Application of Task-Oriented Method of Serial Robot for Mechanism Analysis and Evaluation

Revealing the relations among robotic comprehensive performance,configuration,scales and working tasks is the basis to optimize robotic mechanism. Due to the correlation and diversity of the single performance indexes,statistical principles of linear dimension reduction and nonlinear dimension reduction are introduced into comprehensive performance analysis and evaluation for typical serial robot. The robotic mechanism's configuration,scales and task with the best comprehensive performance can be obtained by principal component analysis( PCA) and kernel principal component analysis( KPCA) respectively. The results show that KPCA can reveal the nonlinear relations among different single performance indexes more effectively and provide more comprehensive performance information than PCA. Thus,task-oriented method of serial robot for mechanism analysis and evaluation is proposed,which also provides scientific research basis for the mechanism synthesis and optimum task order.

一种全局较优的静态任务调度算法

针对现有任务调度算法优先级选取过于单一所产生局部较优调度结果的问题,从全局较优出发,提出一种先分层后分支决定优先级的静态任务调度算法—HGCOTS算法。该算法考虑了任务间较大的通信开销和冗余任务对异构CMP任务调度效率的影响,通过综合区间插入和任务复制技术最大限度地降低了任务间的通信开销,对冗余任务进行删除,明显提高了任务调度效率。使用随机生成图进行模拟实验,与其他算法相比,新算法具有更小的调度长度。

基于改进混合蛙跳算法的云工作流负载均衡调度优化

在实例密集型和开放的云环境下,工作流调度通常面临着廉价和优质资源被频繁调用的问题,导致调度效率低下,云环境稳定性遭到破坏。此外,区别于一般的任务调度,工作流任务之间通常具有关联依赖性,极大地提高了任务分配的复杂度。针对目前大多数云工作流调度中存在虚拟机间负载不均衡的现象,首先提出一种工作流分层调度模型,按任务优先级进行层级划分,将优先级相近且相互独立的任务置于同一层级,通过分层执行任务来有效缓解虚拟机的负载压力。其次,基于混合蛙跳算法进行改进,采用时间贪心算法来优化初始种群,以提高搜索效率;并增加对局部最优个体的重建策略来跳出局部最优,增强全局搜索能力。最后,将改进后的混合蛙跳算法(ISFLA)应用于云工作流调度,通过WorkflowSim仿真平台来模拟工作流调度的真实场景,并将改进后的混合蛙跳算法与传统的混合蛙跳算法及粒子群算法进行对比,从负载均衡度、工作流整体完成时间和搜索效率3个方面进行评价。实验结果表明,在迭代相同次数后,ISFLA的负载均衡度最优,并且随着任务数的增加,其值最先趋于稳定;同时,在工作流整体完成时间上,ISFLA也显著低于其他算法;在搜索效率方面,由于使用贪心算法提高了初始种群质量,ISFLA的搜索耗时大幅缩短。

基于高速DSP的实时运动目标识别跟踪系统

研究了实时视频采集和高速目标识别检测、跟踪系统模型 ,分析了功能状态。在对检测、跟踪系统任务流和算法分析的基础上研究了基于高速DSP、大规模可编程器件和高速PCI通信总线架构的可行性系统实现方案。该系统采用复用总线设计 ,提高了系统资源利用率和系统可靠性。实验结果表明 ,该系统具有实时监测场景和在复杂背景下实时检测识别和跟踪运动目标的能力。

云环境下的一种并行任务划分方法研究

并行任务划分一直是高性能计算的研究重点。结合地震资料数据处理的应用云环境,以任务运行时间估计模型作为优化目标函数,提出了一种改进的粒子群优化算法,用以解决地震资料任务划分问题。仿真实验证明,改进后的算法增强了全局搜索能力,提高了收敛速度和收敛精度,有效提高了云环境下任务的执行效率。

基于任务控制与消息寻径的PVM性能优化及实测分析

并行虚拟机(PVM)是当前流行的大型科学计算并行消息传递环境之一,其系统设计思想更多考虑了异构集群下的兼容性,默认性能设置保守。矩阵乘法是并行计算实现效率提升的典型运算之一,对PVM环境下预设并行矩阵乘法实际测试,给出从任务粒度划分、消息封包寻径及任务分派方面提升PVM并行效率的数据。对数据分析可得:PVM任务划分粒度要大,任务粒度以匹配节点数为最优;合理选用消息封包、寻径策略可改善通信能力的瓶颈;增加各节点的有效运算时间是提高整体并行效率的关键。

CICS系统环境的优化

利用ＣＩＣＳ任务管理理论对鞍钢设备维修计算机管理系统（ＣＭＭＳ）进行系统运行环境优化。通过一系列任务控制参数，任务优先级，以及异常情况控制参数的设定，保障了系统有效的运行空间；减轻了大量使用系统资源的任务对系统的影响，从而使应用系统更合理地利用系统资源。系统运行结果表明：根据ＣＩＣＳ任务管理理论对系统的优化调整，为ＣＭＭＳ应用系统的运行提供了良好的环境，大大改善了系统性能，提高了ＣＭＭＳ系统运行效率。