融合多特征的天基典型目标光学识别方法

为满足天基近距离目标高精度探测和识别的需求,提出一种多特征融合的卫星局部识别方法.首先分析卫星局部物理特征,构建了融合形态学多特征参量的局部构件分形聚类参数集,并建立基于聚类特征加权组合的构件聚类模型.利用该模型即可实现通过计算待识别目标隶属于各构件类的匹配性概率来识别目标;在此基础上,针对空间目标光学成像的图像降质、局部遮挡等问题,提出了目标识别算法,并以其在实际应用中的识别概率为依据,结合粒子群算法迭代优化加权系数,提高了识别算法效率与鲁棒性;最后利用4类典型卫星及伽利略卫星缩比模型对识别算法进行了数字仿真和半物理实验验证.实验结果表明,在低对比度、SNR仅为5,且构件存在较严重变形与互遮挡的情况下,算法仍能有效识别卫星构件,识别概率优于0.95.     

基于二次聚类的多目标混合云任务调度算法

针对混合云环境包含大量异构云计算节点的情况,提出二次聚类方法,依据资源的综合特性,将异构资源进行分簇,将任务分发到合适的资源聚类,缩小任务搜索空间.在此基础上,结合私有云的安全可靠性、公有云的可扩展性以及用户需求的多样性,提出混合云环境下多目标优化的任务调度算法.该算法首先在私有云优先调度截止时间短的任务,对于每个聚类,将任务分配给完成时间最接近于其结束时间的资源,以完成更多的任务;将溢出的高负载任务转移到公有云聚类执行,结合任务的计算成本、通信开销和截止时间的约束,选择费用最低的资源.实验结果表明,与传统无聚类的算法相比,该算法降低了执行费用,同时提高了资源利用率和用户满意度.     

虚拟计算环境下基于模糊聚类的资源调度算法

为了对虚拟计算环境(iVCE)中有资源偏好的应用需求做更精细化的资源调度支撑,提出了基于模糊聚类的资源调度算法.该算法针对应用的资源偏好,使用模糊关联聚类的方法对资源进行处理,进一步缩小了资源的选择范围,降低了直接对原始资源进行聚类的空间复杂度,从而为资源的精细化调度提供了基础.     

改进的DBSCAN聚类算法在云任务调度中的应用

针对云计算环境中任务调度中存在的执行效率低的问题,提出了一种基于改进的基于密度的聚类算法(DB-SCAN)的云任务调度策略.首先使用改进的基于密度的聚类算法DBSCAN对云任务进行聚类,然后与已经分类的资源进行匹配,解决资源与任务匹配程度低的问题.实验结果表明,对任务进行聚类后进行任务调度,任务在终端上的平均执行时间减少了大约35.2％,任务的调度时间也有了明显减少.     

一种新的用于三维检索的快速邻域搜索方法

在传统的层次聚类算法上,对孤立聚类进行特殊处理,并在此基础上提出了与传统内容检索方法不同的三维模型索引检索技术.首先提取三维模型的深度图像特征并将特征值存入数据库;其次利用改进的层次聚类算法对特征值进行聚类并计算聚类中心值;之后计算每个三维模型内容特征与其所在聚类中心的距离并保存到数据库中,查询时计算待查询模型特征与各个聚类中心的距离并排序;最后在每个聚类里面进行检索,与聚类中心的距离位于待检索模型与该聚类中心距离的邻域就是查询结果.在该方法中,将每个模型特征与其所在聚类中心的距离作为其索引.实验结果表明,该方法在保证检索质量的基础上大大提高了检索速度.     

云计算环境下多目标约束的虚拟资源动态调度

为了解决静态资源调度所导致的CPU利用率不高的问题,研究了多目标约束的虚拟资源动态调度方法。给出了云计算虚拟资源调度模型,设计了多目标约束的虚拟资源表示方法,采用马尔科夫链对虚拟资源的下一时刻状态进行预测,从而得到可用资源向量;最后,计算任务与可用资源向量之间的匹配向量,将任务分配给匹配向量中具有最大各维分量之和的虚拟资源进行调度,并提出了具体的采用基于马尔科夫链预测的云计算虚拟资源动态调度算法。实验结果表明:该算法能有效解决云环境下多目标约束的虚拟资源动态调度问题,具有较小的负载均衡离差和任务执行跨度,较其它方法具有较大的优越性。     

