一种基于改进烟花算法的MBD产品信息轻量化方法

MBD产品信息轻量化要求满足在保留产品语义信息的前提下实现几何信息轻量化.传统的产品信息轻量化方法实现CAD模型简化的同时无法保留产品的非几何语义信息,难以满足M BD产品信息轻量化要求.本文以STEP AP242为研究对象,提出了一种基于改进烟花算法的MBD产品信息轻量化方法.首先针对STEP AP242构建统一的产品语义模型,实现了非几何信息与几何信息的统一表达,并进行关键特征语义的简化分配;然后在构建的产品语义模型基础上引入了改进的烟花算法对几何信息进行轻量化,通过对爆炸半径的优化和动态更新种群进化维数,对简化模型的关键特征精度可控,提高了简化后模型的质量,降低了算法的时间开销;最后实例分析验证有效性和可行性.     

基于混沌蚂蚁的分布式系统协同优化方法

针对复杂分布式系统的优化问题,提出基于混沌蚂蚁的复杂分布式系统协同优化方法.在系统理论指导下,分析复杂分布式系统中自主Agent的基本动力学特征,进而提出复杂分布式系统协同优化模型.在此基础上,借助混沌蚂蚁群算法(CAS)的思想,建立基于混沌蚂蚁的复杂分布式系统协同优化算法(CAS-CO).通过对复杂多Agent网络中基于位置的任务分配问题进行仿真实验,同时与已有算法仿真结果对比,表明CAS-CO算法可行有效,反映文中模型的正确性和Agent的自主性在复杂分布式系统设计和构建中的重要性.     

基于故障图模型的故障诊断方法研究

在复杂系统故障诊断中，为了解决故障树模型过于简单和现有故障图模型过于复杂而且分解简化比较困难的问题，在故障树模型的基础上进行拓展，提出了具有扇入节点和层次节点的有向无圈的故障图模型，阐述了基于该模型的故障诊断和故障影响预测原理，并且给出了基于该模型的一系列相关预处理方法及算法．它们包括：生成子树库和生成可探测节点路径库的预处理方法、故障诊断推理算法和故障影响预测算法等．     

协同演化算法在基坑支护工程优化设计中的应用

提出一个用于基坑支护工程优化设计的协同演化模型,并给出相应的协同演化算法．利用基坑支护系统各子系统之间既相互独立又相互联系的特点,提供了问题空间与外空间不断演化的协同机制,实现了基坑支护方案和细部结构的协同优化设计．通过一个简化的基坑支护参数优化问题——“锚杆 排桩”支护体系的应用实例,说明文中的模型和算法对于基坑支护工程的优化设计是有效且适用的．     

复杂模型的视点依赖简化算法

为了达到在虚拟环境的漫游系统中对复杂模型进行实时绘制的目的，通常采用多层次细节模型来解决这一问题，给出一种即与视点相关又无须对原来的复杂模型进行预处理的网格简化算法，该算法采用精细(refinement)法．每次绘制前都从最粗糙的模型开始，根据视点位置、视方向和模型的每个部分产生的误差，对影响视觉效果大的部分进行细分(subdivision)，逐步产生可显示的模型，实验表明，本文提出的网格简化算法能在对视觉效果影响不大的前提下大大降低需要绘制的三角形数量。     

复杂环境下群机器人自组织协同多目标围捕

针对动态多目标围捕,提出了一种复杂环境下协同自组织多目标围捕方法.首先设计了多目标在复杂环境下的运动模型,然后通过对生物群体围捕行为的研究,构建了多目标简化虚拟受力模型.基于此受力模型和提出的动态多目标自组织任务分配算法,提出了群机器人协同自组织动态多目标围捕算法,这两个算法只需多目标和个体两最近邻位置信息以及个体面向多目标中心方向的两最近邻任务信息,计算简单高效,易于实现.接着获得了系统稳定时参数的设置范围.由仿真可知,所提的方法具有较好的灵活性、可扩展性和鲁棒性.最后给出了所提方法相较于其它方法的优势.     

改进LOD的大规模三维漫游场景简化策略及分割算法

提出一种改进LOD的大规模三维漫游场景简化策略及分割算法,首先应用基于最小二乘粗糙度的节点简化策略对复杂场景网格进行简化,通过改进Lindstrom算法,增加简化准则来解决误差模型精确度下降和粗糙度值变化的问题;然后对简化后的模型采用多通道切割算法进化分割;分割后的场景数据,应用基于误差因子的评价系统来判断;最后实验,通过与传统算法分析比较,证明本文提出的简化策略和分割算法对降低大规模三维场景绘制复杂度,加快场景实时性显示等方面具有较明显的优势．     

基于网络的复杂产品协同方式的研究

提出了一种基于浏览器/服务器模式的复杂产品的协同设计系统,分析了系统的体系结构、总体框架,提出了综合方式协同设计的原则,并讨论了并行操作控制中冲突消解的执行算法,最后,通过一个典型软件产品设计,给出了一种可行的解决方案,有效地解决了异构环境下产品分布式协同开发。     

