简单选择排序算法的改进及分析

排序是计算机程序设计的重要操作,经典的排序包括:冒泡排序、选择排序、插入排序等等;以简单选择排序算法为基础,对其进行改进,通过分析得出与之具有同样行之有效、甚至更高的排序效率。     

基于短期规划的AUV纯方位目标追踪策略

对自主水下机器人（AUV）追踪海洋生物的问题进行研究,由于被追踪目标的机动能力远优于追踪者,待目标运动要素的估计值收敛之后再规划追踪的路径可能错过接近目标的时机．针对这个问题,借鉴博弈的思想提出了一种基于短期规划的目标追踪算法．该方法首先构建AUV在短期内所有可行的行为集合,然后对每一个行为能够达到的状态进行态势评估,最后选择使AUV处于最有利的追踪态势的行为作为规划的结果．为了检验该方法,开展了2组仿真实验：第1组实验显示本文方法的追踪成功率比传统方法提高了5.2%,第2组实验表明即使在较大的测量误差下AUV依然可以有效地追踪到目标．仿真结果表明该方法提高了AUV追踪到目标的成功率,并且具有较好的鲁棒性．     

实时系统混合任务低功耗调度算法

针对包括周期任务和非周期任务的混合任务集,利用动态电压调节(DVS)技术,提出一种混合任务低功耗调度算法。该算法包括两个阶段,第一阶段计算出离线状态的静态速度;第二阶段通过回收空闲时间调节任务的运行速度。仿真实验表明:本文算法比现有的混合任务低功耗调度算法节约27.35%的能耗。     

基于检查点机制的容错节能调度算法

综合考虑了实时系统的容错和节能,针对处理器提供离散的频率和电压,提出了基于检查点机制的容错节能调度算法(CPFTES)。该算法利用动态电压缩放技术节能,通过确定优化的检查点且使用检查点机制实现容错。当任务发生错误时,恢复任务从已保存的检查点重新启动以最大的处理器速度运行,确保任务不错过截止期限。提出了H_SPEED和A_SPEED两种速度选择策略。仿真实验表明:在PXA250处理器上,CPFTES_A_SPEED比CPFTES_NODVS平均节约66.18%的能耗,CPFTES_A_SPEED比CPFTES_H_SPEED节约0~19.41%的能耗。     

固定优先级混合关键偶发任务能耗感知算法

混合关键系统是将不同关键层次的应用或组件集成到同一个共享平台.由于受尺寸、重量与体积的限制,能耗对于混合关键系统而言尤其重要.能耗感知调度算法是解决混合关键系统能耗问题的关键,现有的能耗感知算法主要基于动态优先级策略且空闲时间利用率低.针对固定优先级混合关键系统偶发任务能耗感知问题,提出节能效果更好的固定优先级混合关键调度(fixed priority mixed criticality schedule, FPMCS)算法.首先,提出关键层次单调速率策略(criticality rate monotonic scheme, CRMS)调度混合关键偶发任务,分析该策略的调度可行性,且计算出能耗感知速度.其次,利用高关键层次任务预留的空闲时间,通过事件触发的方法动态更新混合关键偶发任务集的利用率来回收偶发任务到达时间不确定产生的空闲时间.再次,利用混合关键偶发任务集的利用率决定任务的执行速度以达到降低能耗的目的.最后,通过理论分析和实验验证FPMCS算法是可行的;仿真实验表明：所提出的FPMCS算法比现有的方法可以节约大约33.21%的能耗.     

基于深度迁移学习的多点频域振动响应预测EI北大核心

针对多输入多输出神经网络(MIMO-ANN)进行多点频域振动响应预测时需要为每个频率点独立建立神经网络模型、独立随机选择神经网络模型初值导致的训练时间长、预测精度低等问题,提出了一种基于多输入多输出人工神经网络(MIMO-ANN)和模型迁移学习的多点频域振动响应预测方法。本研究对于多源不相关载荷未知条件下的基于数据驱动的振动响应预测问题进行了形式化描述,并比较了其与不相关多源载荷已知情况下基于数据驱动的多点频域振动响应预测问题的不同之处。首先,将某频率点下的多个振动响应已知的测点的自功率谱作为输入,多个振动响应未知的测点的自功率谱作为输出,将两部分历史数据集构造成为训练集,利用MIMO-ANN建立该频率下的未知点振动响应预测模型;其次,根据传递函数在频域的连续性,利用该频率下训练好的MIMO-ANN的权值迁移到相邻频率作为其MIMO-ANN的初值;再次,利用此相邻频率下的历史数据进行训练,从而得到此频率下的预测模型;最后,不断循环此过程,直到所有频率点的模型全部训练完成。该方法解决了矩阵病态求逆问题,可以获得更好的神经网络模型的初值,不容易陷入局部最优,加快了神经网络的收敛速度。在圆柱壳声振实验数据集的多点响应预测结果表明,在多源载荷未知条件下,该方法比基于无迁移学习神经网络、多元线性回归、传递函数的方法,预测精度、训练效率更高。