基于现场适应性策略的自动抄表任务调度算法

针对因关口表自动抄表系统与电量采集终端之间通信连接不可靠等因素造成的计量信息读取不同步的问题,以及不同用户对计量信息读取的需求不同引起的软件系统现场适应性问题,设计一种基于现场适应性策略的自动抄表任务调度算法。在分析用户需求的基础上,采用人机界面供用户按自己的实际需求设置和提交抄表策略,设计一种自适应用户需求、具有优先级的任务调度算法,自动识别用户提交的抄表策略并根据计量信息抄读进度和人工提交的召唤任务,自动生成和调度具有优先级别的任务表,实现自动抄表的目的。工程应用的情况表明,本算法能满足不同用户的需求,能自动和人工追补系统丢失的历史信息,保障计量信息的完整性和可追溯性。     

基于电力线载波通信技术的自动抄表系统路由算法

由于电力线信道环境的特殊性,使电力线载波抄表系统中存在着抄表距离有限、通信成功率不高等问题。针对此问题,介绍两种路由算法——点名请求算法和数据收集算法,分别用于自动抄表中实现监控电表和例行抄读业务。     

基于邻域混沌 PSO 算法的目标分配优化方法

针对基本粒子群算法在求解火力打击体系目标分配问题时易陷入局部极值、计算精度差的局限性,提出了一种基于混沌粒子群算法(Chaos Particle Swarm Optimization, CPSO)的目标分配优化方法.在综合考虑整体毁伤效能、打击匹配度和风险概率的基础上,分析了目标分配问题的数学模型,设计了相应的粒子编码方法、更新策略和有效性修订方法,提出一种在种群最优粒子邻域内进行混沌搜索的改进策略.仿真结果表明,所提 CPSO 算法的性能明显优于基本粒子群算法和变异粒子群算法     

基于邻域混沌PSO算法的目标分配优化方法

针对基本粒子群算法在求解火力打击体系目标分配问题时易陷入局部极值、计算精度差的局限性,提出了一种基于混沌粒子群算法（ChaosParticleSwarmOptimization,CPSO）的目标分配优化方法。在综合考虑整体毁伤效能、打击匹配度和风险概率的基础上,分析了目标分配问题的数学模型,设计了相应的粒子编码方法、更新策略和有效性修订方法,提出一种在种群最优粒子邻域内进行混沌搜索的改进策略。仿真结果表明,所提CPSO算法的性能明显优于基本粒子群算法和变异粒子群算法。     

基于以太网的电能计量采集装置的设计

传统的电能计量计费装置通过本地232中继、484远传、GPRS通信或者电台通信使主站用户得到实时数据,往往这些主站只和电力营销部门相关,作为电力消费结算的依据,而并没有接入到电网的调度自动化系统,这使得大用户的信息不能共享给全局调度系统.本装置通过采用以太网技术实现远动设备及系统的102规约,使其能够接入调度自动化系统,为电网调度的统筹安排提供一线大客户数据.     

一种基于PSO的多UAV协同航迹规划方法

本文针对多无人飞行器(UAV)协同执行任务的应用场景,提出了一种综合考虑任务分配和航迹规划因素的航迹规划算法。该算法借鉴微粒群算法(PSO)的思想,采用新的编码方式和优化策略。仿真实验验证了算法的有效性。     

基于纳什均衡博弈的多无人机对地攻击目标分配方法

研究一种新的多无人机对地攻击目标分配问题.该问题中攻击方试图通过无人机击毁防御方的高价值目标,防御方试图通过发射拦截导弹对无人机进行拦截,但攻防双方无法事先观察到对方实际采取的目标分配方案.通过分析防御方的拦截导弹目标分配方案对攻击方收益的影响,将问题构建为一个零和矩阵博弈模型,模型的策略空间随无人机、高价值目标、拦截导弹数量的增加呈爆炸式增长.鉴于此,现有算法难以在有效时间内对其进行求解,提出一种基于两阶段邻域搜索的改进Double Oracle (DO-TSNS)算法.实验结果表明,相较于DO、UWMA和DO-NS算法, DO-TSNS算法能够更有效地求解考虑防御方具有拦截行为的多无人机对地攻击目标分配问题.     