基于特征站点的公交IC卡数据站点匹配方法研究

设计了一种基于特征站点的公交IC卡数据站点匹配方法,首先利用k-means聚类方法,通过计算交易时间间隔将同一站点产生的交易数据归类,再根据线路站点客流特征和乘客出行的换乘行为寻找线路特征站点(客流峰值站点与换乘站点),站点匹配时优先将特征站点编号与聚类数据进行匹配,从而提高匹配精度.在数据实验中,将该方法与基于站点间运行时间的匹配方法进行了对比,结果显示,基于特征站点的匹配方法平均准确率为85%.     

虚拟计算环境下基于模糊聚类的资源调度算法

为了对虚拟计算环境( iVCE)中有资源偏好的应用需求做更精细化的资源调度支撑,提出了基于模糊聚类的资源调度算法。该算法针对应用的资源偏好,使用模糊关联聚类的方法对资源进行处理,进一步缩小了资源的选择范围,降低了直接对原始资源进行聚类的空间复杂度,从而为资源的精细化调度提供了基础。     

高阶互信息最大化与伪标签指导的深度聚类

针对现有聚类方法未充分探索图的拓扑结构和节点关系，且无法受益于模型预测的不精确标签的问题，提出一种高阶互信息最大化与伪标签指导的深度聚类模型HMIPDC.该模型采用高阶互信息最大化策略来最大化图的全局表示、节点表示、节点属性信息之间的互信息.通过一种结合多跳邻近矩阵的自注意力机制更加合理地提取节点的低维表征.使用基于深度散度的聚类损失函数（DDC）迭代优化聚类目标，抽取高置信度的预测标签对低维表征的学习进行监督.在4个基准数据集上的聚类任务、实验时间分析和聚类可视化分析充分表明，HMIPDC的聚类性能始终优于大多数的深度聚类方法.通过消融研究和参数敏感性分析验证了该模型的有效性和稳定性.     

基于混合t聚类的鲁棒非刚体点匹配

针对非刚体形状控制点匹配中存在的对应性和有偏性问题,提出一个基于混合t聚类的鲁棒点匹配模型。该模型结合了混合t分布聚类和薄片样条匹配各自的优点,混合t聚类充分利用t分布的小样本和较大尾迹优势取得局部聚类的鲁棒性,并可方便地引入新的成员分布概率建模局外点,解决全局的鲁棒性;薄片样条能完全分解非刚体映射的仿射和非仿射变换。实验证明,利用确定性退火和EM(期望最大化)迭代技术,对模型中的鲁棒聚类和非刚体点匹配进行联合优化,可以有效解决非刚体点匹配的对应性和有偏性问题;通过在退火过程中应用一个模型选择准则,可以进一步提高匹配的精度,对比结果证实了该模型的鲁棒性。     

战区联合作战侦察情报力量优化配置模型及应用

立足战区联合作战情报保障特点,着重解决有限的情报侦察力量和联合作战情报需求之间的客观矛盾,研究情报侦察力量优化配置流程,构建资源-任务匹配模型。针对侦察力量协同执行多种侦察任务产生资源冲突的情况,基于受限资源项目调度、武器目标动态分配思想,构建动态优化配置模型,最后结合情报侦察案例,运用粒子群算法对资源优化配置模型进行求证其可行性和有效性。     

云数据中心面向实时任务的节能调度算法

针对云计算环境下的独立实时任务的节能调度问题进行了研究,设计了一种基于松弛时间的任务调度算法,该算法由实时任务的分配、虚拟机资源的动态扩展以及虚拟机的动态整合3个部分组成,通过计算任务的松弛时间保证任务在截止期限内完成,保证任务的时效性. 同时提出了一种基于多阈值的虚拟机整合策略,以平衡系统负载并降低系统完成任务集合的能耗. 实验表明,与其他算法相比,该算法在保证了任务能够按时完成的基础上,有效降低了系统的整体能耗.     

