带分复用的三维片上网络测试规划研究

三维片上网络(3D No C)中IP核的测试问题日趋突出,测试规划是提高测试效率的有效方法。基于重用No C作为测试存取机制的并行测试方法,针对IP核测试数据传输带宽与TAM带宽不匹配的问题,提出带分复用方法,对有限带宽的TAM进行动态细分,将多核的测试数据共享同一物理TAM实施并行传输,并结合3D No C结构设计二维编码,建立带宽分配和测试顺序模型,采用多种群遗传模拟退火算法,在总功耗、层功耗双重约束下对IP核的带宽分配和测试顺序进行双重优化,提高并行测试效率以获得最短测试时间。算法中针对测试顺序优化设计移位互换杂交策略,并运用精英配对方法加快种群寻优速度,设计求精操作进一步优化测试时间,通过比较、淘汰、替换机制加强种群间交流,增加种群多样性,避免算法陷入局部最优。以ITC'02标准电路作为测试对象,实验结果表明,该方法通过提高带宽利用率,提升了并行测试效率,降低了资源占用,有效地缩短了测试时间。     

基于粒子群算法的多约束3D NoC协同测试规划

为了提高三维片上网络(3D NoC)资源内核的测试效率,对多约束下的3D NoC进行测试规划。在硅通孔(TSV)数量、功耗以及带宽约束下,分别将TSV位置、IP核测试数据分配作为两个寻优变量,利用离散粒子群算法协同进化,以减少测试时间并提高TSV利用率。在算法中引入全局次优极值对粒子进行指导,提高全局搜索能力;并通过自适应参数调整策略增加种群多样性,从而改善粒子搜索的停滞现象。以国际标准测试集ITC'02中的电路作为仿真对象,仿真结果表明,算法能够有效地完成在多约束下对TSV位置的寻优并合理分配通信资源,缩短了测试时间,提高了TSV利用率。     

基于Petri网和模拟退火遗传算法的并行测试研究

针对自动测试系统中并行测试任务调度复杂、难以优化的问题，提出了一种Petri网技术和模拟退火遗传算法相结合的任务调度优化算法。首先为并行测试系统建立时间Petri网模型，然后将激发的变迁序列集作为并行测试任务调度路径。为了得到最优路径，引入模拟退火遗传（GASA）算法进行搜索。在搜索过程中，将能激发的变迁序列作为染色体，进行选择、交叉和变异。为了防止算法出现收敛过早，陷入局部最优解的现象，还要对个体进行模拟退火操作，最后得到测试完成时间最短的任务调度序列。     

动态带分复用的三维片上网络协同优化研究

采用动态带分复用进行三维片上网络测试规划和调度协同优化研究,在测试中,给IP核动态分配带宽固定的TAM,同一时刻可使多个核的测试数据共享同一物理TAM并行传输,解决IP核测试数据传输带宽与TAM带宽不匹配的问题,实现IP核并行测试的最大化。对带宽分配的结果设计多种群云进化算法进行TAM内调度,实施精英种群间交叉变异提高多样性,协同开展测试规划和调度优化以获得最短调度时间。以ITC’02基准电路作为实验对象实施仿真验证,实验结果表明,在满足功耗、带宽约束的条件下,动态带分复用的测试策略通过提高带宽利用率,有效地减小了测试时间,提高了测试效率。     

基于量子粒子群算法的SOC测试调度优化研究

在基于IP核复用技术的SOC(system-on-chip,SOC)芯片中,测试资源的稀缺性限制了IP核并行测试的能力,导致了SOC测试耗时过长的局面.同时SOC测试时必须满足一定的功耗约束,否则会造成测试芯片的损坏.针对SOC测试时间与测试功耗协同优化这一难题,本文采用群智能优化算法-量子粒子群(quantum-behaved particle swarm optimization,QPSO)算法来实现这一目标.结合QPSO算法和测试调度问题,设计算法的适应度计算法则并建立测试时间与测试功耗的协同优化数学模型.通过实验确定算法中参数的最佳取值.最后利用算法搜索最优解确定IP核在TAM (test access mechanism)上的分配,实现SOC功耗与时间的协同优化.经过国际标准SOC电路验证表明在解决功耗约束下的SOC测试调度优化问题上量子粒子群算法与已有算法相比,不仅能够更好的达到缩短SOC测试时间的目的,而且算法收敛速度快,需要调整的参数少,实现简单.     

一种灵活TAM总线分配的SoC测试调度方法

测试调度问题已成为SoC发展的瓶颈,这一NP完全问题经常被抽象成二维装箱问题.传统方法的出发点是将一个IP核分配一组固定的连续的测试总线,并求得此时的测试时间,将其分别映射成一个待装箱的小矩形的宽和长.对这一问题进行扩展,提出一种灵活TAM总线分配的方法,解决SoC测试调度问题.该方法的主要思想是将一个IP核灵活的分配多组测试总线,把代表该IP核信息的一个矩形从宽度上分割为多个矩形.同时,利用B*-Tree结构描述"箱体布局",采用一种新的组合优化算法--交叉熵方法,对其进行求解.最后将其应用在ITC'02标准测试集上,实验表明,基于灵活TAM总线分配方法的SoC测试调度比现有的测试调度方法能更有效地降低SoC的测试时间.     

