基于适应策略的迭代学习调度

适应调度是一种基于状态/性能反馈的定性控制方法．适应调度知识完成从状态到 调度规则的映射，与制造系统配置、生产任务构成、调度目标函数密切相关，并随调度问题 的改变而改变，具有较强的针对性．采用迭代学习方法，根据具体调度问题自动修正适应调 度知识，提高系统运行性能；另一方面，由于引入了调度目标函数，使生产管理者最关心的 性能得到优化，最大限度满足生产管理者的生产目标．仿真实验结果验证了这一方法的有效 性．     

Job Shop 调度的序列拉格朗日松驰法

拉格朗日松驰法为求解复杂调度问题次最优解的一种重要方法，陆宝森等人把这种方法推广到Ｊｏｂ Ｓｈｏｐ调度问题，但他们的方法存在解振荡问题。本文提出一种序列拉格朗日松驰法，它能避免解振荡。     

多处理机网络通讯调度

该文介绍一种称作优先级调度的方法，同时实现映照和路由选择。通过计算和通讯和整体性同时调度去避免共享资源竞争，这种新的调度尝试是一种动态调度，它改变了传统的静态调度方法，适用多处理机之间通讯和同步开销最小化的要求，这种技术应用领域广泛，具有良好的性能。     

基于递阶强化学习的多智能体AGV 调度系统

递阶强化学习是解决状态空间庞大的复杂系统智能体决策的有效方法。具有离散动态特性的AGV调度系统需要实时动态的调度方法，而具有MaxQ递阶强化学习能力的多智能体通过高效的强化学习方法和协作，可以实现AGV的实时调度。仿真实验证明了这种方法的有效性。     

特钢厂炼钢-浇铸流程作业调度优化仿真模型

智能化的作业排产及调度问题是钢铁行业急需解决的难点,传统方法难以适应复杂多变的现场环境。针对这种情况提出一种基于多智能体理论的作业调度优化模型。模型定义针对钢铁行业的4类智能体,并提出智能体之间任务分配机制及上下游作业协调机制。仿真分析表明,所建模型能有效解决实际调度中炼钢和浇铸节奏协调性问题,使生产节奏更加紧密连贯,极大地提高了生产效率。该智能体模型以及任务协调机制框架具有普适性,为钢铁行业作业调度精细化、智能化的发展提供了可行性。     

基于Agent的生产优化调度系统

生产调度过程是CIMS实施的关键部分，也是企业实现优化的核心。文章提出了一种基于Agent的智能优化调度系统，利用Agent把多种不同的优化调度方法结合在一起，实现不同的优化方法的互补，从而使企业的生产过程优化。     

一种集成定性定量的决策方法在水、火联合电力系统长期调度中的应用

以水、火联合电力系统长期调度问题为背景，探讨了一个基于分解协调算法的集成定性定量决策系统的设计和应用。其中约束自调整方法构成了定性决策算法的核心。对华中电网的试算证明，该系统的决策支持性能好，具有柔性。由于实现了专家知识与算法的有机集成，因而能满足各种实际要求，可操作性强。     

智能选择启发规则的FMS实时调度方法

介绍一种基于Ｐｅｔｒｉ网模型、面向系统特征智能选择启发式派遗规则的柔性制造系统动态调度方法。仿真结果表明，其调度性能优于使用单一发式派遗规则的方法，适合于解决柔性制造单元中随机、动态调度问题。     

视频流调度策略的研究

视频流调度策略是视频点播系统中有效使用存储资源和网络资源的关键技术。该文研究了已有的多种流调度技术并分析了各种调度方法的优劣，在此基础上以补丁算法为基础提出了一种支持零延迟交互式操作的调度方法，并实验正明了这种方法在用户延迟、带宽消耗等方面的优越性。     

基于多处理器嵌入式系统调度算法的研究

本文浅析了在多处理器体系结构上的调度实时任务的各种不同方法。我们首先比较了这些不同的解决方案，然后描述了一种调度任务集的方法。该方法基于端对端的任务调度，考虑任务间的线性优先约束以及任务对资源的需求。同时．这种调度方法的另外一个目的是尽量减少处理器间的通信代价。这个模型也考虑了不同处理器之间的不同通信带宽以及各种处理器拥有不同的处理性能。     

基于对象特征模型描述的智能控制

目前出现的一些智能控制,大多数要靠现场试凑确定控制器结构和参数,缺乏事先 按要求进行控制器设计的完整思想.为此,介绍一种新方法--基于对象特征模型描述的智 能控制.该方法的基本思想是根据对象的特征模型描述和控制要求,设计智能控制器.它设计 简单,使用方便,一般不需人们现场试凑调整.论文阐述了本方法产生的背景、基本原理和组 成,智能控制器的设计以及多个实际工程的应用情况.     

