《鸿蒙微内核与人工智能算法协同，开启智能系统新时代》
鸿蒙系统凭借独特的微内核架构与人工智能算法的深度融合，引领操作系统智能化新潮流。微内核将核心功能模块化，提升系统的精简性、稳定性和安全性，同时增强可扩展性和维护性。人工智能算法涵盖机器学习、自然语言处理等领域，应用于语音助手、图像识别及资源管理，优化系统性能。两者高效协同，实现资源共享、任务调度和数据安全，显著提升系统性能和智能化水平，为用户带来流畅、智能的使用体验。
《深度学习模型在鸿蒙分布式框架下的跨设备高效之旅》
鸿蒙系统的分布式框架为深度学习模型的跨设备训练与推理提供了创新解决方案。通过将模型拆分、数据并行与模型并行，以及通信优化和同步机制，鸿蒙实现了多设备间的高效协同计算。该框架还支持模型部署、任务调度及模型融合，显著提升训练和推理效率。以图像识别为例，分布式处理大幅提高了速度和准确性，展示了其在人工智能领域的巨大潜力。
快速部署YuniKorn开启全能管理与调度器
本文介绍了YuniKorn的基本信息，并通过阿里云计算巢完成了YuniKorn的快速部署，使用者不需要自己下载代码，不需要自己安装复杂的依赖，不需要了解底层技术，只需要在控制台图形界面点击几下鼠标就可以快速部署并启动YuniKorn，非技术同学也能轻松搞定。
基于 Flink 进行增量批计算的探索与实践
本文整理自阿里云高级技术专家、Apache Flink PMC朱翥老师在Flink Forward Asia 2024的分享，内容分为三部分：背景介绍、工作介绍和总结展望。首先介绍了增量计算的定义及其与批计算、流计算的区别，阐述了增量计算的优势及典型需求场景，并解释了为何选择Flink进行增量计算。其次，详细描述了当前的工作进展，包括增量计算流程、执行计划生成、控制消费数据量级及执行进度记录恢复等关键技术点。最后，展示了增量计算的简单示例、性能测评结果，并对未来工作进行了规划。
基于自抗扰控制器和线性误差反馈控制律(ADRC-LSEF)的控制系统simulink建模与仿真
本课题基于自抗扰控制器（ADRC）和线性误差反馈控制律（LSEF），构建了ADRC-LSEF控制系统，并在MATLAB2022a中进行Simulink建模与仿真。ADRC通过实时估计并补偿未知扰动，结合LSEF的快速误差响应，实现了对复杂系统的高效控制。该方法特别适用于非线性、时变或模型未知的系统，具备优异的动态响应和鲁棒性。仿真结果显示系统性能良好，验证了ADRC-LSEF的有效性。
Hologres 查询队列全面解析
Hologres V3.0引入查询队列功能，实现请求有序处理、负载均衡和资源管理，特别适用于高并发场景。该功能通过智能分类和调度，确保复杂查询不会垄断资源，保障系统稳定性和响应效率。在电商等实时业务中，查询队列优化了数据写入和查询处理，支持高效批量任务，并具备自动流控、隔离与熔断机制，确保核心业务不受干扰，提升整体性能。
【双层模型】考虑供需双侧的综合能源双层优化模型
该程序构建了一个综合能源系统的优化调度双层模型，采用差分进化算法和规划算法分别求解上下层问题。模型涵盖了燃气轮机、锅炉、风电、光伏及储能设备的协同运行，并考虑了供应商与用户的利益平衡。通过满足设备出力、储能、负荷平衡等约束条件，实现了系统经济性和性能的优化。程序基于Matlab+Cplex编写，注释详尽且附带文档说明，便于学习研究。
从外到内:阿里云弹性与资源交付效率的全景透视
本文介绍了弹性服务的概念及其在云计算中的重要性。弹性服务通过动态调整云资源，帮助用户应对流量波动，降低成本并提高自动化水平。文中详细探讨了如何从“使用弹性”迈向“善用弹性”，包括定时任务、报警任务和目标追踪等伸缩模式的应用。同时，文章还介绍了阿里云在ECS弹性能力方面的建设成果，如每分钟交付万台实例的能力，并分享了汇量科技和Auto MQ两个客户案例的成功实践。最后，展望了未来在弹性计算领域的技术创新和发展方向，强调了持续优化和提升弹性能力的重要性。
PAI训练服务：云上大模型训练新篇章
本文介绍了通用AI时代下的新训练方法及PAI平台的优化。随着大模型时代的到来，算力需求激增，硬件和网络通信成为瓶颈。PAI平台通过自动容错、3D健康检测等技术确保训练稳定性；通过资源配额、智能调度等提高性价比；并推出PAI-TorchAcc和PAI-ChatLearn两大引擎，分别实现高效训练加速和灵活的对齐训练，显著提升训练性能与效果。这些改进解决了大规模AI训练中的关键问题，提升了效率和稳定性。