基于复杂装配体特征抑制的轻量化方法

针对大型复杂三维模型加载速度慢,装配体在装配时由于零部件众多导致装配效 率低的问题,提出一种基于装配体特征抑制的轻量化方法。在充分分析装配体组织结构的基础 上,给出装配约束父子关系以及特征路径提取思路,以保留装配接口为前提,首先采用无关零 部件抑制、按体积抑制比抑制、微小特征抑制等方法,实现复杂装配体的轻量化表示;然后提 出特征恢复技术,实现轻量化模型的特征还原;最后以 Creo 2.0 为二次开发平台,结合 MFC 对话框技术开发出一套装配体轻量化系统,并应用于企业产品模型测试。实验结果表明,利用 该系统得到的轻量化模型简化效果明显,模型数据量大大减小,不仅加快了模型加载速度,而 且提高了装配效率。     

基于综合集成法的复杂产品协同设计过程模型及框架研究

建立过程模型及框架,将设计过程有效地表达出来,是协同设计的基础。 论文针对复杂产品设计过程的特征,根据综合集成法,建立了一个以时间、粒度、并行度三 维分布的多层次复杂产品协同设计过程模型。该过程模型在时间维强调多阶段综合,在并行 度维强调多专业综合,在粒度维强调分解与综合的迭代。在该过程模型基础上,结合专家体 系、知识体系、机器体系,提出基于综合集成法的复杂产品协同设计过程框架。该框架中, 机器体系依靠知识体系中的知识,给专家群体提供帮助,专家群体在机器体系提供的项目管 理、群体研讨、协同决策、三维可视化等支持工具帮助下,实现人机结合、多专业结合、多 阶段结合的协同设计过程,以提高复杂产品的协同设计效率。最后介绍了相关原型系统。     

Geometric model simplification for distributed CAD

Visualization of CAD models in distributed design environment is an essential feature to support collaborative design. To efficiently transmit and render CAD models geometric simplification can be applied to CAD models. However, it is difficult to use available general geometric simplification algorithms because these algorithms are not designed to handle mechanical CAD parts. Applying general simplification on a CAD model would result in distortion of design features and make them unrecognizable to viewers. In this paper, a novel approach is proposed to exploit trimming information in CAD models to simplify their geometry. Visibility culling is integrated into this approach to facilitate selective refinements. The work introduced here aims to support visualization of multiple CAD models in a distributed CAD environment. Implementation details are included and case studies are demonstrated.     

以网络为中心的协同特征造型

在网络化同步协同设计环境中,如何实现CAD系统之间的实时数据交换和模型同步,成为协同几何造型的关键问题。文中提出了一种新的复制式协同特征造型方法,该方法将现有的特征造型技术与分布计算、网络通信技术相结合,通过简单的造型消息交换来实现增量式协同造型,可以较好地满足几何模型实时同步的需要,而且也部分地解决了异构CAD软件之间的数据交换问题;并详细地介绍了协同造型通信协议、对象引用机制、以及分布式协同造型系统。     

电池装备多学科协同设计的数据管理方法

针对太阳能电池装备多学科协同设计过程中数据管理效率低下、数据交互困难、数据冗余等问题,文中提出了基于ECA规则的动态数据管理方法。该数据管理过程中利用电池装备多学科协同设计过程的数据有机械、电气、化学、物理等多学科数据的特点,通过对设计对象类进行扩展的方法建立了太阳能电池装备多学科协同设计的数据管理模型。同时,采用这样的数据管理方式为改善电池装备的协同设计水平提供了支持。通过实例验证了该数据管理方法大大地提高了企业的数据管理水平。     

CubeALS:新的三维协同过滤推荐算法

随着互联网的快速发展,人们对个性化网页搜索、个性化广告投放、个性化社会标注等三维推荐服务的需求越来越紧迫。这些三维立方体数据高度稀疏,且与二维推荐系统相比三维推荐系统中对象之间的关系更加复杂。为了更好地模拟三维对象之间的关系并解决三维数据高度稀疏的问题,提出了一种新的三维协同过滤推荐算法CubeALS(cube alternating least squares)。该算法对三维协同过滤推荐算法CubeSVD(cube singular value decomposition)进行了改进,尝试使用不同于SVD的算法进行矩阵分解。在真实的个性化社会标注数据集上的实验结果表明,与CubeSVD算法相比,CubeALS的性能得到了显著提高。     

A collaborative approach to assembly sequence planning

Distributed product development requires collaborative work among team members. For the sake of supporting assembly planning activities involving geographically dispersed designers, this paper presents an approach of collaborative assembly sequence planning to validate the assemblability of parts and subassemblies rapidly. In order to increase the planning efficiency and support the collaborative planning, role-based model is exploited to compress or simplify the product. In role-based model, the B-rep models are simplified according to the permissions associated with the role, so the surfaces invisible from outside of the model are removed. In collaborative planning, the planning tasks are assigned to different designers that carry out the collaborative planning, respectively. In this paper, a knowledge-based approach is proposed to the assembly sequence planning problem. This research shows that the typical or standard CSBAT (Connection Semantics Based Assembly Tree) can be applied to a given assembly problem. This paper presents the structure of the Co-ASP (Collaborative Assembly Sequence Planning System) and provides an example to illustrate the collaborative planning approach.     

