I
nte
rna
t
io
na
l J
o
urna
l o
f
Rec
o
nfig
ura
ble a
nd
E
m
be
dd
e
d Sy
s
t
e
m
s
(
I
J
R
E
S)
Vo
l.
1
5
,
No
.
1
,
Ma
r
ch
20
2
6
,
p
p
.
2
3
6
~
24
7
I
SS
N:
2089
-
4864
,
DOI
:
1
0
.
1
1
5
9
1
/i
j
r
es
.
v
1
5
.
i
1
.
pp
2
3
6
-
24
7
236
J
o
ur
na
l ho
m
ep
a
g
e
:
h
ttp
:
//ij
r
es.ia
esco
r
e.
co
m
H
DG
C
-
h
y
b
r
id
t
a
sk
o
ff
l
o
a
d
in
g
fr
a
m
e
w
o
r
k
u
s
in
g
de
e
p
r
e
i
nf
o
r
cem
en
t
l
e
a
r
n
i
n
g
a
n
d
g
e
n
et
ic
a
l
g
o
r
i
t
hm
s f
o
r
6
G
e
d
g
e
c
l
o
u
d
K
a
niezhil Ra
dh
a
k
ri
s
hn
a
n
1
,
M
o
ng
-
F
o
ng
H
o
rng
2
,
Siv
a
Sh
a
nk
a
r
S
ub
ra
m
a
nia
n
3
,
Ch
un
-
Chih
L
o
2
1
D
e
p
a
r
t
me
n
t
o
f
C
o
m
p
u
t
e
r
S
c
i
e
n
c
e
,
N
a
v
a
r
a
sam
A
r
t
s a
n
d
S
c
i
e
n
c
e
C
o
l
l
e
g
e
f
o
r
W
o
m
e
n
,
T
a
mi
l
N
a
d
u
,
I
n
d
i
a
2
D
e
p
a
r
t
me
n
t
o
f
El
e
c
t
r
o
n
i
c
E
n
g
i
n
e
e
r
i
n
g
, N
a
t
i
o
n
a
l
K
a
o
h
si
u
n
g
U
n
i
v
e
r
si
t
y
o
f
S
c
i
e
n
c
e
a
n
d
T
e
c
h
n
o
l
o
g
y
,
K
a
o
h
si
u
n
g
,
T
a
i
w
a
n
3
D
e
p
a
r
t
me
n
t
o
f
C
o
m
p
u
t
e
r
S
c
i
e
n
c
e
a
n
d
E
n
g
i
n
e
e
r
i
n
g
,
K
G
R
e
d
d
y
C
o
l
l
e
g
e
o
f
En
g
i
n
e
e
r
i
n
g
a
n
d
T
e
c
h
n
o
l
o
g
y
,
H
y
d
e
r
a
b
a
d
,
I
n
d
i
a
Art
icle
I
nfo
AB
ST
RAC
T
A
r
ticle
his
to
r
y:
R
ec
eiv
ed
Oct
1
7
,
2
0
2
4
R
ev
i
s
ed
J
an
3
1
,
2
0
2
6
A
cc
ep
ted
Feb
1
7
,
2
0
2
6
T
h
e
ra
p
id
e
v
o
lu
ti
o
n
o
f
6
G
n
e
t
w
o
rk
s
h
a
s
b
ro
u
g
h
t
n
e
w
c
h
a
ll
e
n
g
e
s
in
th
e
d
o
m
a
in
o
f
tas
k
o
f
f
lo
a
d
in
g
(T
O)
,
p
a
rti
c
u
larly
w
it
h
in
e
d
g
e
c
o
m
p
u
ti
n
g
e
n
v
iro
n
m
e
n
ts
th
a
t
a
re
h
e
a
v
il
y
re
li
a
n
t
o
n
th
e
in
tern
e
t
o
f
th
i
n
g
s
(
Io
T
)
.
T
ra
d
it
io
n
a
l
T
O
m
e
th
o
d
s
th
a
t
b
a
se
d
o
n
r
u
le
-
b
a
se
d
h
e
u
risti
c
s
o
r
sh
a
ll
o
w
lea
rn
in
g
tec
h
n
i
q
u
e
s
f
a
il
to
a
d
a
p
t
e
ff
icie
n
tl
y
to
th
e
d
y
n
a
m
ic,
u
n
p
re
d
icta
b
le
n
e
tw
o
rk
c
o
n
d
it
i
o
n
s,
re
so
u
rc
e
h
e
t
e
ro
g
e
n
e
it
y
,
a
n
d
v
a
ry
in
g
tas
k
d
e
m
a
n
d
s.
T
h
e
p
ro
li
f
e
ra
ti
o
n
o
f
e
d
g
e
c
o
m
p
u
ti
n
g
,
th
e
Io
T
,
a
n
d
6
G
n
e
tw
o
rk
s
h
a
s
i
n
tro
d
u
c
e
d
n
e
w
c
h
a
ll
e
n
g
e
s
in
T
O
d
u
e
to
d
y
n
a
m
ic
n
e
tw
o
rk
c
o
n
d
it
i
o
n
s,
re
so
u
rc
e
h
e
tero
g
e
n
e
it
y
,
a
n
d
u
n
p
re
d
icta
b
le
tas
k
d
e
m
a
n
d
s.
T
o
a
d
d
re
ss
th
e
se
c
h
a
ll
e
n
g
e
s,
th
is
w
o
rk
p
ro
p
o
se
s
a
n
in
n
o
v
a
ti
v
e
TO
m
e
th
o
d
t
h
a
t
in
teg
r
a
tes
d
e
e
p
re
in
f
o
rc
e
m
e
n
t
lea
rn
in
g
(DR
L
)
w
it
h
h
e
u
risti
c
se
a
rc
h
m
e
th
o
d
s.
T
h
e
c
o
m
b
in
a
ti
o
n
o
f
DRL
a
n
d
h
e
u
risti
c
a
lg
o
rit
h
m
s
e
n
h
a
n
c
e
s
a
d
a
p
tab
il
it
y
,
c
o
n
v
e
rg
e
n
c
e
sp
e
e
d
,
a
n
d
d
e
c
isio
n
-
m
a
k
in
g
e
ff
icie
n
c
y
,
m
a
k
in
g
it
we
ll
-
su
it
e
d
f
o
r
re
a
l
-
ti
m
e
TO
in
c
o
m
p
lex
a
n
d
u
n
p
re
d
icta
b
le
e
n
v
iro
n
m
e
n
ts
Th
is
p
a
p
e
r
p
ro
p
o
se
s
a
n
o
v
e
l
h
y
b
rid
T
O
f
ra
m
e
w
o
rk
th
a
t
in
teg
ra
tes
DR
L
w
i
th
g
e
n
e
ti
c
a
lg
o
rit
h
m
s
(
GA
)
to
a
d
d
re
ss
t
h
e
se
c
h
a
ll
e
n
g
e
s.
T
h
e
p
ro
p
o
se
d
h
y
b
ri
d
o
p
ti
m
iza
ti
o
n
tec
h
n
i
q
u
e
o
f
f
e
r
p
ro
m
isin
g
so
lu
ti
o
n
s
b
y
lev
e
ra
g
in
g
th
e
stre
n
g
th
s
o
f
in
d
iv
id
u
a
l
a
p
p
ro
a
c
h
e
s
t
o
b
a
la
n
c
e
c
o
m
p
e
ti
n
g
o
b
jec
ti
v
e
s,
su
c
h
a
s
e
n
e
rg
y
c
o
n
su
m
p
ti
o
n
,
tas
k
c
o
m
p
letio
n
ti
m
e
,
a
n
d
re
so
u
rc
e
u
ti
li
z
a
ti
o
n
.
T
h
is
m
e
th
o
d
e
x
p
lo
re
s
o
p
ti
m
iza
ti
o
n
stra
teg
ies
to
e
n
h
a
n
c
e
T
O
e
ff
icie
n
c
y
in
d
e
c
e
n
tralize
d
e
n
v
iro
n
m
e
n
ts
m
a
in
l
y
f
o
c
u
sin
g
o
n
o
p
ti
m
izin
g
e
n
e
rg
y
u
se
w
h
il
e
e
n
su
rin
g
p
e
rf
o
r
m
a
n
c
e
m
e
tri
c
s l
ik
e
late
n
c
y
,
th
ro
u
g
h
p
u
t,
a
n
d
tas
k
d
e
a
d
li
n
e
s a
re
m
e
t
.
K
ey
w
o
r
d
s
:
6
G
n
et
w
o
r
k
s
Dee
p
r
ein
f
o
r
ce
m
e
n
t le
ar
n
in
g
E
d
g
e
co
m
p
u
ti
n
g
Gen
etic
al
g
o
r
ith
m
s
T
ask
o
f
f
lo
ad
in
g
T
h
is i
s
a
n
o
p
e
n
a
c
c
e
ss
a
rticle
u
n
d
e
r th
e
CC B
Y
-
SA
li
c
e
n
se
.
C
o
r
r
e
s
p
o
nd
ing
A
uth
o
r
:
Kan
iez
h
il R
ad
h
ak
r
i
s
h
n
a
n
Dep
ar
t
m
en
t o
f
C
o
m
p
u
ter
Scie
n
ce
,
Nav
ar
asa
m
A
r
t
s
an
d
Scie
n
ce
C
o
lle
g
e
f
o
r
W
o
m
en
A
r
ac
h
alu
r
,
T
a
m
il Na
d
u
,
I
n
d
ia
E
m
ail:
k
an
iezh
il
@
y
a
h
o
o
.
co
.
in
1.
I
NT
RO
D
UCT
I
O
N
T
h
e
ev
o
lu
tio
n
o
f
m
o
b
ile
an
d
w
ir
ele
s
s
co
m
m
u
n
icatio
n
n
et
wo
r
k
s
h
as
w
i
tn
e
s
s
ed
a
s
i
g
n
if
ica
n
t
leap
w
ith
th
e
d
ep
lo
y
m
e
n
t
o
f
5
G,
en
ab
lin
g
u
ltra
-
r
eliab
le
lo
w
-
la
ten
c
y
co
m
m
u
n
icat
io
n
s
(
U
R
L
L
C
)
,
en
h
a
n
ce
d
m
o
b
ile
B
r
o
ad
B
an
d
(
eM
B
B
)
,
an
d
m
a
s
s
i
v
e
m
ac
h
i
n
e
-
t
y
p
e
co
m
m
u
n
ic
atio
n
s
(
m
MT
C
)
.
I
n
th
e
r
ea
l
m
o
f
ed
g
e
co
m
p
u
tin
g
an
d
th
e
in
ter
n
et
o
f
t
h
i
n
g
s
(
I
o
T
)
,
5
G
h
as
f
ac
ilit
ated
in
telli
g
en
t
tas
k
o
f
f
lo
ad
in
g
(
T
O)
b
y
b
r
in
g
i
n
g
co
m
p
u
ta
tio
n
clo
s
er
to
th
e
d
ata
s
o
u
r
ce
,
th
er
e
b
y
d
i
m
i
n
i
s
h
i
n
g
r
esp
o
n
s
e
ti
m
e
an
d
n
et
w
o
r
k
co
n
g
esti
o
n
.
E
x
i
s
t
in
g
m
e
th
o
d
o
lo
g
ies
f
o
r
T
O
in
5
G
-
en
ab
led
en
v
ir
o
n
m
e
n
ts
p
r
ed
o
m
in
a
n
tl
y
r
el
y
o
n
r
u
le
-
b
ased
h
e
u
r
is
tic
s
,
s
tat
ic
o
p
tim
izatio
n
,
o
r
s
h
allo
w
lear
n
i
n
g
m
o
d
els
th
at
co
n
s
id
er
p
ar
am
eter
s
s
u
c
h
as
laten
c
y
,
en
er
g
y
co
n
s
u
m
p
ti
o
n
,
b
an
d
w
id
th
,
an
d
co
m
p
u
tatio
n
ca
p
ac
it
y
[
1
]
-
[
5
]
.
Ho
w
e
v
er
,
th
ese
tech
n
iq
u
e
s
o
f
t
en
f
ai
l
to
s
ca
le
e
f
f
ec
t
iv
el
y
u
n
d
er
h
ig
h
l
y
d
y
n
a
m
ic
co
n
d
itio
n
s
,
p
ar
ticu
lar
l
y
w
h
e
n
n
et
w
o
r
k
to
p
o
lo
g
ies
ch
a
n
g
e
r
ap
id
ly
,
r
eso
u
r
ce
av
ailab
ilit
y
f
lu
ct
u
ate
s
,
o
r
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
HDGC
-
h
yb
r
id
ta
s
k
o
fflo
a
d
in
g
fr
a
mewo
r
k
u
s
in
g
d
ee
p
r
ein
fo
r
ce
men
t le
a
r
n
in
g
…
(
K
a
n
iezh
il R
a
d
h
a
kris
h
n
a
n
)
237
ap
p
licatio
n
w
o
r
k
lo
ad
s
ar
e
n
o
n
-
s
tatio
n
ar
y
.
