基于SoPC的智能监控卡设计与实现

针对机载机电管理计算机传统监控板卡智能化不高、集成度低的缺点,介绍了一种基于s0PC（SystemonProgram-mableChip）方案实现的智能监控卡。该卡使用FPGA内嵌的PPC处理器管理本地各种资源,主机通过PCI接口完成与PPC处理器的指令及数据交互。在FPGA片内集成了多个成熟IP产品,提高了系统集成度,缩短了产品开发周期。着重阐述了FPGA核心电路的系统架构设计、各功能模块的逻辑设计与实现、软硬件协同验证等。实际的系统测试表明该产品具有功能丰富、集成度高、扩展性强的特点。     

基于多学科协同的某锁机构系统故障仿真

为解决机电液耦合的复杂运动机构系统的故障仿真问题,提出一种基于多学科软件协同的故障仿真分析方法.通过软件接口建立机构系统基于多学科协同的仿真模型.将相关故障模式影响因素注入机构系统仿真模型,仿真分析其对系统参数的影响.某锁机构系统的上锁故障仿真分析表明,该方法对工程实际复杂运动机构系统有效可行.该故障仿真方法有助于提高机械产品可靠性,也可为复杂机械系统的故障机理分析、故障诊断和维修等提供数据支持。     

推荐系统中的冷启动问题研究综述

推荐系统能够快捷、准确地定位用户真正需要的信息,解决网络信息过载问题。其中协同过滤推荐技术是推荐系统应用最广泛和成功的技术,但该技术面临冷启动问题的挑战。本文分析冷启动问题的产生原因,阐述研究冷启动问题的意义,重点总结解决冷启动问题的算法现状,分析比较它们的性能差异和各自存在的优缺点,从而便于使用者在解决冷启动问题时对算法的选择和使用。     

利用改进的差分进化算法求解等圆Packing问题

等圆Packing问题属于强约束的复杂组合优化问题之一,针对其强约束特点及难点,通过改进传统的差分进化算法,提出一种等圆Packing问题的求解方法。该改进算法特点是将有效解空间加入差分进化的变异约束中,并采用随机排序机制改进差分进化的选择机制。通过多次实验,表明此算法在求解小规模等圆Packing问题上取得的效果与目前所能找到的最优值相差不到0.6%,从而验证了演化计算在求解等圆Packing问题的可行性;与此同时,演化算法具有很好的收敛性,因此在其他强约束的复杂优化问题上将有很好的应用。     

泰坦再现 ASUS ROG CG8580

从ROG CG8565变成了CG8580,机箱内的硬件配置也随着核心技术的进步而发生了变化,从一款SandyBridge平台进化为Ivy Bridge平台。还记得华硕玩家国度游戏PC吗?没错,就是那个被称作泰坦的大家伙,又出现在我们的实验室中了!还是相同的外形,只是机器型号的数字大了一些--从ROGCG8565变成了CG8580(别问我这数字有什么规律,我也闹不明白);当然,机箱内的硬件配置也随着核心技术的进步而发生了变化,从一款Sandy Bridge平台进化为IvyBridge平台。ROG CG8580的主机沿用了上一代产品的设计,采用了一种棱角鲜明的犀利造型,据称是源自于核潜艇的设计灵感,表达了华硕希望它能     

项目实训中的协同编程方法研究

在高职院校的软件项目实训环节中,大多项目需要团体协作进行编程。针对如果有效提高学生的协同编程效率、团队合作意识以及合作学习能力的问题,提出了基于Dillenbourg原则的协同编程方法。通过实践证明,该方法取得了良好的实训效果。     

基于聚类分析的新书推荐

针对大多数图书馆管理系统中的个性化服务中的新书推荐只是定时将新到馆的图书罗列出来让读者浏览进行推荐,推荐效果差的问题。本文在比较三大常用的推荐技术的优缺点后,采用基于聚类分析的推荐算法推荐新书,并具体给出实现的方法。     

V2X环境下主干路相邻交叉口多目标协同优化模型研究

针对城市主干路相邻交叉口之间因缺乏信息交互而不能有效协同,导致主干路运行效率较低的问题,提出一种V2X（vehicle to everything）环境下的城市主干路相邻交叉口多目标协同优化模型。以V2X技术实时获取交通量、速度特性为切入点,以交通负荷为关键参数,根据不同车道功能进行权重衡量,同时,引入舒适性和行程时间作为协同区域优化参数,以其加权量作为模型综合评价指标,进而构建城市主干路相邻交叉口多目标协同优化模型。最后,为了验证模型的有效性,通过NSGA-Ⅱ（non-dominated sorting genetic algorithm-Ⅱ）算法对实例进行仿真,得到优化目标的Pareto前沿,分析结果表明：关键区域的综合交通负荷降低约19.9%,协同区域主干路通行的速度变化率减少约28.37%和行程时间减少约3.46%,可以有效提高城市主干路通行效率。     

基于R2指标和参考向量的高维多目标进化算法

在高维多目标优化中, 不同的优化问题存在不同形状的Pareto前沿(PF), 而研究表明大多数多目标进化算法(Multi-objective evolutionary algorithms, MOEAs) 在处理不同的优化问题时普适性较差. 为了解决这个问题, 本文提出了一个基于R2指标和参考向量的高维多目标进化算法(An R2 indicator and reference vector based many-objective optimization evolutionary algorithm, R2-RVEA). R2-RVEA基于Pareto支配选取非支配解来指导种群进化, 仅当非支配解的数量超过种群规模时, 算法进一步采用种群分解策略和R2指标选择策略进行多样性管理. 通过大量的实验证明, 本文提出的算法在处理不同形状的PF时具有良好的性能.