基于PSO的电力系统环境经济负荷调度

针对基于线性加权和处理成单目标优化问题的传统方法存在的缺陷,提出使用粒子群优化算法求解EELD多目标优化问题。该方法通过对粒子群算法个体极值和全局极值选取方式的改进,实现了对EELD多目标优化问题的非劣最优解集的搜索,为决策者提供了丰富的参考信息。在此基础上,应用模糊满意度方法求出的最优折衷解为调度运行人员提供了最佳调度折衷方案。最后,对一个三机系统进行了测试,并与线性加权人工神经网络法进行了比较分析,仿真结果验证了该方法的有效性。     

基于异构分布式控制系统的容错调度算法

现有的分布式实时系统的容错调度算法要求系统中所有任务的周期相同且等于其时限，而实际中任务的周期常常是互不相同的。而同构分布式系统要求系统中的所有处理机完全相同，且没有考虑各任务的优先级别。根据控制系统中任务的特点，基于基／副版本技术，结合任务分配算法与处理器的调度算法，提出了基于异构的分布式控制系统的容错调度算法，按照任务的优先级别对任务进行排序，大大提高了算法的效率。     

基于任务属性组合的工作流调度时间优化算法(英文)

为了缩短工作流调度完工时间,提出3种列表调度算法:分级和出度最早完成时间算法(LOEFT)、分级异构选择值算法(LHSV)和异构优先最早完成时间算法(HPEFT).主要思想是利用任务深度,融合任务出度来准确分析任务优先级,精确分配处理器,实现时间优化.算法均分为3个阶段:任务分级、任务排序和处理器分配.任务分级阶段,依据任务深度将工作流划分为若干独立的任务集;任务排序阶段,利用任务出度计算出任务的异构优先排序值(HPRV),并据其降序生成任务队列;处理器分配阶段,将排序排列任务逐一分配至使其完工时间最小的处理器,完成任务-处理器的映射.通过实际应用和随机工作流仿真,证实3种算法可以有效地缩短工作流的完工时间,且LOEFT表现最好.任务深度结合出度是缩短工作流调度完工时间的有效手段.     

基于嵌入式多核系统的新型边界公平调度器设计

在嵌入式多核系统中,边界公平调度算法被证明是周期性任务集上性能最优的调度算法,但该算法在实际应用中任务中断时响应慢、调度过程开销过高.因此,基于流体调度思想进行简化.结果发现,任务不能提前释放至空闲处理器内核上执行是引起以上问题的重要原因.因此首先对边界公平调度算法进行相应改进,结合原始算法提出早期释放边界公平调度算法...     

任务驱动教学法中任务设计的优化

近几年,“任务驱动教学法”已在计算机教学中广泛使用,实践证明这是一种行之有效的教学方法。“任务”是任务驱动教学中的核心,是教师和学生之间的桥梁,是任务驱动教学法的最关键环节。它推动整个课堂教学的进行,“任务”的质量直接影响教学效果。因此,“任务”设计、编排非常关键。     

基于任务驱动的控制系统计算机仿真课程教学改革探索

《控制系统计算机仿真》是自动化相关专业开设的一门专业基础课程,旨在通过学习,掌握基于计算机软件的控制系统建模、仿真、分析和设计等任务。针对目前课程开设中存在的教学环节设计问题,探讨以任务为驱动的教学模式改革,通过分阶段、分层次地设置具体的仿真任务,提高学生的积极性和参与度,并有针对性地讲解任务所涉及的知识点,加深理解,学以致用。实践表明,这可以有效地提高教学质量。     

基于Diffserv模型的队列调度加权优化算法

在Diffserv模型的基础上提出了一种基于WRR调度算法的加权优化算法，给出了该算法的实现方法．加权优化算法是根据网络中各业务数据的实际流量动态的调整其对应的权值。还能根据该节点的实际负载状况，提供动态的带宽分配。     

基于MSCOA算法的梯级水库群优化调度

结合梯级水库群联合运行的实际情况,分析目前国内外水库调度算法不足,本论文利用变尺度混沌优化算法(Mutative Scale Chaos Optimization Algorithm,MSCOA)对梯级水电站群中长期水库调度问题应用研究,建立一种梯级水电站群中长期水库优化调度模型,通过实际数据验证,此方法可以获得梯级各电站的最优运行方式,为指导梯级各水电站的实际运行最优化提供科学决策依据。     

摭谈任务型教学中的任务优化

实现有效的任务型教学的重点和难点是“任务”的优化。本文从区别不同阶段的任务重点是优化任务的基础；循序渐进地形成“任务链”是优化任务的关键；采用有效的“任务”形式是优化任务的保证和注意事项等方面探讨了“任务”优化的问题。     

电动鼓风机控制系统的优化

本文应用ABB公司Freelance2000软件对本钢炼铁厂电动鼓风机微机控制系统在以下4个方面进行优化:1、工况点的选取;2、监测数据的优化;3、监测点的完善;4、变开关量输出为模拟量输出,这些都是原程序所没有的,其目的是使鼓风机更加安全、高效运行.     

