一、开放式实时系统中的自适应调度方法（论文文献综述）
李雪靖[1]（2021）在《智慧标识网络中边缘计算服务的任务卸载和资源适配研究》文中提出随着互联网技术的发展,网络服务和网络应用已渗透到各个领域。网络数据流量和计算任务的迅猛攀升,导致传统网络体系难以满足高效、可靠、海量、泛在等服务需求。智慧标识网络从解决传统互联网三重绑定问题出发,提出了“三层两域”的体系架构,为实现网络的可管、可控、开放、灵活提供了新的思路。针对智慧标识网络中的计算服务,边缘计算可以利用网络边缘计算资源为其提供更好的服务质量。然而,边缘网络的服务复杂性和资源有限性给不同场景下计算服务的动态灵活管控带来了新的挑战。本文分别针对边缘网络中的终端复杂计算服务、终端流式计算服务、多终端竞争计算服务和边缘汇聚计算服务,依据不同服务的需求特征,融合网络通信资源和计算资源,分析了具有特定优化目标的服务管控问题,研究了基于智慧标识网络的任务卸载和资源适配策略。本论文主要工作和创新点如下:（1）针对边缘网络中终端复杂计算服务的任务卸载和资源适配问题,提出了一种复杂服务分割和部分任务卸载的联合管控优化策略。本文以复杂计算服务的处理开销最小化为优化目标,通过综合考虑服务模型特征、任务依赖关系、节点设备能力和无线信道状况等因素,提出了基于智慧标识网络和边缘计算的终端复杂计算服务系统架构和管控机制,构建了服务模型分割和部分任务卸载的联合优化模型;基于深度学习方法构建了针对视频流进行人体姿态估计的服务计算模型,通过分析所构建模型的计算负载和数据流,采用神经层分组和流水线处理方法,设计了基于阈值粒子群优化的协同分割卸载TP-CPO算法,并通过仿真实验进行了性能评估。仿真结果表明,在不同的信道带宽和服务器负载下,所提策略有效地降低了服务响应时间和终端能量消耗。（2）针对边缘网络中终端流式计算服务的任务卸载和资源适配问题,提出了一种任务卸载调度和终端功率控制的联合管控优化策略。本文以流式计算服务的任务处理效用最大化为优化目标,通过综合考虑到达任务特征、终端能量状态、无线信道状况和计算服务器负载等因素,提出了基于智慧标识网络和边缘计算的终端流式计算服务系统架构和管控机制,构建了任务卸载调度和终端功率控制的联合优化模型;根据终端等待计算任务的马尔可夫性,分析了卸载调度决策和功率控制决策的约束条件,设计了状态、动作和奖惩函数,将系统时间分层划分为决策周期和事件回合,实现了基于分层深度强化学习的自适应调度控制HDRL-ASC算法,并通过仿真实验进行了算法参数调优和性能评估。仿真结果表明,在不同的任务到达率、无线信道状况和服务器计算性能下,所提策略有效地提高了任务处理效率,降低了终端功率消耗。（3）针对边缘网络中多终端竞争计算服务的任务卸载和资源适配问题,提出了一种终端卸载选择和通信资源编排的联合管控优化策略。本文以多终端竞争计算服务的综合计算效用最大化为优化目标,通过综合考虑终端接入数目、终端设备状态、终端需求优先级、无线信道状况和计算服务器负载等因素,提出了基于智慧标识网络和边缘计算的多终端竞争计算服务系统架构和管控机制,构建了终端卸载选择和通信资源编排的联合优化模型;提出了融合多种方法的算法框架,包括利用神经网络和阈值判断方法估计多终端任务卸载的优先级,利用一维优化搜索方法编排无线通信的资源块,利用经验回放和梯度下降方法构建神经网络模型的更新机制,利用分布式采样训练方法实现高效的神经网络训练模型,设计了基于纵向联邦学习的灵活卸载编排VFL-FOO算法,并通过仿真实验进行了算法参数调优和性能评估。仿真结果表明,算法具有较好的收敛性和较低的复杂度,在不同终端数目和动态环境状况下,所提策略有效地提高了多终端综合计算能力。（4）针对边缘网络中边缘汇聚计算服务的任务卸载和资源适配问题,提出了一种流量鲁棒分类和资源感知转发的联合管控优化策略。本文以边缘汇聚计算服务的综合处理开销最小化为优化目标,通过综合考虑单位时间请求交易量、服务数据量到达速度、单位比特计算负载、服务流量类型、服务器计算资源和传输路径通信资源等因素,提出了基于智慧标识网络和边缘计算的边缘汇聚计算服务系统架构和管控架构,构建了流量鲁棒分类和资源感知转发的联合优化模型;设计了包含异常需求检测、流量特征分类和任务卸载转发的算法框架,实现了基于遗传进化算法的快速分类转发GE-RCF算法,并通过仿真实验进行了参数调优和性能评估。仿真结果表明,在流量动态变化、不同边缘服务器性能和不同传输路径带宽下,所提策略有效地提升了流量分类效率,降低了多流量综合处理开销。
彭阿珍[2]（2021）在《面向数控系统的自适应实时调度算法研究》文中认为随着新一代信息技术的飞速发展,全球机床行业进入了以数字制造技术为中心的自动化时代。国家装备制造业的发达程度取决于机床行业的产品质量和技术水平,是国家核心基础建设的重要组成部分,对促进社会发展意义重大。数控技术是数控系统的核心,作为信息技术与先进制造技术深度融合的产物,是实现高速度、高效率、高精度、开放性与智能化数控系统各项功能的关键要素。数控系统是实时系统的一种典型应用。实时调度算法是保证实时系统各项功能在实时、能耗等约束前提下顺利实现的核心基础。随着处理需求的多样化和应用场景的复杂化,数控系统的内部组件和外部环境也随之变得更加难以用数学模型进行精确描述。实时调度算法也随之面临新的挑战:不仅要充分考虑数控系统中调度机制的实时性需求,还需要综合考虑外部环境的不确定性、系统的能耗、任务的优先约束或数据依赖等问题,实现调度资源在任务之间的最优分配。自适应实时调度算法把自适应系统中的控制论、排队论、人工智能等方法与调度算法有机的结合起来,用控制理论分析和构造实时系统的调度模型及性能评估体系,在整个系统运行过程中通过不断观测调度信息,结合经典的实时调度规则,对调度相关参数进行动态调整,有效解决解决负载动态变化和具有不可预测性的系统调度问题。本文着重研究数控系统中任务调度问题,分析了在复杂的内外部环境下具体的调度需求,把自适应控制方法应用于经典的实时调度算法中,在继承了现有的实时调度算法的基础上,得到一些在特定环境下性能更高的自适应实时调度算法。具体研究内容如下:首先,针对负载动态变化的软实时任务调度需求,提出了基于资源预留的反馈调度模型。建立系统性能与误差之间的状态反馈方程,实现调度相关参数的动态调整。接着,针对硬件资源紧张的共享平台上混合任务调度需求,在ABS服务器算法的基础上,构建一种自适应分层调度框架,实现硬实时与软实时任务间的资源隔离。其次,针对混合任务的调度需求,考虑任务悲观估计的WCET远大于实际执行时间这一现象,提出基于自适应总带宽服务器调度算法和加入资源回收策略的自适应总带宽服务器算法,对以上两种算法进行可调度性分析,并且给出了算法流程的伪代码描述。最后,针对周期性依赖任务的调度需求,综合考虑任务的依赖关系及系统能耗,提出一种面向多核平台的基于混合遗传算法的调度策略,描述了算法的具体操作步骤,并且通过仿真实验验证了算法的有效性。
