基于虚拟仿真技术的智能制造生产线自动控制系统

针对智能制造生产线中视觉分拣容易产生漏检和误检的问题,提出一种基于虚拟仿真技术的智能制造生产线自动控制系统。系统创新地使用云端PLC结合人工智能进行虚拟仿真,提高了自动控制的算力,使整体系统控制更加灵活可控。同时结合YOLOv5算法进行目标检测,在保证检测精确度的同时,进一步提高目标检测效率。经过实际仿真实验,设计的自动控制系统召回率、精确率以及平均精度均值等指标均符合实际生产需求,控制系统更加精确。

一种云平台虚拟机镜像保护的方法

提出了一种云平台虚拟机镜像数据保护的方法,主要解决云环境下大镜像文件通过网络传输时的机密性保护和性能优化问题,避免非法客户端对虚拟机镜像数据的恶意非法操作,防止平台数据泄漏。实验数据验证,该方法具备在云平台上进行大数据加密保护能力,同时使云平台虚拟机业务下发时的加密解密性能得到优化提升,在实际的工程应用中具有一定的可行性。

基于大数据的虚实融合教学服务平台设计

文章探究了基于大数据的虚实融合教学服务平台设计,阐述了平台的总体设计方式,详解了教育平台功能。为提高平台大数据系统的应用能力,文章研究了云计算资源算法,描述了云计算中的问题,提高了云计算的合并应用效率,并且厘清了虚拟机的动态调度步骤,提高了教学平台系统的运行效率。实验结果表明,基于大数据的虚实融合教学服务平台设计能够有效提高学生的学习成绩。

梯形半云PBDR-VPP源荷协调经济调度

针对价格型需求响应虚拟电厂用户响应行为模型精确度不高的问题,提出一种梯形半云价格型需求响应不确定性建模方法。用梯形半云对分时电价下用户的不确定响应行为进行建模,通过正、逆向云变换算法,实现用户响应行为定性概念与定量数据之间的双向转化,用云滴分布形状拟合用户的响应随机行为。将源、荷两侧灵活资源整合,使虚拟电厂综合效益最大化的经济协调调度。算例仿真验证了模型的有效性。

基于决策树和由均匀分布改进Q学习的虚拟机整合算法

随着云数据中心规模的不断扩大,次优虚拟机整合算法所引起的高能耗、低资源利用率和用户服务质量下降等问题逐渐凸显。为此,提出了一种基于决策树和由均匀分布改进Q学习的虚拟机整合算法(DTQL-UD)。该算法采用决策树实现状态表征,并在评估下一时刻状态-动作价值时采用均匀分布选取下一时刻动作,可直接从云数据中心状态到虚拟机迁移的过程中通过实时反馈来不断优化决策。此外,针对强化学习中模拟器与真实场景中的差异问题,基于大量真实云数据中心负载跟踪数据,使用监督学习模型训练模拟器以增加模拟器的仿真度。仿真实验结果表明,DTQL-UD在能耗、资源利用率、用户服务质量、虚拟机迁移次数和剩余活跃主机数量方面分别优化了14%,12%,21%,40%和10%。同时,得益于决策树在表格型数据上更强的特征提取能力,DTQL-UD相比其他现有的深度强化学习方法可学到更优的整合策略,并且在本实验中随着云数据中心规模的增大,可将传统强化学习模型的训练耗时逐步减少60%~92%。

面向MR远程协同任务的实物虚拟化方法研究

混合现实(Mixed reality,MR)技术的飞速发展为装配场景中的远程协同任务带来了新的可能。作为MR协同系统的前置环节,实物虚拟化的主要任务是为用户浏览与交互提供可靠的模型支撑与虚实融合关系。现有方法无法同时兼顾装配零件细节高还原度、低虚拟化成本的目标。本文提出了一种基于模板匹配和点云配准原理的零件模型精密恢复方法,针对MR远程协同过程中的任务相关零件,首先通过基于背景差分与八叉树空间检索的背景点云分割以及基于超体素的前景粘连点云分割获得零件点云相关的先验信息来分割模板匹配感兴趣区域ROI,解决了原始LineMod算法抗遮挡性弱、模板比对效率低的问题,完成了对零件点云的识别匹配和位姿粗略估计;然后利用ICP算法进一步优化估计的位姿,求解相关零件在重建点云模型中的精确位姿;最后根据此位姿,用高精度的零件CAD模型替换3D重建点云场景中的零件重建点云模型,最终实现对共享MR协同场景的实物虚拟化。通过对复杂装配场景中的多种零件进行实物虚拟化试验,证明了本文方法能够准确识别零件点云,实现精确的实物虚拟化,在MR远程协同任务中具有重要的实用意义。