减少SOC测试时间的测试结构配置与规划

以减少系统芯片(SOC)测试时间为目标,研究了基于内嵌芯核分簇的并行测试结构配置与规划问题。以求解多处理器规划问题为模型,分析了并行测试层次型SOC多芯核的规划,重点研究了最小化测试时间目标下多芯核最优分簇问题。以ITC2002SOCBenchmark为实验对象,示例了芯核分簇的规划结果。该方法可用于SOC并行测试流程控制及SOC的可测性设计。     

基于分布估计算法的并行拆卸序列规划研究

针对目前并行拆卸效率低的问题,对产品的拆卸模型的构建方法、编码与解码以及分布估计算法进行了研究,提出了一种基于分布估计算法的并行拆卸序列的规划方法。通过构建层次拆卸任务图,表达了零件间的拆卸优先关系,并存储了层次拆卸任务图的邻接矩阵;以邻接矩阵为依据,采用自然数编码方法进行了编码,并运用了扫描解码方法进行解码;建立了合适的分布估计算法的概率模型和更新方法,以最小化拆卸完工时间为优化目标,通过不断迭代获取了并行拆卸的最优解,通过实例验证了算法的正确性。研究结果表明:该方法在求解的质量和效率之间取得了很好的平衡。     

基于量子进化算法的SoC测试结构优化

本文针对SoC测试结构的特点,采用多进制的编码方式,建立改进的量子进化算法数学模型。通过选取合适的模型参数,以缩短测试时间为目标,完成对群体的观测,确定IP核在测试访问机制上的分配以及当前群体中的最佳个体,实现基于量子进化算法的片上系统芯片的测试结构优化。针对国际标准片上系统芯片验证表明,量子进化算法可应用于多扫描链IP核构成的包含多条TAM的SoC测试,与同类算法相比,该算法能够获得较短的测试时间。     

基于动态自确定并行模糊聚类鸡群优化算法的水稻机器人路径规划

为了有效提高水稻机器人路径规划精度,提出了一种基于动态自确定并行模糊聚类鸡群优化算法的水稻机器人路径规划方法。首先,构建基于碰撞威胁度、路径长度和路径平滑度的极坐标水稻机器人路径规划模型,在降低问题求解维度的同时,提高了机器人路径规划的可行性。其次,设计动态自确定并行模糊聚类鸡群优化算法(DMCSO),该算法利用动态自确定分类个数的核FCM对鸡群进行聚类分析,并在MPI并行架构下执行协同进化操作,以提高算法求解高维复杂问题的优化性能,经典测试函数对比结果表明,DMCSO算法无论是在收敛精度上还是在运算效率上都要优于其它算法。最后,利用DMCSO算法对路径规划模型进行求解,以获得更为满意的路径规划方案。仿真结果表明,机器人路径规划方法更具可行性和合理性,路径长度降低了约(15.9～26.5)%,运算时间降低了约(20.3～44.3)%。     

基于改进引力搜索算法的异步并行拆卸序列规划研究

在大型复杂机械设备的检修过程中,涉及对维修目标件的拆卸,存在多人协同作业建模困难和拆卸序列求解效率低的问题,为此,对异步并行拆卸序列规划的拆卸模型和求解算法进行了研究,提出了一种基于改进引力搜索算法的异步并行拆卸序列规划方法。首先,研究了拆卸工作区域干涉和零部件之间的几何约束,建立了优先约束模型,并基于优先关系和拆卸目标件,逆向搜索出了最小待拆卸零部件集合;然后,建立了异步并行拆卸序列规划的数学模型,以拆卸时间最小化为优化目标建立了目标函数,针对异步并行拆卸序列构造了其编码和解码方法,并重构了引力搜索算法中个体进化的更新公式,设计了逃脱算子以跳出局部最优;最后,以水轮机主轴密封检修为例进行了实验,以验证GSA算法的有效性,并将其结果与采用传统算法所得结果进行对比,以证明新方法的优越性。研究结果表明：相比于传统算法,改进的引力搜索算法可以实现更少的时间代价,因此在处理复杂设备维修拆卸过程中更加有效。     

一种改进的基于Facet模型的亚体素表面检测算法

在基于CT的工业应用中，常常需要从CT切片序列获得实体的3D高精度表面信息。介绍了一种基于Facet模型的亚体素表面检测算法，并针对其计算效率低的问题，给出了一种3DFacet模型的加速算法。该改进算法将Facet模型的三维卷积核分解为3个一维卷积核，使算法复杂度从O（m^3）降低到O（3m），并采用增量算法解决了由此产生的存储空间问题。通过对仿真图像的实验，验证了该算法的效率和精度，表明该算法在保持原始算法精度的同时，处理速度提高了约两倍。     

基于遗传模拟退火融合算法的船舶分段装配序列优化

针对复杂船舶分段装配序列规划问题,提出基于遗传模拟退火算法的分段装配序列规划求解方法,综合考虑分段装配中的工艺约束和几何约束,建立以分段装配所需时间和消耗成本为优化目标的问题模型,并为模型求解设计了遗传模拟退火融合算法,将模拟退火算法的局部搜索能力与遗传算法的快速全局搜索能力相结合,达到快速收敛到全局最优解的目的.通过实例验证了该算法的有效性.     

