前言
 本章我们探讨在研究反馈控制系统性能中误差信号所扮演的角色，关注点集中于如何减少系统对于模型不确定性的敏感程度，增强抗干扰能力，减少测量误差，稳态误差以及瞬时误差。误差信号通过负反馈对系统起到了控制作用。一般来讲，控制的目的就是减少误差。由于我们希望尽可能地减少参数跳动以及不确定性地影响，因此我们会讨论系统对于变化参数的敏感度。另外我们也希望系统在跟踪一个期望信号地同时能够有效地抵御干扰和测量误差带来的影响。接着我们研究一个反馈系统的瞬时和稳态性能，并且演示如何通过反馈来提高这些性能。当然，我们也会探讨控制系统在提高系统性能的同时也存在的一些代价。最后用一个光盘驱动读取系统的例子结束本章
 
学习了第四章，我们应该
 
知道误差信号在控制系统分析中所扮演的关键角色
清楚反馈控制在减少系统参数敏感度，抵御干扰和噪声所起的关键作用
了解控制系统的瞬时响应以及控制系统稳态响应的区别
了解控制系统在提升性能的同时也存在着一些代价
 
4.1介绍
 
一个控制系统被定义成几个组件通过内在链接构成的一个能供提供期望响应的系统。由于期望的系统响应是已知的，我们可以得到期望响应与实际响应的误差。通过利用该误差信号使我们的系统形成一个闭环行为链，这个闭环行为链就是我们所说的反馈系统，下图展示了一个闭环系统的概念图：
 
 用反馈的引入来优化控制系统是很必要的。仔细观察的话，自然界生态系统里面存在着不少反馈系统。比如人类的心率控制系统就是一个典型的反馈控制系统。
 
为了阐述反馈的特性和优点，我们将会研究一个单环反馈系统。尽管很多控制系统是多环的，单环控制系统也很有代表性。我们会通过一个单环系统透彻的理解反馈的优点，然后拓展到多环系统。
 
一个没有反馈的系统我们称之为开环系统，如下图：
 
 干扰Td(s)直接作用于我们的系统输出Y(s),因此该系统对干扰Td(s)以及G(s)里的参数变化十分敏感。
 
一个闭环控制系统如下图所示，分别用信号流图和系统框图表示：
 
 尽管我们增加了系统复杂度，但新的系统有以下几个优点：
 
减少了系统输出对过程参数的敏感度
增加了抵御干扰以及吸收噪声的能力
减少了稳态误差
可以更方便的控制和调整系统瞬时响应
 
本章我们将逐个讲解上述优点。

为提高系统吞吐量和缩短平均周转时间而照顾短进程。
 为获得较好的I/O设备利用率和缩短响应时间而照顾I/O型进程。
 不必估计进程的执行时间，动态调节。

推荐方法是整个推荐系统中最核心、最关键的部分，很大程度上决定了推荐系统性能的优劣。目前，主要的推荐方法包括：基于内容推荐、协同过滤推荐、基于关联规则推荐、基于效用推荐、基于知识推荐和组合推荐。
 
一、基于内容推荐
 
基于内容的推荐（Content-based Recommendation）是信息过滤技术的延续与发展，它是建立在项目的内容信息上作出推荐的，而不需要依据用户对项目的评价意见，更多地需要用机 器学习的方法从关于内容的特征描述的事例中得到用户的兴趣资料。在基于内容的推荐系统中，项目或对象是通过相关的特征的属性来定义，系统基于用户评价对象 的特征，学习用户的兴趣，考察用户资料与待预测项目的相匹配程度。用户的资料模型取决于所用学习方法，常用的有决策树、神经网络和基于向量的表示方法等。 基于内容的用户资料是需要有用户的历史数据，用户资料模型可能随着用户的偏好改变而发生变化。
 
基于内容推荐方法的优点是：
 
 
 
1）不需要其它用户的数据，没有冷开始问题和稀疏问题。
 2）能为具有特殊兴趣爱好的用户进行推荐。
 3）能推荐新的或不是很流行的项目，没有新项目问题。
 4）通过列出推荐项目的内容特征，可以解释为什么推荐那些项目。
 5）已有比较好的技术，如关于分类学习方面的技术已相当成熟。
 
 
缺点是要求内容能容易抽取成有意义的特征，要求特征内容有良好的结构性，并且用户的口味必须能够用内容特征形式来表达，不能显式地得到其它用户的判断情况。
 
二、协同过滤推荐
 
协同过滤推荐（Collaborative Filtering Recommendation）技术是推荐系统中应用最早和最为成功的技术之一。它一般采用最近邻技术，利用用户的历史喜好信息计算用户之间的距离，然后 利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度，系统从而根据这一喜好程度来对目标用户进行推荐。协同过滤最大优 点是对推荐对象没有特殊的要求，能处理非结构化的复杂对象，如音乐、电影。
 