周详[3]（2020）在《分布式机器学习系统调度技术优化研究》文中研究指明随着时代的发展,机器学习的训练集规模与模型复杂度不断增长,单机训练模型已无法适应大规模数据环境。近年来,分布式机器学习因其具有海量数据处理能力以及灵活的扩展性,获得了越来越多的关注。分布式机器学习系统大多以参数服务器为系统架构实现。在分布式系统中,节点宕机与断网具有随机性,导致参数服务器系统采用静态调度时可扩展性与鲁棒性较差。节点间存在异构性,导致参数服务器系统的可移植性与自适应性较差。节点间存在多用户多任务共享资源,导致节点间存在性能差异而延长同步时间。同步是确保并行训练有效的必要手段。整体同步并行策略保证训练精度逼近于单机训练,但是将产生较大的通信开销且容易受到节点间性能差异的影响。异步并行策略极大地减少了同步时间,但是无法保证收敛性与模型精度。延迟同步策略在同步时间与模型精度取得了平衡。但是该策略不适用于具有性能差异的环境,在极端条件下将退化为整体同步并行策略。因此分布式机器学习系统的调度技术优化成为保障系统移植性高、可靠性高、自适应性高以及同步开销低的关键因素。针对上述问题,本文以调度优化为研究方向解决分布式机器学习系统可移植性差、无法应对集群内部训练资源动态变化以及自适应性差的问题。本文创新性地提出了两种调度优化策略:动态调度策略和自适应调度策略。本文基于上述两种动态调度策略实现了分布式机器学习系统ParaisoML。本文的主要研究内容分为如下方面:（1）本文对静态调度的缺陷进行分析,提出一种新的动态调度策略。静态调度在并行训练中无法感知节点资源动态变化,在不同集群间可移植性较差且难以提高可扩展性。动态调度策略适用于资源动态变化的场景,能够依据系统资源变化情况调整训练所分配的资源,提高可移植性与可扩展性。此外,动态调度策略能有效缓解节点间性能差异并降低同步时间。本文对动态调度策略进行设计实现后,在理论上对其进行论证。相关结果表明该策略可以保障收敛且模型精度损失在可接受范围内;（2）本文对动态调度策略进行扩展与优化,提出一种自适应调度策略。动态调度策略能根据资源变化情况调整节点及资源分配,但是无法修正节点间固有的性能差异以及不可预测的临时性动态资源变化。自适应调度策略支持节点动态加入及退出,并通过数据划分缩小节点间的性能差异。此外,自适应调度策略通过分析模型准确率变化规律缓解不同模型迭代收敛次数不具有解释性的瓶颈。本文在对自适应调度策略的设计与实现进行论述。相关结果表明该策略可进一步降低同步时间;（3）本文设计并实现基于动态调度策略和自适应调度策略的分布式机器学习系统ParaisoML。该系统主要由通信系统、资源探测系统以及任务调度系统组成。通信系统基于网络文件系统实现,提供数据通信服务。资源探测系统利用开源工具包Sigar对节点资源利用情况采样并对任务调度系统提供服务。任务调度系统分析资源采样信息并分配训练节点以及资源。数据划分策略在随机采样和乱置切分的基础上,通过随机增量与动态增量实现任务量负载均衡;（4）本文对分布式机器学习系统中常见的同步策略性能进行实验与分析。随后对ParaisoML可移植性、可扩展性以及自适应性的性能进行实验与分析。实验结果表明本文提出的ParaisoML在保证高准确率和收敛率的前提下,降低同步时间并具有良好的可移植性、可扩展性以及自适应性。
戚小莎[4]（2020）在《基于工业以太网的列车通信网络实时性算法研究》文中研究指明针对列车工业以太网在数据传输过程中实时性不高、链路利用率较低等问题,本文采用拓扑优化、实时调度及自适应退避方法来对网络时延及吞吐量等进行优化,提高了网络实时性及链路利用率。具体研究内容如下:首先,对列车通信网络以及工业以太网的基本原理进行介绍,包括工业以太网网络通信系统的协议及其实时传输模型,介绍了现有的实时算法,确定了影响工业以太网网络性能的相关参数,为后续章节中的实时性算法优化奠定了理论基础。其次,提出一种基于网络拓扑优化的列车工业以太网实时性改进方法。根据国际工业以太网标准IEEE802.3及列车通信标准IEC61375确定约束条件及优化目标,按照基本流程通过对网络拓扑结构进行分析、建立列车节点并按要求连接后,得出相应的优化模型。通过与其他拓扑结构进行延时及链路负载的仿真对比,证明了所提方法的数据传输实时性的优越性及合理性。然后,提出一种基于自适应调度算法的列车工业以太网实时性优化算法。该方法在网络拓扑优化的基础上,提出多队列循环的设置方式,采用自适应优先级方式对队列循环进行调整。通过与其它现有调度算法进行数据传输周转周期以及带权周转周期的仿真对比,该算法能进一步改善工业以太网网络传输实时性能。最后,提出一种基于自适应退避算法的列车工业以太网实时性改进算法。为了弥补传统退避算法在碰撞冲突方面存在的缺陷,引入退避因子,计算得出最大退避时隙数。通过对退避因子的设定,能更快更好地找到最大退避时隙数。通过与传统退避算法进行仿真对比,表明该方法的时延更低,信道利用率更高,且网络总吞吐量也更高。本文通过优化列车工业以太网实时算法以提高其通信实时性,并为列车安全运行提供了保障,为工业以太网在其它高实时性通信应用场合推广应用打下了良好的理论基础。
