通信瓶颈下的实时并行任务分配研究

提出了实时并行任务粒度划分的具体设计方法，采用了系统内通信迟延最小的约束条件进行多处理器上的任务分配，解决了高速实时信号处理中的数据通信瓶颈问题。在自行设计的超立方体结构的通用信号处理机上，实现了空时二维自适应信号处理和SAR实时成像，显著减小了数据通信迟延，提高了并行效率和性价比。     

多部件设备维修问题研究及遗传算法求解

合理组织设备维修，缩短设备维修时间是生产运营管理的一个重要环节。本文探讨了多部件设备维修的有效组织问题。考虑到维修工人对拆分后设备的不同部分具有不同的维修效率，提出了一种基于维修时间优化的决策方法，将其与经典指派方法进行了比较；进一步地，对这一NP-hard问题设计了遗传算法，通过数值例子讨论了其求解有效性。     

基于多目标规划的遥测数据处理

研究如何挖掘遥测数据系统的效能以适应数据处理任务需求的变化,提出了数据矩阵概念,定义各种分割方式,应用多目标规划理论,对不同需求目标进行任务分配,并求解对应的最优解。     

机器人足球比赛系统中的机器人任务分配方法

针对基于遗传算法的多机器人任务分配方法中,由于初始种群是随机产生不能很好地表征整个解空间,而容易陷入局部最优解的问题,提出一种新的多机器人任务分配方法。该方法根据机器人效用函数值来确定个体基因,从而产生初始种群,并引进分层遗传算法来实现具有不同最优基因的群体分开演化。仿真实验表明,该方法比传统的遗传算法有更高的寻优效率和更快的收敛速度。     

时间触发以太网的分布式任务负载均衡分配方法

对于以时间触发以太网(time-triggered Ethernet,TTE)为互连基础设施的分布式综合化系统,通过将各个任务的物理拓扑、虚拟链路拓扑等多种设计约束属性转化定义为代价函数。提出了一种将信息处理和通信任务指派并映射到分布嵌入式资源的方法,使设计者能够利用TTE网络通信的时间确定性机制,统一地安排处理任务和通信任务。采用模拟退火算法启发式求解优化问题,保证网络节点处理和节点间通信的负载均衡性。通过一个TTE网络拓扑下任务分配的案例,采用软件仿真的形式说明这种方法的适用性。     

基于MPI高性能计算的方法研究

并行处理在计算能力方面与单处理器的串行处理相比有着无可比拟的优势。个人计算机和网络成本的下降使得使用分布式系统进行并行处理的现象越来越普遍,而分布式网络系统中多采用MPI作为并行编程标准。为了减少程序运行时间,改善MPI计算的性能,负载均衡方法尤为重要,本文提出一种在MPI并行处理中负载均衡的方法,可以按照节点的计算能力和负载情况,在节点之间分配和迁移任务。实验表明,本文提出的方法可有效提高MPI并行处理的性能。     

多编组协同任务分配模型及DLS-QGA 算法求解

为解决多智能体编组协同任务分配问题, 定义任务、智能体编组和相关的分配过程变量, 建立以最高任务执行效率为目标的数学模型. 在问题模型中设计考虑资源损耗的编组资源能力更新机制, 提出用于求解该模型的动态列表规划和量子遗传算法的混合任务分配算法, 使用动态列表规划选择处理的任务, 利用量子遗传算法为选定任务分配最合适编组. 最后通过算例表明, 所提出的方法在解决时序逻辑任务分配时能够得到更优更稳定的方案.

     

基于群体智能的多机器人任务分配

针对具有松散和紧密耦合型任务的大规模多机器人系统,研究了基于群体智能的任务分配方法。系统采用层次结构,高层用蚁群算法实现松散耦合型任务分配的寻优,提出逆转分配思想让蚂蚁代表任务,为每个任务选择任务的承担者。底层分别提出了基于蚁群、粒子群蚁群和量子蚁群实现机器人联盟的形成——产生紧耦合型任务解,并进行仿真。仿真结果表明,基本蚁群算法得到的解质量最差;粒子群蚁群算法得到的分配解最好,但是运算时间最长;量子蚁群算法得到的解稍次于粒子群蚁群算法,但分配时间比另两种算法减少了一半。因此,在大规模的多机器人任务分配中,量子蚁群算法具有更强的适用性。     

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。