基于非抢占RMS的分布式控制系统中实时任务调度算法

分布式控制系统是一种应用极为广泛的分布式实时系统,如何将系统中的任务分配到各个处理器上并保证它们的时限是系统关键技术之一．对于系统中每一个处理器上的任务采用非抢占RMS算法调度,该算法是一种最优的静态任务调度算法,在单处理器调度算法的基础上,结合启发式任务分配算法,提出了一种分布式控制系统的调度算法．该算法是一种静态任务分配算法,算法的开销小、网络负载量低;同时在任务分配时考虑了各个处理器的负载均衡．仿真结果表明了算法的有效性．     

基本信标计算的一种快速算法

提出一种基于二分法搜索原理计算基本信标的高效算法．如果网的特征T-向量矩阵非行满秩,则将其按行一分为二．以同样的方法处理新得到的子矩阵,直至得到的子矩阵行满秩,则该矩阵对应的信标全为基本信标．以这些基本信标为基础,递归搜索其余子矩阵,最终得到全部基本信标．该算法与顺序搜索法相比较,矩阵求秩的次数大为减少．对Petri的一个子类——一个拥有资源的简单加工进程的线性系统(LS³PR)网系统来说,该算法是一个多项式算法,并通过一系列算例验证了该算法的效率．     

ERP系统中MAS的应用研究

针对传统ERP系统的智能性、可重构性差等缺点,而MAS又被广泛应用于制造、通信、商业过程管理等领域,提出支持ERP系统的MAS三层结构,并对MAS三层结构进行了详细的说明。把协调理论应用到MAS模型的获取方法中,提出基于依赖关系的模型获取方法.针对MAS子任务分配算法的特殊性,采用一种改进的遗传算法与模拟退火算法相结合的混和算法,引入“局部搜索—均值“算子,优化该问题的算法求解.这些为ERP系统的设计和应用提供了基础.     

基于适应度的多机器人任务分配策略

为提高多机器人任务分配方法的通用性和实用性，提出了一种分布式多机器人协作任务分配策略.根据多机器人任务特点，提出了多机器人任务分配必须满足的4个基本目标，并由目标制定相应的4条任务选择策略.按形式化思想为子任务建立了一个通用模型，模型包含了与任务选择相关的子任务基本属性和运行状态.结合子任务模型和任务选择策略，建立了一个子任务适应度模型，包含静态适应度、进度适应度、资源适应度和外部适应度4个分量，机器人根据适应度大小来选择子任务.仿真实验表明，应用该任务分配策略的协作异构多机器人系统对一类搬运任务具有很好的通用性，当任务发生变化和机器人发生故障时，机器人能够正确、及时地调整子任务，系统具有很好的实时性、灵活性和鲁棒性.系统能够实现机器人到子任务的最优映射，与其他任务分配方法相比明显缩短了任务执行时间.     

基于Mobile Agent的多站点共享答疑系统平台的构建研究

针对网上课程自动答疑系统中的知识库答疑资源不足问题,提出采用Agent技术,通过移动Agent到多个资源共享站点搜索,完成答疑任务并补充和完善本地知识库;分析基类agent及其子类继承关系并讨论了功能agent的设计与实现。认为该方法能够实现多站点共享,解决答疑资源不足问题。     

运动学约束条件下多AUV任务分配算法

针对运动学约束的自治水下机器人(AUV)任务分配与路径规划问题,本文以多个AUV组成的系统为研究对象,将Dubins Path算法与改进的自组织映射(SOM)神经网络算法相结合,提出一种在运动学约束条件下多AUV任务分配与路径规划算法。通过SOM神经网络方法对多AUV进行任务分配后,若存在运动学约束或障碍物而导致无法进行Dubins路径规划时,则重新进行任务分配,直到所有目标点都有AUV到达。仿真结果表明该算法能够有效完成运动学约束条件下多AUV的任务分配。     