云环境下结合改进粒子群优化与检查点技术的容错调度算法

云计算环境中任务执行容易受资源故障影响,导致调度效率与成功率降低。针对该问题,提出一种结合改进粒子群优化与检查点技术的容错调度算法。通过改进粒子群优化算法进行全局搜索,寻找粒子群最优解,以保证任务获取最优资源,减少调度复杂度;同时通过设置检查点,使失效任务从检查点继续执行,实现任务动态恢复,提高调度可靠性。仿真实验表明,与传统算法相比,当任务数量不断增加时该算法可提高任务执行成功率,缩短任务执行时间。     

基于改进PSO算法的电力系统无功优化

本文采用的无功优化数学模型虑了系统的实际约束条件和无功调节手段,能够准确直观地反映电力系统无功优化的实际问题。在此基础上对基于粒子群算法的无功优化作了深入的研究,尝试利用粒子群优化算法对无功优化问题进行求解。对常规粒子群算法的搜索策略进行了改进,对约束条件、离散变量都采取了一定的改进处理措施。以IEEE-6节点系统为例进行了仿真计算,验证了本文模型和算法的正确性、适用性和经济性。     

分布式实时系统的调度算法研究

分布式实时系统作为一种典型的实时系统应用受到了关注,目前提出了许多分布式实时系统的调度策略。本文针对诸如静态分配调度算法,动态算法,预测算法,容错调度算法,反射式动态调度算法等系列算法进行了综合的分析。     

基于S-粗聚合决策的粒子群优化

针对动态系统中存在的因素规律分布问题,基于函数S-粗集,利用粒子群优化算法,提出S-粗聚合体、C*-粗聚合体的概念,给出C*-粗聚合决策矩阵及其生成分布矩阵,并给出了相应的适应度函数和函数迁移族及粒子迁移算法,实现了基于S-粗聚合体且同时满足不同分布律约束的决策,最后给出了基于C*-粗聚合决策的粒子群优化应用。     

遗传算法在云任务调度中的应用

云任务调度的目的是快速找到全局最优解.将多个云任务合理的分配给有限的资源上,使得整个任务的完成时间较短.文中主要介绍了遗传算法在云任务调度中的应用.通过仿真实验分析了采用精英策略的遗传算法和没有采用精英策略的遗传算法在云任务调度中的不同.     

离散非线性最优迭代学习控制近似算法

对于离散非线性系统迭代学习控制，在最优迭代因果学习律的存在性条件算法收敛性条件基础上，针对实际应用，提出了一种近似迭代算法，证明了近似迭代控制收敛于最优控制。     

基于遗传算法的物流配送车辆调度优化模型研究

物流配送中,车辆调度是一个关键问题。为了提高物流配送中车辆调度的效率,本文提出了一种灵活的多目标组合优化模型,此模型可以方便的增减优化目标值。设计了适合多车场开放式车辆路径问题的通用染色体编码方案,并对遗传算法中的交叉变异操作做了详细说明。     

一种基于多阶段PSO的多目标工作流调度算法

基于启发式算法的工作流调度算法目标单一,无法保证用户满意度,且多目标调度算法少、性能差。为了改善现状,提出基于多阶段PSO的多目标工作流调度算法MSPSO,分析工作流任务的层次结构,按层次进行多阶段PSO调度,结合排队理论估算每阶段调度需要的虚拟机数量,控制PSO搜索空间,使算法能快速找到最优解。用4种真实科学工作流在CloudSim环境下进行仿真实验。结果表明,MSPSO算法资源利用率提高了1.81%,能耗降低了9.16%,任务违约率低至0.075%。MSPSO调度算法不仅能动态增减虚拟机,降低能耗,还能在保证截止时间的前提下降低任务违约率,提高资源利用率。     

基于任务属性的MapReduce任务调度算法改进

针对MapReduce任务调度中任务属性取默认值的不合理性以及人为指定值的不确定性,对调度算法实现动态调整任务优先级、计算合理的Reduce任务数、明确Reduce任务启动时机等改进,达到提升任务并行度、缩短作业执行时间的目的.Fair与LATE算法改进前后的实验结果表明,基于任务属性的改进能提高调度算法性能与作业整体执行效率.     

一种改进的粒子群算法研究

为了克服粒子群算法易发生早熟收敛、后期迭代速度较慢、易陷入局部最优的缺点,提出了一种改进的粒子群算法。该算法采用非线性动态自适应的更新权重,进一步提高收敛速度;通过引入差分进化算法中的交叉算子,以提高算法的全局探索能力,利用差分进化算法的变异策略产生候选解,克服种群多样性的下降,以跳出局部最优。利用该算法对2个测试函数进行寻优,仿真结果表明,文章提出的算法是一种收敛速度快、收敛精度高的全局寻优算法。