云计算虚拟资源差分进化分配方法仿真

云平台集群规模较大,集群节点之间存在一定的差异性,为云计算虚拟资源分配带来了一定困难。为降低数据中心能耗与时间复杂度,提出云计算虚拟资源差分进化分配方法。为实现全局能耗更新调节服务器工作电压和资源分配频率,使用动态能量感知策略计算资源分配的最短时间跨度与空闲分配时间,代入能量消耗时间变换因子,将分配所需能量转换成时间参数,使用二元组构建云计算资源分配模型;将资源节点拟作种群,通过资源-任务间接方式进行染色体编码,以轮盘赌原则为基础,采用差分进化算法更改种群染色体基因排列方式,推算个体适应度,通过变异概率自主调节种群个体,获取被标记的最优个体,实现云计算虚拟资源最优分配。实验结果表明,所提方法可以使用较少的服务器完成资源分配,云计算任务分配效率高且执行能耗低。

基于特征点的钢桁梁桥桁段虚拟拼装方法研究

针对山区钢桁梁桥1+1预拼装对场地要求高、工序资源消耗大的问题,提出基于特征点的钢桁梁桥桁段虚拟拼装方法。该虚拟拼装方法主要通过多尺度三维激光扫描技术进行桁段逆向模型构建、基于聚类分割特征的逆向模型点云优化、基于迭代最近点算法的桁段拼装运算进行钢桁梁桁段虚拟拼装,以代替实体预拼装,减少施工工序。为验证该虚拟拼装方法的可行性及准确性,以某山区特大铁路悬索桥为背景进行钢桁梁桁段缩尺模型试验。结果表明:该虚拟拼装方法可以筛选出相邻桁段中偏差较大的螺栓孔,在最大程度上保证螺栓孔拼装的合格率,避免因为某些螺栓孔偏差较大影响全局的拼装精度,验证了该虚拟拼装方法的可行性及准确性。

Virtual Machine-Based Task Scheduling Algorithm in a Cloud Computing Environment

Virtualization technology has been widely used to virtualize single server into multiple servers, which not only creates an operating environment for a virtual machine-based cloud computing platform but also potentially improves its efficiency. Currently, most task scheduling-based algorithms used in cloud computing environments are slow to convergence or easily fall into a local optimum. This paper introduces a Greedy Particle Swarm Optimization（G＆PSO） based algorithm to solve the task scheduling problem. It uses a greedy algorithm to quickly solve the initial particle value of a particle swarm optimization algorithm derived from a virtual machine-based cloud platform. The archived experimental results show that the algorithm exhibits better performance such as a faster convergence rate, stronger local and global search capabilities, and a more balanced workload on each virtual machine. Therefore, the G＆PSO algorithm demonstrates improved virtual machine efficiency and resource utilization compared with the traditional particle swarm optimization algorithm.

基于显著性划分的机载激光雷达点云滤波算法优化

针对点云数据拟合精度较低、点云显著性渲染效果较差的问题,提出一种基于显著性划分的机载激光雷达点云滤波优化算法。实验结果显示:一类错误率、二类错误率、总体错误率、Kappa值的均值分别为2.53%、2.27%、2.38%、95.10,可有效实现高精度点云滤波目的。

基于优化粒子群算法的虚拟机部署策略

随着云计算规模的增大,能耗已经成为云系统中重要的成本,因此节能问题成为了云系统面临的主要问题之一。在满足物理机资源阈值的约束下,最大化物理机资源利用率,减少虚拟机迁移数量,是实现数据中心节能的一种有效手段。论文提出一种改进的粒子群算法(EPSO),算法初期引入混沌策略,使用随机分组策略,设置两个目标函数,利用欧氏距离寻求多目标粒子群优化算法的最优解。与其他算法相比,该算法初期群体有着良好的遍历均匀性,提高了粒子群的寻优精度和寻优效率。基于CloudSim仿真平台实验结果显示,该算法在改善物理机资源利用,减少资源浪费等方面具有高效性,优化了云系统性能。

深基坑支护方案云模型综合评价方法

在深基坑支护方案评价中,定性因素多,不确定性强,应用传统的数学方法评价难以保证其准确性及客观性。针对深基坑支护方案设计阶段评价指标不能定量表示的现实,提出了基于云模型的深基坑支护方案综合评价方法。该方法首先将专家给出的定性评价意见表示为5级自然语言标度,用黄金分割法将定性的自然语言评价信息转换为定量指标(云数字特征);然后根据虚拟云算法将不同专家的评价云集结组成综合云,各项评价指标的综合云集结组成最终评价的浮动云;最后通过计算浮动云的相对距离贴近度,按照云模型相对贴近度排序准则,得到方案排序结果。通过蔚蓝时代B3地块商务办公楼及地下车库深基坑4种支护方案实例,用可靠性、止水效果、经济性、施工难度和环境影响5项定性指标进行综合评价,验证了该方法的有效性。