分布式并行数据库系统中任务分配算法的设计

在分析传统任务分配算法的基础上,设计了一种改进的混合启动自适应任务分配算法。该算法根据系统总体负载变化自适应地选择启动策略,考虑任务对资源的需求和系统中的数据分布,有效地选择节点进行探询,使任务分配的开销最小化。在分布式并行数据库系统DPSQL中的使用表明,该算法比传统算法提供更高的任务执行效率和更好的系统稳定性。     

无线传感器网络任务分配的粒子群优化算法

为延长网络生命周期,减少网络能量消耗和均衡网络负载,引入了粒子群优化算法,提出了一种基于离散粒子群优化的任务分配算法.该算法根据任务总完成时间和能量损耗,建立代价函数,实现优化任务分配策略.引入变异算子,较好地保持了种群的多样性并提高了算法的全局搜索能力.仿真实验结果表明算法是可行的和有效的.     

利用膜粒子群优化的条件随机域特征选择

提出了一种新的基于膜粒子群优化的特征选择方法．该方法利用了膜系统的分层结构和消息传递机制,将粒子群优化算法作为区域子算法部署到各个区域中．不同于传统粒子群优化算法,该方法将粒子群优化的搜索速率分解为局部搜索速率和全局搜索速率．膜系统的所有外层区域采用局部搜索速率,搜索局部最优解;最内层区域采用全局搜索速率,搜索全局最优解．所有外部区域将最优解传递给相邻内部区域,内部区域将最差解传递给相邻外部区域,最内区域向相邻外部区域传递最差解．当各个区域之间的解传递在一段时间内停止时,或者算法迭代次数达到限定次数时,算法收敛,取最内层区域的最优解为最终解．以条件随机域模型的最大似然估计函数为目标函数,利用膜粒子群优化计算各个特征权重系数,最后剔除那些权重系数小于阈值的特征．实验结果表明,在进行生物文本的基因名称识别时,利用该方法对条件随机域的特征进行选择后,可以消除冗余特征的干扰,能获得更高的准确度．     

无线传感器网络任务分配的粒子群优化算法

为延长网络生命周期,减少网络能量消耗和均衡网络负载,引入了离子群优化算法,提出了一种基于离散粒子群优化的任务分配算法.该算法根据任务总完成时间和能量损耗,建立代价函数,实现优化任务分配策略.引人变异算子,很好地保持了种群的多样性并提高了算法的全局搜索能力.仿真实验结果表明算法是可行的和有效的.     

基于MAS的故障诊断任务分解和结果综合

为求解复杂过程诊断问题,在传统智能诊断基础上,将多Agent技术应用于动态分布的复杂武器系统故障诊断领域.采用一种基于MAS的分布式武器故障诊断系统方案,研究了在改进合同网协议的Agent之间的任务分配过程和结果综合,重点研究了诊断系统任务分解、任务控制策略.这种方案对于提高分布式故障诊断系统的性能,改善故障诊断的准确率和效率有很大帮助.     

基于MAS的电厂优化检修决策支持系统研究与实现

基于分布式人工智能的思想,将MAS引入电厂状态检修领域,分析了基于MAS的电厂优化检修决策的工作流模型,设计了电厂优化检修系统协作模型,建立了一种分布式MAS优化检修决策支持系统(OMDSS)的体系结构及其原型系统.该系统的成功应用,使得维修人员、专家和计算机之间的协同决策成为可能,有效地提高了诊断决策效率和故障定位的准确性.     

基于MAS的多机械手协调工作控制

为了解决全自动化晶体切片角分类机三个机械手协调工作的控制问题,设计了以MAS理论为基础的分布式网络控制器.系统利用黑板结构来实现全局动态目标下的状态信息的共享,采用多Agent理论对三个机械手进行协调工作控制,解决了机械手之间的运动耦合问题,使之能够在同一个时间和不同的空间内协调与配合工作,完成整体工作任务.基于此设计的设备可改善工人的劳动环境、提高生产效率、确保晶体切片切角的测量与分类准确.     