协同过滤是基于这样的假设：为一用户找到他真正感兴趣的内容的好方法是首先找到与此用户有相似兴趣的其他用户，然后将他们感兴趣的内容推荐给此用户。其基本 思想非常易于理解，在日常生活中，我们往往会利用好朋友的推荐来进行一些选择。协同过滤正是把这一思想运用到电子商务推荐系统中来，基于其他用户对某一内 容的评价来向目标用户进行推荐。
 
基于协同过滤的推荐系统可以说是从用户的角度来进行相应推荐的，而且是自动的，即用户获得的推荐是系统从购买模式或浏览行为等隐式获得的，不需要用户努力地找到适合自己兴趣的推荐信息，如填写一些调查表格等。
 
和基于内容的过滤方法相比，协同过滤具有如下的优点：
 
1） 能够过滤难以进行机器自动内容分析的信息，如艺术品，音乐等。
 
2） 共享其他人的经验，避免了内容分析的不完全和不精确，并且能够基于一些复杂的，难以表述的概念（如信息质量、个人品味）进行过滤。
 
3） 有推荐新信息的能力。可以发现内容上完全不相似的信息，用户对推荐信息的内容事先是预料不到的。这也是协同过滤和基于内容的过滤一个较大的差别，基于内容的过滤推荐很多都是用户本来就熟悉的内容，而协同过滤可以发现用户潜在的但自己尚未发现的兴趣偏好。
 
4） 能够有效的使用其他相似用户的反馈信息，较少用户的反馈量，加快个性化学习的速度。
 虽然协同过滤作为一种典型的推荐技术有其相当的应用，但协同过滤仍有许多的问题需要解决。最典型的问题有稀疏问题（Sparsity）和可扩展问题（Scalability）。
 
三、基于关联规则推荐
 
基于关联规则的推荐（Association Rule-based Recommendation）是以关联规则为基础，把已购商品作为规则头，规则体为推荐对象。关联规则挖掘可以发现不同商品在销售过程中的相关性，在零售业中已经得到了成功的应用。管理规则就是在一个交易数据库中统计购买了商品集X的交易中有多大比例的交易同时购买了商品集Y，其直观的意义就是用户在购买某些商品的时候有多大倾向去购买另外一些商品。比如购买牛奶的同时很多人会同时购买面包。
 
算法的第一步关联规则的发现最为关键且最耗时，是算法的瓶颈，但可以离线进行。其次，商品名称的同义性问题也是关联规则的一个难点。
 
四、基于效用推荐
 
基于效用的推荐（Utility-based Recommendation）是建立在对用户使用项目的效用情况上计算的，其核心问题是怎么样为每一个用户去创建一个效用函数，因此，用户资料模型很大 程度上是由系统所采用的效用函数决定的。基于效用推荐的好处是它能把非产品的属性，如提供商的可靠性（Vendor Reliability）和产品的可得性（Product Availability）等考虑到效用计算中。
 
五、基于知识推荐
 
基于知识的推荐（Knowledge-based Recommendation）在某种程度是可以看成是一种推理（Inference）技术，它不是建立在用户需要和偏好基础上推荐的。基于知识的方法因 它们所用的功能知识不同而有明显区别。效用知识（Functional Knowledge）是一种关于一个项目如何满足某一特定用户的知识，因此能解释需要和推荐的关系，所以用户资料可以是任何能支持推理的知识结构，它可以 是用户已经规范化的查询，也可以是一个更详细的用户需要的表示。
 
六、组合推荐
 
由于各种推荐方法都有优缺点，所以在实际中，组合推荐（Hybrid Recommendation）经常被采用。研究和应用最多的是内容推荐和协同过滤推荐的组合。最简单的做法就是分别用基于内容的方法和协同过滤推荐方法 去产生一个推荐预测结果，然后用某方法组合其结果。尽管从理论上有很多种推荐组合方法，但在某一具体问题中并不见得都有效，组合推荐一个最重要原则就是通 过组合后要能避免或弥补各自推荐技术的弱点。
 
在组合方式上，有研究人员提出了七种组合思路：
 
 
 