分布式3D打印服务的实时多任务调度研究

针对分布式3D打印机（3DPs）在工业物联网（IIoT）中共享、协作、生产全球化的定制产品过程中,3D打印任务（3DPTs）在分布式3D打印机上分配工作量不平衡,以及提交的每个模型的定制属性和实时性等问题,文章提出了用于IIoT中个性化3D打印的实时绿色感知多任务调度架构,给出了一种稳健的在线分配算法,使得每个3D打印任务能够精确地满足用户定义属性,并且平衡了分布式3D打印机之间工作负荷,同时开发了一种基于优先级的自适应实时多任务调度（ARMPS）算法,实时调度每一个3D打印任务,满足3D打印任务的实时性以及动态性要求。在高负载下进行仿真实验,经性能评估测试,表明所提出的算法具有稳健性,调度架构具有鲁棒性和可扩展性。     

基于蚁群算法的异步并行装配序列规划方法

为了提高复杂产品的装配序列规划效率,利用蚁群算法的并行性及其搜索过程的独立性,对装配序列进行异步并行求解。首先,调整产品结构树的装配层次关系,并基于多色集合理论(PST)对装配层次结构进行形式化表达,建立PS层次结构树;其次,基于"分治"原则,建立"全局并行、区域线性"的蚂蚁搜索策略,对PS层次结构树进行逐层规划和整合计算,实现装配序列的异步并行求解,并提高求解效率;然后,为了解决非线性装配序列表达方式问题,建立装配序列树模型及其自相关矩阵。最后,通过实例验证了异步并行装配序列方法的可行性与有效性。     

复杂产品并行拆解建模及规划方法研究

为提高复杂产品并行拆解的效率,提出了一种针对复杂产品的并行拆解建模及规划方法。通过构建拆解约束图确定零件之间的连接关系,利用传递闭包算法进行聚类分析,将产品分解为若干个组件的集合。提取组件与组件之间的连接零件集合,利用人工蜂群算法对连接零件集合以及每个组件分别进行拆解规划,从而得到复杂产品的并行拆解模型及规划序列。以摩托车发动机的并行拆解为例,对该方法进行了验证,结果表明该方法能有效地实现复杂产品的并行拆解,提高复杂产品的拆解并行度和拆解效率。     

自适应粒子群求解资源动态分配项目调度问题

为了解决传统任务资源固定分配难以实现动态与高效调度的问题,建立了任务资源动态分配项目调度的数学模型,给出了任务调度方案的生成算法。为了克服基本粒子群优化算法的早熟收敛问题,平衡其全局与局部搜索能力,提出了一种改进的自适应粒子群优化算法,该算法采用惯性权重因子周期性衰减和改进的变异策略以及不变位交叉法实现粒子的更新。最后对通用标准库进行了测试,结果表明,所建模型和改进算法能够有效地缩短项目工期,提高资源利用率和算法效率。     

基于免疫算法的装配序列规划问题求解

针对装配序列规划问题提出了一种模拟生物免疫系统的免疫算法,并给出了亲和力计算、抗体生成、免疫选择、记忆细胞更新等的具体实现方法.实例仿真结果表明,免疫算法在装配序列规划问题的求解中充分体现了免疫系统的多样性、免疫自我调节、免疫记忆和分布式并行等特点.免疫算法较遗传算法具有更强的全局搜索能力和更快的收敛速度,有效地改善了全局收敛性能和收敛速度.     

基于MapReduce的蚁群算法

云计算环境下应用蚁群算法分布式并行对问题进行求解的研究较少,且蚁群算法存在搜索时间长和易收敛于非最优解的缺陷,当问题的规模较大时求解困难。为此应用云计算技术将蚁群算法并行化,提出基于MapReduce的蚁群算法。该算法将分治思想和模拟退火算法融入蚁群算法,改进其缺陷,并应用于求解较大规模的旅行商问题。仿真实验取得了较好的效果,且获得了测试实例gr666的新解。     

并行设计中耦合任务集割裂规划的新方法

耦合任务集的割裂规划有助于并行设计过程的组织管理,以加快设计过程收敛和减少产品开发时间。割裂规划方法研究旨在提高割裂规划的有效性。针对现有割裂规划方法的不足,本文提出了一套从构造到割裂数字双指标耦合任务集的系统化新方法：用敏感度与可变度双指标表征任务间依赖关系,用基于层次结构法的两两比较技术数字化双指标耦合任务集;用基于次序指标的算法割裂数字耦合任务集。最后,用汽车车门并行设计的实例对方法进行了验证。实践表明,该方法不仅能有效地保证并行设计过程的尽快收敛,而且具有一定的科学性系统民生,简单易用,具有实际的推广应用价值。