一种基于蚁群优化的装备保障任务调度方法

针对现有装备保障任务调度过程复杂、效率低下的问题,提出一种装备保障任务调度方法。基于装备保障任务的执行过程,建立原子保障任务相关度模型,采用三元组实现装备保障的形式化,将装备保障任务调度问题等效为多阶段决策过程,根据优先级将任务序列分解为多个子序列。针对每个子序列计算相关矩阵并构造加权无向图,采用蚁群优化方法对子序列进行求解,并合成为最优任务序列。仿真结果表明该方法具有较好的鲁棒性。     

基于多代理的CSCL系统成员感知实现

针对一般基于多代理技术的CSCL系统中没有有效感知机制的问题,提出将具有感知功能的学习者Agent应用于协作学习系统中,描述学习者Agent的内部结构,给出感知功能模块中小组任务的分解和原子任务图的构造算法,定义感知强度的计算函数,对感知信息的呈现过程进行描述,有效解决现有协作学习系统中群体互动效果差、感知信息混乱的问题。     

基于超立方体的静态任务调度

该文给出一个基于超立方体的静态任务调度算法.在算法的设计中,首先建立了任务优先级表和处理机优先级表,任务在调度时总是顺次调度高优先级任务,然后再从处理机优先级表中选择能使该任务最早开始执行的处理机.最后,分别给出了基于LU分解的任务图与随机生成的任务图的调度结果.     

Distributing and scheduling divisible task on parallel communicating processors

In this paper we propose a novel scheme for scheduling divisible task on parallel processors connected by system interconnection network with arbitrary topology,The divisible task is a computation that can be divided into arbitrary independent subtasks solved in parallel.Our model takes into consideration communication initial time and communication delays between processors.Moreover,by constructing the corresponding Network Spanning present the concept of Balanced Task Distribution Tree and use it to design the Equation Set Creation Algorithm in which the set of linear equations is created by traversing the NST in Post-order.After solving the created equations,we get the optimal task assignment scheme.Experiments confirm the applicability of our scheme in real-life situations.     

面向可重构系统的eCos拓展

针对可重构系统中任务模型灵活性差、硬件任务重构延时长、FPGA资源利用率低等问题,提出了将应用程序划分为软件任务和混合任务的划分模式,并在eCos的基础上,通过重构控制机制、混合任务管理机制、通信机制三方面的拓展,设计了支持可重构系统的嵌入式操作系统框架eCos4RC。仿真结果表明,eCos4RC实现了对混合任务的有效管理,在兼容eCos多线程机制的同时提高了应用程序执行速度和可重构资源利用率,为可重构计算平台提供了良好的运行环境支持。     

多尺度特征融合工件目标语义分割

目的 目标语义特征提取效果直接影响图像语义分割的精度,传统的单尺度特征提取方法对目标的语义分割精度较低,为此,提出一种基于多尺度特征融合的工件目标语义分割方法,利用卷积神经网络提取目标的多尺度局部特征语义信息,并将不同尺度的语义信息进行像素融合,使神经网络充分捕获图像中的上下文信息,获得更好的特征表示,有效实现工件目标的语义分割。方法 使用常用的多类工件图像定义视觉任务,利用残差网络模块获得目标的单尺度语义特征图,再结合本文提出的多尺度特征提取方式获得不同尺度的局部特征语义信息,通过信息融合获得目标分割图。使用上述方法经多次迭代训练后得到与视觉任务相关的工件目标分割模型,并对训练权重与超参数进行保存。结果 将本文方法和传统的单尺度特征提取方法做定性和定量的测试实验,结果表明,获得的分割网络模型对测试集中的目标都具有较精确的分割能力,与单尺度特征提取方法相比,本文方法的平均交并比mIOU（mean intersection over union）指标在验证集上训练精度提高了4.52%,在测试集上分割精度提高了4.84%。当测试样本中包含的目标种类较少且目标边缘清晰时,本文方法能够得到更精准的分割结果。结论 本文提出的语义分割方法,通过多尺度特征融合的方式增强了神经网络模型对目标特征的提取能力,使训练得到的分割网络模型比传统的单尺度特征提取方式在测试集上具有更优秀的性能,从而验证了所提出方法的有效性。     

树型网格计算环境下的独立任务调度

任务调度是实现高性能网格计算的一个基本问题,然而,设计和实现高效的调度算法是非常具有挑战性的.讨论了在网格资源计算能力和网络通信速度异构的树型计算网格环境下,独立任务的调度问题.与实现最小化任务总的执行时间不同(该问题已被证明是NP难题),为该任务调度问题建立了整数线性规划模型,并从该线性规划模型中得到最优任务分配方案??各计算节点最优任务分配数.然后,基于最优任务分配方案,构造了两种动态的需求驱动的任务分配启发式算法:OPCHATA(optimization-based priority-computation heuristic algorithm for task allocation)和OPBHATA(optimization-basedpriority-bandwidth heuristic algorithm for task allocation).实验结果表明:在异构的树型计算网格环境下实现大量独立任务调度时,该算法的性能明显优于其他算法.     

基于网格的散乱点曲面重构技术

提出一种利用网格技术实现散乱点曲面重构的方法,设计适合网格并行的松耦合分层重构算法,在此基础上研究基于Agent技术的智能任务分解机制和基于Condor-G技术的任务分配与调度策略,并搭建网格实验平台进行测试。对重构结果的分析表明,该技术可提高基于散乱点的曲面重构速度,降低应用成本。     

多个水下机器人动态任务分配和路径规划的信度自组织算法

针对多个水下机器人(autonomous underwater vehicles,AUVs)动态任务分配和路径规划速度跳变问题,引入栅格信度函数概念,给出一种改进的栅格信度自组织(belief function self-organizing map,BFSOM)算法.目的是控制一组AUV有效地到达所有指定的目标位置,同时保证AUV能够自动的避开障碍物.首先,自组织神经网络(self-organizing map,SOM)算法对多AUV系统进行任务分配,使得每个目标位置都有一个AUV去访问.整个分配过程包括定义SOM神经网络的初始权值、获胜者选择、邻域函数的计算3个步骤;其次,根据栅格信度函数和环境信息更新SOM获胜神经元的权值,使得每个AUV在访问对应目标的过程中能够自动避障并且克服速度跳变,实现AUV自动有效路径规划.最后,通过仿真实验证明了本文提及算法的有效性.