Fu
r
t
h
er
m
o
r
e,
5
G
-
b
ased
f
r
a
m
e
w
o
r
k
s
s
tr
u
g
g
le
w
it
h
cr
o
s
s
-
la
y
er
o
p
tim
izatio
n
d
u
e
to
t
h
e
l
i
m
it
ed
co
n
tex
t
u
al
a
w
ar
e
n
es
s
o
f
d
ev
ice
s
tate
s
a
n
d
tas
k
d
ep
en
d
en
cies,
lead
i
n
g
to
s
u
b
-
o
p
ti
m
al
allo
ca
tio
n
o
f
r
eso
u
r
ce
s
an
d
i
n
cr
ea
s
ed
s
y
s
te
m
o
v
er
h
ea
d
.
T
r
ad
itio
n
al
r
ein
f
o
r
ce
m
en
t
lear
n
i
n
g
(
R
L
)
ap
p
r
o
ac
h
es
em
p
lo
y
ed
w
it
h
in
5
G
s
y
s
te
m
s
,
w
h
ile
ad
ap
tiv
e
o
f
ten
f
ac
e
co
n
v
er
g
en
ce
is
s
u
e
s
,
ex
p
lo
r
atio
n
-
ex
p
lo
itatio
n
i
m
b
alan
ce
,
a
n
d
lack
o
f
g
e
n
er
aliza
tio
n
in
n
o
n
-
s
ta
tio
n
ar
y
e
n
v
ir
o
n
m
e
n
t
s
[
6
]
-
[
9
]
.
As
w
e
ad
v
an
ce
in
to
th
e
6
G
er
a,
co
m
m
u
n
icatio
n
p
ar
ad
ig
m
s
u
n
d
er
g
o
a
tr
a
n
s
f
o
r
m
at
iv
e
s
h
if
t.
6
G
n
et
w
o
r
k
s
ar
e
ch
ar
a
cter
ized
b
y
ter
a
h
er
tz
co
m
m
u
n
icat
io
n
,
in
telli
g
e
n
t
s
u
r
f
ac
e
s
,
u
ltra
-
m
ass
i
v
e
MI
MO
,
an
d
in
te
g
r
atio
n
w
it
h
ar
tif
ic
ial
in
t
ellig
e
n
ce
(
AI
-
n
a
tiv
e
)
i
n
f
r
a
s
tr
u
ctu
r
e.
T
h
ese
in
n
o
v
atio
n
s
o
f
f
er
u
n
p
r
ec
ed
en
te
d
s
u
p
p
o
r
t
f
o
r
r
ea
l
-
ti
m
e,
d
is
tr
i
b
u
ted
,
an
d
co
n
te
x
t
-
a
w
ar
e
c
o
m
p
u
tatio
n
o
f
f
lo
ad
in
g
[
1
0
]
-
[
1
4
]
.
T
h
e
in
h
er
en
t
in
telli
g
e
n
ce
e
m
b
ed
d
ed
i
n
6
G
a
r
ch
itect
u
r
e
en
ab
les
s
ea
m
les
s
o
r
ch
estra
tio
n
a
m
o
n
g
E
d
g
e,
Fo
g
,
an
d
C
lo
u
d
la
y
er
s
.
Mo
r
eo
v
er
,
6
G
f
ac
ilit
ate
s
j
o
in
t
o
p
ti
m
izatio
n
o
f
co
m
p
u
tati
o
n
,
co
m
m
u
n
icatio
n
,
an
d
co
n
tr
o
l
b
y
lev
er
a
g
in
g
h
ig
h
-
b
an
d
w
id
t
h
lo
w
-
laten
c
y
li
n
k
s
,
p
er
v
asi
v
e
s
e
n
s
in
g
,
an
d
d
e
ep
s
e
m
a
n
tic
u
n
d
er
s
ta
n
d
in
g
o
f
task
s
an
d
s
er
v
ices
.
I
n
th
is
la
n
d
s
ca
p
e,
th
e
n
ee
d
f
o
r
r
o
b
u
s
t,
ad
ap
tiv
e,
an
d
in
tellig
e
n
t
T
O
m
ec
h
an
i
s
m
s
b
ec
o
m
es
p
ar
a
m
o
u
n
t
to
ex
p
lo
it th
e
f
u
ll p
o
ten
tial o
f
6
G
-
en
ab
led
s
y
s
te
m
s
[
1
5
]
-
[
1
9
]
.
T
o
a
d
d
r
ess
th
ese
c
h
alle
n
g
e
s
,
t
h
is
w
o
r
k
p
r
o
p
o
s
es
a
n
o
v
el
h
y
b
r
id
T
O
f
r
a
m
e
w
o
r
k
t
h
at
i
n
te
g
r
ates
d
ee
p
r
ein
f
o
r
ce
m
en
t
lear
n
i
n
g
(
D
R
L
)
w
it
h
h
eu
r
i
s
tic
g
e
n
etic
al
g
o
r
ith
m
s
(
G
A
)
i
n
a
6
G
-
e
n
ab
led
ed
g
e
-
clo
u
d
ec
o
s
y
s
te
m
.
DR
L
ar
ch
itect
u
r
es,
p
ar
ticu
lar
l
y
ac
to
r
-
cr
itic
(
AC
)
,
an
d
d
ee
p
Q
-
n
et
w
o
r
k
s
,
ar
e
e
m
p
lo
y
ed
to
lear
n
d
y
n
a
m
ic
o
f
f
lo
ad
in
g
p
o
licies
t
h
at
ad
ap
t
to
r
ea
l
-
ti
m
e
n
et
w
o
r
k
s
tate
s
[
2
0
]
-
[
2
4
]
.
T
o
o
v
er
co
m
e
DR
L
li
m
ita
tio
n
s
s
u
ch
a
s
s
lo
w
co
n
v
er
g
e
n
ce
an
d
p
o
licy
s
u
b
o
p
ti
m
al
it
y
,
G
A
is
e
m
b
ed
d
ed
to
r
ef
in
e
th
e
ex
p
lo
r
atio
n
p
r
o
ce
s
s
an
d
o
p
tim
ize
d
ec
is
io
n
q
u
alit
y
[
2
5
]
-
[
2
7
]
.
T
h
e
p
r
o
p
o
s
ed
m
o
d
el
in
c
o
r
p
o
r
ates
t
r
an
s
f
er
lear
n
i
n
g
,
T
r
an
s
f
o
r
m
er
-
b
ased
atten
tio
n
m
ec
h
an
is
m
s
f
o
r
lo
n
g
-
ter
m
d
ep
en
d
en
c
y
m
o
d
eli
n
g
,
an
d
g
r
ap
h
n
e
u
r
al
n
et
w
o
r
k
s
(
GNNs)
to
ca
p
tu
r
e
th
e
s
p
atial
-
te
m
p
o
r
al
tas
k
d
ep
en
d
en
cie
s
.
T
h
is
h
y
b
r
id
f
r
a
m
e
w
o
r
k
s
ig
n
i
f
ica
n
tl
y
e
n
h
a
n
ce
s
ad
ap
tab
ilit
y
,
co
m
p
u
tatio
n
al
e
f
f
icien
c
y
,
a
n
d
r
eso
u
r
ce
u
tili
za
tio
n
u
n
d
er
co
m
p
lex
an
d
u
n
p
r
ed
ictab
le
n
et
w
o
r
k
en
v
ir
o
n
m
e
n
ts
.
T
h
e
p
ap
er
is
o
r
g
an
ized
as
f
o
ll
o
w
s
;
s
ec
tio
n
s
2
d
i
s
cu
s
s
th
e
r
elate
d
w
o
r
k
an
d
d
ei
n
es
T
O
s
tr
ateg
y
.
I
n
s
ec
tio
n
3
,
th
e
p
r
o
b
lem
o
f
th
e
ex
is
tin
g
s
y
s
te
m
w
as
d
is
cu
s
s
ed
an
d
p
o
i
n
t
o
u
t
h
o
w
to
er
ad
icate
th
e
is
s
u
e
s
in
th
e
ex
is
tin
g
s
y
s
te
m
a
n
d
th
er
eb
y
i
m
p
r
o
v
e
th
e
en
er
g
y
e
f
f
icie
n
c
y
.
Sectio
n
4
d
is
cu
s
s
th
e
p
r
o
p
o
s
ed
f
r
a
m
e
w
o
r
k
.
Sectio
n
5
p
r
esen
ts
r
es
u
lt
s
an
d
d
is
cu
s
s
io
n
an
d
f
i
n
all
y
,
co
n
clu
s
io
n
s
ar
e
p
r
esen
ted
in
s
ec
tio
n
6
.
2.
L
I
T
E
R
AT
U
RE
R
E
VI
E
W
A
co
m
p
r
eh
e
n
s
i
v
e
co
m
p
ar
ati
v
e
an
al
y
s
i
s
o
f
en
er
g
y
co
n
s
u
m
p
tio
n
in
m
o
b
ile
ed
g
e
co
m
p
u
ti
n
g
(
ME
C
)
en
v
ir
o
n
m
e
n
t
s
w
as
p
r
esen
ted
in
[
1
]
,
w
h
er
e
s
e
v
er
al
q
u
alit
y
-
of
-
s
er
v
ice
(
Qo
S)
p
ar
am
e
ter
s
w
er
e
ev
al
u
ated
in
ter
m
s
o
f
u
s
ag
e
e
f
f
icie
n
c
y
a
n
d
p
er
ce
n
tag
e
-
b
ased
p
er
f
o
r
m
an
ce
.
B
o
th
f
u
ll
a
n
d
p
ar
tial
T
O
s
tr
ateg
ies
w
er
e
ex
a
m
in
ed
u
s
i
n
g
d
i
f
f
er
en
t
m
etah
eu
r
i
s
tic
o
p
ti
m
izatio
n
al
g
o
r
ith
m
s
,
h
i
g
h
li
g
h
ti
n
g
k
e
y
li
m
itatio
n
s
o
f
ME
C
s
y
s
te
m
s
s
u
ch
a
s
s
ca
lab
ilit
y
c
o
n
s
tr
ain
ts
,
co
m
p
u
tatio
n
al
o
v
e
r
h
ea
d
,
an
d
en
er
g
y
in
e
f
f
icie
n
c
y
u
n
d
er
d
y
n
a
m
ic
w
o
r
k
lo
ad
s
.
L
i
et
a
l.
[
2
]
ev
alu
ated
a
n
d
v
alid
ated
th
e
ef
f
ec
ti
v
e
n
es
s
o
f
a
T
O
alg
o
r
it
h
m
f
o
r
m
u
ltis
er
v
er
ed
g
e
co
m
p
u
ti
n
g
.
T
h
e
s
t
u
d
y
j
o
in
tl
y
o
p
tim
ized
d
iv
er
s
e
s
y
s
te
m
p
ar
a
m
eter
s
an
d
p
r
esen
ted
a
co
m
p
ar
at
iv
e
a
n
al
y
s
i
s
ag
ain
s
t
f
i
v
e
ex
is
ti
n
g
al
g
o
r
ith
m
s
,
d
e
m
o
n
s
tr
atin
g
i
m
p
r
o
v
ed
ef
f
icien
c
y
,
lo
ad
b
alan
ci
n
g
,
an
d
p
er
f
o
r
m
a
n
ce
.
An
o
p
tim
a
l
d
ec
is
io
n
-
m
a
k
in
g
m
o
d
el
f
o
r
T
O
an
d
r
e
s
o
u
r
ce
allo
ca
tio
n
w
as
p
r
o
p
o
s
ed
in
[
3
]
,
ai
m
i
n
g
to
m
i
n
i
m
iz
e
ex
ec
u
t
io
n
d
ela
y
an
d
en
er
g
y
c
o
n
s
u
m
p
tio
n
w
h
ile
m
ax
i
m
izi
n
g
co
m
p
u
ti
n
g
r
ates
u
n
d
er
s
tr
ict
en
er
g
y
co
n
s
tr
ain
t
s
.
T
h
e
m
o
d
el
en
ab
les
s
y
s
te
m
m
ai
n
ten
a
n
ce
at
ea
c
h
ti
m
e
f
r
a
m
e
u
s
in
g
D
R
L
.
