5.计算各项指标权重，最终结果如左图所示。 排名得分方法——TOPSIS 1.对于反向指标采用取倒数进行同向处理， 然后进行数据规范化 2.利用欧式距离计算与最优最劣目标的距 离，并乘以权重 3.计算各评价对象与最优方案的贴近程度 • 公共交通是城市交通的重要组成部分，全面客观地描述城市公共交通整体运行水平，有利于更综观地评价城市交通状况。高德提出“公共交通出行幸福指数”： 效率 在所研究城市在2024年期间，北京市高峰期公共交通与小汽车高峰出行时间最接近，排名与2023年同期一致，蝉联公共交通与小汽车高峰出行时间比最优城 市；说明该城市早晚高峰期采用公共交通出行的时间效率体感较好；西安市和兰州市分别在特大城市和中大城市中出行时间比最优； • 对大多数城市而言，早高峰的公共交通与小汽车出行时间比略高于晚高峰。在时间效率体感最佳的排名前十城市均呈现这样的趋势。 注：指标 单位：分钟 特大城市 超大城市 中大城市 • 研究城市范围内兰州高峰期地面公交平均候车时长最优 • 所研究城市范围内，兰州市的候车时长为6.87分钟，在所有城市中最优，且兰州市受发车频率影响的候车时长最小；合肥市受交通扰动影响的候车时长在所有 城市中最小。重庆市、合肥市的候车时长分别为超大城市、特大城市的最优。 注：指标基于各城市核心区内、实时数据质量较高的公交线路计算得到。高峰期平均候车时长，

电量平衡、全社会碳排放达峰、可再生能源电力消纳、可开发资 源条件等，以政策及市场机制为指导，计算最优经济成本，研究不同路径对全省完成“双 碳”目标的影响。 3.2 模型搭建 3.2.1 目标函数 以 2024 年为基准年，构建高分辨率的运行模拟模型，研究满足电力电量平衡、碳 排放约束、年经济成本低条件下的最优电力系统结构。 其中 13 ：表示投资成本，为各电源总投资减去残值后除以折旧年限； 缺口前提下的不同电源装机配比进行计 算，得到各场景下的经济成本。在考虑电力扩张约束、容量约束、地方资源禀赋约束以 及地方政策约束的基础上，通过反复迭代计算，得到各水平年最小经济成本的各类电源 最优装机。 3.3.1 基准情景 该场景下，仅考虑现阶段已核准和在建项目，不考虑未来经济和电力需求负荷的增 加，因此该场景可得到湖南省在各关键水平年不考虑新增电源装机后的电力电量缺口， 17 预计 储能支撑能力强化情景 该情景下，设置 2030 年和 2035 年煤电、风电、新型储能、抽水蓄能装机范围， 在满足电力缺口、电量缺口、可再生能源消纳权重等条件的约束下，可计算得到经济成 本最低的最优电源装机选项。 表 3-7：储能支撑能力强化情景下各电源新增装机范围 （单位：万千瓦） 煤电 风电 储能 抽水蓄能 2030 年 0-1000 0-500 0-1000 0 2035 年 0

用户的多用户同频调度，核心在于如何在众多用户之间分配同频资 源，达到保障用户优先级、降低干扰，提升吞吐量等关键系统性能 指标。这是典型的组合优化难题，属于非多项式级复杂度（一般为 指数级），求解最优解将超越经典计算能力。 在人工智能方面，虽然机器学习的引入为移动网络数据处理与 智能化提供了新的解决方案，但大模型的训练与推理成为移动网络 新的算力需求来源。网络智能化任务主要涉及网络状态的预测、异 用户 问题模型 加权最大独立集 求解目标 最大化权重值（最大化高权值用户接入率） 算力 需求 计算规模 中等 计算速度 准实时，要求一般 计算精度 要求高，最优解或近似最优解 量子算法 QAOA 分布式 QAOA 线路宽度需求 40 量子比特 16 量子比特 线路深度需求 30 层及以上 10 层及以上 保真度 超过纠错平衡点门限 择。包含任务交付到计算输出时长、量子态制备到量子态测量时长、 算法时间复杂度、每秒线路层操作数(CLOPS)等不同层级定义。 2）计算精度：量子算法对给定问题的解的近似程度，近似程度 表示算法解与最优解的接近程度，考虑量子计算机数值表征能力。 3）计算规模：量子计算机支持的问题规模。问题规模通常与物 量子计算应用能力指标与评测研究报告（2024 年） 15 理比特规模和线路深