郭涛[5]（2020）在《多集群时间触发列车实时以太网自适应调度》文中研究表明交换式工业以太网技术以其大带宽、高速率及良好的兼容性等优势成为智能化高速列车通信网络未来发展方向。列车控制系统需要列车通信以太网提供高可靠、强实时的确定性数据传输服务,但IEC614753-2-3中列车实时数据协议（Train Real-time Data Protocol,TRDP）没有明确数据调度机制,未来很难满足应用需求。针对当前TRDP传输数据实时性及确定性不高的问题,从列车实际应用场景出发,将列车通信以太网以编组为单位抽象为集群网络结构,引入时间触发机制,提出一种多集群列车实时以太网自适应调度（Multi-cluster Train Real-time Ethernet Adaptive Schedule,MC-TREAS）模型,改善数据传输的实时性和确定性,通过数据集演算、NS-3平台仿真及SOC通信平台验证三种方式验证了模型的有效性。本文的主要研究工作如下:首先,详细分析了列车通信以太网数据传输及组网拓扑特征,结合其半封闭式动态耦合组网特征,提出基于时间触发机制的MC-TREAS模型,通过插入集群先验孔隙,对实时周期数据以集群为单位进行非严格周期在线调度。第二,针对列车通信以太网动态可修及拓扑复杂的特点,提出了一种基于集群网络K-端连通性检测的动态故障树分析方法评估系统数据传输可靠性。分析并研究了数据周期与排序方式与网络可调度性的关系,采用调和处理及严格周期升序排序的方式对数据集进行周期和排序优化,提高网络的可调度性。第三,采用量子粒子群算法对MC-TREAS模型中的集群内流量时间片分配约束优化问题进行求解,流量最大抖动和时延理论值在亚毫秒级别,并采用自适应调参遗传算法及模糊控制策略改善了算法早熟收敛问题。对列车重编引起的集群间流量再分配问题,提出自适应调度算法进行数据与孔隙的在线匹配,计算时间在3s之内。为实现事件触发数据的最小时延传输,采用多头绒泡菌算法在线对事件触发数据进行最短时延路径规划,计算时间在800之内。第四,采用NS-3仿真器对MC-TREAS模型中的实时周期数据传输性能进行了仿真。基于zynq-7000系列芯片设计了可调度列车实时以太网终端及通信节点,搭建了通信平台,平台可实现TRDP全情景通信模式,周期数据最大抖动和时延在1ms之内。最后针对已完成工作进行了总结,针对现有工作缺陷提出了下一步研究及改进策略。本文提出的模型与算法均经过理论或实验验证,具备工程实践价值,能够为列车通信以太网的实时性及确定性提升带来一定的参考价值。
田松龄[6]（2019）在《基于制造物联网的柔性制造车间动态调度方法研究》文中认为车间通常是研究制造资源配置、生产优化调度和制造系统管控的最小物化单位。结合制造物联网（Internet of Manufacturing Things,IoMT）和多代理（Agent）技术可以实现无需人工干预下的设备与设备之间的交互,从而使整个车间系统中的设备具备了自感知、自决策、自执行和协作执行复杂任务的能力。车间工艺路线柔性化是解决车间需求多变且生产执行不稳定难题的一条有效途径。基于非线性集成工艺规划和车间调度思想,提出了分层多目标优化的方法,在求解工艺路线的优化问题时提出了基于Dijkstra工艺路线规划方法;在机器分配问题和工序调度问题求解阶段,提出了基于Petri网和蚁群优化（Ant Colony Optimization,ACO）的车间调度算法PN-ACO。为了检验PN-ACO算法求解车间调度问题的性能,对典型算例进行测试。选择柔性作业车间调度问题（Flexible job-shop scheduling problem,FJSP）标准算例进行了对比试验。对比试验的结果显示了PN-ACO算法在求解FJSP问题时结果的优越性,同时也证明了所提出的启发式函数ηgh有效性和搜索机制的高效性。安防件制造系统调度实例验证了提出的柔性工艺路线车间调度问题求解方法的可行性与高效性。以某列车车轴加工车间的月生产调度优化为工程实例,结果显示加工总时长为26.3天,比原计划缩短了12.3%,从而证明PN-ACO算法的工程应用能力。鲁棒性和稳定性是异常事件扰动下动态车间重调度的两个重要指标,通常很难确定两者重要性,目前常采用权重法,求解时需要大量的权重优选实验。提出了非合作动态博弈的动态调度方法,实现了多目标权重难以确定的动态调度问题的求解。提出了滚动窗口重调度驱动策略,解决了重调度阶段较多情况下博弈方法失效问题以及频繁重调度问题。在对比试验中,提出的滚动窗口重调度机制和非合作动态博弈方法相结合（Hybrid algorithm combining game theory and scroll window,HGW）的动态车间调度方法得到的重调度的结果相比较预调度而言没有显着的增加,相对误差指标RD为11.33%和原点矩指标MID 13.74均优于对比方法。可以证明提出的HGW方法在解决动态车间调度问题的高效性。提出的HGW方法实现了重调度方案波动对IoMT下车间运行稳定性破环问题的解决。针对目前很难解决的不完备信息扰动（扰动发生时刻、扰动结束时刻和扰动频次不确定）下扰动恢复问题,利用时间自动机实时监测扰动事件,并提出了基于虚拟队列控制的车间调度方法,在决策时间点,计算异常事件对车间系统造成的偏差,如果达到阈值则触发调整虚拟队列,保证系统的总运行时间不会进一步恶化,从而实现扰动信息不完备情况下车间的自适应调度,同时也解决了IoMT下的多Agent方法利用实时信息和在制造执行阶段的应用的难题。通过工程实例可知自适应调度方法简化了车间动态调度控制中的规则系统,使得对车间的调度控制更易于实现。原型系统的开发规范了IoMT的业务流程,并为更复杂的智能制造系统设计提供了较为真实的设计参数辅助。
刘铭崴[7]（2019）在《任务感知的多模态时空数据自适应可视化方法》文中提出相比传统空间信息系统主要处理物理空间的点线面体矢量数据与相关的属性数据,新一代空间信息系统处理的数据具有典型的多模态特征。多模态时空数据充分刻画了人机物三元空间中“大到宇宙,小到尘埃”的多粒度时空对象从诞生到消亡全生命周期中的位置、几何、行为以及语义关联关系等全息特征信息,对其进行描述、诊断和预测等多层次可视分析成为感知、认知与控制人机物三元世界的重要途径。对多模态时空数据综合分析与协同可视化决策在于:人-机-物三元空间多模态时空数据全面汇聚、关联分析和深度利用,通过可视化分析完成对城市异常的智能预警、关键问题的智慧决策、重大事件的协同处置。多模态时空数据的海量、高维、动态等特征决定了其可视化应用中多样化可视化任务交织且高并发,场景内容及可视化表征高度动态变化,需高效协同可视化系统的存储、计算与绘制资源。虽然时空大数据的可视化现已开展了较多研究,但在面对高并发多层次多模态时空数据可视化任务时,仍存在固定化的场景可视化表征与时空探索分析中未知的分析结果的灵活呈现需求相脱离,面向高并发I/O与高性能绘制可视化机制,难以满足高并发多样化可视化任务需求、高性能计算环境和多样化客户端环境缺乏有效协同等问题,难以有效地支撑新一代空间信息系统和时空大数据可视化应用需求。