Fu
r
t
h
er
m
o
r
e,
ed
g
e
-
to
-
clo
u
d
o
f
f
lo
ad
in
g
w
a
s
s
h
o
w
n
to
i
m
p
r
o
v
e
task
co
m
p
let
io
n
r
ates
b
y
ef
f
ic
ien
t
l
y
m
a
n
ag
i
n
g
d
ata
tr
an
s
f
er
b
et
w
ee
n
ed
g
e
s
er
v
er
s
an
d
clo
u
d
in
f
r
as
tr
u
ct
u
r
es.
I
n
g
e
n
er
al,
ef
f
icie
n
t
T
O
an
d
en
er
g
y
-
a
w
ar
e
m
ec
h
a
n
is
m
s
s
ig
n
i
f
ica
n
tl
y
en
h
a
n
ce
ME
C
s
er
v
er
u
tili
za
ti
o
n
th
r
o
u
g
h
i
n
telli
g
e
n
t
lo
ad
b
al
an
cin
g
an
d
tas
k
s
ch
ed
u
li
n
g
[
4
]
.
Ho
w
e
v
er
,
li
m
ite
d
b
atter
y
ca
p
ac
it
y
r
e
m
ai
n
s
a
m
aj
o
r
ch
allen
g
e
w
h
en
o
p
ti
m
izi
n
g
T
O
d
ec
is
io
n
s
u
n
d
er
u
n
r
eliab
le
ed
g
e
p
er
f
o
r
m
a
n
ce
co
n
d
itio
n
s
[
5
]
.
A
co
m
p
u
tatio
n
o
f
f
lo
ad
in
g
m
o
d
el
o
v
er
a
co
llab
o
r
ativ
e
clo
u
d
–
ed
g
e
n
et
w
o
r
k
w
as
i
n
tr
o
d
u
ce
d
in
[
6
]
,
co
n
s
id
er
in
g
co
m
p
lete
o
f
f
lo
ad
in
g
r
eq
u
ir
e
m
en
t
s
an
d
s
er
v
er
r
eso
u
r
ce
u
tili
za
tio
n
.
T
h
e
au
th
o
r
s
f
o
r
m
u
lated
th
e
o
f
f
lo
ad
in
g
s
tr
ateg
y
a
s
a
co
n
v
ex
o
p
ti
m
izatio
n
p
r
o
b
lem
,
g
u
ar
an
teei
n
g
a
u
n
iq
u
e
an
d
o
p
ti
m
al
s
o
lu
t
io
n
.
I
n
a
b
r
o
ad
e
r
p
er
s
p
ec
tiv
e,
ed
g
e
–
cl
o
u
d
co
m
p
u
ti
n
g
e
n
v
ir
o
n
m
en
t
s
ef
f
ec
t
iv
el
y
b
r
id
g
e
t
h
e
g
ap
b
et
w
ee
n
ce
n
tr
alize
d
clo
u
d
in
f
r
astr
u
ct
u
r
es
a
n
d
en
d
u
s
er
s
b
y
en
ab
li
n
g
n
ea
r
-
d
ata
co
m
p
u
ti
n
g
s
er
v
ices
w
it
h
m
i
n
i
m
al
la
ten
c
y
.
TO
is
th
er
ef
o
r
e
r
eg
ar
d
ed
as
o
n
e
o
f
th
e
m
o
s
t
p
r
o
m
is
in
g
ap
p
r
o
ac
h
es
to
en
h
an
ce
s
er
v
ice
q
u
alit
y
,
en
er
g
y
ef
f
ic
ien
c
y
,
an
d
r
eso
u
r
ce
u
tili
za
tio
n
in
ed
g
e
–
clo
u
d
s
y
s
te
m
s
[
7
]
.
A
co
o
p
er
ativ
e
T
O
s
tr
ateg
y
b
ased
o
n
m
u
lti
-
ag
e
n
t
d
ee
p
r
ein
f
o
r
ce
m
en
t
lear
n
i
n
g
(
M
ADR
L
)
w
as
p
r
o
p
o
s
ed
in
[
8
]
,
w
h
er
e
ea
c
h
ed
g
e
n
o
d
e
o
p
er
ates
as
an
in
te
lli
g
en
t
ag
en
t.
C
en
tr
alize
d
tr
ai
n
in
g
w
i
th
d
ec
en
tr
alize
d
ex
ec
u
tio
n
m
i
tig
ate
s
n
o
n
-
s
tatio
n
ar
it
y
is
s
u
e
s
an
d
i
m
p
r
o
v
es
T
O
ef
f
icien
c
y
b
y
o
p
ti
m
izi
n
g
a
s
h
ar
ed
r
e
w
ar
d
f
u
n
ctio
n
.
T
h
e
p
r
o
p
o
s
ed
s
ch
e
m
e
s
i
g
n
if
ican
t
l
y
r
ed
u
ce
s
e
n
er
g
y
co
n
s
u
m
p
tio
n
w
h
i
le
s
ati
s
f
y
i
n
g
co
m
p
u
tatio
n
an
d
co
m
m
u
n
ica
ti
o
n
co
n
s
tr
ai
n
ts
.
DR
L
tech
n
iq
u
e
s
s
u
ch
as
d
ee
p
Q
-
n
et
w
o
r
k
s
(
DQN)
w
er
e
s
h
o
w
n
to
p
r
o
v
id
e
ad
ap
tiv
e
an
d
ef
f
icie
n
t
d
ec
is
io
n
-
m
a
k
i
n
g
in
d
y
n
a
m
ic
an
d
r
eso
u
r
ce
-
co
n
s
tr
ai
n
ed
ed
g
e
en
v
ir
o
n
m
e
n
t
s
[
9
]
.
A
d
d
itio
n
all
y
,
h
y
b
r
id
m
o
d
el
s
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
9
-
4864
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
,
Vo
l.
1
5
,
No
.
1
,
Ma
r
c
h
202
6
:
2
3
6
-
24
7
238
in
te
g
r
atin
g
lo
n
g
s
h
o
r
t
-
ter
m
m
e
m
o
r
y
n
e
t
w
o
r
k
s
w
i
th
d
i
f
f
er
e
n
tial
e
v
o
lu
tio
n
(
L
ST
M
-
DE
)
an
d
f
u
zz
y
Q
-
lear
n
i
n
g
w
er
e
e
m
p
lo
y
ed
to
p
r
ed
ict
f
u
t
u
r
e
I
o
T
w
o
r
k
lo
ad
s
a
n
d
en
ab
l
e
p
r
o
ac
tiv
e
r
eso
u
r
ce
au
to
-
s
ca
l
in
g
an
d
o
f
f
lo
ad
in
g
d
ec
is
io
n
s
f
o
r
m
o
b
ile
ap
p
licati
o
n
s
[
1
0
]
.
Nea
r
-
r
ea
l
-
ti
m
e
a
n
d
h
ig
h
l
y
ac
c
u
r
ate
p
r
ed
ictio
n
s
f
o
r
o
p
tim
a
l
o
f
f
lo
ad
in
g
de
cisi
o
n
s
an
d
co
m
p
u
tin
g
r
eso
u
r
ce
allo
ca
tio
n
w
er
e
ac
h
ie
v
ed
u
s
in
g
a
m
u
lti
-
ta
s
k
lear
n
i
n
g
-
b
ased
f
ee
d
-
f
o
r
w
ar
d
n
eu
r
al
n
et
w
o
r
k
(
MT
FF
N)
m
o
d
el
in
[
1
1
]
.
Si
m
u
la
tio
n
r
es
u
lt
s
d
e
m
o
n
s
tr
ated
s
u
p
er
io
r
p
er
f
o
r
m
a
n
ce
co
m
p
ar
ed
w
it
h
b
e
n
ch
m
ar
k
o
f
f
lo
ad
in
g
ap
p
r
o
ac
h
es.
T
O
s
tr
ateg
ies
m
a
y
b
e
class
if
ied
a
s
b
in
ar
y
o
r
p
ar
tial.
B
in
ar
y
o
f
f
lo
ad
in
g
e
x
ec
u
tes
ta
s
k
s
eit
h
er
lo
ca
ll
y
o
r
f
u
ll
y
o
f
f
lo
ad
s
th
e
m
to
clo
u
d
lets
,
w
h
er
ea
s
p
ar
tial
o
f
f
lo
ad
in
g
d
is
tr
ib
u
tes
ta
s
k
s
b
et
w
ee
n
lo
ca
l
d
ev
ices
an
d
r
e
m
o
te
s
er
v
er
s
.
Mo
r
eo
v
er
,
o
f
f
lo
ad
in
g
d
ec
is
io
n
s
ca
n
b
e
s
tatic
o
r
d
y
n
a
m
ic;
s
tatic
o
f
f
lo
ad
in
g
a
s
s
i
g
n
s
ta
s
k
s
to
p
r
ed
ef
in
ed
e
d
g
e
s
er
v
er
s
,
w
h
ile
d
y
n
a
m
ic
o
f
f
lo
ad
i
n
g
ad
ap
ts
d
ec
is
io
n
s
b
ased
o
n
r
ea
l
-
ti
m
e
s
y
s
te
m
co
n
d
itio
n
s
[
1
2
]
.
3.
T
ASK
O
F
F
L
O
AD
I
N
G
I
n
f
ield
s
i
n
cl
u
d
in
g
AI
,
m
ac
h
in
e
lear
n
i
n
g
,
an
d
b
i
g
d
ata
an
al
y
s
i
s
,
T
O
is
cr
u
cia
l
f
o
r
en
ab
li
n
g
co
m
m
u
n
icatio
n
b
et
w
ee
n
lo
ca
l
d
ev
ices
a
n
d
clo
u
d
in
f
r
astr
u
ctu
r
e.
T
h
e
n
ee
d
f
o
r
d
ev
ice
s
th
at
d
o
n
o
t
h
av
e
s
u
b
s
ta
n
tial
co
m
p
u
ter
p
o
w
er
o
n
th
eir
o
w
n
s
er
v
es
as
t
h
e
f
o
u
n
d
atio
n
f
o
r
its
i
m
p
o
r
tan
ce
.
T
h
ese
m
et
h
o
d
s
tr
an
s
f
er
ca
lcu
latio
n
s
f
r
o
m
p
o
ten
tia
ll
y
r
eso
u
r
c
e
-
co
n
s
tr
ai
n
ed
d
ev
ices,
in
clu
d
i
n
g
m
o
b
ile
p
h
o
n
es
an
d
I
o
T
d
ev
ices
in
clo
u
d
co
m
p
u
ti
n
g
,
to
clo
u
d
o
r
ed
g
e
s
er
v
er
s
.
T
h
e
clo
u
d
s
er
v
ices
ar
e
en
ab
led
in
a
s
u
ch
a
w
a
y
t
h
at
a
task
to
b
e
d
o
n
e
f
le
x
ib
l
y
i
n
a
g
i
v
e
n
ti
m
e
w
it
h
o
u
t
o
v
er
lo
ad
in
g
lo
ca
l
ap
p
licatio
n
s
.
T
h
ese
ap
p
r
o
a
ch
es
ar
e
to
en
h
an
ce
t
h
e
p
er
f
o
r
m
a
n
ce
,
m
i
n
i
m
ize
t
h
e
d
elay
a
n
d
r
eg
u
late
p
o
w
er
u
s
ag
e.
T
h
is
m
ea
n
s
t
h
at
o
r
g
an
izatio
n
s
ca
n
a
v
o
id
ex
p
en
d
in
g
lar
g
e
s
u
m
s
i
n
t
h
e
p
u
r
ch
a
s
e
o
f
h
ar
d
w
ar
e
an
d
o
t
h
e
r
s
u
p
p
o
r
t
s
tr
u
ct
u
r
es
b
y
h
ir
in
g
clo
u
d
r
eso
u
r
ce
s
o
n
as
-
n
ee
d
ed
b
asis
.
T
O
is
a
te
ch
n
iq
u
e
u
s
ed
to
im
p
r
o
v
e
th
e
d
i
s
tr
ib
u
tio
n
o
f
co
m
p
u
ti
n
g
ac
ti
v
i
ties
a
m
o
n
g
s
e
v
er
al
d
ev
ices,
s
u
c
h
as
clo
u
d
s
er
v
er
s
,
ed
g
e
d
ev
ices,
o
r
m
o
b
il
e
p
h
o
n
es,
esp
ec
iall
y
i
n
th
e
co
n
tex
t
o
f
en
er
g
y
co
n
s
er
v
atio
n
.
T
h
e
g
o
al
o
f
T
O
is
to
im
p
r
o
v
e
p
er
f
o
r
m
an
ce
a
n
d
r
ed
u
ce
o
v
er
all
en
e
r
g
y
co
n
s
u
m
p
tio
n
,
esp
ec
iall
y
in
s
y
s
te
m
s
w
it
h
li
m
ited
r
eso
u
r
ce
s
,
s
u
ch
b
atter
y
-
o
p
er
ated
d
e
v
ices.