调度到最适合的智算资源上，在任务执行过程中，会持续监控容器运 行状态、节点健康度，一旦出现算力节点故障、数据传输超时等异常 情况，会再次触发调度机制，重新评估资源状态，将数据、容器迁移 至更优节点，确保任务以最优方式执行。框架层提供训练框架和推理 框架，包括 TensorFlow、PyTorch 等主流框架。这些框架封装了大量 央国企智算创新实践报告（2025 年） 22 高级 API 和工具， 和工具，使得开发者能够更直观、高效地编写、调试和优化 深度学习模型。运营层作为智算平台的中枢神经，负责整个平台的监 控、调度与优化。通过收集并分析来自各层的实时数据，运营层利用 智能算法进行资源调度和任务管理，确保平台能够以最优状态运行。 应用层涵盖计算机视觉、自然语言处理、跨媒体分析推理等常见智算 应用。这些应用依托下层提供的强大计算能力、灵活模型开发环境与 高效运营管理机制，实现了从数据输入到结果输出的全自动化处理。 有序地满足各类业务 需求。常见的算力编排策略包括整体业务性能最优、高优先级业务性 能最优、响应速度最优、能耗最优等。其中，整体业务性能最优策略 的核心目标是最大化整个业务系统的整体性能；高优先级业务性能最 优策略优先保障高优先级业务的算力需求；响应速度最优策略优先为 需要快速响应的业务分配算力资源，以减少用户等待时间；能耗最优 策略则综合考虑业务需求和资源使用情况，制定一个既能满足业务需

，加速产业 智能化向超大规模、超复杂场景持续突破。 2.5.2.1 训练并行优化 模型规模突破万亿参数，引发动态负载失衡、多节点显存分配不均衡等问题。 通过建立自动搜索系统实现不同节点规模的最优参数组合。通过动态分析计算图 中的算子特征与硬件资源约束，智能分配计算与通信任务，提升万卡级训练算力 利用率（MFU）。 面向近期，实现并行策略自动搜索系统。通过解析大模型网络结构并建立算 流水线并行、异构数据并行等非均匀并行技术。拉通异构芯片间的集合通信机制， 实现双芯异厂家 GPU 通过 CPU 绕转和 GPU 间直接通信等两种模式的跨机通信。 面向中远期，实现异构集群的最优并行策略推荐，对异构集群存在的多种复 16 杂混合并行策略进行建模，得出最优非均匀切分并行策略，辅助降低异构集群的 并行策略人工调优成本｡进行异构集合通信库设计，具备异构通信组的统一管理、 异构拓扑感知及异构集合通信原语定义的能力，实现多芯的异厂家跨机通信。升 面向近期，构建动态路由与任务解耦框架。研究多模型能力量化评估技术（如 领域覆盖度、推理置信度、资源消耗比），设计轻量级路由决策模块，基于输入 特征（如任务复杂度、数据模态、实时性需求）动态分配子任务至最优模型。 面向中远期，设计分布式信用分配体系，通过 Shapley 值量化各模型贡献度， 优化资源调度策略，实现模型和智能体深度融合。 2.7 算网大脑 算网大脑在多要素融合的一体化资源编排调度和运营支撑能力的基础上，对

方程组。科学和工程学中的很多问题都需要解线性方程组。随着科 学和工程的发展进步，解线性方程组所需要处理的数据量越来越大， 对计算机和算法的要求越来越高。HHL 算法就是一个解线性方程组 的量子算法，在一定条件下，该算法比最优的经典算法具有指数加 速，已成为很多量子算法的子程序。本案例实现了 HHL 算法在两比 特系统中的一个简化版本（Scientific Reports 4，6115 (2014)），其实 验原理设计如图 eigensolver，VQE）： VQE 是一种经典-量子混合算法，如图 8 所示。VQE 算法主要应用 量子信息技术应用案例集（2024） 15 于估计化学分子的基态能量、组合优化问题的最优解等，被视为在 NISQ 时代最有希望实现的量子算法之一。 图 8 VQE 算法的流程示意图 分布式计算：分布式计算是将一个需要巨大计算能力才能解决 的问题拆分成多个小的问题，然后将这些小的问题分配给多个计算 的分布式 VQE 算法已经解决具有基因重复片段的基因组组装问题， 并计算了多个小规模的基因组组装模型，具有良好的可扩展性。随 着问题规模的增长，其 R99（需要运行多少次实验才能以 99%的概 率找到最优解）指标呈线性增长。其结果如图 11 所示。 图 11 基于分布式 VQE 的基因组组装方法的性能测试结果 根据基因组组装问题的限制条件设计问题启发式参数化量子线 路，将参数化量子态

