Computer Science and Technology（计算机科学与技术）
ISSN Online: 2996-2064 | 期刊DOI: 10.57237/j.cst |开放获取期刊|季刊
Computer Science and Technology ( 计算机科学与技术 ) 是一本关注计算机科学最新进展的国际学术期刊。本刊采用开放获取（Open Access）模式，经过专业严格的同行评审，致力于发表计算机科学相关领域的原创研究论文。旨在反映计算机科学前沿进展及水平，推进学科专业化进程，为国内外的专家、学者、科研人员提供一个良好的传播、分享和交流的平台。Computer Science and Technology ( 计算机科学与技术 ) 欢迎相关领域内的原创文章、最新评论文章和案例研究在该期刊上发表。
立即投稿 加入编委会/成为审稿人
2023年9月，第2卷，第3期
-
页码：105-118
录用日期：2023-05-25
浏览量：
出版日期：2023-06-15
下载量：
移动边缘计算（Mobile Edge Computing, MEC）作为传统云计算向网络边沿延伸的一种新兴技术，将计算密集型任务卸载至边缘服务器以解决终端用户设备资源、算力的匮乏，满足移动用户对应用程序任务计算的低能耗、低延迟需求，大幅缓解云中心压力。云-边结合架构已成大势所趋。如何对终端任务执行最优卸载调度一直是MEC研究领域的重点问题之一。本文对任务卸载技术在当今云-边环境下的研究方向与成果进行综述。首先，介绍了MEC环境与任务卸载技术的发展现状，阐述了启发式算法、元启发式算法、强化学习等经典算法的概念及应用，并依据所研文献的主流方案总结、归纳出任务卸载方案的两类方向——基于算法优化的传统任务卸载方案与基于强化学习的交互任务卸载方案；而后从问题约束、优化目标、所作贡献等方面对上述两类主流... 展开更多 -
页码：119-128
录用日期：2023-08-03
浏览量：
出版日期：2023-08-29
下载量：
大数据技术在各个领域的应用比较广泛，使得数字经济特征识别问题成为研究热点。传统的数据分析无法解决数字经济的特征识别问题，而且特征识别能力较弱。由此，本文提出数据挖掘技术联合大数据的算法，构建特征识别的判断模型。首先，采用传统数据分析方法对大数据进行分类，按照特征进行集合划分，降低不同特征数据的处理复杂性，削弱多维度数字经济信息对特征识别的影响。然后，传统数据分析方法将数据分类，形成不同维度的子特征识别域，并对不同维度子特征识别进行综合判断。借助MATLAB仿真，在识别等级一定的情况下，本文构建算法的准确性、计算时间均优于传统数据分析方法、大数据挖掘技术。在初始特征识别标准和预期效果的条件下，本文构建的算法可以对特征识别进行综合判断，符合数字经济特征识别的需求。 -
页码：129-139
录用日期：2023-09-05
浏览量：
出版日期：2023-09-08
下载量：
在弱光下捕获的图像不仅可见度低，而且质量差，可能会显著降低多媒体和计算机视觉任务的性能。目前大量技术已经被提出以增强低光图像。大多数低光技术使用sRGB数据集，但是在极低光图像增强方面表现不佳。一些技术使用原始数据进行极低光增强，但输出图像会遇到色彩校正和细节损失的问题。为了解决色彩校正的问题，本文中提出了一种新的基于双MultiResUnet的网络。在所提出的方法中，原始数据和sRGB数据用作输入，而sRGB图像是使用传统方法从原始数据生成的。双卷积神经网络的第一个分支从原始数据中学习结构细节，另一个分支从sRGB数据中学习空间变化的颜色变换矩阵以进行颜色校正。通过将学习到的颜色变换矩阵应用于第一个分支产生的结构信息来产生最终结果。实验结果表明，所提出的方法表现更好，并且很好地调整了极低光... 展开更多 -
页码：140-147
录用日期：2023-08-31
浏览量：
出版日期：2023-09-08
下载量：
为了实现带有语义信息的智能地图查询服务，实现多维度、多来源、多平台综合宏观地理信息查询，本文利用知识图谱技术，将不同来源、以不同格式存储于不同数据库的数据整合入南理工校园地图知识库，构造了集地理信息、声音、气味、花朵、美食等服务为一体的智能地图信息服务。本文还在IEEE上层本体标准SUMO和地理信息本体wgs84的基础上构造了智能地图本体，并用本体驱动开发了智能地图服务，最后，提供了开放的地图SPARQL前端查询接口，和查询结果的地图显示界面。验证阶段，本文利用真实南理工校园地图和声音、气味、花朵、美食数据，构建了真实的智能地图知识库，经真实知识库的SPARQL查询检测，准确率达到100%，并且SPARQL查询平均每条查询耗时5毫秒，可满足生产生活需要。 -
页码：148-153
录用日期：2023-09-14
浏览量：
出版日期：2023-09-19
下载量：
多维背包问题是经典的组合优化问题，目标是找到一组最优的选择方案，以满足所有的约束条件。传统多维背包问题的求解算法普遍存在计算速度慢、计算量随问题维度的增加而呈现指数级增长等缺点。针对以上问题，提出QUBO（二次无约束二进制优化）模型，将多维背包问题表示为一个二次无约束二进制优化问题。使用二进制变量表示多维背包问题的目标函数，通过惩罚项将约束条件以二次项的形式添加到目标函数中，进一步将目标函数转换为QUBO形式，选择量子退火算法找到QUBO问题的最优解。通过开源Python库PyQUBO创建相应模型，在D-Wave平台用量子退火算法求解。结果表明，QUBO模型有较强的数学表达能力使问题更具有结构性，并适用于大规模问题，处理含有大量变量和约束条件的多维背包问题。