1）加权（Weight）：加权多种推荐技术结果。
 2）变换（Switch）：根据问题背景和实际情况或要求决定变换采用不同的推荐技术。
 3）混合（Mixed）：同时采用多种推荐技术给出多种推荐结果为用户提供参考。
 4）特征组合（Feature combination）：组合来自不同推荐数据源的特征被另一种推荐算法所采用。
 5）层叠（Cascade）：先用一种推荐技术产生一种粗糙的推荐结果，第二种推荐技术在此推荐结果的基础上进一步作出更精确的推荐。
 6）特征扩充（Feature augmentation）：一种技术产生附加的特征信息嵌入到另一种推荐技术的特征输入中。
 7）元级别（Meta-level）：用一种推荐方法产生的模型作为另一种推荐方法的输入。
 
 
七、主要推荐方法的对比
 
各种推荐方法都有其各自的优点和缺点，见表1。
 

进程调度方式：
 
1. 非抢占方式：一旦处理机(cpu)分配给某进程后，不管它运行多久让他一直运行下去，不会因为时钟中断等原因而抢占正在运行的处理机。直到该进程完成，自愿放弃处理机，或阻塞时
 2. 抢占方式：允许调度程序根据某种原则去暂停某个正在执行的进程。抢占调度方式有一定原则，主要有以下几条：
 * 优先权原则
 * 短作业优先原则
 * 时间片原则
 
调度算法：
 
1. 先来先服务调度算法(FCFS)：最简单，每次从就绪队列选择一个最先进入该队列的进程，为分配处理机让其运行。该进程一直到运行完毕或发生阻塞才放弃处理机。
 * 该算法比较利于长作业（进程），不利于短作业；原因：短作业等待时间过长
 * 该算法有利于CPU繁忙型（指需要大量cpu时间）的作业，不利于I/O繁忙型（指需要大量I/O时间）。 
 2. 短作业优先调度算法(SJ( P )F)：是指对短作业或短进程优先调度的算法;SJF指从后备队列选出若干时间最短的作业调入内存；SPF指从内存中选一个‘估计’运行时间最短的进程，让处理机调度它
 * 可以有效降低作业的平均等待时间，提高系统吞吐量。
 * 缺点：1.对长作业不利，周转时间与带权周转时间提升。2.未考虑作业的紧迫程度。3.时间长短是估计的，所以不一定会达到真正的短作业调度
 3. 高优先权优先调度：
 - 非抢占优先权算法: 系统一旦把处理机分配给就绪队列优先级最高的进程后，便一直执行下去。直到放弃处理机时再调度
 - 抢占式优先权调度算法：系统同样把处理机分配给优先权最高的进程，使之执行，但只要出现另一个大优先权更高的进程，则把处理机分配给新的进程
 - 静态优先权：是在创建进程时确定的，且在进程的运行期间不变；确定优先权有三个方面：1.进程类型。2.进程对资源的需求。3.用户要求
 - 动态优先权：在创建进程时确定的；但可以随进程推进或随其等待时间的增加而改变，以便获得更好的调度性能。
 - 高响应比优先调度算法：优先权=（等待时间+要求服务时间）/ 要求服务时间。
 4. 时间片轮转法：利用FCFS再令其执行一个时间片，时间片用完时，发生中断，将其送入就绪队列尾部
 5. 多级反馈队列调度算法：既能使高优先级的作业得到响应又能使短作业（进程）迅速完成；设置多个就绪队列。在系统中设置多个就绪队列，并为每个队列赋予不同的优先。第一个队列的优先级最高，第二个次之，其余队列的优先级逐个降低。该算法为不同列中的进程所赋予的执行时间片的大小也各不相同，在优先级愈高的队列中，其时间片愈小。
 　　　　每个队列都采用FCFS算法。当新进程进入内存后，首先将它放入第一队列的末尾，按FCFS原则等待调度。当轮到该进程执行时，如它能在该时间片内完成，便可撤离系统。否则，即它在一个时间片结束时尚未完成，调度程序将其转入第二队列的末尾等待调度;如果它在第二队列中运行个时间片后仍未完成， 再依次将它放入第三队列…依此类推。当进程最后被降到第n队列后，在第n队列中便采取按RR方式运行。
 　　　　按队列优先级调度。调度程序首先调度最高优先级队列中的诸进程运行，仅当第一队列空闲时才调度第二队列中的进程运行;仅当第1到(i-1)所有队列均空时，才会调度第i队列中的进程运行。如果处理机正在第i队列中为某进程服务时又有新进程进入任一优先级较高的队列，此时须立即把正在运行的进程放回到第i队列的末尾，而把处理机分配给新到的高优先级进程
 　　　　* 多级反馈队列调度算法有较好性能，能很好完成用户需求：终端型作业用户；短批处理作业用户；长批处理作业用户