零目标背后，必须有详细的路线图和可落地的减排举措作为支 撑。当节能降耗、绿电替代、抵消机制等多种方案摆在面前 时，需要数字化的手段模拟不同路径的减排效果、对能源供应 的影响以及潜在的成本，从而筛选出最优的组合，并通过持 续跟踪减排进程和方案的迭代优化，将降碳的蓝图最终转化 为现实。 碳交易与认证： 清洁电力的生产与消费不仅意味着减排贡献，更是宝贵的碳资 产。将发电、用电数据转化为减排量，通过交易平台出售，可 的电力价格。这种精准的预测能力帮助发电企业制定更有效的 交易策略，减少价格波动带来的不确定性。在自动化电力交易 场景，通过实时监控电力市场和预测需求，AI系统可以自主决 策，快速执行交易，确保在最优价格点卖出或买入电力。这样 的自动化交易系统提高了发电企业参与市场的响应速度，优化 交易效率。 未来，电力AI大模型将不断向场站设计建设、设备控制、经 营管理、用户服务等领域拓展应用，并基于其强大的自省能 端实现算法优化与集中式管理，提高全局策略的可靠度。云端 算法通过对多设备、多时段建模，在时间维度（如短期、中 长期）和空间维度（如楼宇、园区）实现多维预测，以成本最 优、绿电用量最优、系统可靠性与稳定性最优、发电机组寿命 与安全性最优为目标，实现多目标协同优化，支持前端用能优 化应用、售电业务应用、虚拟电厂应用等。 未来，随着新型电力系统建设的深入，以及微网应用领域向工 业制造、智慧城市和计算网络的不断拓宽，微网协同调度技术

零目标背后，必须有详细的路线图和可落地的减排举措作为支 撑。当节能降耗、绿电替代、抵消机制等多种方案摆在面前 时，需要数字化的手段模拟不同路径的减排效果、对能源供应 的影响以及潜在的成本，从而筛选出最优的组合，并通过持 续跟踪减排进程和方案的迭代优化，将降碳的蓝图最终转化 为现实。 碳交易与认证： 清洁电力的生产与消费不仅意味着减排贡献，更是宝贵的碳资 产。将发电、用电数据转化为减排量，通过交易平台出售，可 的电力价格。这种精准的预测能力帮助发电企业制定更有效的 交易策略，减少价格波动带来的不确定性。在自动化电力交易 场景，通过实时监控电力市场和预测需求，AI系统可以自主决 策，快速执行交易，确保在最优价格点卖出或买入电力。这样 的自动化交易系统提高了发电企业参与市场的响应速度，优化 交易效率。 未来，电力AI大模型将不断向场站设计建设、设备控制、经 营管理、用户服务等领域拓展应用，并基于其强大的自省能 端实现算法优化与集中式管理，提高全局策略的可靠度。云端 算法通过对多设备、多时段建模，在时间维度（如短期、中 长期）和空间维度（如楼宇、园区）实现多维预测，以成本最 优、绿电用量最优、系统可靠性与稳定性最优、发电机组寿命 与安全性最优为目标，实现多目标协同优化，支持前端用能优 化应用、售电业务应用、虚拟电厂应用等。 未来，随着新型电力系统建设的深入，以及微网应用领域向工 业制造、智慧城市和计算网络的不断拓宽，微网协同调度技术

读懂信息 系统模型建立 有模型、无模型 数据处理算法 语音识别、图形识别、视频识别 预测算法 迁移学习、神经网络、支持向量机、深度学习、回归分析、指数平滑 决策算法 目标（经济最优、社会效益最优、发电量最优） 约束（系统规模边界、系统安稳边界） 寻优方法（商业求解器、粒子群、遗传、集群协同、博弈） 规划决策（二次规划、随机规划、鲁棒规划） 运行决策（日前、日内） 控制策略（投切）

   • 低代码平台，通过拖拉拽方式，快速构建 / • 安全运营管理中，保障服务的合规和安全同时，保护企业的 数据资产 • 更高效和高性能的多模型调度，保障大模型使用的费用最优 和体验最优 - AI 引擎1 – 企业大脑 • 串联 单点能力，智能编排业务接口 • 打通大模型和传统小模型，让大模型成为智能调度的多面手，解决困 难业务问题 • 快速的 构建能力，已经构建多个