针对上述问题,本文在虚拟化和云计算等技术的支持下,拟研究任务感知的多模态时空数据自适应可视化方法,重点研究多层次多模态时空数据可视化任务模型分类与构建、任务驱动的多粒度存算绘资源协同调度方法、任务感知的多模态时空数据自适应可视化引擎的设计与构建等关键技术与方法,实现按需高效的高并发的多层次可视化。本文的主要研究工作如下:（1）针对传统时空数据可视化方法只面向单一的时空场景高性能展示任务,无法满足多样化可视化应用需求的问题,基于人类时空认知的基本需求,依据多模态可视化应用目的（展示、分析与探索）、可视化驱动力（数据驱动、模型驱动与交互驱动）以及可视化任务内容（实时绘制、并行计算与场景交互）之间的关联关系,从多模态时空数据、分析计算模型、人机交互和绘制四个维度进行描述,研究建立包含展示性、分析性以及探索性的多模态时空数据多层次可视化任务模型,在多层次可视化任务需求与可视化资源分配调度之间建立层次化语义映射关系,为协同调度存储、计算与绘制资源以及可视化场景动态构建供理论依据。（2）针对传统以数据为中心的时空数据可视化调度机制难以满足多层次多样化可视化任务高并发的难题,研究提出多层次可视化任务驱动的多粒度存算绘资源协同的工作流与服务链优化调度方法,将存储、计算以及绘制资源服务化为多粒度存算绘服务,设计面向多层次可视化任务的可视化工作流,研究基于工作流和多粒度存算绘服务的多层次可视化服务链构建方法,通过建立多粒度存算绘服务质量评价模型,动态优化可视化服务链,形成以任务为中心的自适应可视化数据调度机制,突破传统以数据为中心的时空数据可视化调度机制,实现不同层次可视化分析应用的快速响应。（3）基于上述研究成果,研发了任务感知的多模态时空数据自适应可视化引擎原型系统,将多模态时空数据组织存储、数据分析计算与空间信息可视化通过GIS微服务架构进行松散耦合,引擎根据不同层次可视化应用任务,自适应的调度和组合多粒度数据与分析服务,满足不同层次高并发可视化应用需求;同时该引擎提供多粒度服务的快速部署与维护,按需自动分配服务正常运行所需的存储、计算与网络资源,根据任务并发情况自动横向伸缩,保证多粒度存算绘服务的高可用性。最后面向智慧城市建设需求,分别以城市宏观态势格局关系描述、溃坝洪水时空过程动态模拟分析可视化以及微观室内火灾逃生方案探索3个典型案例进行验证分析。试验结果表明:本文提出的方法能够有效地提供多层级多专业人员在城市概览、规划、运营、维护以及应急灾害响应等全生命周期的多层次可视化应用。
蒋丹鼎[8]（2019）在《基于制造群系统认知的自适应调度方法》文中研究表明航天产品的生产是一种典型的单件小批量混流生产模式,制造工艺重复性差,加工路线安排随机性大、生产过程极易受到不确定性因素影响而导致生产调度调整的常态化。因此,如何建立一种能够适应这种高度耦合、动态和不确定生产环境的生产调度方法,合理地处理人、制造资源与加工过程之间矛盾与冲突,是航天军工企业迫切需要解决的问题。本文在建立群系统思想的基础上,通过借鉴和模拟人类的认知规律,针对如何赋予制造群系统认知能力以实现自适应调度这一问题展开研究,建立从底层制造资源实时状态到顶层决策行为的认知体系,使生产系统可以根据认知结果在运行中不断完善自身的结构、功能与状态,增强对环境的适应能力。论文的主要工作如下:（1）提出基于制造群系统认知的自适应调度实现原理把握生产系统从资源层到子系统层再到群系统层的不同层次状态及其变化,进而判断其影响并做出应对方案是制造群系统认知要解决的核心问题。本文结合人类解决问题的认知规律,将问题定义、搜索解决目标和路径、生成并选择合适的决策方案这一认知过程映射到制造群系统的调度决策过程中,提出由制造群系统状态认知到制造情景认知,再到自适应调度决策认知的多层复合认知体系结构,探究不同层次的认知目标、认知内容和实现机理,建立认知层次之间的复合机制,提高生产系统在运行中不断完善其结构与功能的进化能力和对环境的适应能力,从总体把握和克服实际生产过程的不确定因素的影响。（2）提出制造群系统状态认知的实现方法为了从系统整体运行的角度建立对生产系统的结构功能组成、行为和状态以及其和子系统之间的变化关系的认知,提出了制造群系统状态认知方法。针对制造资源状态的时变性以及制造资源状态、制造群系统不同层次组合状态之间存在的非线性关系问题,建立制造资源在时序上与组合逻辑上的多层状态拓扑结构和状态跃迁机制,并且基于混成自动机方法建立制造资源自动机模型、制造单元自动机模型、制造群系统自动机模型,实现对制造群系统内不同制造状态转移及其之间影响关系的刻画,为后续的学习、推理等认知活动奠定基础。（3）提出制造情景认知的实现方法为了使制造群系统具备判断其结构、行为、状态是否适应整个生产环境和生产任务的能力,提出了制造情景认知方法,即对各种制造资源组合状态所形成的制造情景进行预测。针对制造资源个体状态及其状态组合复杂多变、个体状态与制造情景间存在非线性逻辑关系,本文提出基于贝叶斯网络的制造情景识别方法,通过在历史生产数据中学习到个体状态与制造情景的因果关系,利用最大后验概率推理确定制造情景。针对制造资源状态与制造单元情景间的非线性逻辑关系,导致难以直接建立个体状态与制造单元情景之间的映射问题,提出基于贝叶斯网络的多状态融合制造单元情景认知模型,实现对制造单元情景的认知;针对制造单元情景之间的非独立性,提出基于状态熵加权朴素贝叶斯的制造群系统情景认知模型,实现由制造单元情景变化及其动态组合到制造群系统情景的认知。（4）提出自适应决策调度认知的实现方法为了实现生产规划的实时自适应调整与优化,在获取实时系统状态和制造情景认知结果的基础上,借鉴人类解决问题中生成方案与方案优化的认知过程,提出基于重调度方案生成的制造群系统自适应决策认知方法:首先,构建制造群系统自适应评估指标体系,并识别系统异常;然后,建立制造群系统异常分类和异常影响范围判别方法,确定重调度需要进行决策的内容;最后,根据制造群系统的层次化结构,结合MCTS算法的全局搜索能力和EO算法的局部优化能力,将加工成本、加工质量、加工时间以及拖期惩罚四个评价指标作为评估函数,设计用于群系统制造情景自适应调度的MCTS-EO算法,生成适应于制造单元情景集合变化的制造群系统情景决策集合,得到自适应调度方案。（5）系统设计与研究成果验证以单件小批量混流生产模式下制造群系统自适应能力需求为背景,设计并开发基于制造群系统认知的生产自适应调度（ASS-MCSC）系统。以某航天壳体零件精加生产车间调度过程为例,将论文提出的理论、方法和算法进行了实证研究和应用。验证结果证明,本文所提方法为实际航天产品生产中的动态调度问题提供了一种新思路。
