动态未知环境中的优化路径规划算法

提出一种在未知动态环境中进行启发式优化搜索的实时路径规划算法．该算法采用并行搜索策略，在机器人当前位置点到终点的连线方向上作角度增减两个方向的并行搜索．仿真试验证明该算法是实时而有效的．     

基于双优先级队列的异构分布式控制系统容错调度算法

在对分布式控制系统进行分析的基础上,给出了任务模型和处理器模型.为了调度多种实时性的任务,提出了双优先级队列调度算法,用于调度每个处理器上的任务.该算法设置2个优先级队列,其中高优先级队列用于调度实时任务,低优先级队列用于调度非实时任务,高优先级队列中的任务可抢占低优先级队列中的任务.在此基础上,采用版本复制技术使系统具有容错能力,并分析了任务的容错可调度条件.基于此,采用首次适应的启发式任务分配策略,将任务分配到各个处理器上,在确保任务容错可调度的条件下使处理器负载均衡.仿真结果表明所提出的算法是有效的.     

多核平台的并行实时调度与内存分配算法

多核处理器凭借着低功耗高性能的优势占据了市场.针对多核平台上并行实时任务,提出局部与全局EDF相结合的调度算法,其中任务的截止期划分、执行预算以及迁移时机由所设计的处理器带宽预留服务器决定.同时,提出了内存分配算法,该算法能够更好地为并行实时任务管理内存资源.实验结果表明新的调度算法具有更高的调度成功率.另外,在内存资源竞争的前提下,内存分配算法可以保证并行任务的实时性与系统稳定性.     

基于改进贪婪式算法的AMR任务分配

采用自主移动机器人AMR(Autonomous Mobile Robot)集群智能、高效处理机场行李时,为了解决机场环境中AMR集群的分配调度问题,提出一种改进贪婪式算法的任务调度策略.根据随机行李数量,分配合适的AMR数量执行处理任务.该算法综合考虑在机场环境下行李任务的到达规律和AMR特性,据此改进贪婪选择策略,使其较其他算法更好体现行李任务与AMR之间的调度分配关系.首先,采用A*算法计算代价,能够获得更加符合实际环境的代价值;其次,对AMR进行类型划分和使用预先出发的策略,减小了任务分配时间和系统运行时间.仿真结果表明,该算法与相关文献算法相比,能够获得更小的任务分配时间和系统运行时间.     

面向CPU+GPU异构计算的SIFT

依据图形处理器(GPU)计算特点和任务划分的特点,提出主从模型的CPU+GPU异构计算的处理模式.通过分析和定义问题中的并行化数据结构,描述计算任务到统一计算设备架构(CUDA)的映射机制,把问题或算法划分成多个子任务,并对划分的子任务给出合理的调度算法.结果表明,在GeForce GTX 285上实现的尺度不变特征变换(SIFT)并行算法相比CPU上的串行算法速度提升了近30倍.     

网格环境下的静态启发式任务调度算法

针对网格环境中,任务调度的目标系统通常为任意连接的网络,程序大多数为密集型的并行分布式应用程序,提出了一个新的基于复制的启发式任务调度算法,该算法减少了任务在执行过程中重复查找最佳处理器的时间花费,可以同时执行多个应用程序,缩短了应用程序总的执行时间,并且平衡了处理器间的负载。实验结果表明:该算法能很好地符合网格的复杂环境,也能够更好地满足不同用户的实际需要。     

热轧带钢调度问题的混合并行策略

在分析热扎带钢生产调度特征的基础上给出了其数学规划模型，并提出了一种基于并行策略的混合启发式算法，该算法分为三个阶段：引领域知识，对预选池中的任务进行分类、排序，生成初始解；用基本遗传算法（GA）对其进行优化，得到较好的初始解；由以单个板坯交换和板坯组交换为核心的禁忌搜索（TS）进一步优化，得到最后的优化结果，与启发式算法、改进的遗传算法比较，该算法在求解的有效性和计算效率方面均具有较大的优势。     