A Maximum Margin Matrix Factorization based Transfer Learning Approach for Cross-Domain Recommendation

Recommender systems usually employ techniques like collaborative filtering for providing recommendations on items/services. Maximum Margin Matrix Factorization (MMMF) is an effective collaborative filtering approach. MMMF suffers from the data sparsity problem, i.e., the number of items rated by the users are very small as compared to the very large item space. Recently, techniques like cross-domain collaborative filtering (transfer learning) is suggested for addressing the data sparsity problem. In this paper, we propose a model for transfer learning in collaborative filtering through MMMF to address the data sparsity issue. The latent feature matrices involved in MMMF are clustered and combined to generate a cluster-level rating pattern called codebook and a codebook transfer is used for transfer of information. Transferring of codebook and finding the predicted rating matrix is done in a novel way by introducing a softness constraint into the optimization function. We have experimented our methods with different levels of sparsity using benchmark datasets. Results from experiments show that our model approximates the target matrix well.     

A Blockchain-Based Trust Model for Supporting Collaborative Healthcare Data Management

The development of information technology allows the collaborative business process to be run across multiple enterprises in a larger market environment. However, while collaborative business expands the realm of businesses, it also causes various hazards in collaborative Interaction, such as data falsification, inconstancy, and misuse. To solve these issues, a blockchain-based collaborative business modeling approach was proposed and analyzed. However, the existing studies lack the blockchain risk problem-solving specification, and there is no verification technique to examine the process. Consequently, it is difficult to confirm the appropriateness of the approach. Thus, here, we propose and build a blockchain-based trust model to strengthen and verify the integrity and security of the collaborative business process; Integrity and security address the validity of collaborative interactions in terms of a trust, and we construct a blockchain pattern based on trust elements to meet the required the characteristics. Specifically, a trust model can be applied to the healthcare data-sharing process, and then the achievement of the trust-based safe data-sharing process can be proven. Our model can be used as a trust-building guidance tool or for integrity and security verification with the collaborative business process in a distributed environment with blockchain.     

视点相关且拓扑可变的多分辨网格动态构造算法

随着近几年3维扫描和图形建模技术的快速发展,3维模型的数据量不断增大,其在存储、显示及传输上都面临巨大的挑战,因此,必须构造模型的简化表示。通过对当前网格模型动态简化算法的分析,提出了一种网格简化算法来构造拓扑可变的网格模型累进表示,在此基础上,通过对简化后的模型数据进行再组织,为简化模型建立了一种紧凑、灵活的动态多分辨率结构,并相应地给出了基于视点的动态简化算法。理论分析和实验结果表明,新方法能够随着视点参数的变化动态生成适当细节的简化模型,简化结果好,简化后的模型不仅能够较好地保留原模型的基本几何形状,而且能够较好地保留原始模型的颜色等属性特征,具有存储量小、适用范围广和自适应性强等特点。     

大规模差异化点云数据下的联邦语义分割算法

海量点云数据的存储对自动驾驶实时3D协同感知具有重要意义,然而出于数据安全保密性的要求,部分数据拥有者不愿共享其私人的点云数据,限制了模型训练准确性的提升。联邦学习是一种注重数据隐私安全的计算范式,提出了一种基于联邦学习的方法来解决车辆协同感知场景下的大规模点云语义分割问题。融合具有点间角度信息的位置编码方式并对邻近点进行几何衍射处理以增强模型的特征提取能力,最后根据本地模型的生成质量动态调整全局模型的聚合权重,提高数据局部几何结构的保持能力。在SemanticKITTI,SemanticPOSS和Toronto3D三个数据集上进行了实验,结果表明该算法显著优于单一训练数据和基于FedAvg的方法,在充分挖掘点云数据价值的同时兼顾各方数据的隐私敏感性。     

面向大数据复杂应用的GPU协同计算模型

大数据计算中存在流计算、内存计算、批计算和图计算等不同模式,各种计算模式有不同的访存、通信和资源利用等特征。GPU异构集群在大数据分析处理中得到广泛应用,然而缺少研究GPU异构集群在大数据分析中的计算模型。多核CPU与GPU协同计算时不仅增加了计算资源的密度,而且提高节点间和节点内的通信复杂度。为了从理论上研究GPU与多核CPU协同计算问题,面向多种计算模式建立一个多阶段的协同计算模型（p-DCOT）。p-DCOT以BSP大同步并行模型为核心,将协同计算过程分成数据层、计算层和通信层三个层次,并且延用DOT模型的矩阵来形式化描述计算和通信行为。通过扩展p-DOT模型描述节点内和节点间的协同计算行为,细化了负载均衡的参数并证明时间成本函数,最后用典型计算作业验证模型及参数分析的有效性。该协同计算模型可成为揭示大数据分析处理中协同计算行为的工具。