网格计算资源管理中的强约束信任评估模型

信任关系是实现网格资源共享的基础。文中提出了针对网格资源、资源提供者和资源消费者的信誉度评估模型，对信任进行了定义；并结合声誉评估方法，建立了信任评估流程，实现了一个具有强约束的信任评估模型。仿真实验表明，该模型达到了选择信任度更高的实体建立调用关系的目的，同时可促进资源交易量和系统的吞吐量。     

负载自适应的异构MPSoC任务调度算法研究

在异构MPSoC中,并行任务通过调度算法被分配到各个处理器核上运行,因而任务调度算法的优劣将直接影响异构MPSoC的应用性能。根据处理器核类型和任务间依赖关系,以减小任务间通信开销为目标,提出一种具备负载自适应能力的异构MPSoC任务调度算法。首先,将待调度任务集划分为多个并行任务子集;其次,在考虑处理器核负载的基础上,根据并行任务子集集合、处理器核集合及任务子集在各个核上的执行效率生成赋权二部图;最后,利用赋权二部图最大权匹配方法,将并行任务子集合理地调度到负载适应的处理器核上运行,以降低任务集的平均调度长度,并提高处理器核利用率,从而实现异构MPSoC应用性能的提升。仿真实验在不同的任务总数、任务最大前驱数、核类型、核数量的应用场景下,通过任务集平均调度长度、处理器核利用率两项指标对提出算法进行了定量分析。结果表明,提出算法能有效降低任务集平均调度长度,在实现负载自适应的同时提高异构MPSoC处理器核的利用率。     

电动汽车虚拟储能可用容量建模

为实现对广域布点的电动汽车虚拟储能(electric vehicle virtual energy storage,EVVES)的合理调用,通过聚类划分参与EVVES服务的电动汽车类型,结合各类电动汽车车主的用车习惯(如日行驶里程、充放电规律、期望备用出行电量等)、市场对EVVES响应度的影响、可用储能容量冗余设计等多方因素,综合建立可供调度的虚拟储能容量估算模型;结合电力系统对储能参与系统紧急功率支撑、峰谷差调节以及平滑可再生能源输出等有偿辅助服务的技术需求,提出EVVES供需匹配依据。基于蒙特卡洛模拟方法,验证模型实时估算不同时段响应虚拟储能(virtual energy storage,VES)服务的可用容量的实用性,对后续开展EVVES的运营实践奠定了基础。     

基于本体的机床设备资源共享机制

为解决机床资源共享中资源表述、存储及与加工任务匹配等关键问题, 提出基于本体的机床资源共享机制。 采用本体对机床资源进行语义化表述,增强其人机可读性。采用分布式数据库HBase对机床本体信息进行存储,以高效存取为目的设计HBase表格,实现对机床本体信息的存储及高效查询。提出基于加工任务的机床资源查询策略,实现加工任务与共享资源的有效匹配。在存储大量机床实例至数据库的条件下,以车削加工任务为例进行验证,通过提交该任务至该资源共享平台,获得适合该任务的车床列表。结果表明,建立的机床本体模型及提出的资源信息存储方案和资源查询策略能够满足资源共享的需求,验证共享机制的可行性和有效性。     

云计算中多层次公平性QoS约束任务调度算法

针对传统云任务调度算法只注重执行效率忽略分配公平性的问题,提出了一种满足多重公平性约束的任务调度QoS算法CTS_QFC.该算法利用社会资源分配的公平性理论模型,从用户任务与云资源提供方两个角度,将云任务调度问题建模为一种多重公平性QoS约束模型.第一层QoS按用户QoS偏好对任务分类,并按照任务分类建立一般期望效用函数.第二层QoS定义资源公平性评估函数,评估资源分配的公平性.结果表明,CTS_QFC算法不仅可以确保用户任务的高效执行,还可以提高资源分配与任务调度方案的公平性.     

用改进的匈牙利算法实现粗粒度的子任务调度

分布式应用系统可根据设计任务的复杂程度和系统资源状况进行任务调度，主要通过寻找可行的匹配方案来实现相应的目标模型。指出了实际应用中对任务调度和负载平衡的迫切需求，分析了任务的粒度和调度算法，构造了资源评估矩阵，描述了粗粒度调度的数学模型，提出了改进的匈牙利算法，并给出了算法实例，进一步说明了改进的匈牙利算法应用于服务器集群系统时可以优化对网络资源的使用。