动态障碍物环境下移动机器人路径规划

以机器人基本避障碍策略与启发式动态规划法相结合的方法，研究了在障碍物轨迹已知的动态环境中机器人的路径规划问题，根据机器人与单个障碍物可能的碰撞情况，分别提出了几种避障碍,伙子目标和相应的速度。根据这些策略，在机器人当前视窗内，将形成一个策略树，采用启发式动态规划算法，依据时间和路径费用最小原则，找出一个最优策略集，即最优子目标集，这种规划方法大大缩小于机器人子目标搜索空间。     

一种基于SAGE的高性能PIM的解决策略

针对主处理器和存储处理器之间运行速度存在差距，为了减少运行时间和充分利用PIM结构的优越性，按照这两种不同处理器的特点，提出了使用语句分析分组估算（SAGE）系统来实现PIM高速性的一种新策略．在该策略里，源程序被分割成块，同时为主处理器和存储处理器生成一个可用的运行调度机制，这个调度机制具有低的时间复杂度，并给出了新策略的同步机制．实验和结果充分论证了所提出策略的有效性．     

基于粒子群优化的多处理器任务调度算法

对于NP(Non-Polynomial)完全问题,现有的算法主要是启发式算法,性能还有待提高。基于粒子群优化智能算法,提出一种新的任务调度算法,目标是在满足任务之间优先关系的条件下,使所有任务整体完成时间最小。算法将粒子位置和任务高度作为任务的优先级,通过表调度技术生成有效的调度方案,并将调度方案对应的调度长度作为粒子的适应值。首先随机产生一群粒子,然后通过使用全局模型的粒子状态更新策略不断迭代,获得可以接受的任务调度方案。仿真实验结果表明,与遗传算法相比,调度长度提高14.7%,运行时间缩短近一半,特别适合于求解规模较大的多处理器任务调度问题。     

基于QK-Mean聚类的云任务调度算法

在运用聚类的思想对云资源进行分类时，资源属性的信息熵能反映资源属性在聚类过程中的重要程度。将信息熵的思想运用到K—mean聚类中，提出基于QK—mean聚类的任务调度算法，即对云资源按照属性的重要程度逐一进行K—mean聚类，把任务的调度过程转化成在资源K叉树中查找合适的“叶子”节点的过程。实验证明，该任务调度算法能够有效提高云任务调度的效率。     

基于博弈论的多机器人任务分配算法

为了寻找一种合理有效的多机器人任务分配算法,基于多机器人协作救火任务环境,以博弈论纳什均衡为基础,研究多机器人的任务分配问题。根据任务模型特点和纳什均衡的主要特征提出了一种基于博弈论的任务分配算法。博弈的效用函数同时考虑了距离、火势和燃烧时间等因素,机器人根据此效用函数选择行为策略,促使机器人尽快扑灭惩罚值较大的火灾而获得较大的奖励值。利用任务总收益函数值的大小评价算法的优劣性。收益函数与火势、燃烧时间和机器人扑灭火灾数有关,这切合实际救火模型。实验结果证明了该任务分配算法的有效性。     

基于能量惩罚的多机器人任务分配优化方法

针对多机器人任务分配中存在的能量消耗不均衡问题,提出了基于能量惩罚策略的遗传算法完成任务分配与任务序列的优化过程.首先,建立多机器人任务分配的数学模型,每项任务设定不同的难度系数,以机器人完成任务所消耗的总能量为优化目标,并确定安全能量的约束条件;然后在每次迭代中通过计算每个机器人相对平均能耗的超额进行能量惩罚以寻求能...     