T
h
e
o
b
j
ec
tiv
e
is
to
s
h
if
t
p
r
o
ce
s
s
in
g
-
h
ea
v
y
task
s
to
th
e
ed
g
e,
n
ea
r
th
e
d
ata
s
o
u
r
ce
,
in
o
r
d
er
t
o
m
in
i
m
ize
laten
c
y
,
co
n
s
er
v
e
b
an
d
w
id
t
h
,
an
d
o
p
tim
ize
r
eso
u
r
ce
u
s
a
g
e,
all
w
h
ile
m
a
in
tain
i
n
g
e
n
er
g
y
e
f
f
icien
c
y
.
T
h
e
ap
p
r
o
ac
h
es
ar
e
to
en
h
a
n
c
e
th
e
p
er
f
o
r
m
a
n
ce
,
m
in
i
m
ize
t
h
e
d
ela
y
a
n
d
r
eg
u
late
p
o
w
er
u
s
ag
e.
T
h
is
m
ea
n
s
th
a
t
o
r
g
an
izatio
n
s
ca
n
av
o
id
ex
p
en
d
in
g
lar
g
e
s
u
m
s
in
th
e
p
u
r
ch
a
s
e
o
f
h
ar
d
w
ar
e
an
d
o
th
er
s
u
p
p
o
r
t
s
tr
u
ct
u
r
es
b
y
h
ir
i
n
g
clo
u
d
r
e
s
o
u
r
ce
s
o
n
a
s
-
n
ee
d
ed
b
asis
.
Ke
y
co
n
ce
p
ts
o
f
TO
:
i)
e
d
g
e
n
o
d
es
,
ii)
e
n
er
g
y
ef
f
icien
c
y
,
iii)
l
ate
n
c
y
r
ed
u
c
ti
o
n
,
iv
)
b
an
d
w
id
th
o
p
ti
m
izatio
n
,
an
d
v
)
s
ca
lab
ili
t
y
.
3
.
1
.
P
r
o
ble
m
d
ef
i
nitio
n
I
n
th
is
u
b
iq
u
ito
u
s
a
g
e,
r
ea
l
-
ti
m
e
d
ata
p
r
o
ce
s
s
i
n
g
an
d
lo
w
l
aten
c
y
r
esp
o
n
s
e
s
h
av
e
b
ec
o
m
e
ess
e
n
tial.
T
r
a
d
itio
n
al
clo
u
d
co
m
p
u
ti
n
g
s
y
s
te
m
s
th
at
co
n
ce
n
tr
ate
d
ata
p
r
o
ce
s
s
in
g
in
d
i
s
ti
n
ct
d
ata
ce
n
t
er
s
o
f
ten
f
all
s
h
o
r
t
o
f
th
ese
r
eq
u
ir
e
m
en
t
s
d
u
e
to
in
tr
in
s
ic
late
n
c
y
a
n
d
b
an
d
w
id
t
h
co
n
s
tr
ai
n
ts
.
W
h
ile
o
f
f
l
o
ad
in
g
p
r
ef
er
en
ce
s
s
p
ec
if
ic
to
a
u
s
er
,
s
u
ch
a
s
d
esire
d
laten
c
y
o
r
w
i
lli
n
g
n
es
s
t
o
ex
p
en
d
en
er
g
y
,
ar
e
tak
e
n
i
n
to
co
n
s
id
er
atio
n
i
n
o
f
f
lo
ad
in
g
d
ec
is
io
n
s
,
ex
i
s
ti
n
g
o
f
f
lo
ad
in
g
s
tr
ate
g
ies
ar
e
u
s
u
all
y
m
o
d
elled
s
o
th
at
t
h
e
y
ca
n
b
e
ap
p
lied
t
o
all
u
s
er
s
.
T
h
e
p
r
o
p
o
s
ed
a
r
g
u
m
en
t
s
ex
p
lai
n
ed
to
o
p
en
ch
allen
g
es
:
a.
Ou
ts
o
u
r
cin
g
ta
s
k
s
o
n
to
a
clo
u
d
p
r
im
ar
il
y
d
ep
en
d
s
o
n
n
et
w
o
r
k
q
u
alit
y
a
n
d
h
i
g
h
late
n
c
y
h
a
m
p
er
s
r
ea
l
-
ti
m
e
o
r
tim
e
-
co
n
s
tr
ai
n
ed
task
s
.
b.
T
h
e
o
f
f
lo
ad
in
g
o
f
s
e
n
s
it
iv
e
ta
s
k
s
i
n
cr
ea
s
es q
u
esti
o
n
s
o
v
er
d
ata
p
r
iv
ac
y
an
d
s
ec
u
r
it
y
.
c.
R
eso
u
r
ce
m
an
a
g
e
m
e
n
t
is
a
ch
allen
g
e,
esp
ec
iall
y
w
h
e
n
o
p
er
atin
g
o
v
er
m
u
ltip
le
clo
u
d
d
o
m
a
in
s
.
T
h
u
s
,
th
e
r
ec
ti
f
icatio
n
o
f
t
h
e
m
en
tio
n
ed
ch
al
len
g
es
i
n
o
f
f
lo
ad
in
g
f
o
r
m
s
t
h
e
g
o
al
o
f
th
i
s
s
t
u
d
y
to
en
h
a
n
ce
t
h
e
o
f
f
lo
ad
in
g
p
er
f
o
r
m
an
ce
a
n
d
r
ed
u
ce
o
n
en
er
g
y
c
o
n
s
u
m
p
tio
n
an
d
co
s
t.
T
h
e
ed
g
e
clo
u
d
co
m
p
u
ti
n
g
p
ar
ad
ig
m
,
w
h
ic
h
m
o
v
e
s
co
m
p
u
tatio
n
clo
s
er
to
th
e
d
ata
s
o
u
r
ce
to
in
cr
ea
s
e
d
ata
p
r
o
ce
s
s
i
n
g
e
f
f
ic
ien
c
y
,
is
ex
a
m
in
ed
i
n
t
h
is
p
ap
er
.
B
y
u
s
i
n
g
ed
g
e
d
ev
ices
s
u
ch
a
s
s
e
n
s
o
r
s
,
g
ate
w
a
y
s
,
a
n
d
m
o
b
ile
d
ev
i
ce
s
th
at
ar
e
lo
ca
te
d
n
ea
r
o
r
at
th
e
d
ata
g
e
n
er
atin
g
s
i
tes,
ed
g
e
co
m
p
u
t
in
g
s
ig
n
i
f
ica
n
tl
y
r
ed
u
ce
s
late
n
c
y
an
d
b
a
n
d
w
id
th
co
n
s
u
m
p
tio
n
.
B
y
r
ed
u
ci
n
g
th
e
lo
ad
o
n
ce
n
tr
alize
d
d
at
a
ce
n
ter
s
a
n
d
p
r
o
v
id
i
n
g
r
e
al
-
ti
m
e
p
r
o
ce
s
s
i
n
g
ca
p
ab
ilit
ies,
th
i
s
ap
p
r
o
ac
h
en
h
an
ce
s
t
h
e
s
ca
lab
ilit
y
a
n
d
r
el
iab
ilit
y
o
f
s
y
s
te
m
s
.
4.
T
H
E
P
RO
P
O
SE
D
F
RAM
E
WO
RK
T
r
a
d
itio
n
al
T
O
m
et
h
o
d
s
r
el
y
h
ea
v
il
y
o
n
r
u
le
-
b
ased
h
e
u
r
is
tics
o
r
s
h
allo
w
lear
n
i
n
g
m
o
d
els.
T
h
ese
ap
p
r
o
ac
h
es
lack
th
e
f
le
x
ib
ilit
y
to
h
a
n
d
le
th
e
u
n
p
r
ed
ictab
le
an
d
d
y
n
a
m
ic
n
at
u
r
e
o
f
6
G
n
et
w
o
r
k
s
.
T
r
ad
itio
n
al
m
et
h
o
d
s
o
f
te
n
r
es
u
lt
i
n
s
u
b
o
p
ti
m
al
r
eso
u
r
ce
allo
ca
tio
n
an
d
in
cr
ea
s
ed
late
n
c
y
.
T
h
e
y
al
s
o
s
u
f
f
er
f
r
o
m
p
o
o
r
s
ca
lab
ilit
y
in
co
m
p
lex
n
et
w
o
r
k
en
v
ir
o
n
m
e
n
ts
.
R
L
tec
h
n
iq
u
es,
w
h
ile
ad
ap
tiv
e,
f
ac
e
ch
al
l
en
g
e
s
s
u
c
h
as
s
lo
w
co
n
v
er
g
e
n
ce
.
T
h
e
y
ar
e
al
s
o
p
r
o
n
e
to
g
etti
n
g
tr
ap
p
ed
in
lo
ca
l
o
p
tim
a,
t
h
u
s
l
i
m
iti
n
g
t
h
eir
e
f
f
ec
tiv
e
n
ess
.
T
h
er
e
is
a
p
r
ess
in
g
n
ee
d
f
o
r
h
y
b
r
id
f
r
am
e
w
o
r
k
s
to
o
v
er
co
m
e
t
h
e
li
m
itatio
n
s
o
f
ex
i
s
ti
n
g
m
et
h
o
d
s
.
T
h
ese
f
r
a
m
e
w
o
r
k
s
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
HDGC
-
h
yb
r
id
ta
s
k
o
fflo
a
d
in
g
fr
a
mewo
r
k
u
s
in
g
d
ee
p
r
ein
fo
r
ce
men
t le
a
r
n
in
g
…
(
K
a
n
iezh
il R
a
d
h
a
kris
h
n
a
n
)
239
ai
m
to
co
m
b
i
n
e
ad
ap
tiv
e
lear
n
in
g
ca
p
ab
ilit
ie
s
w
it
h
h
eu
r
i
s
ti
c
o
p
ti
m
izatio
n
m
et
h
o
d
s
.
T
h
er
e
co
m
e
s
a
s
o
lu
tio
n
f
o
r
th
e
ex
i
s
ti
n
g
ch
a
llen
g
e
s
ar
e
h
y
b
r
id
f
r
a
m
e
w
o
r
k
s
lev
er
a
g
e
DR
L
a
n
d
GA
f
o
r
b
etter
d
e
cisi
o
n
-
m
ak
i
n
g
.
T
h
is
co
m
b
i
n
atio
n
en
ab
les a
m
o
r
e
ef
f
icie
n
t e
x
p
lo
r
atio
n
-
e
x
p
lo
itatio
n
b
alan
ce
i
n
co
m
p
lex
ed
g
e
-
clo
u
d
ec
o
s
y
s
te
m
s
.
T
h
e
h
y
b
r
id
d
ee
p
r
ein
f
o
r
ce
m
e
n
t
lear
n
i
n
g
w
it
h
g
e
n
etic
co
m
p
u
tatio
n
(
HDG
C
)
f
r
a
m
e
w
o
r
k
co
m
b
in
e
s
DR
L
an
d
G
A
.
I
t
is
d
esig
n
e
d
to
o
p
tim
ize
T
O
in
6
G
-
en
ab
led
ed
g
e
-
clo
u
d
n
et
w
o
r
k
s
.
GA
e
n
h
a
n
ce
s
t
h
e
ex
p
lo
r
atio
n
p
r
o
ce
s
s
t
h
r
o
u
g
h
p
o
p
u
latio
n
-
b
ased
s
ea
r
ch
.
T
h
i
s
ac
ce
ler
ates
co
n
v
er
g
en
ce
an
d
h
elp
s
a
v
o
id
lo
ca
l
o
p
tim
a
in
TO
.
T
h
e
f
r
a
m
e
w
o
r
k
i
n
co
r
p
o
r
ates
tr
an
s
f
er
lear
n
i
n
g
to
ad
ap
t
to
n
e
w
e
n
v
ir
o
n
m
en
ts
q
u
ic
k
l
y
.
T
h
i
s
en
s
u
r
es
r
o
b
u
s
t,
s
ca
lab
le,
an
d
co
n
tex
t
-
a
w
ar
e
tas
k
d
is
tr
ib
u
tio
n
ac
r
o
s
s
ed
g
e
an
d
clo
u
d
la
y
e
r
s
.
T
h
e
s
y
n
er
g
y
o
f
DR
L
an
d
G
A
in
th
e
HDG
C
f
r
a
m
e
w
o
r
k
o
p
ti
m
ize
s
TO
.
I
t
ac
h
iev
e
s
e
f
f
icien
t
an
d
ad
ap
ti
v
e
p
er
f
o
r
m
a
n
ce
i
n
co
m
p
le
x
6
G
n
et
w
o
r
k
s
ce
n
ar
io
s
.
4
.