瞿幼苗[9]（2018）在《面向智能决策的推理引擎技术》文中提出结合规则推理（rule-based reasoning,RBR）和案例推理（case-based reasoning,CBR）的混合推理是人工智能领域新的研究热点。国内外学者在混合推理领域做了大量理论和应用研究工作,然而现有研究大多面向特定业务问题,从算法设计到算法应用上都存在耦合度高、可移植性差、处理性能低等不足。在云计算、大数据环境下,面向不特定智能决策应用提供统一的推理服务,是本文研究的核心内容。应用场景多变、领域知识库多变、海量数据、高频次推理等应用特性,使得推理引擎在系统架构、混合推理调度机制、分布式并行推理技术等方面遇到很大挑战。本文以部委预研项目“XX信息智能处理支撑技术”为工作背景,对推理引擎各项关键技术进行了系统、深入的研究。论文研究工作及创新成果主要有:（1）提出一种支持流程编排和分布式推理的混合推理系统框架现有混合推理系统大多将RBR和CBR按固定模式进行集成,缺乏灵活性和通用性。本文对智能决策的动态特点和人类推理能力的心智模式进行探讨,提出一种基于数据驱动思想的混合推理集成机制,使得推理引擎具有推理流程编排的服务支撑能力,可以在运行时确定混合推理的集成调度策略,克服了现有混合推理系统固化集成模式的不足。基于SOA体系设计了结合RBR和CBR的分布式推理引擎系统框架,对框架进行分层设计实现了对系统功能的合理解耦。分析表明,该推理引擎框架在不同应用场景下具有很好的适应性。（2）提出一种基于知识库覆盖度的推理能力评价和自适应调度机制在领域知识库动态变化的系统中,对知识库全面程度进行量化评价,是评估RBR和CBR推理能力强弱并进行合理调度的关键。现有多种知识评价指标不适用于表征知识库整体的信息量。本文基于DIKW知识层次模型建立兼容规则知识和案例知识的知识表达形式,提出了一种能够刻画知识库全面程度的知识库覆盖度评价指标,引入数据立方作为知识库覆盖度的计算工具,并分别给出了规则库和案例库的覆盖度计算流程和方法。实验表明,基于知识库覆盖度进行推理能力评价和自适应调度能够有效提高混合推理的效率。（3）提出一个分布式并行规则推理模型dpRBR海量数据、高频次推理应用促使传统RBR技术向分布式并行RBR发展。现有分布式RBR系统在规则库分割算法方面存在不足,带来了较大的分布式节点通信开销和较低的推理效率。本文分析规则库的网络拓扑性质,建立规则库的有向超图模型,引入复杂网络的Newman快速社团凝聚方法,提出一种基于社团结构凝聚的规则库分割算法并给出应用实例。基于MapReduce模型设计了分布式RBR模型dpRBR,给出了分布式推理主、从节点的通信调度机制。实验表明,dpRBR模型具有更高的推理效率。（4）提出一个分布式并行案例推理模型dpCBR传统CBR算法具有计算复杂度高、计算冗余度高等不足,现有各种改进算法及分布式CBR方法在海量数据、高频次推理环境下存在诸多不足。本文提出一种分布式并行CBR模型dpCBR作为解决方案。通过引入投影寻踪技术,在源案例中建立基准案例并预先计算一维投影距离,在案例检索时基于一维投影距离对源案例库进行剪枝优化,极大地减少了案例匹配的复杂度和冗余度。基于MapReduce模型设计了分布式并行CBR模型dpCBR,给出了历史数据复用机制。通过仿真实验对dpCBR模型进行了性能验证。（5）实现了一个推理引擎应用实例综合运用前述技术,实现了一个RBR和CBR混合推理的推理引擎原型系统,并给出了对空防御的应用实例。原型系统设计方案简洁有效、灵活度高、处理能力强,很好地满足了课题背景项目的设计需求和性能指标,并在项目平台中得到了应用验证,取得了良好的效果。论文成果在预研项目中得到应用,预研项目已于2016年6月通过验收。
姜秀柱[10]（2011）在《基于EPA的煤矿工业以太网实时调度算法研究》文中进行了进一步梳理EPA是我国自主研发的工业实时以太网国际标准。微网段是EPA网络的基本组成部分,为了实现微网段的实时调度,微网段内节点数据的产生速率和传输时间必须满足一定的关系。本文以实时调度基本理论和经典调度算法可调度性定理为基础,证明了EPA微网段可调度的充要条件,完善了EPA网络实时调度算法的理论依据,为EPA技术的进一步发展研究奠定了坚实的基础。宏周期和偏移量是构成EPA网络实时调度算法中的两个关键参数,宏周期和偏移量的确定决定着EPA实时调度算法的实现。本文在对EPA微网段可调度的充要条件研究的基础上,提出了具有硬实时性能,经计算实时级别可达<10us级的复合周期EPA实时调度算法,并找到了满足复合周期调度的各节点复合周期条件,在证明该法可用的同时,给出了复合周期调度下的宏周期和偏移量计算方法。分时调度是以太网实现确定性传输的关键技术。EPA通过增加一个调度子层,在分布式精确时钟的支持下,采用静态优先级固定时隙分配的方法,实现分时调度。这种静态优先级固定时隙分配的方法,在煤矿环境下经常发生的网络结构变化、节点出现故障、节点增减变化或节点受干扰信息频繁重传等情况下,都会导致固定时隙分配策略的失效或固定分配时隙的浪费。为此,本文提出了基于EPA的煤矿EPA微网段自适应实时调度算法MEPASaSiS。该算法结合事件和时间共同驱动,能根据节点有无信息传输以及实际信息传输时间即时动态分配时隙。在保证EPA微网段实时能力的同时,可将信道使用率稳定到92.93%99.26%,并使微网段的调度运行具有适应节点失效离线和在线恢复的容错能力。在煤矿工业控制网络中,跨网段周期数据传输是一种普遍需求,EPA的实时调度是基于微网段的,不能保证跨网段实时周期数据的传输,这是EPA自身存在的不足。本文在微网段自适应实时调度算法MEPASaSiS的基础上,通过对EPA跨网段传输过滤规则的改进,并结合协同优先级分配的思想,提出了一种可以根据跨网传输延迟的变化和不同网段时基差的波动自动调整跨网段周期数据发送时刻的煤矿EPA网络跨网段自适应实时调度算法MEPASaSaS,实现了跨网段周期数据的确定性传输。论文有图56幅,表1个,参考文献136篇。
二、开放式实时系统中的自适应调度方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、开放式实时系统中的自适应调度方法（论文提纲范文）