面向云数据中心资源均衡分配需求的聚类调度算法研究

针对云数据中心资源利用率较低、能源消耗较高的问题,提出了基于资源需求差异的资源均衡调度策略。在包簇框架模型基础上,利用与资源需求相关的距离度量因子,将资源需求差异大的包通过改进的k-means算法进行聚类;利用资源之间的相关性作为包与簇之间的距离,在资源分配的过程中使包能够集中映射到簇中,从而减少簇的使用个数。实验结果表明,在包簇框架的概念下,基于资源需求差异的改进后的k-means聚类算法能够优化包聚类步骤,资源调度算法能够提高云数据中心各类资源利用率、降低资源分配过程中产生的能耗,具有有效性和可扩展性。     

基于无穷范数的视觉伺服自适应控制方法

针对基于视觉的机器人伺服过程中, 控制系统的精度和稳定性容易受到环境噪声、 设备性能等因素影响, 导致收敛指标不理想的问题, 提出一种基于无穷范数优化任务序列( INOTS: Infinite Norm Optimization Task Sequence)的自适应增益算法, 通过将实时全局任务细化为不同子任务, 根据不同时刻子任务的特点自动配置增益。 仿真结果表明, 相比于固定增益及传统自适应增益调节算法, 该增益算法可有效提高系统响应速度,增强控制系统的抗干扰能力, 提高系统稳定性。     

基于Matlab仿真平台的多任务实时调度仿真

任务的调度策略是实时系统中的关键内容,直接影响系统的性能,多任务实时系统的调度问题是实时系统中的重要研究方向。基于Matlab仿真平台,利用其自带的Simulink软件包,并结合Turetime-1.5工具箱,构建多任务实时系统的仿真平台,实现对典型的调度算法的调度仿真。     

协同设计中的任务调度算法及实现

 在协同设计子任务间形成的任务前趋图的基础上,面向协同设计的实际需求,采用了两个任务调度算法：改进的AGA（Adaptive Genetic Algorithm, 自适应遗传算法）及GASA（Genetic Simulated Annealing Algorithm,遗传-模拟退火算法)。分别给出了算法的详细实现,分析并比较了算法与其它任务调度算法的效能。最后,针对较大规模的任务实例对这两个算法进行了横向比较,分析了它们的时间效率和适用场合。     

一种基于遗传算法的网格任务调度算法

任务调度问题是一类NP问题,经典调度理论一般仅能获得问题的近似最优解.尽管已有用于任务调度的遗传算法的求解质量优于传统方法,但多数是考虑单任务或独立多任务调度的遗传算法.采用理论分析与仿真实验相结合的方法,提出了一种改进的遗传算法解决网格的任务调度问题.这种遗传算法所处理的任务不仅可以包含多个有前后约束关系的子任务,并且每个子任务可以需要多种资源.通过对比实验可以看到本文所提出的算法在网格任务调度方面要优于传统的HEFT和DLS算法.     

基于能效优化的MapReduce异构云环境任务调度算法

提出了一种在异构MapReduce集群中的能效优化管理策略.基于数据中心服务器节点的数量、性能参数运行时间等估算出任务调度的响应时间,设计了一种启发式的任务调度算法,可以很好地满足能效优化的目标.     

基于BP神经网络-模糊控制的机器人无标定视觉伺服技术

针对机器人无标定视觉伺服技术中图像雅可比矩阵在线估计存在计算复杂的问题，提出了一种结合BP神经网络和模糊控制策略的机器人控制技术。本文以多自由度智能调节系统为例，提出其视觉伺服控制架构，根据工业场景数据集训练BP神经网络，采用本文所提算法进行法兰对中实验，帮助解决核电站蒸汽发生器人孔螺栓咬死问题。在方法层面，首先，利用BP神经网络建立图像特征信息与机器人多自由度运动之间的映射关系，之后，提出模糊控制方法根据图像特征偏差进行机器人位姿的精确调整。实验结果表明，本文提出的算法能够有效应用于无标定视觉伺服控制，最终法兰平均对中误差在±1mm内，平均耗时43秒，满足应用需求，具有较高的工作效率。