日常养老情境的异构多机器人动态多任务分配

针对异构多机器人系统动态任务分配问题,基于多智能体技术,利用符合养老情境特点的多智能体组织结构,提出处理养老情境下任务类型相对固定的异构多机器人多任务动态分配机制. 建立基于被服务对象满意度函数的投标值计算模型,兼顾多任务的动态分配与被服务对象的满意度. 根据拓扑排序算法,提出多智能体系统死锁的检测及处理方法,解决执行智能体自锁、各执行智能体间互锁的问题. 对不同任务情况在不同分配机制下的被服务对象满意度进行仿真. 仿真结果表明,在避免死锁的情况下,所提机制能够兼顾养老情景下的动态任务分配和被服务对象的满意度.     

Multi-Agent Reinforcement Learning Algorithm Based on Action Prediction

Multi-agent systems composed of concurrent re-inforcement learners have attracted increasing atten-tionin recent years . Multiagent reinforcement learn-ing[1]is much harder than the single-agent case . Thehardness mainly comesfromthefact that the environ-ment is not stationary fromthe viewof an agent be-cause of the existence of other learning agents .Based on stochastic games ,a multi-agent rein-forcement learning algorithmfor zero-sumstochasticgames was proposed by Littman[2]andit was extend…     

基于蚁群算法的多Agent任务分配方法

针对多Agent任务分配问题,结合蚁群算法的思想,设计了基于图的任务分配数学模型,提出了基于蚁群算法的多Agent任务分配方法,并通过实验与3个经典方法进行比较和分析,探讨了蚂蚁数对求解结果的影响。实验结果表明,所提出的算法是有效的。     

基于博弈论的多机器人任务分配算法

为了寻找一种合理有效的多机器人任务分配算法,基于多机器人协作救火任务环境,以博弈论纳什均衡为基础,研究多机器人的任务分配问题。根据任务模型特点和纳什均衡的主要特征提出了一种基于博弈论的任务分配算法。博弈的效用函数同时考虑了距离、火势和燃烧时间等因素,机器人根据此效用函数选择行为策略,促使机器人尽快扑灭惩罚值较大的火灾而获得较大的奖励值。利用任务总收益函数值的大小评价算法的优劣性。收益函数与火势、燃烧时间和机器人扑灭火灾数有关,这切合实际救火模型。实验结果证明了该任务分配算法的有效性。     

基于MAS的协作Agent间的联盟策略研究

Agent是一个在分布式系统或者协作式系统中能持续自主发挥作用的实体,它具有自主性、主动性、反应性和智能性的特点.随着单个Agent研究的逐渐深入,多Agent系统越来越受到关注,多agent机器人系统(MAS)是目前研究的热点.个体Agent之间互相合作、协作和相互服务,可以共同构成一个功能强大的多Agent系统(多智能体系统-MAS).MAS可以由多个智能和能力较低或较单一的Agent组成,也可以以几个较复杂的Agent成员为基础,结合其他简单Agent成员共同组成.本文首先介绍了Agent的概念、特性和结构模型,通过分析Shapley和Postman算法的优缺点对多Agent在协作过程中的联盟策略进行了研究.     

基于KM算法的分布式无线节点任务分配方法

单个节点无法满足各种新颖的应用程序对时延或能耗的要求,为此提出了一种分布式无线节点任务协同分配方法,通过利用周围节点的空闲资源,来降低所有节点处理任务的总时延或总能耗.首先根据层次分析法（AHP）综合任务的多维属性,如计算负载、最晚完成时间等,确定任务执行的优先级;然后建立时延和能耗的优化模型,并将其转化为二分图最大权值的匹配问题,采用Kuhn Munkras （KM）算法求解得到任务分配的最优解,实现终端节点在网络边缘高效地协同执行任务.仿真结果表明,该算法能够有效地降低任务处理的时延和能耗.     

可重构模块化机器人分布式控制算法研究

可重构机器人是基于一套事先设计好的模块，并根据特定任务的要求选择的一组模块装配成的机器人。为了实现快速重构，可重构模块化机器人不仅要实现机械结构构形的快速重构而且要实现控制系统的快速重构。根据多Agent理论中协商合作机制和机器人结构的分布性，可重构模块化机器人采用基于多Agent的分布式体系结构。利用微分运动理论提出了一种分布式控制算法，它能够适应三维空间的控制要求，从理论上证明了这种算法的收敛性。