1
.
Net
wo
rk
m
o
del
T
h
e
p
r
o
p
o
s
ed
n
et
w
o
r
k
m
o
d
el
is
d
esi
g
n
ed
f
o
r
a
6
G
-
en
ab
led
h
ier
ar
ch
ical
ed
g
e
-
clo
u
d
co
m
p
u
ti
n
g
ar
ch
itect
u
r
e,
co
m
p
r
is
i
n
g
th
r
ee
p
r
im
ar
y
la
y
er
s
:
I
o
T
d
ev
ice
lay
er
,
ed
g
e
co
m
p
u
ti
n
g
la
y
er
,
an
d
clo
u
d
d
ata
ce
n
ter
la
y
er
.
A
t
th
e
lo
w
est
tier
,
a
d
iv
er
s
e
s
et
o
f
I
o
T
d
ev
ices
g
en
er
ates
co
m
p
u
tatio
n
al
task
s
ch
ar
a
cter
ized
b
y
v
ar
y
i
n
g
s
izes,
e
n
er
g
y
b
u
d
g
ets,
late
n
c
y
r
eq
u
ir
e
m
e
n
ts
,
a
n
d
d
ata
d
ep
en
d
en
cie
s
.
Fi
g
u
r
e
1
d
is
p
la
y
t
h
e
n
et
w
o
r
k
m
o
d
el
o
f
th
e
w
o
r
k
.
Fig
u
r
e
1
.
HDGC
ar
ch
itec
tu
r
e
T
h
ese
d
ev
ices
ar
e
co
n
n
ec
ted
to
n
ea
r
b
y
ed
g
e
s
er
v
er
s
t
h
r
o
u
g
h
u
ltra
-
r
eliab
le
lo
w
-
la
ten
c
y
6
G
lin
k
s
,
w
h
ic
h
s
u
p
p
o
r
t
d
y
n
a
m
ic
s
p
ec
tr
u
m
ac
ce
s
s
a
n
d
in
te
llig
en
t
r
ef
lec
tin
g
s
u
r
f
ac
es
to
en
s
u
r
e
s
tab
le
an
d
h
ig
h
-
t
h
r
o
u
g
h
p
u
t
co
n
n
ec
t
io
n
s
.
T
h
e
ed
g
e
lay
er
co
n
s
is
t
s
o
f
h
eter
o
g
e
n
eo
u
s
ed
g
e
s
er
v
er
s
w
it
h
d
if
f
er
in
g
co
m
p
u
tatio
n
al
ca
p
ac
ities
a
n
d
en
er
g
y
p
r
o
f
iles
,
f
o
r
m
i
n
g
a
d
ec
en
tr
alize
d
an
d
co
o
p
er
ativ
e
p
r
o
ce
s
s
i
n
g
n
et
w
o
r
k
.
E
ac
h
ed
g
e
n
o
d
e
p
er
io
d
icall
y
s
en
s
es
i
ts
e
n
v
ir
o
n
m
en
t
a
n
d
c
o
llab
o
r
ates
w
it
h
ad
j
ac
en
t
n
o
d
es
to
s
h
ar
e
r
eso
u
r
ce
av
ailab
ilit
y
a
n
d
w
o
r
k
lo
ad
in
f
o
r
m
atio
n
v
ia
6
G’
s
h
i
g
h
-
s
p
ee
d
d
ev
ice
-
to
-
d
e
v
ice
(
D2
D)
co
m
m
u
n
icatio
n
.
A
ce
n
tr
al
DR
L
ag
e
n
t,
e
m
b
ed
d
ed
w
ith
in
t
h
e
ed
g
e
la
y
er
,
o
b
s
er
v
es
g
lo
b
al
s
tate
p
ar
a
m
eter
s
—
s
u
c
h
as
b
an
d
w
id
th
u
tili
za
t
io
n
,
C
P
U
a
n
d
m
e
m
o
r
y
s
tat
u
s
,
tr
an
s
m
i
s
s
io
n
d
ela
y
s
,
an
d
task
g
r
ap
h
s
—
a
n
d
g
e
n
er
ates
o
p
ti
m
al
T
O
d
ec
is
io
n
s
u
s
i
n
g
an
AC
ar
c
h
ite
ctu
r
e.
T
o
en
h
an
ce
t
h
e
d
ec
is
io
n
p
r
o
ce
s
s
,
th
e
DR
L
p
o
lic
y
i
s
au
g
m
e
n
ted
w
it
h
G
A
th
at
i
n
tr
o
d
u
ce
p
o
p
u
latio
n
-
b
a
s
ed
r
ef
in
e
m
e
n
ts
,
th
u
s
ac
ce
ler
at
in
g
co
n
v
er
g
e
n
ce
a
n
d
p
r
ev
en
ti
n
g
s
u
b
o
p
ti
m
al
lo
ca
l
d
ec
is
io
n
s
.
I
n
th
is
w
o
r
k
,
w
e
p
r
o
p
o
s
e
a
n
o
v
el
h
y
b
r
id
f
r
a
m
e
w
o
r
k
t
h
at
co
m
b
in
e
s
DR
L
w
i
th
h
eu
r
i
s
tic
o
p
tim
i
za
tio
n
,
p
ar
ticu
lar
l
y
G
A
f
o
r
d
y
n
a
m
ic
a
n
d
in
te
lli
g
en
t
T
O
f
r
o
m
ed
g
e
s
er
v
er
s
to
th
e
clo
u
d
.
T
h
is
s
ec
tio
n
d
elin
ea
tes
th
e
s
tr
u
ct
u
r
al
co
m
p
o
n
en
ts
o
f
th
e
p
r
o
p
o
s
ed
m
et
h
o
d
,
elu
cid
ates
th
eir
in
ter
ac
ti
o
n
s
,
an
d
p
r
esen
ts
d
etailed
m
a
th
e
m
atica
l
f
o
r
m
u
la
tio
n
s
u
s
ed
in
t
h
e
d
ev
e
lo
p
m
e
n
t
an
d
in
te
g
r
atio
n
o
f
t
h
e
f
r
a
m
e
wo
r
k
.
4
.
2
.
Dee
p r
einf
o
rc
em
e
nt
lea
rning
-
ba
s
ed
t
a
s
k
o
f
f
lo
a
din
g
A
t
t
h
e
co
r
e
o
f
th
e
p
r
o
p
o
s
ed
m
eth
o
d
is
a
DR
L
-
b
ased
d
ec
is
io
n
en
g
i
n
e
d
esi
g
n
ed
to
o
p
ti
m
ize
T
O
d
ec
is
io
n
s
i
n
r
ea
l
-
ti
m
e
as
s
h
o
w
n
in
Fi
g
u
r
e
2
.
L
et
th
e
s
y
s
te
m
s
tate
at
ti
m
e
t
b
e
r
ep
r
esen
ted
as
s
t
ϵ
ℝ
n
,
w
h
ic
h
ca
p
tu
r
es
f
ea
tu
r
es
s
u
ch
a
s
C
P
U
u
til
izatio
n
,
m
e
m
o
r
y
u
s
a
g
e,
n
et
w
o
r
k
la
ten
c
y
,
an
d
e
n
er
g
y
lev
els
o
f
ed
g
e
a
n
d
clo
u
d
r
eso
u
r
ce
s
.
T
h
e
ac
tio
n
a
t
ϵ
A
co
r
r
esp
o
n
d
s
to
th
e
d
ec
is
io
n
o
f
w
h
et
h
er
to
o
f
f
lo
ad
a
g
iv
e
n
task
T
i
to
a
lo
ca
l
ed
g
e
n
o
d
e
E
j
,
an
o
th
er
ed
g
e
n
o
d
e
,
o
r
to
th
e
clo
u
d
s
er
v
er
C
.
S
t
ar
t
T
a
s
k
G
e
n
er
a
t
i
o
n
b
y
I
o
T
Dev
i
c
e
s
S
t
a
t
e
o
b
s
e
r
v
a
t
i
o
n
(
C
P
U,
M
e
m
o
r
y
)
DR
L
ag
e
n
t
(
C
r
i
t
i
c
&
DQ
N)
G
e
n
eti
c
A
l
g
o
r
i
t
h
m
(
P
o
p
u
l
a
t
i
o
n
,
s
ele
c
t
i
o
n
)
R
ef
i
n
ed
O
f
f
l
o
a
d
i
n
g
Dec
i
s
i
o
n
T
r
an
s
f
e
r
L
e
a
r
n
i
n
g
(
I
f
s
i
m
i
l
ar
E
n
v
i
r
o
n
m
en
t
)
A
t
t
e
n
t
i
o
n
M
e
ch
a
n
i
s
m
(
T
r
an
s
f
o
r
m
er
)
Gr
a
p
h
Ne
u
r
al
Net
wo
r
k
(
T
a
s
k
/
R
es
o
u
r
c
e)
Of
f
l
o
ad
t
o
E
d
g
e
o
r
C
l
o
u
d
T
a
s
k
E
x
e
cu
t
i
o
n
&
F
ee
d
b
ac
k
S
t
o
r
e
E
x
p
er
i
en
c
e
i
n
R
e
p
l
ay
b
u
f
f
e
r
Up
d
a
t
e
DR
L
P
o
l
i
cy
E
ND
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
9
-
4864
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
,
Vo
l.
1
5
,
No
.
1
,
Ma
r
c
h
202
6
:
2
3
6
-
24
7
240
Fig
u
r
e
2
.
DR
L
m
et
h
o
d
T
h
e
g
o
al
o
f
th
e
r
e
w
ar
d
f
u
n
ct
io
n
R
(
s
t,
at)
is
to
m
i
n
i
m
ize
d
ela
y
an
d
e
n
er
g
y
u
s
ag
e
w
h
ile
o
p
ti
m
izi
n
g
j
o
b
th
r
o
u
g
h
p
u
t.
T
h
e
DR
L
ag
e
n
t
s
ee
k
s
to
m
a
x
i
m
ize
th
e
p
r
ed
icted
cu
m
u
lati
v
e
d
is
co
u
n
ted
r
ew
ar
d
b
y
lear
n
i
n
g
a
n
o
p
tim
u
m
s
tr
ate
g
y
π(
at
|
s
t)
:
E
π
[
∑
γ
t
∞
t
=
0
R(
s
t
,
a
t
)
]
=J(
π)
(
1
)
w
h
er
e
th
e
d
is
co
u
n
t
f
ac
to
r
is
d
e
n
o
ted
b
y
γ
ϵ
[
0
,
1
]
.
W
e
ad
o
p
t
an
A
C
ar
ch
itect
u
r
e
w
h
er
e
th
e
ac
to
r
n
e
t
w
o
r
k
π
θ
p
r
o
p
o
s
es
ac
tio
n
s
,
an
d
t
h
e
cr
itic
n
et
w
o
r
k
V
ϕ
(
s
t
)
esti
m
a
tes t
h
e
v
al
u
e
f
u
n
ctio
n
:
V
ϕ
(
s
t
)
=
E
π
[
∑
γ
k
∞
t
=
0
R
(
s
t
+
k
,
a
t
+
k
)
]
(
2
)
Gr
ad
ien
ts
f
o
r
th
e
ac
to
r
ar
e
co
m
p
u
ted
u
s
i
n
g
t
h
e
ad
v
a
n
ta
g
e
f
u
n
ctio
n
:
∇
θ
J
(
π
)
=
E
t
[
∇
θ
l
og
π
θ
a
t
|
s
t
)
A
t
]
A
t
=
R
(
s
t
,
a
t
)
+
V
ϕ
(
s
t
+
1
)
−
∇
θ
(
s
t
)
(
3
)
4
.
3
.
T
a
s
k
o
f
f
lo
a
din
g
bet
w
ee
n e
dg
e
a
nd
clo
ud
I
n
th
e
m
u
lti
-
la
y
er
co
m
p
u
tin
g
en
v
ir
o
n
m
e
n
t,
ea
c
h
tas
k
T
i
is
ch
ar
ac
ter
ized
b
y
it
s
s
ize
D
i
,
co
m
p
u
tatio
n
r
eq
u
ir
e
m
en
t
C
i
,
an
d
d
ea
d
lin
e
L
i
.
T
h
e
s
y
s
te
m
m
u
s
t
d
ec
id
e
th
e
b
est
lo
ca
tio
n
f
o
r
p
r
o
ce
s
s
in
g
:
ed
g
e
n
o
d
e
E
j
,
p
ee
r
ed
g
e
n
o
d
e
E
k
,
o
r
clo
u
d
s
er
v
er
C
.
T
h
e
d
ec
is
io
n
v
ec
to
r
a
=
[
a
1
,
a
2
,
.
.
.
