基于有色Petri网和IPSO的并行测试系统任务调度研究

并行测试以减少测试时间和降低测试成本的强大优势成为下一代自动测试系统ATS发展的热点;针对ATS中并行测试任务调度复杂、难以优化问题,提出了一种有色Petri网和改进粒子群优化(IPSO)算法相结合的任务调度优化算法;采用有色Petri网建立并行测试系统模型,得到并行测试的动态特性;采用IPSO算法搜索最优的任务调度路径,得到以测试时间最短为目标的最优任务调度方案;最后,将该算法应用到某型雷达电路板并行测试系统中,研究结果表明,与遗传算法GA相比,该算法效率更高,更利于工程应用。     

导弹并行测试系统优化模型与性能评价

并行测试是一代测试(NxTest)的关键技术之一,其核心是测试任务调度.基于此,在改进的蚁群算法基础上提出并行测试任务调度方法,获得测试任务最优调度序列,Matlab仿真结果证明了该方法的有效性.采用赋时有色Petri网对并行测试系统进行建模,并基于线性代数的方法验证模型结构的有界性、守恒性、活性和公平性.性能分析结果...     

时间Petri网与GA-PSO算法相结合的并行测试

摘 要：并行测试任务调度方案在自动测试系统中一直是尚未解决的难题。本文基于Petri网理论的基础,建立了并行测试的时间Petri网模型,并且首次将GA-PSO算法引入到时间Petri网的变迁序列的寻找过程中,快速地求得了最优调度方案。仿真结果表明,本算法能够以较大的收敛概率快速地收敛,最终得到最优变迁序列。     

基于时间Petri网的并行测试任务调度

并行测试拥有减少测试时间和降低测试成本的强大优势,正成为研究热点之一;首先介绍了并行测试的基本概念,针对在并行测试系统中由于多任务并行调度,可能引起的资源冲突问题,提出一种基于时间Petri网的并行测试任务调度建模方法;通过搜索Pe-tri网模型的可达树,寻找不同的变迁发生序列;比较不同序列的完成时间,得到完成所有测试任务需要时间最短的并行任务调度序列;最后,在该模型下,对一个实例进行了仿真分析;试验结果表明,该模型适于描述该类型系统的任务调度过程。     

基于时延Petri网和人工蜂群算法的航电系统并行测试研究

航电系统的复杂程度日益提高,传统的人工检测维护手段已经无法满足现代化装备的支持保障要求,自动测试系统(ATS)正逐步成为复杂系统与设备可靠运行的必要保证,而并行测试是下一代自动测试系统(ATS,automatic test system)的关键技术之一。以并行测试技术为基础,在时延Petri网的基础上,对航电系统测试任务进行建模,并采用人工蜂群算法对Petri网的变迁序列寻求最优解,找到测试时间最短的变迁序列。仿真结果表明,该算法能够快速准确地得到最优的测试方案。     

基于广义随机Petri网的并行自动测试系统性能分析研究

为了提高并行自动测试系统的测试效率,改善系统总体性能,运用基于广义随机Petri网的系统性能分析方法,对并行测试任务过程建立广义随机Petri网模型,将并行测试过程同构于马尔科夫过程,并对该过程进行性能分析,进而得到并行测试系统中各种测试资源的利用率以及任务过程的平均延时数据;根据模型计算所得到的测试资源利用率,确定影响并行测试系统性能的瓶颈所在;通过分析并行测试系统中测试资源调用的分布情况,调整测试资源同测试任务的匹配关系,以达到进一步提高测试系统测试效率的目的。     

基于改进蚁群算法的维修拆卸序列规划

维修拆卸序列规划是整个维修性设计的重要内容。为了能够以较高的效率求解出产品中零件的拆卸方案,依据产品的基本信息和零件之间的约束关系,建立拆卸Petri网可达图,将拆卸序列规划问题转化为对Petri网可达图最优路径的搜索和寻优问题。同时利用蚁群优化算法对组合优化具有高强适应性的特征,改进基本蚁群算法,对可达图模型进行路径寻优,得到最优或次优的拆卸序列。最后通过实例验证了该方法的有效性。     

基于图染色理论和遗传蜂群算法的并行测试任务调度

针对并行测试中任务优化调度这一关键性问题,提出了一种图染色理论和遗传蜂群算法相结合的任务调度优化算法.首先,建立了基于图染色理论的并行测试任务关系模型,用图来描述测试任务占用仪器资源的情况;然后, 在测试任务关系模型的基础上,将遗传算法特有的交叉、变异操作与人工蜂群(ABC)算法相结合搜索最优解,能够有效避免算法早熟并且加速算法收敛;最终得到并行度最大的任务分组方案.经仿真验证,所提方法能有效地实现并行测试,提高自动测试系统的测试效率.     

一种基于并行测试完成时间的任务调度算法

介绍了一种基于并行测试完成时间的极限定理分析和设计的静态并行测试任务调度算法——TSUL(task scheduler based on UUTs model and limit theorem of parallel test finish time)算法.该算法在设计过程中运用并行测试完成时间的极限定理确定了并行完成所有测试任务所需的极限最短时间,生成的解能够尽量接近或达到问题的最优解.经实例验证,对于静态的并行测试任务调度问题,TSUL算法是一种有效的最优化算法.     