（1）智慧标识网络中边缘计算服务的任务卸载和资源适配研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 主要缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 新型网络技术及智慧标识网络研究现状 |
| 1.2.1 新型网络相关关键技术 |
| 1.2.2 智慧标识网络理论及其相关研究 |
| 1.3 边缘计算及其服务管控问题的相关研究 |
| 1.3.1 边缘计算技术概述 |
| 1.3.2 边缘计算中服务管控问题的相关研究 |
| 1.3.3 机器学习在边缘计算中的应用研究 |
| 1.4 研究内容和主要创新 |
| 1.5 论文组织结构 |
| 第二章 复杂计算服务的服务分割和任务卸载研究 |
| 2.1 引言 |
| 2.2 复杂服务分割和部分任务卸载的优化问题 |
| 2.2.1 系统架构 |
| 2.2.2 服务管控机制 |
| 2.2.3 问题建模和优化 |
| 2.3 复杂计算服务模型和协同分割卸载算法 |
| 2.3.1 基于DL方法的模型分析 |
| 2.3.2 终端复杂计算服务的模型构建 |
| 2.3.3 服务模型的数据流和计算负载分析 |
| 2.3.4 TP-CPO算法设计 |
| 2.4 仿真实验和结果分析 |
| 2.4.1 复杂计算服务仿真环境的建立 |
| 2.4.2 TP-CPO策略的性能评估 |
| 2.4.3 TP-CPO策略的扩展性分析 |
| 2.5 本章小结 |
| 第三章 流式计算服务的任务调度和功率控制研究 |
| 3.1 引言 |
| 3.2 任务卸载调度和终端功率控制的优化问题 |
| 3.2.1 系统架构和管控机制 |
| 3.2.2 问题建模和优化 |
| 3.3 基于分层深度强化学习的自适应调度控制算法 |
| 3.3.1 深度强化学习方法简介 |
| 3.3.2 状态、动作及奖励函数设计 |
| 3.3.3 HDRL-ASC算法设计 |
| 3.4 仿真实验和结果分析 |
| 3.4.1 实验参数和环境变量的设置 |
| 3.4.2 HDRL-ASC算法性能分析 |
| 3.4.3 HDRL-ASC策略性能评估分析 |
| 3.5 本章小结 |
| 第四章 多终端竞争计算服务的卸载选择和资源编排研究 |
| 4.1 引言 |
| 4.2 终端卸载选择和通信资源编排的优化问题 |
| 4.2.1 系统架构和管控机制 |
| 4.2.2 问题建模和优化 |
| 4.3 基于纵向联邦学习的灵活选择编排算法 |
| 4.3.1 L-FOO算法框架设计 |
| 4.3.2 VFL-FOO算法设计 |
| 4.4 仿真实验和结果分析 |
| 4.4.1 实验参数设置 |
| 4.4.2 VFL-FOO算法参数调优 |
| 4.4.3 VFL-FOO算法收敛性分析 |
| 4.4.4 VFL-FOO算法复杂度评估 |
| 4.4.5 VFL-FOO策略的综合计算效用评估 |
| 4.5 本章小结 |
| 第五章 边缘汇聚计算服务的流量分类和资源适配研究 |
| 5.1 引言 |
| 5.2 流量鲁棒分类和资源感知转发的优化问题 |
| 5.2.1 系统架构和管控架构 |
| 5.2.2 问题建模和优化 |
| 5.3 基于遗传进化算法的快速分类转发算法 |
| 5.3.1 RCF算法框架设计 |
| 5.3.2 GE-RCF快速分类转发算法 |
| 5.4 仿真实验和结果分析 |
| 5.4.1 仿真实验参数设置 |
| 5.4.2 GE-RCF策略评估 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 未来研究工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）面向数控系统的自适应实时调度算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文的研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 工业革命与数控系统的发展 |
| 1.2.2 国外研究现状 |
| 1.2.3 数控系统的实时性需求 |
| 1.2.4 数控系统的自适应性需求 |
| 1.2.5 数控系统的低能耗需求 |
| 1.3 论文选题的动机及意义 |
| 1.4 论文结构与研究内容 |
| 第2章 实时调度理论与方法 |
| 2.1 实时调度相关理论 |
| 2.1.1 基本概念 |
| 2.1.2 任务的相关性 |
| 2.1.3 任务的分类 |
| 2.1.4 调度算法的性能评价标准 |
| 2.2 实时调度算法的分类 |
| 2.3 常用的实时调度策略 |
| 2.3.1 时间驱动(Time-driven)调度策略 |
| 2.3.2 优先级驱动(Priority-driven)调度策略 |
| 2.4 混合任务调度算法 |
| 2.5 本章小结 |
| 第3章 自适应调度算法 |
| 3.1 基本概念 |
| 3.2 自适应系统 |
| 3.2.1 自适应系统分类 |
| 3.2.2 自适应系统的特点 |
| 3.3 自适应调度算法 |
| 3.3.1 基于准入控制的策略 |
| 3.3.2 基于反馈控制的实时调度策略 |
| 3.3.3 弹性调度算法 |
| 3.4 本章小结 |
| 第4章 面向混合任务的反馈调度算法 |
| 4.1 相关研究 |
| 4.2 任务模型与假设 |
| 4.3 资源预留与常带宽服务器 |
| 4.3.1 资源预留 |
| 4.3.2 常带宽服务器 |
| 4.4 自适应带宽服务器(ABS) |
| 4.4.1 反馈控制回路 |
| 4.4.2 ABS服务器控制模型 |
| 4.4.3 ABS模型中控制器设计 |
| 4.4.4 ABS服务器中监管器的设计 |
| 4.5 AHSF框架 |
| 4.5.1 相关研究 |
| 4.5.2 调度模型 |
| 4.5.3 调度流程 |
| 4.6 实验验证与分析 |
| 4.6.1 针对软实时任务的测试 |
| 4.6.2 针对混合任务的测试 |
| 4.7 本章小结 |
| 第5章 面向混合任务自适应总带宽服务器算法 |
| 5.1 相关研究 |
| 5.2 系统模型和总带宽服务器算法 |
| 5.2.1 系统模型 |
