Том 29, № 1 (2021)

В работе проведено численное исследование решений параболического и гиперболического уравнений теплопроводности при одинаковых физических параметрах, а также сравнительный анализ полученных результатов. Обсуждена математическая постановка задачи. Действие лазера учтено через функцию источника, которую выбрали в виде двойного фемтосекундного лазерного импульса. В гиперболическом уравнении, в отличие от параболического, присутствует дополнительный параметр, который характеризует время релаксации потока тепла. Кроме этого, в источнике гиперболического уравнения присутствует дополнительное слагаемое - производная от плотности мощности источника параболического уравнения. Это означает, что на температуру образца оказывает влияние не только плотность мощности источника, но и скорости его изменения. Приведены профили температуры образца в разные моменты времени и её динамика на разных глубинах мишени. Расчёты проводились при различных временах задержки между импульсами и при различных параметрах релаксации.

Прогнозирование временных рядов играет важную роль во многих областях исследований. Вследствие растущей доступности данных и вычислительных мощностей в последние годы глубокое обучение стало фундаментальной частью нового поколения моделей прогнозирования временных рядов, получающих отличные результаты.В данной работе представлены три различные архитектуры глубокого обучения для прогнозирования временных рядов: рекуррентные нейронные сети (RNN), которые являются наиболее известной и используемой архитектурой для задач прогнозирования временных рядов; долгая краткосрочная память (LSTM), которая представляет собой обобщённую и развитую РНС, разработанную для преодоления проблемы исчезающего градиента; закрытый рекуррентный блок (GRU), который является ещё одной эволюционной моделью РНС.Статья посвящена моделированию и прогнозированию стоимости международных авиаперевозок в условиях пандемии с использованием методов глубокого обучения и моделей рекуррентных сетей. В работе построены модели временных рядов цен акций American Airlines (AAL) с использованием моделей рекуррентных нейронных сетей LSTM, GRU, RNN и проведён сравнительный анализ результатов точности прогноза на выбранный период. Его результаты показали эффективность применения алгоритмов глубокого обучения для оценивания точности прогнозирования временных рядов.

Выгрузка задач мобильных вычислений в систему туманных вычислений представляется многообещающим подходом для снижения времени отклика ресурсоёмких мобильных приложений, функционирующих в режиме реального времени. Помимо снижения времени отклика, механизмы выгрузки вычислений помогут также снизить энергопотребление мобильных устройств. В этой статье мы проводим анализ энергопотребления мобильных устройств, которые используют инфраструктуру туманных вычислений для повышения производительности и увеличения времени их автономной работы. Рассматривается трёхуровневая вычислительная система, состоящая из непосредственно мобильного устройства, узла системы туманных вычислений и удалённого облака. Задачи мобильных вычислений могут быть обработаны локально на устройстве или быть выгружены в соответствии с пороговым критерием выгрузки. Сформулирована и решена задача оптимизации энергопотребления при наличии ограничений на среднее время отклика и на вероятность того, что время отклика ниже определённого порога.