,
a
N
]
m
ap
s
ea
c
h
tas
k
to
a
tar
g
et
co
m
p
u
te
n
o
d
e.
T
h
e
o
f
f
lo
ad
in
g
d
e
cisi
o
n
a
f
f
ec
t
s
tas
k
e
x
ec
u
tio
n
d
ela
y
τ
i
,
w
h
ic
h
in
cl
u
d
es
tr
a
n
s
m
i
s
s
io
n
ti
m
e
τ
t
r
an
s
an
d
ex
ec
u
t
io
n
ti
m
e
τ
ex
ec
:
τ
i
=
τ
t
r
an
s
(
T
i
,
a
i
)
+
τ
ex
ec
(
T
i
,
a
i
)
(
4
)
T
h
e
to
tal
s
y
s
te
m
late
n
c
y
L
t
o
t
al
is
(
5
)
.
L
t
o
t
al
=
∑
τ
i
.
I
(
τ
i
≤
L
i
)
+
∞
.
I
(
τ
i
>
L
i
)
N
i
=
1
(
5
)
W
h
er
e
I
is
th
e
in
d
icato
r
f
u
n
ct
io
n
en
f
o
r
cin
g
d
ea
d
lin
e
co
n
s
tr
ain
ts
.
T
h
e
r
e
w
ar
d
f
u
n
ct
io
n
i
n
c
o
r
p
o
r
ates
a
p
en
alty
f
o
r
m
is
s
ed
d
ea
d
lin
es a
n
d
en
er
g
y
o
v
er
u
s
e.
DR
L
w
it
h
d
ee
p
Q
-
L
ea
r
n
in
g
f
o
r
s
tate
-
ac
tio
n
e
s
ti
m
atio
n
in
p
ar
allel,
a
DQN
is
tr
ai
n
ed
to
esti
m
at
e
Q
-
v
alu
e
s
o
f
s
tate
-
ac
tio
n
p
air
s
:
Q
(
s
t
,
a
t
)
=
E
π
[
R
(
s
t
,
a
t
)
+
ma
x
a
′
Q
(
s
t
+
!
,
a
′
)
(
6
)
T
o
s
tab
ilize
lear
n
in
g
,
ex
p
er
ie
n
ce
r
ep
la
y
a
n
d
tar
g
et
n
et
w
o
r
k
s
ar
e
e
m
p
lo
y
ed
.
T
h
e
lo
s
s
f
u
n
ctio
n
m
i
n
i
m
ized
at
ea
ch
iter
atio
n
i
s
:
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
HDGC
-
h
yb
r
id
ta
s
k
o
fflo
a
d
in
g
fr
a
mewo
r
k
u
s
in
g
d
ee
p
r
ein
fo
r
ce
men
t le
a
r
n
in
g
…
(
K
a
n
iezh
il R
a
d
h
a
kris
h
n
a
n
)
241
L
θ
=
E
(
s
,
a
,
r
,
s
′
)
[
(
r
+
ma
x
a
′
Q
θ
(
s
′
,
a
′
)
−
Q
θ
(
s
,
a
)
2
]
(
7
)
Her
e,
Q
θ
is
a
p
er
io
d
ically
u
p
d
ate
d
tar
g
et
n
et
w
o
r
k
.
4
.
4
.
I
nco
rpo
ra
t
i
o
n o
f
g
enet
ic
a
lg
o
rit
h
m
s
T
o
im
p
r
o
v
e
e
x
p
lo
r
atio
n
-
e
x
p
l
o
itatio
n
an
d
av
o
id
lo
ca
l
o
p
tim
a,
a
G
A
is
e
m
p
lo
y
ed
alo
n
g
s
id
e
D
R
L
.
E
ac
h
ca
n
d
id
ate
s
o
lu
tio
n
a
is
en
co
d
ed
as
a
c
h
r
o
m
o
s
o
m
e
r
ep
r
esen
ti
n
g
o
f
f
lo
ad
in
g
d
ec
is
io
n
s
.
T
h
e
f
i
tn
e
s
s
f
u
n
ctio
n
F(a
)
is
d
ef
i
n
ed
b
as
ed
o
n
r
e
w
ar
d
R
:
F
(
a
)
=
∑
(
ω
1
.
1
τ
i
+
ω
2
.
(
1
−
E
i
E
m
ax
)
)
.
I
N
i
=
1
(
τ
i
≤
L
i
)
(
8
)
Gen
etic
o
p
er
atio
n
s
i
n
cl
u
d
e
s
el
ec
tio
n
,
cr
o
s
s
o
v
er
,
an
d
m
u
tatio
n
as s
h
o
w
n
i
n
Fi
g
u
r
e
3.
−
Selectio
n
:
h
i
g
h
-
p
er
f
o
r
m
in
g
ch
r
o
m
o
s
o
m
es a
r
e
ch
o
s
e
n
f
o
r
r
ep
r
o
d
u
ctio
n
,
p
r
o
p
ag
atin
g
b
en
e
f
i
cial
tr
aits
.
−
C
r
o
s
s
o
v
er
:
g
en
et
ic
m
ater
ial
i
s
ex
ch
a
n
g
ed
b
et
w
ee
n
s
elec
ted
c
h
r
o
m
o
s
o
m
es to
cr
ea
te
n
o
v
el
s
o
lu
tio
n
s
.
−
Mu
tatio
n
:
r
an
d
o
m
alter
atio
n
s
ar
e
in
tr
o
d
u
ce
d
to
m
ai
n
tai
n
d
iv
er
s
it
y
a
n
d
p
r
ev
en
t p
r
e
m
at
u
r
e
c
o
n
v
er
g
e
n
ce
.
T
h
e
GA
i
m
p
r
o
v
e
s
t
h
e
o
f
f
lo
a
d
in
g
p
o
lic
y
w
i
th
ea
ch
DR
L
iter
at
io
n
.
I
t
g
en
er
ate
s
a
p
o
p
u
latio
n
o
f
alter
n
ati
v
e
o
f
f
lo
ad
i
n
g
d
ec
is
io
n
s
,
s
elec
ti
n
g
th
e
f
itte
s
t
s
o
lu
ti
o
n
s
to
in
f
o
r
m
s
u
b
s
eq
u
e
n
t
DR
L
tr
ai
n
in
g
p
h
ase
s
.
T
h
is
iter
ativ
e
p
r
o
ce
s
s
en
s
u
r
es
co
n
tin
u
o
u
s
i
m
p
r
o
v
e
m
e
n
t
an
d
ad
a
p
tatio
n
o
f
o
f
f
lo
ad
in
g
s
tr
ateg
ies,
lead
in
g
to
m
o
r
e
r
o
b
u
s
t a
n
d
g
lo
b
all
y
o
p
ti
m
al
s
o
l
u
tio
n
s
.
Fig
u
r
e
3
.
Gen
etic
p
r
o
ce
s
s
4
.
5
.
T
ra
ns
f
er
lea
rning
f
o
r
a
da
ptiv
e
o
f
f
lo
a
din
g
T
r
an
s
f
er
lear
n
in
g
e
n
ab
les
t
h
e
u
s
e
o
f
p
r
e
-
tr
ai
n
ed
DR
L
p
o
li
cies
to
ac
ce
ler
ate
lear
n
in
g
i
n
n
e
w
b
u
t
r
elate
d
en
v
ir
o
n
m
e
n
ts
.
S
u
p
p
o
s
e
π_
θ^
{so
u
r
ce
}
is
th
e
s
o
u
r
ce
p
o
licy
tr
ai
n
ed
u
n
d
er
k
n
o
w
n
n
et
w
o
r
k
co
n
d
itio
n
s
.
Fo
r
a
n
e
w
ta
s
k
e
n
v
ir
o
n
m
en
t E
_
tar
g
et,
p
ar
am
eter
s
θ
ar
e
in
itia
lized
as
(
9
)
:
θ
t
ar
g
e
t
θ
s
o
ur
ce
+
Δθ
(
9
)
w
h
er
e
Δ
θ
is
ad
j
u
s
ted
v
ia
o
n
li
n
e
lear
n
in
g
to
f
i
n
e
-
t
u
n
e
t
h
e
p
o
lic
y
in
E
_
tar
g
et.
4
.
6
.
At
t
ent
io
n
-
ba
s
ed
re
info
rc
e
m
e
nt
lea
rning
T
o
ca
p
tu
r
e
lo
n
g
-
ter
m
ta
s
k
d
ep
en
d
en
cie
s
,
atten
tio
n
-
b
ased
R
L
m
ec
h
a
n
is
m
s
u
s
i
n
g
T
r
an
s
f
o
r
m
er
m
o
d
el
s
ar
e
in
teg
r
ated
.
T
h
e
s
tate
s
eq
u
e
n
ce
s
t
=
[
s
t
−
k
,
…
.
.
s
t
]
is
p
r
o
ce
s
s
ed
th
r
o
u
g
h
a
s
el
f
-
atten
tio
n
m
ec
h
a
n
i
s
m
:
A
tte
n
tio
n
(
Q,
K,
V)
=
s
o
f
t
m
ax
(
Q
K
T
√
d
k
)
V
(
1
0
)
Her
e,
Q,
K,
V
ar
e
q
u
er
ies,
k
e
y
s
,
an
d
v
al
u
es d
er
iv
ed
f
r
o
m
s
t
,
an
d
d
k
is
th
e
d
i
m
e
n
s
io
n
o
f
t
h
e
k
e
y
v
ec
to
r
s
.
T
h
e
atten
tio
n
o
u
tp
u
t
s
er
v
e
s
as a
co
n
tex
t
-
a
w
ar
e
r
ep
r
esen
tatio
n
f
o
r
ac
tio
n
s
elec
tio
n
.
4
.
7
.
G
ra
ph
neura
l net
w
o
rk
s
f
o
r
depend
ency
m
o
delin
g
T
o
r
ep
r
esen
t
a
n
d
p
r
o
ce
s
s
th
e
d
ep
en
d
en
cies
a
m
o
n
g
ta
s
k
s
an
d
n
o
d
es,
GNNs
ar
e
u
t
ilize
d
.
L
et
th
e
d
y
n
a
m
ic
s
y
s
te
m
b
e
m
o
d
eled
a
s
a
d
ir
ec
ted
g
r
ap
h
G=
(
V,
E
)
,
w
h
er
e
n
o
d
es
r
ep
r
ese
n
t
ta
s
k
s
o
r
d
ev
ices,
a
n
d
ed
g
es
r
ep
r
esen
t c
o
m
m
u
n
icatio
n
o
r
d
ep
en
d
en
c
y
li
n
k
s
.
T
h
e
f
ea
tu
r
e
o
f
ea
ch
n
o
d
e
v
i
ϵ
V
is
u
p
d
ated
as
(
1
1
)
:
h
i
(
l
+
1
)
=
σ
(
∑
W
(
l
)
h
j
(
l
)
+
b
(
l
)
j
∈
N
(
i
)
)
(
1
1
)
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
9
-
4864
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
,
Vo
l.
1
5
,
No
.
1
,
Ma
r
c
h
202
6
:
2
3
6
-
24
7
242
w
h
er
e
N(
i)
is
th
e
n
eig
h
b
o
r
h
o
o
d
o
f
n
o
d
e
i,
W
(
l
)
is
th
e
w
e
ig
h
t
m
atr
ix
at
la
y
er
l,
an
d
σ
is
an
R
E
L
U
ac
tiv
a
tio
n
f
u
n
ctio
n
.
T
h
ese
e
m
b
ed
d
in
g
s
a
r
e
co
n
ca
ten
ated
in
to
t
h
e
s
tate
v
ec
to
r
u
s
ed
b
y
t
h
e
DR
L
a
g
en
t
.
4
.
8
.
H
y
brid
lea
rning
cy
cle
T
h
e
tr
ain
in
g
p
r
o
ce
s
s
in
v
o
lv
e
s
th
e
f
o
llo
w
i
n
g
s
tep
s
:
a.
T
h
e
DR
L
a
g
en
t o
b
s
er
v
e
s
s
tate
s
_
t a
n
d
s
elec
ts
ac
tio
n
a_
t.
b.
GA
g
e
n
er
ates a
ca
n
d
id
ate
p
o
p
u
latio
n
o
f
o
f
f
lo
ad
in
g
s
tr
ate
g
ie
s
ar
o
u
n
d
a_
t.
c.
Fit
n
e
s
s
e
v
alu
a
tio
n
a
n
d
s
elec
tio
n
ar
e
p
er
f
o
r
m
ed
.
d.
DR
L
p
o
lic
y
is
u
p
d
ated
b
ased
o
n
th
e
r
ef
i
n
ed
ac
tio
n
.
e.
E
x
p
er
ien
ce
is
s
to
r
ed
an
d
r
ep
la
y
ed
f
o
r
s
tab
ilit
y
.
f.