| 5.2.2 总带宽服务器算法 |
| 5.3 自适应总带宽服务器(ATBS) |
| 5.4 基于资源回收的ATBS算法(ATBSRR) |
| 5.5 仿真实验 |
| 5.5.1 仿真方法 |
| 5.5.2 实验结果 |
| 5.6 本章小结 |
| 第6章 基于混合遗传算法的低能耗实时调度 |
| 6.1 相关研究 |
| 6.2 系统模型与问题描述 |
| 6.3 混合变邻域搜索的遗传算法 |
| 6.4 变邻域搜索 |
| 6.5 实验 |
| 6.5.1 实验设计 |
| 6.5.2 对比实验 |
| 6.6 本章小结 |
| 第7章 结束语 |
| 7.1 全文总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及攻读学位期间发表的学术论文与研究成果 |
（3）分布式机器学习系统调度技术优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 详细摘要 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 分布式机器学习系统 |
| 1.2.2 并行训练模式 |
| 1.3 研究内容 |
| 1.4 组织结构 |
| 第二章 相关理论基础 |
| 2.1 分布式机器学习算法 |
| 2.1.1 基本概念 |
| 2.1.2 单机优化算法 |
| 2.1.3 并行优化算法 |
| 2.2 人工神经网络 |
| 2.2.1 卷积神经网络 |
| 2.2.2 反向传播算法 |
| 2.3 参数服务器系统 |
| 2.3.1 发展历程 |
| 2.3.2 关键技术 |
| 2.4 本章小结 |
| 第三章 分布式动态调度策略 |
| 3.1 延迟同步并行策略 |
| 3.1.1 概述 |
| 3.1.2 性能瓶颈 |
| 3.2 动态调度策略 |
| 3.2.1 策略设计 |
| 3.2.2 算法实现 |
| 3.2.3 理论证明 |
| 3.3 本章小结 |
| 第四章 分布式自适应调度策略 |
| 4.1 调度系统技术实现 |
| 4.1.1 通信系统 |
| 4.1.2 资源探测系统 |
| 4.1.3 任务调度系统 |
| 4.2 自适应调度策略 |
| 4.2.1 策略设计 |
| 4.2.2 算法实现 |
| 4.3 本章小结 |
| 第五章 实验结果分析 |
| 5.1 实验环境 |
| 5.1.1 硬件环境 |
| 5.1.2 软件环境 |
| 5.1.3 数据集及训练算法 |
| 5.2 并行策略实验分析 |
| 5.3 动态调度策略实验分析 |
| 5.3.1 动态调度的有效性 |
| 5.3.2 动态调度的扩展性 |
| 5.4 自适应调度策略实验分析 |
| 5.4.1 自适应调度的有效性 |
| 5.4.2 自适应调度的扩展性 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 附录 作者在读期间发表的学术论文及参加的科研项目 |
（4）基于工业以太网的列车通信网络实时性算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 列车通信网络技术的研究现状与发展趋势 |
| 1.2.1 列车通信网络技术的研究现状 |
| 1.2.2 列车通信网络技术的发展趋势 |
| 1.3 本文主要研究内容以及结构 |
| 第2章 工业以太网实时性分析 |
| 2.1 工业以太网简介 |
| 2.1.1 工业以太网常用协议 |
| 2.1.2 IEEE802.3和TCP/IP |
| 2.1.3 CSMA/CD |
| 2.2 工业以太网主要问题 |
| 2.2.1 实时性 |
| 2.2.2 可靠性 |
| 2.3 面向工业以太网的常用实时算法 |
| 2.4 本章小结 |
| 第3章 基于网络拓扑优化的列车工业以太网实时性研究 |
| 3.1 网络拓扑基本原理 |
| 3.2 网络拓扑优化设计 |
| 3.2.1 目标分析 |
| 3.2.2 结构设计 |
| 3.3 仿真分析 |
| 3.4 本章小结 |
| 第4章 基于自适应调度算法的列车工业以太网实时性研究 |
| 4.1 调度算法简介 |
| 4.2 算法优化设计 |
| 4.2.1 设计目的 |
| 4.2.2 参数设置 |
| 4.3 算法流程 |
| 4.4 仿真分析 |
| 4.5 本章小结 |
| 第5章 基于自适应退避算法的列车工业以太网实时性研究 |
| 5.1 退避算法基本原理 |
| 5.2 参数设置 |
| 5.2.1 最大退避时隙数 |
| 5.2.2 自适应算法参数 |
| 5.3 算法流程 |
| 5.4 仿真分析 |
| 5.5 本章小结 |
| 第6章 结论 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（5）多集群时间触发列车实时以太网自适应调度（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 列车通信以太网发展及研究现状 |
| 1.2.1 列车通信以太网应用现状 |
| 1.2.2 列车通信以太网研究现状 |
| 1.3 实时工业以太网调度策略研究现状 |
| 1.3.1 交换式以太网调度策略概述 |
| 1.3.2 时间触发以太网调度研究现状 |
| 1.4 主要研究内容与论文组织结构 |
| 2 多集群列车实时以太网自适应调度模型设计 |
| 2.1 网络模型结构分析 |
| 2.1.1 数据传输特征 |
| 2.1.2 拓扑结构特征 |
| 2.1.3 实时策略分析 |
| 2.2 自适应调度模型构建 |
| 2.3 本章小结 |
| 3 多集群列车实时以太网可靠性分析及流量计算优化 |
| 3.1 数据可靠性传输评估 |
| 3.1.1 网络系统动态故障树建模 |
| 3.1.2 集群网络K-端连通性检测 |
| 3.1.3 算例演算 |
| 3.2 集群网络多孔流量模型 |
| 3.2.1 集群内流量模型 |
| 3.2.2 集群间流量模型 |
| 3.3 TT流量集周期优化计算 |
| 3.3.1 调和周期计算的基本问题 |
| 3.3.2 流量集周期调和化计算 |
| 3.3.3 实验验证 |