用语言云模型发掘关联规则(英文)

该文提出用语言云模型用于 KDD中知识表达和不确定性处理 ,引入了多维云模型作为一维模型的扩展 .语言云的数字特征量将语言值的模糊性和随机性用统一的方式巧妙地综合到一起 ,基于云模型的概念层次结构可以跨越定量和定性知识之间的鸿沟 .为了发现强关联规则 ,属性值要在较高的概念层上泛化 ,同时允许相邻属性值或语言项间有重叠 .这种软划分可以模仿人类的思想 ,使发现的知识具有稳健性 .将基于云模型的泛化方法与 Apriori算法结合起来 ,从空间数据库中发掘关联规则 .试验显示了其有效性、高效性和灵活性 .

云计算环境下基于微粒群的虚拟机任务调度算法

为提高云计算环境中虚拟机任务调度的执行效率和充分发挥云计算技术优势，提出一种基于微粒群的虚拟机任务调度算法——PSOTS算法；PSOTS算法以完成任务最短时间为目标，首先通过设计一种新型的编码方式使得连续的微粒群算法适用于离散的虚拟机任务调度问题；然后引入禁忌搜索算法增强种群的多样性以避免微粒因早熟而陷于局部最优的问题；实验证明，在50～500个任务的情况下，PSOTS算法调度效率优于Min—min算法和遗传算法（GA），有效缩短任务执行时间和解决云环境下虚拟机任务调度问题。

云计算中基于能耗比例模型的虚拟机调度算法

针对资源虚拟化环境中的混合型负载调度问题,提出一种基于能耗比例模型的虚拟机调度算法.该算法利用处理器的"性能计数器"机制来评估各个虚拟机的近期能耗状态,并采用"最近最小能耗比例优先"的策略进行调度.理论分析给出了该算法的有效性证明和相关特性.实验结果显示,当系统面对混合型负载时,基于能耗比例模型的调度算法在"调度偏差"和"相对能效"两方面明显优于现有的虚拟机调度算法.

云虚拟环境下资源分配的研究与实现

云计算中的基础设施层IaaS(Infrastructureas a Service)是通过虚拟化技术管理底层物理资源,向用户提供可用的计算机集群。对于如何有效的分配资源,使其利用率最大化,即使得物理机器中的各种资源的碎片最小也成了云计算中需要考虑的问题。针对这一问题,可以结合遗传算法来解决这种多目标多约束的组合优化问题,实现云虚拟环境下的资源分配问题。通过仿真实验表明,该算法可用有效的减少物理机器中的碎片,提高资源的利用率。

云计算中负载优化模型及算法研究

云计算环境的动态性和异构性,使得云计算很容易出现负载失衡现象,严重影响了云计算的整体性能和用户体验。论文提出了基于改进遗传算法的负载均衡优化模型,兼顾资源需求动态变化和虚拟机的计算能力,建立相应的资源调度模型,运用改进遗传算法实现资源负载均衡。验证表明,该算法能很好满足云环境下数据中心的使用要求,提高资源利用率和负载均衡度。

发电集团数据中心云计算应用研究

发电集团的云数据中心将计算、存储及网络资源松耦合,虚拟化各种IT资源,并实现动态部署及共享,是一种在提高资源可调度性、可管理性、可伸缩性及可靠性,降低成本的同时具备绿色节能的新型数据中心。文章阐述了发电集团云计算数据中心的架构、需要解决的关键技术及安全问题。

云计算中虚拟机资源分配算法

为了解决云计算中虚拟机部署预留方案浪费大量资源和单目标部署方案不够全面问题,提出了一种基于组的多目标遗传算法虚拟机资源分配算法。该算法分成组编码和资源编码,资源编码根据虚拟机历史资源需求进行整合编码,通过改进的交叉和变异操作,将物理机器个数和虚拟机占用物理机器资源整合。实验结果表明,该算法有效减少了物理机器个数使用和提高了物理机器资源使用率,达到了节能目的。

一种改进云计算虚拟资源负载均衡调度方案

云环境下存在负载均衡与最优跨度等困难,鉴于此,设计了虚拟资源调度智能优化策略。其充分兼顾云虚拟资源优势,改进了GA中的选择与交叉处理,将最优跨度与负载函数当做双适应度函数,使资源调度效率明显提升。另一方面,该方案还可以从云服务集群获得有效的资源,以充分保障处于负载均衡状态。同时本文还利用Cloud Sim进行仿真测试,研究表明,在大规模任务条件下,该方法可以明显提升调度效率,同时还改善了负载均衡,说明该方法具有较好的有效性。