基于改进DPSO算法的并行测试任务优化调度研究

并行测试以减少测试时间和降低测试成本的强大优势,已成为当前自动测试系统发展的方向。针对并行自动测试过程中,测试任务调度复杂,难以优化的问题,以PSO算法为基础,通过对问题空间编码的重新定义,并运用交叉、变异算子给出了新的粒子位置的更新公式,提出了一种改进后的DPSO算法。依据并行测试完成时间极限定理,给出了并行测试任务调度的目标函数与约束条件。以某雷达电子装备并行测试系统中三块电路板并行测试为例,对改进的DPSO算法进行了仿真验证,得到了最优调度测试序列。结果表明：与遗传算法相比,改进后的DPSO算法迭代次数更少,寻优性能更好,适用于工程应用。     

基于自适应免疫遗传算法的智能组卷

对多目标组合优化的组卷问题,借鉴生物免疫系统原理中抗体多样性产生及保持机理,定义多目标选择熵和浓度调节选择概率概念,利用自适应免疫遗传算法,运用抗体克隆、高变异策略,实现组卷问题的多目标优化。该算法充分体现了pareto最优解的概念,具有并行搜索及个体编码长度动态调整、pareto最优个体保存于群体外(免疫记忆)并不断更新等特点。     

基于免疫原理的进化算法

基于人类免疫系统的机理提出一种进化算法．简述了算法的基本原理与特点，定义了克隆、超变异、选择和记忆4种基本操作算子，给出了算法的主要步骤，并证明了算法能够以概率1收敛到全局最优点．用不同的测试函数进行仿真实验，结果表明该算法是有效的，能以较快的速度完成给定范围的搜索和优化任务．     

基于异构CMP的改进蚁群优化任务调度策略

为提高异构CMP任务调度执行效率,充分发挥异构CMP的异构性和并行能力,提出一种基于异构CMP的改进蚁群优化任务调度算法--IACOTS。IACOTS算法首先建立任务调度模型、路径选择规则和信息素更新规则,使蚁群算法能够适用于异构CMP任务调度问题。同时通过采用动态信息素更新、相遇并行搜索策略和引入遗传算法中的变异因子对基本的蚁群算法进行优化,克服蚁群算法搜索时间过长和“早熟”现象。通过仿真实验获得的结果表明,IACOTS算法执行效率优于现有的遗传算法,完成相同的任务需要的迭代次数最少,能有效降低程序执行时间,适用于异构CMP等大规模并行环境的任务调度。     

基于改进免疫进化算法的云计算任务调度

针对云计算环境下内置任务调度方法的低效问题,提出一种基于改进免疫进化算法的任务调度算法,利用人工免疫进化原理完成任务调度的全局优化。通过将粒子群优化算法作为算子嵌入免疫进化算法中,避免陷入局部最优,改善收敛效果,减少任务调度时间开销。以CloudSim作为仿真平台进行模拟,实验结果表明,改进的免疫进化算法能大幅提高云计算任务调度效率。     

基于人工免疫改进的搬运机器人蚁群路径规划

针对搬运机器人在障碍环境下的路径寻优问题,提出一种基于人工免疫改进的蚁群路径规划算法(AI-ACA)。蚁群算法(ACA)的规划依赖于信息素挥发系数、期望启发因子和信息启发因子等参数的选取,传统ACA通过经验来设定这三个参数,但路径寻优中的最优参数因障碍环境而异,为解决经验参数对不同环境路径寻优结果的影响,引入人工免疫算法(AIA),对ACA的相关参数进行迭代优化,以此改善路径寻优结果。仿真结果及在自制机器人平台上测试表明,AI-ACA对于不同障碍环境可以准确地进行路径规划,在同样环境下较所参考的定参数蚁群路径规划效果有明显提升,提高了整个系统的运输效率。     

基于动态负载均衡策略的网格任务调度优化模型和算法

任务调度是一个NP-hard问题,而且是并行与分布式计算中一个必不可少的组成部分,特别是在网格计算环境中任务调度更加复杂。结合免疫克隆算法和模拟退火算法的优点,提出了一种网格任务调度优化模型和算法。仿真实验结果表明,这种调度算法有效地实现了资源的负载均衡,克服了遗传算法容易陷入局部最优的缺点,可以成功地应用于网格任务调度中。     

基于Petri网和人工势场的柔性制造启发式优化方法

制造系统优化调度是NP难组合优化问题,而自动导引车(AGV)路径规划与任务分配紧密耦合,又极大加剧了问题的复杂性.基于此,提出一种基于Petri网和人工势场的启发式优化方法.首先,将制造系统的工艺工序描述为一个任务Petri网,将AGV系统描述为一个路径Petri网,将两个网合成在一起;然后,利用Petri网的拓扑结构,为网络结点设计势能参数,从而为Petri网赋予一个人工势场;接着,利用人工势场设计制造系统加工时间的启发式函数,并构建Petri网人工势场启发式A*算法,其中包括最大势差启发式函数和总体势差启发式函数,并验证最大势差启发式函数是可采纳的;最后,进行两组数值实验,实验结果表明,最大势差A*算法能够得到最优解,且平均计算效率比Dijkstra算法提高57%,但是无法满足大任务量的调度需求,而总体势差A*算法比最大势差A*算法平均计算效率提高至少1个数量级,能够在有限时间内求解AGV任务分配和路径规划的联合问题.     

基于时间负载均衡蚁群算法的云任务调度优化

针对云渲染系统中渲染节点与任务不匹配调度而带来的时间负载不均衡和耗时长的问题,提出一种基于时间负载均衡的任务调度方式来优化系统耗时的策略.该算法采用Min-min与Max-min相结合的思想,建立时间负载均衡模型进行前期迭代,将迭代结果作为蚁群算法的初始序列,并按照适应度规则计算出相应的初始信息素,同时通过单一变量法确定合理的参数,蚁群算法采用已有的初始资源和参数值进行后期迭代,根据标准量度自定义函数进行高效寻优,进而求得最终的任务调度序列.仿真结果表明,本策略既具有较高的搜索效率和较强的全局寻优能力,又能有效降低任务完成时间,且在时间负载均衡和寻优速度方面均显著优于蚁群算法和蚁群退火算法.