T
r
an
s
f
er
lear
n
in
g
i
n
itial
izes o
r
u
p
d
ates th
e
m
o
d
el
i
n
n
e
w
e
n
v
ir
o
n
m
e
n
ts
.
g.
T
r
an
s
f
o
r
m
er
an
d
GNN
m
o
d
u
l
es e
n
h
an
ce
te
m
p
o
r
al
an
d
s
tr
u
c
tu
r
al
u
n
d
er
s
ta
n
d
in
g
.
T
h
is
h
y
b
r
id
ap
p
r
o
ac
h
en
ab
les
r
ap
id
ad
a
p
tatio
n
to
ev
o
lv
in
g
n
et
w
o
r
k
co
n
d
it
io
n
s
,
r
ed
u
ce
s
co
n
v
er
g
en
ce
ti
m
e,
an
d
s
ig
n
i
f
ica
n
tl
y
e
n
h
an
c
es th
e
o
v
er
all
e
f
f
icie
n
c
y
o
f
T
O
in
ed
g
e
-
clo
u
d
in
teg
r
ated
n
et
wo
r
k
s
5.
RE
SU
L
T
S AN
D
D
I
SCU
SS
I
O
N
T
O
in
en
er
g
y
ef
f
icie
n
c
y
,
p
ar
ticu
lar
l
y
i
n
ed
g
e
an
d
clo
u
d
co
m
p
u
tin
g
,
in
v
o
l
v
es
tr
an
s
f
er
r
in
g
co
m
p
u
tatio
n
al
tas
k
s
to
r
e
m
o
t
e
s
er
v
er
s
o
r
ed
g
e
n
o
d
es
to
o
p
tim
ize
p
o
w
er
co
n
s
u
m
p
tio
n
an
d
p
er
f
o
r
m
an
ce
.
Sev
er
al
p
er
f
o
r
m
a
n
ce
m
etr
ics
ca
n
b
e
u
s
ed
to
ev
alu
ate
th
e
e
f
f
icie
n
c
y
o
f
T
O
s
tr
ateg
ies.
T
h
ese
m
etr
ics
t
y
p
ica
ll
y
f
o
cu
s
o
n
en
er
g
y
co
n
s
u
m
p
tio
n
,
ex
ec
u
tio
n
ti
m
e,
r
eso
u
r
ce
u
tili
za
tio
n
,
an
d
o
v
er
all
s
y
s
te
m
e
f
f
icien
c
y
.
B
elo
w
ar
e
s
o
m
e
k
e
y
p
er
f
o
r
m
a
n
ce
m
etr
ic
s
:
−
E
n
er
g
y
e
f
f
icie
n
c
y
m
etr
ic
s
(
en
er
g
y
co
n
s
u
m
p
tio
n
)
,
−
E
x
ec
u
t
io
n
p
er
f
o
r
m
a
n
ce
m
e
tr
ics (
th
r
o
u
g
h
p
u
t)
,
−
Net
w
o
r
k
p
er
f
o
r
m
a
n
ce
m
e
tr
ic
s
(
d
elay
)
,
−
R
eso
u
r
ce
u
tili
za
tio
n
m
e
tr
ics,
−
Qo
S
m
etr
ics.
T
h
e
m
etr
ics
ar
e
u
s
ed
f
o
r
en
s
u
r
in
g
th
e
o
p
ti
m
al
allo
ca
tio
n
o
f
r
eso
u
r
ce
s
ac
r
o
s
s
ed
g
e
n
o
d
es,
n
et
w
o
r
k
co
n
n
ec
ti
v
it
y
an
d
n
e
t
w
o
r
k
p
er
f
o
r
m
a
n
ce
i
m
p
ac
t
s
en
er
g
y
e
f
f
ici
en
c
y
,
a
n
d
h
elp
s
to
ev
al
u
ate
th
e
ef
f
ic
ien
c
y
o
f
tas
k
ex
ec
u
t
io
n
a
f
ter
o
f
f
lo
ad
in
g
.
T
h
e
HD
GC
f
r
a
m
e
w
o
r
k
i
s
e
v
a
lu
ated
u
s
i
n
g
cr
itical
m
etr
ic
s
f
o
r
6
G
ed
g
e
-
clo
u
d
n
et
w
o
r
k
s
.
5
.
1
.
P
a
ck
et
deliv
er
y
ra
t
io
T
h
e
p
ac
k
et
d
eliv
er
y
r
atio
(
P
DR
)
is
co
n
s
id
er
ed
as
th
e
m
ai
n
p
er
f
o
r
m
a
n
ce
p
ar
a
m
eter
w
h
ic
h
p
r
o
v
id
es
th
e
ass
e
s
s
t
h
e
ef
f
icac
y
o
f
t
h
e
s
u
g
g
e
s
ted
h
y
b
r
id
D
R
L
a
n
d
H
DGC
o
f
f
lo
ad
in
g
p
ar
ad
ig
m
.
P
DR
d
ep
icted
to
b
e
a
cr
u
cial
m
ea
s
u
r
e
o
f
n
et
w
o
r
k
r
eliab
ilit
y
an
d
ef
f
icie
n
c
y
b
ase
d
o
n
th
e
s
u
cc
ess
f
u
l
r
atio
o
f
th
e
d
eliv
er
ed
d
ata
p
ac
k
ets
to
w
ar
d
s
all
p
ac
k
ets
b
r
o
ad
ca
s
t.
I
n
th
e
co
n
te
x
t
o
f
ed
g
e
-
c
lo
u
d
o
f
f
lo
ad
in
g
o
v
er
6
G
-
en
ab
led
n
et
w
o
r
k
s
,
h
ig
h
P
DR
d
ir
ec
tl
y
co
r
r
elate
s
w
it
h
th
e
r
o
b
u
s
tn
e
s
s
o
f
r
o
u
ti
n
g
a
n
d
o
f
f
lo
ad
in
g
d
ec
is
io
n
s
u
n
d
er
d
y
n
a
m
ic
a
n
d
h
eter
o
g
e
n
eo
u
s
co
n
d
it
io
n
s
a
s
s
h
o
w
n
i
n
Fi
g
u
r
e
4.
Fig
u
r
e
4
.
I
n
ter
v
al
v
s
P
DR
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
HDGC
-
h
yb
r
id
ta
s
k
o
fflo
a
d
in
g
fr
a
mewo
r
k
u
s
in
g
d
ee
p
r
ein
fo
r
ce
men
t le
a
r
n
in
g
…
(
K
a
n
iezh
il R
a
d
h
a
kris
h
n
a
n
)
243
5
.
2
.
T
hro
ug
hp
ut
T
h
r
o
u
g
h
p
u
t,
d
ef
i
n
ed
as
t
h
e
to
tal
v
o
l
u
m
e
o
f
s
u
cc
es
s
f
u
l
l
y
tr
a
n
s
m
itted
d
ata
o
v
er
t
h
e
n
et
w
o
r
k
w
it
h
i
n
a
g
iv
e
n
ti
m
ef
r
a
m
e,
is
a
cr
itical
m
e
tr
ic
in
ev
al
u
ati
n
g
t
h
e
ef
f
icie
n
c
y
a
n
d
ca
p
ac
ity
o
f
T
O
s
tr
ateg
ies
in
n
ex
t
-
g
e
n
er
atio
n
6
G
-
e
n
ab
led
ed
g
e
-
clo
u
d
en
v
ir
o
n
m
e
n
t
s
as
s
h
o
w
n
i
n
Fi
g
u
r
e
5.
T
h
r
o
u
g
h
p
u
t
an
al
y
s
is
w
as
p
er
f
o
r
m
ed
ac
r
o
s
s
s
i
m
u
la
tio
n
in
ter
v
als
o
f
1
0
0
to
2
0
0
s
ec
o
n
d
s
in
th
e
p
r
o
p
o
s
ed
h
y
b
r
id
DR
L
an
d
HDG
C
ar
ch
itect
u
r
e,
an
d
th
e
r
es
u
lt
s
w
er
e
co
m
p
ar
ed
w
it
h
t
h
e
b
as
elin
e
d
ee
p
r
ein
f
o
r
ce
m
e
n
t
lea
r
n
in
g
w
it
h
tr
a
n
s
f
er
lear
n
in
g
(
DR
L
T
)
m
eth
o
d
.
Fig
u
r
e
5
.
I
n
ter
v
al
v
s
th
r
o
u
g
h
p
u
t
5
.
3
.
Dela
y
Dela
y
,
o
r
en
d
-
to
-
en
d
late
n
c
y
,
is
a
cr
itical
p
er
f
o
r
m
a
n
ce
p
ar
am
eter
i
n
6
G
-
e
n
ab
led
ed
g
e
-
clo
u
d
n
et
w
o
r
k
s
,
p
ar
ticu
lar
l
y
f
o
r
ti
m
e
-
s
e
n
s
i
tiv
e
ap
p
licatio
n
s
s
u
ch
as
au
to
n
o
m
o
u
s
s
y
s
te
m
s
,
r
e
m
o
te
h
ea
lt
h
ca
r
e,
an
d
in
d
u
s
tr
ial
au
to
m
atio
n
as s
h
o
wn
in
Fig
u
r
e
6
.
Fig
u
r
e
6
.
P
ac
k
et
s
ize
v
s
d
ela
y
5
.
4
.
P
a
ck
et
dro
pp
ed
P
a
ck
et
d
r
o
p
p
e
d
is
a
c
r
i
tic
al
m
etr
ic
in
ev
a
lu
atin
g
th
e
r
o
b
u
s
tn
ess
an
d
r
e
lia
b
i
lity
o
f
d
ata
t
r
an
s
m
is
s
io
n
ac
r
o
s
s
e
d
g
e
-
cl
o
u
d
n
e
tw
o
r
k
s
,
p
ar
t
icu
la
r
ly
in
h
ig
h
-
d
en
s
ity
,
h
ig
h
-
v
elo
ci
ty
6
G
en
v
ir
o
n
m
en
ts
as
s
h
o
w
n
in
Fig
u
r
e
7.
On
a
v
er
ag
e,
HD
GC
r
ed
u
ce
s
p
ac
k
et
d
r
o
p
s
b
y
m
o
r
e
t
h
a
n
7
5
%,
s
h
o
w
ca
s
i
n
g
its
s
u
p
er
io
r
n
e
t
w
o
r
k
r
esil
ie
n
ce
a
n
d
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
9
-
4864
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
,
Vo
l.
1
5
,
No
.
1
,
Ma
r
c
h
202
6
:
2
3
6
-
24
7
244
ad
ap
tab
ilit
y
u
n
d
er
v
ar
y
i
n
g
tr
af
f
ic
lo
ad
s
.
T
h
e
p
r
o
n
o
u
n
ce
d
p
er
f
o
r
m
an
ce
ad
v
a
n
tag
e
o
f
H
D
GC
s
te
m
s
f
r
o
m
i
ts
h
y
b
r
id
ar
ch
itect
u
r
e
th
at
co
m
b
i
n
es r
ea
l
-
ti
m
e
R
L
w
it
h
ad
ap
tiv
e
h
eu
r
is
tic
s
ea
r
ch
s
tr
ateg
ies
.
Fig
u
r
e
7
.
P
ac
k
et
s
ize
v
s
p
ac
k
e
t d
r
o
p
p
ed
5
.
5
.
Da
t
a
r
a
t
e
Data
r
ate
is
a
p
i
v
o
tal
p
er
f
o
r
m
an
ce
m
etr
ic
i
n
e
v
al
u
ati
n
g
th
e
ca
p
ab
ilit
y
o
f
T
O
m
o
d
els
w
it
h
i
n
ed
g
e
-
clo
u
d
ar
ch
itect
u
r
es,
esp
ec
iall
y
i
n
6
G
-
e
n
ab
led
en
v
ir
o
n
m
e
n
t
s
w
h
er
e
u
ltra
-
h
i
g
h
-
s
p
e
ed
an
d
lo
w
-
late
n
c
y
co
m
m
u
n
icatio
n
is
i
m
p
er
ativ
e
as
s
h
o
w
n
i
n
Fi
g
u
r
e
8
.
T
h
e
o
b
s
er
v
ed
p
er
f
o
r
m
a
n
ce
i
m
p
r
o
v
e
m
en
ts
ar
e
r
o
o
ted
in
HDGC
’
s
h
y
b
r
id
o
p
tim
izat
io
n
d
esig
n
,
w
h
ic
h
s
tr
ateg
icall
y
b
len
d
s
DR
L
w
i
th
g
e
n
etic
h
e
u
r
is
tic
s
f
o
r
d
y
n
a
m
ic
task
d
is
tr
ib
u
tio
n
a
n
d
b
an
d
w
id
th
allo
ca
tio
n
.