基于协同进化的混合变量多目标粒子群优化算法求解无人机协同多任务分配问题

无人机多机协同控制系统近年来已被广泛地应用在军事打击、海洋监测、陆地航拍和灾情探测等领域.针对无人机协同多任务分配问题,为了更加准确地描述无人机协同多任务分配场景,本文考虑实际应用场景下的多种复杂约束,并以无人机飞行总航程最少和任务完成时间最短为优化目标,构建了混合变量多约束的无人机协同多任务分配问题模型M-CMTAP...     

基于改进遗传算法的多机协同多目标分配方法

针对复杂三维环境中多无人机协同多目标分配问题,在飞行代价函数建模的基础上,提出了一种改进遗传算法。首先通过引入启发式信息和采用随机生成的方法构造初始种群,保证了初始种群的多样性和高适应性;然后构造适应度函数,加入惩罚项排除不满足约束条件的方案;接着进行遗传操作,将变异产生的个体组成新的种群,把新种群中性能优异的个体加入到初始种群中,使初始种群个体种类更加丰富,扩大了解的范围。设计实验将改进遗传算法与基本遗传算法和差分进化算法进行了对比,实验结果表明,改进遗传算法在无人机与目标不同的数量关系下,都能够得到合理的分配方案;改进遗传算法有效改善了早熟问题,并具有更快的收敛速度,适合于求解多无人机多目标分配问题。     

基于 AC-DSDE 进化算法多 UAVs协同目标分配

多无人机协同目标分配最优问题(Multi-UAV cooperative target allocation optimal problem, MUCTAOP), 旨在求解组合分配问题的最小代价值, 是最具有挑战性的多约束组合优化问题之一. 结合进化算法解决MUCTAOP需要考虑两个关键因素: 1) 在进化过程中保持覆盖问题空间的“探索性”和“开发性”平衡; 2) 建立符合实际战场复杂环境的多约束条件. 为解决这两个关键因素, 本文提出一种新的近似聚类混合双策略差分进化算法(Approximate clustering dual-strategy differential evolution algorithm, AC-DSDE). 首先, 根据父代种群适应度值将个体分成“探索类个体”与“开发类个体”; 然后根据混合双策略变异方案平衡后代多样性与收敛性; 最后, 结合无人机自身性能约束、协同约束和实际三维复杂环境构建约束函数. 实验结果表明, 本文所提出的AC-DSDE算法能够快速地找到合理的分配方案.     

基于协作相容性的工作流任务分配优化方法

工作流系统中任务分配策略将对其系统运行性能有很大的影响,在分配任务时不仅需要考虑执行者对相应任务的熟悉度,还需分析执行者之间配合协作的默契程度.传统研究工作在进行工作流任务分配时缺乏对执行者工作负载、执行者之间协作相容性的综合考虑.为了实现有效的任务分配,首先通过分析历史日志的信息,对执行者间的协作相容性进行分析计算,在此基础上综合考虑执行者当前的任务负载,提出了基于协作相容性的、负载均衡式任务分配模型,并给出了多目标联合优化的任务分配方法,可提高整个流程实例的执行效率,并保持执行者间的负载均衡.提出4种相应的算法,并分析了算法的时间复杂度,进行了系统性的对比实验,评估了所提出方法的正确性和有效性.     

基于改进鱼群算法的多无人机任务分配研究

多无人机协同任务分配问题是多无人机协同控制的关键,为解决单目标函数构建的任务分配模型不能满足决策者对战场环境大量信息的需求,以最大航程和最长任务执行时间作为多无人机任务分配的两个目标函数,依据多目标优化理论,建立了协同任务分配多目标优化模型.并采用了一种借鉴遗传算法中的变异思想的改进鱼群算法进行求解,得到多无人机任务分配的多目标最优解集,然后根据决策者的偏好选择最佳任务分配方案.最后将上述算法应用于多无人机协同任务分配中并进行了仿真,仿真结果验证了改进鱼群算法的收敛性及有效性,为多无人机协同任务分配优化提供了参考依据.     

