percentage_error import numpy as np # 构造模拟特征矩阵和标签向量 np.random.seed(42) features_r = np.random.rand(100, 5) # 特征矩阵 labels_b = np.dot(features_r, np.array([1.5, -2.3, 1.1, 0.9, -0.5])) + np.random.normal(size=(100)) # 标签向量 # 划分训练集和测试集 train_features, test_features, train_labels, test_labels = train_test_split( features_r, labels_b, test_size=0.25, random_state=42 )[^2] # 创建线性回归模型并拟合 model = LinearRegression() model.fit(train_features, train_labels) # 获取预测值 predictions = model.predict(test_features) # 计算 MAPE mape_score = mean_absolute_percentage_error(test_labels, predictions) print(f"Model's MAPE on Test Set: {mape_score * 100:.2f}%") ``` 以上代码展示了完整的流程：从数据准备到模型训练再到性能评估[^2]。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值