基于智能流量预测的入侵检测方法

为了提高入侵检测系统检测的实时性,提出了一种基于智能流量预测的入侵检测方法。该方法拟合了智能Agent的智能性、自主性和自适应性的优点以及灰色预测对不确定资源的科学预测的优点,用流量预测智能Agent预测得到的流量序列来代替未来一段时间段内的实际流量,并把这个预测序列作为检测对象集的一部分。然后用人工方法模拟了流量处理Agent与预测智能Agent的活动,并通过对实际的采集数据进行仿真,实验证明了预测智能Agent的预测活动的科学性。     

基于Agent的智能导购方法研究

文中提出了一种基于Agent思想的智能导购方法,该方法将Agent思想运用到电子商务智能导购领域,利用模糊聚类方法对项目属性聚类,得到项目在属性特征上的相似用户群,并综合基于内容的导购和基于协同过滤推荐的优点,提出一种智能导购方法,该方法在一定程度上减少了人工参与。     

基于智能对象的知识处理方法在专家系统中的应用研究

在分析传统的基于被动对象的知识系统基础上,提出了一种基于智能对象的知识处理方法,并对基于智能对象的知识表示、存储及推理方法进行了较深入的研究。最后通过实例说明了该方法的有效性。     

Validation method for intelligent systems

Knowledge incorporated intelligent solving methods are prevailing in practical planning and scheduling systems because of the large problem size and complex constraints. However, when intelligent methods are used in real applications, it is an important problem to validate that both optimality and response time are at expert-level. Turing Test approaches are useful in validating intelligent systems. Nevertheless, validation burdens experts with heavy tasks. In distribution route scheduling, for instance, validation load is considerable since patterns of distribution spots are numerous. A bi-directional, many-sided explanation typed multi-step validation method, which enables to share validation tasks among experts, KEs (Knowledge Engineers) and computers, is proposed to diminish the load for busy experts, in validating intelligent systems. Furthermore, an additional validation tool based on the above method is also proposed. This method ensures efficient validation due to the decrease of load for experts by means of sharing validation tasks through multi-step validation with experts, KEs and computers. From this viewpoint, the proposed method can be used in validating general intelligent solving methods and intelligent systems, as well as intelligent scheduling systems.     

基于MCPDDPG的智能车辆路径规划方法及应用

针对智能车路径规划过程中常存在动态环境感知预估不足的问题,使用基于蒙特卡罗深度策略梯度学习(Monte Carlo prediction deep deterministic policy gradient, MCPDDPG)的智能车辆路径规划方法,设计一种基于环境感知预测、行为决策和控制序列生成的框架,实现实时的决策和规划,并输出连续的车辆控制序列.首先,利用序贯蒙特卡罗预估他车行为状态量;然后,设计基于强化Q学习的行为决策方法,使智能车辆实时预知碰撞风险,采取合理的规避策略;最后,构建深度策略梯度学习网络框架,获取智能车辆规划路径的最优轨迹序列.实验结果表明,所提方法能够缓解环境感知的预估不足问题,提升智能车辆行为决策的快速性,保障路径规划的主动安全,并输出连续的轨迹序列,为智能车辆导航控制提供前提.     

Fault detection of sludge bulking using a self-organizing type-2 fuzzy-neural-network

Fault detection is important in the operation of wastewater treatment process (WWTP). In this paper, to ensure the process safety and effluent qualities, an intelligent fault detection (IFD) method, based on self-organizing type-2 fuzzy-neural-network (SOT2FNN) and intelligent identification method, was developed to detect and identify different types of sludge bulking. The main advantages of IFD are as follows. First, a data-driven framework, based on a data-driven model and an intelligent identification algorithm, was developed to facilitate the fault diagnosis. Second, a SOT2FNN, based on the intensity of information transmission algorithm and adaptive second-order algorithm, was designed to predict the sludge volume index (SVI) with high accuracy to provide necessary information for process monitoring. Third, an intelligent identification method, using the target-related identification algorithm (TRIA), was proposed to extract the correlation information to identify the types of sludge bulking. Finally, simulations and experimental examples were provided to confirm the effectiveness of the proposed IFD method.     

一种基于智能网卡的无中断通信的实现

针对高速重载工作环境提出了一种主机和智能外设之间的无中断通信方式,并且在一块集成CPU的智能干兆位光纤网卡上实现了该通信方式。主要从地址获取、缓冲区的访问以及公用控制信息3个方面对其进行了具体讨论。同时进行了无中断通信方式和普通通信方式下的收包性能对比测试。     

基于人工智能技术的不完备信息系统智能诊断方法研究

为了提高不完备信息系统故障诊断的正确性与效率,本文提出一种基于粗糙集理论、蚁群优化算法和RBF神经网络相结合的故障智能诊断方法。该方法首先利用“条件组合补齐算法”对不完备的数据进行完备化处理,再利用粗糙集对条件属性进行知识约简,得到具有最大完备度的最小规则集,接着用蚁群算法优化RBF神经网络的权值,并将最小规则集用于训练RBF神经网络模型,获得故障智能诊断模型。通过实际工程数据验证故障智能诊断模型的有效性,结果表明提出的方法能有效实现系统故障的诊断。     

基于GQFD的无人智能化保障装备能力需求分析

着眼无人智能化保障装备发展问题,为构建智能高效的保障装备体系,在对智能化战争条件下装备保障“任务—能力”进行分析,确定感知战场态势、辅助指挥决策、装备检测维修、物资精准保障4项智能化保障任务和大数据分析处理能力、智能决策能力、多源数据采集能力等9种无人智能化保障装备能力的基础上,运用基于灰色关联分析的质量功能展开方法,建立包含灰色综合关联矩阵的无人智能化保障装备能力需求分析质量屋,得到无人智能化保障装备能力指标重要度排序,大数据分析处理能力重要度为6.890 6,居于首位,该能力是保障装备开展所有保障活动的基础,符合智能化装备保障“以智取胜”的致胜机理;结果表明该模型具有较好的可行性和适用性,验证了该方法在无人智能化保障装备能力需求分析中的可行性和有效性,为下一步无人智能化保障装备建设规划提供了有力参考。