基于效用值的足球机器人系统任务分配方法

针对足球机器人系统中的任务分配问题,提出一种基于效用函数值的任务分配方法。在分析足球机器人系统任务分配问题的基础上,对机器人效用函数进行定义,并论述机器人球员相对于不同子任务效用函数的构建过程,给出基于效用值的足球机器人系统任务分配算法。仿真实验结果表明,该方法计算量小、实时性好,任务分配性能优于已有文献中的方法。     

应用粒子群优化分配WSN多目标跟踪节点任务

针对WSN多目标跟踪时传感器节点任务分配竞争冲突问题,提出一种基于最近邻的离散粒子群优化节点跟踪任务分配算法.通过构建多目标多传感器节点联盟协同跟踪任务分配问题的数学模型和目标函数,采用最近邻法对粒子群节点任务分配进行初始化,以目标函数作为适应值函数指引粒子飞行,快速实现节点优化分配.实验表明:在节点覆盖较稀疏情况下,粒子群优化节点任务分配方法与最近邻方法相比,能耗大大减少,并能有效解决多目标跟踪节点任务分配冲突问题和多个监测联盟对传感器资源竞争冲突时系统能耗增加的问题.PSO算法对于实际环境的WSN多目标跟踪具有优越性.     

基于PSO改进算法的气象数据网格任务调度

为提高在有限带宽下气象观测中心海量数据的任务调度和数据传输效率,提出一种基于粒子群优化(PSO)改进算法的气象数据网格任务调度算法。给出副本域的概念,将PSO算法与副本域相结合,设计任务调度模型和符合气象数据网格环境的目标函数。仿真结果表明,该算法完成调度的时间小于遗传算法和穷尽搜索算法,收敛速度快于离散型PSO算法,且更加稳定。     

空地协同机器人目标定位方法

针对空地协同机器人中无人机对地面无人车的实时精准定位问题,提出一种红色双圆型定位标记及标记识别与定位方法。引入颜色分割与轮廓提取相结合的方式,减少提取到的轮廓特征数量,排除背景信息干扰以减少误识别;提出一种圆形轮廓快速检测算法,快速识别目标轮廓并准确定位目标像素坐标和方向;基于针孔相机成像模型,根据目标像素坐标和方向,估计出目标在机体坐标系下三维坐标和偏航角。实验结果表明,无人机与地面无人车相对高度1.5 m时,该方法在[x]轴和[y]轴方向定位误差分别为3.9 mm和3.6 mm,每帧图像平均处理耗时为11.6 ms,优于基于核相关滤波的识别定位方法的13.3 mm、14.3 mm和56.3 ms。该方法与无人机控制相结合,可以实现无人机协同跟踪与自主降落功能,提升空地协同机器人作业效率,具有显著的工程意义。     

基于概率推理的不确定性任务分配评价方法

作战任务的分解与分配是指挥决策中的重要过程,随着战场环境复杂度的增加,确定环境下的任务分配方法已不能适应作战需求。针对不确定性任务分配问题,分析作战任务分解、分配和执行过程中的多种不确定性因素,给出相应的形式化描述。在此基础上,提出一种基于概率推理的适应度计算方法,具体分析各种不确定性任务成功执行概率的计算过程,并给出算例进行验证。仿真结果表明,该方法能有效解决任务分配问题,并对任务分配方案进行定量评价。     

云环境下基于DPSO的任务调度算法

针对云计算任务调度问题,结合粒子群优化(PSO)算法的种群个体协作和信息共享特点,提出一种基于离散粒子群优化(DPSO)的任务调度算法。采用随机方法生成初始种群,利用时变方式调整惯性权重,并在位置更新中使用绝对值取整求余映射法进行合法化处理,提高PSO算法的离散化程度。搭建并重新编译了CloudSim云计算仿真平台进行实验,结果显示,当迭代次数为200时,DPSO、PSO、GA算法的所有任务最终调度时间分别为457.69 s、467.90 s、472.41 s,从而证明DPSO算法能够有效解决云计算环境下的任务调度问题,并且算法收敛速度优于PSO和GA算法。