T
h
e
DR
L
ag
e
n
t
,
en
h
a
n
ce
d
th
r
o
u
g
h
atte
n
tio
n
-
b
ased
ar
ch
itectu
r
es
s
u
c
h
as
tr
an
s
f
o
r
m
er
s
a
n
d
s
u
p
p
o
r
ted
b
y
tr
a
n
s
f
er
lear
n
i
n
g
,
ad
ap
ts
in
r
ea
l
ti
m
e
to
tr
a
f
f
ic
f
lu
ct
u
atio
n
s
a
n
d
d
ev
ic
e
m
o
b
il
it
y
.
Fig
u
r
e
8
.
P
ac
k
et
s
ize
v
s
d
ata
r
ate
5
.
6
.
Av
er
a
g
e
ener
g
y
co
ns
u
m
ptio
n
As
s
ee
n
in
T
ab
le
1
,
en
er
g
y
ec
o
n
o
m
y
i
s
s
till
a
k
e
y
d
esig
n
g
o
al
in
6
G
-
en
ab
led
ed
g
e
co
m
p
u
t
in
g
,
w
h
er
e
ex
ten
d
ed
o
p
er
atio
n
o
f
b
atter
y
-
co
n
s
tr
ai
n
ed
I
o
T
d
ev
ices
an
d
ed
g
e
n
o
d
es
m
u
s
t
b
e
g
u
ar
an
teed
w
it
h
o
u
t
co
m
p
r
o
m
is
i
n
g
co
m
p
u
tatio
n
al
p
er
f
o
r
m
a
n
ce
.
T
h
is
tr
en
d
p
er
s
is
ted
co
n
s
is
te
n
tl
y
;
ev
e
n
at
lar
g
er
p
ac
k
et
s
izes,
s
u
c
h
as
5
0
an
d
6
0
b
y
te
s
,
HDGC
m
ain
tai
n
ed
s
i
g
n
i
f
ica
n
tl
y
lo
w
er
en
er
g
y
co
n
s
u
m
p
tio
n
le
v
els
o
f
0
.
0
2
3
2
J
o
u
les
an
d
0
.
0
2
9
9
J
o
u
les,
r
esp
ec
tiv
el
y
,
c
o
m
p
ar
ed
to
0
.
0
9
3
7
J
o
u
les
an
d
0
.
0
8
8
3
J
o
u
les
co
n
s
u
m
ed
b
y
DR
L
T
.
Usi
n
g
th
e
R
L
p
o
licy
w
i
th
t
h
e
h
e
lp
o
f
th
e
h
eu
r
is
tic
g
en
e
tic
o
p
ti
m
izatio
n
m
et
h
o
d
s
u
p
p
o
r
ts
to
r
ed
u
ce
th
e
u
n
n
ec
es
s
ar
y
tas
k
m
o
b
il
it
y
a
n
d
d
u
p
licate
d
is
p
en
s
atio
n
w
h
ic
h
u
s
u
all
y
r
esu
lts
i
n
t
h
e
w
asta
g
e
o
f
t
h
e
en
er
g
y
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
HDGC
-
h
yb
r
id
ta
s
k
o
fflo
a
d
in
g
fr
a
mewo
r
k
u
s
in
g
d
ee
p
r
ein
fo
r
ce
men
t le
a
r
n
in
g
…
(
K
a
n
iezh
il R
a
d
h
a
kris
h
n
a
n
)
245
T
ab
le
1
.
Valu
es f
o
r
av
er
ag
e
e
n
er
g
y
co
n
s
u
m
p
tio
n
Pa
c
k
e
t
si
z
e
D
R
L
T
H
D
G
C
20
0
.
0
8
7
3
6
7
2
0
.
0
2
8
5
4
7
2
30
0
.
0
8
1
0
1
1
3
0
.
0
2
5
3
2
3
5
40
0
.
0
7
7
7
6
5
2
0
.
0
2
3
5
5
50
0
.
0
9
3
6
8
6
6
0
.
0
2
3
1
9
60
0
.
0
8
8
2
8
0
6
0
.
0
2
9
9
3
6.
CO
NCLU
SI
O
N
I
n
th
is
w
o
r
k
,
w
e
p
r
o
p
o
s
ed
a
h
y
b
r
id
T
O
f
r
am
e
w
o
r
k
th
a
t
in
teg
r
ates
DR
L
w
it
h
G
A
to
o
p
t
i
m
ize
tas
k
allo
ca
tio
n
in
6
G
-
en
ab
led
ed
g
e
–
clo
u
d
en
v
ir
o
n
m
e
n
ts
.
T
h
e
f
r
a
m
e
w
o
r
k
e
n
ab
les
in
telli
g
en
t
d
e
cisi
o
n
-
m
ak
i
n
g
th
a
t
d
y
n
a
m
icall
y
ad
ap
ts
to
task
av
ailab
ilit
y
,
r
eso
u
r
ce
p
er
f
o
r
m
an
ce
,
an
d
n
et
w
o
r
k
to
p
o
lo
g
ies
w
it
h
r
ea
l
ti
m
e
m
o
d
i
f
icat
io
n
s
,
w
h
ich
f
r
a
m
e
th
e
n
at
u
r
e
an
d
d
y
n
a
m
ic
n
et
w
o
r
k
s
.
T
h
r
o
u
g
h
th
i
s
h
y
b
r
id
m
o
d
el,
tr
ad
itio
n
al
Of
f
lo
ad
in
g
m
et
h
o
d
s
ar
e
u
tili
ze
d
f
o
r
r
eliab
ilit
y
,
s
ca
lab
ilit
y
,
an
d
ef
f
ec
ti
v
en
e
s
s
h
elp
s
to
ac
h
iev
e
t
h
e
o
p
ti
m
al
o
f
f
lo
ad
in
g
d
ec
is
io
n
s
.
T
h
e
p
r
o
p
o
s
ed
w
o
r
k
h
as
a
f
r
a
m
e
w
o
r
k
o
f
i
n
co
r
p
o
r
ated
GNN
an
d
tr
an
s
f
o
r
m
er
b
ased
atten
tio
n
,
w
h
ic
h
p
r
o
d
u
ce
s
en
h
an
ce
m
e
n
t i
n
t
h
e
o
v
er
all
p
er
f
o
r
m
an
ce
o
f
m
u
lt
i
m
o
d
e
d
is
tr
ib
u
t
ed
s
y
s
te
m
w
it
h
lo
n
g
ter
m
d
ec
is
io
n
m
ak
in
g
a
n
d
tas
k
d
ep
en
d
en
c
y
.
T
h
e
f
r
a
m
e
w
o
r
k
en
s
u
r
es d
ata
i
n
te
g
r
it
y
an
d
a
u
t
h
en
ticit
y
o
f
t
h
e
d
ata
w
it
h
s
e
n
s
i
tiv
e
co
m
p
u
tatio
n
an
d
co
m
m
u
n
icat
io
n
a
m
o
n
g
ed
g
e
d
ev
ices,
s
er
v
er
s
,
an
d
c
lo
u
d
s
y
s
te
m
s
.
T
h
e
co
m
p
ar
is
o
n
b
et
w
ee
n
t
h
e
p
r
o
p
o
s
ed
HDGC
m
o
d
el
a
n
d
th
e
b
a
s
elin
e
DR
L
T
ap
p
r
o
ac
h
co
n
f
ir
m
s
th
e
s
u
p
er
io
r
it
y
o
f
th
e
h
y
b
r
id
s
o
lu
tio
n
ac
r
o
s
s
al
l
ev
alu
at
io
n
m
e
tr
ics.
HDG
C
ac
h
iev
e
s
h
i
g
h
er
P
DR
,
f
a
s
ter
co
n
v
er
g
e
n
ce
,
a
n
d
i
m
p
r
o
v
ed
th
r
o
u
g
h
p
u
t
o
v
er
i
n
cr
ea
s
i
n
g
s
i
m
u
latio
n
ti
m
es.
P
ac
k
et
-
d
r
o
p
co
m
p
ar
is
o
n
s
i
n
d
icate
o
v
er
a
7
5
%
r
ed
u
ctio
n
w
it
h
HDG
C
,
w
h
i
le
d
ata
-
r
ate
co
m
p
ar
is
o
n
s
s
h
o
w
c
o
n
s
is
ten
tl
y
h
i
g
h
er
p
er
f
o
r
m
a
n
c
e
as
d
ev
ice
n
u
m
b
er
s
g
r
o
w
.
F
u
r
th
er
m
o
r
e,
en
er
g
y
-
c
o
n
s
u
m
p
tio
n
co
m
p
ar
is
o
n
s
h
i
g
h
li
g
h
t
H
DGC
’
s
s
ig
n
i
f
ica
n
t
ef
f
icie
n
c
y
ad
v
a
n
ta
g
e,
w
it
h
f
ar
lo
w
er
e
n
er
g
y
u
s
a
g
e
ev
en
at
lar
g
er
p
ac
k
et
s
izes.
Ov
er
all,
t
h
e
co
m
p
ar
i
s
o
n
u
n
d
e
r
s
co
r
es
th
e
s
u
p
er
io
r
r
eliab
ilit
y
,
ef
f
icie
n
c
y
,
an
d
s
ca
l
ab
ilit
y
o
f
t
h
e
p
r
o
p
o
s
ed
HDGC
-
b
ased
f
r
a
m
e
w
o
r
k
co
m
p
ar
ed
to
DR
L
T
.
FU
NDIN
G
I
NF
O
RM
AT
I
O
N
Au
t
h
o
r
s
s
tate
n
o
f
u
n
d
i
n
g
i
n
v
o
l
v
ed
.
AUTHO
R
CO
NT
RIB
UT
I
O
NS ST
A
T
E
M
E
NT
T
h
is
jo
u
r
n
al
u
s
e
s
th
e
C
o
n
tr
ib
u
to
r
R
o
les
T
ax
o
n
o
m
y
(
C
R
ed
iT
)
t
o
r
ec
o
g
n
ize
in
d
i
v
id
u
al
au
t
h
o
r
co
n
tr
ib
u
tio
n
s
,
r
ed
u
ce
au
t
h
o
r
s
h
ip
d
is
p
u
tes,
an
d
f
ac
ilit
ate
co
lla
b
o
r
atio
n
.
Na
m
e
o
f
Aut
ho
r
C
M
So
Va
Fo
I
R
D
O
E
Vi
Su
P
Fu
Kan
iez
h
il
R
ad
h
a
k
r
is
h
n
a
n
✓
✓
✓
✓
✓
✓
✓
✓
✓
✓
✓
Mo
n
g
-
Fo
n
g
Ho
r
n
g
✓
✓
✓
✓
✓
✓
✓
✓
✓
Siv
a
S
h
a
n
k
ar
Su
b
r
a
m
a
n
ia
n
✓
✓
✓
✓
✓
✓
✓
✓
✓
C
h
u
n
-
C
h
ih
L
o
✓
✓
✓
✓
✓
✓
✓
✓
✓
C
:
C
o
n
c
e
p
t
u
a
l
i
z
a
t
i
o
n
M
:
M
e
t
h
o
d
o
l
o
g
y
So
:
So
f
t
w
a
r
e
Va
:
Va
l
i
d
a
t
i
o
n
Fo
:
Fo
r
mal
a
n
a
l
y
si
s
I
:
I
n
v
e
st
i
g
a
t
i
o
n
R
:
R
e
so
u
r
c
e
s
D
:
D
a
t
a
C
u
r
a
t
i
o
n
O
:
W
r
i
t
i
n
g
-
O
r
i
g
i
n
a
l
D
r
a
f
t
E
:
W
r
i
t
i
n
g
-
R
e
v
i
e
w
&
E
d
i
t
i
n
g
Vi
:
Vi
su
a
l
i
z
a
t
i
o
n
Su
:
Su
p
e
r
v
i
si
o
n
P
:
P
r
o
j
e
c
t
a
d
mi
n
i
st
r
a
t
i
o
n
Fu
:
Fu
n
d
i
n
g
a
c
q
u
i
si
t
i
o
n
CO
NF
L
I
C
T
O
F
I
N
T
E
R
E
S
T
ST
A
T
E
M
E
NT
Au
t
h
o
r
s
s
tate
n
o
co
n
f
lic
t o
f
i
n
t
er
est.
DATA AV
AI
L
AB
I
L
I
T
Y
Data
av
ailab
ilit
y
is
n
o
t
ap
p
licab
le
to
th
is
p
ap
er
as
n
o
n
ew
d
ata
w
er
e
cr
ea
ted
o
r
an
aly
ze
d
in
th
i
s
s
tu
d
y
.
Evaluation Warning : The document was created with Spire.PDF for Python.