| 3.4 TT流量可调度性排序优化 |
| 3.4.1 严格周期利用率排序 |
| 3.4.2 实验验证 |
| 3.5 本章小结 |
| 4 多集群列车实时以太网自适应调度算法优化设计 |
| 4.1 基于QPSO的 TT集群流量离线调度算法 |
| 4.1.1 流量计算模型 |
| 4.1.2 实验分析 |
| 4.2 QPSO算法优化改进 |
| 4.2.1 GA优化QPSO调度算法 |
| 4.2.2 实验分析 |
| 4.2.3 FLC优化QPSO调度算法 |
| 4.2.4 实验分析 |
| 4.3 TT流量启发式动态调度算法 |
| 4.3.1 启发式自适应调度算法 |
| 4.3.2 实验分析 |
| 4.4 RC流量自适应最短响应时间调度算法 |
| 4.4.1 RC流量调度资源计算 |
| 4.4.2 基于多头绒泡菌的最短时延路径计算 |
| 4.4.3 实验分析 |
| 4.5 本章小结 |
| 5 多集群列车实时以太网自适应调度性能测试 |
| 5.1 NS-3调度性能仿真分析 |
| 5.1.1 基础模型搭建 |
| 5.1.2 调度算法移植 |
| 5.1.3 实验分析 |
| 5.2 基于SOC的通信平台开发与性能测试 |
| 5.2.1 TRDP交互模式与帧结构 |
| 5.2.2 基于SOC的 TRDP通信板卡开发 |
| 5.2.3 平台通信功能测试 |
| 5.2.4 调度算法移植 |
| 5.2.5 平台通信性能测试 |
| 5.3 本章小结 |
| 6 总结 |
| 参考文献 |
| 附录 A |
| 索引 |
| 作者简历 |
| 学位论文数据集 |
（6）基于制造物联网的柔性制造车间动态调度方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 字母注释表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 制造物联网下车间生产过程监测和管控研究现状 |
| 1.2.2 制造物联网下车间生产规划研究现状 |
| 1.2.3 复杂扰动环境下车间生产扰动恢复研究现状 |
| 1.3 研究现状分析与问题提出 |
| 1.4 研究内容及组织框架 |
| 第二章 制造物联网下车间生产过程监测和管控 |
| 2.1 车间生产过程监测和管控问题描述 |
| 2.2 车间生产过程监测方法 |
| 2.2.1 基于制造物联网的事件监测方法 |
| 2.2.2 基于自动机的异常事件监测模型 |
| 2.3 车间生产过程管控方法 |
| 2.3.1 扰动事件预警方法 |
| 2.3.2 扰动事件快速响应方法 |
| 2.4 应用实例与分析 |
| 2.4.1 车间生产过程监测实验 |
| 2.4.2 车间生产管控标准算例实验 |
| 2.4.3 车间生产过程管控仿真实验 |
| 2.4.4 结果分析 |
| 2.5 小结 |
| 第三章 制造物联网环境下柔性工艺路线车间调度与实施 |
| 3.1 柔性工艺路线车间调度问题描述与求解流程 |
| 3.1.1 柔性工艺路线车间调度问题描述 |
| 3.1.2 柔性工艺路线车间调度问题的求解流程 |
| 3.2 工艺路线优化问题建模与求解 |
| 3.2.1 工艺路线优化问题建模 |
| 3.2.2 工艺路线寻优算法 |
| 3.3 柔性作业车间调度问题建模和求解 |
| 3.3.1 柔性作业车间调度问题建模 |
| 3.3.2 柔性作业车间调度问题求解 |
| 3.4 制造物联网环境下调度实施 |
| 3.5 应用实例与分析 |
| 3.5.1 柔性作业车间调度问题标准算例 |
| 3.5.2 工程应用1 |
| 3.5.3 工程应用2 |
| 3.5.4 结果分析 |
| 3.6 小结 |
| 第四章 制造物联网环境下车间扰动恢复 |
| 4.1 扰动环境下重调度问题描述 |
| 4.2 基于博弈的多目标车间动态调度方法 |
| 4.2.1 多目标博弈优化方法 |
| 4.2.2 动态车间调度博弈模型和求解流程 |
| 4.2.3 子博弈精炼Nash均衡的求解 |
| 4.2.4 基于滚动窗口技术的动态调度驱动策略 |
| 4.2.5 动态车间调度执行 |
| 4.3 自适应调度方法 |
| 4.3.1 车间调度队列模型 |
| 4.3.2 车间生产系统自适应调度 |
| 4.3.3 自适应调度机理 |
| 4.4 应用实例与分析 |
| 4.4.1 动态车间调度仿真实验 |
| 4.4.2 动态车间调度工程实例 |
| 4.4.3 自适应动态调度仿真案例 |
| 4.4.4 结果分析 |
| 4.5 小结 |
| 第五章 制造物联网驱动下的原型软件系统开发 |
| 5.1 原型系统的可行性分析 |
| 5.2 系统总体设计 |
| 5.2.1 系统总体目标 |
| 5.2.2 系统主要任务 |
| 5.3 智能信息管理与执行系统软件架构 |
| 5.4 智能信息管理与执行系统软件功能模块 |
| 5.5 智能信息管理与执行系统软件工程应用 |
| 5.6 小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 本文创新点 |
| 6.3 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（7）任务感知的多模态时空数据自适应可视化方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 可视化任务模型 |
| 1.2.2 时空数据自适应可视化 |
| 1.2.3 时空数据可视化调度机制 |
| 1.2.4 GIS可视化系统架构 |
| 1.3 论文研究思路 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 研究技术路线 |
| 1.4 论文组织结构 |
| 第2章 多模态时空数据多层次可视化任务模型 |
| 2.1 概述 |
| 2.1.1 数据可视化的含义 |
| 2.1.2 多模态时空数据特点 |
| 2.1.3 多模态时空数据可视化需求 |
| 2.2 多模态时空数据多层次可视化任务分类 |
| 2.2.1 展示性可视化任务 |
| 2.2.2 分析性可视化任务 |
| 2.2.3 探索性可视化任务 |
| 2.3 多层次可视化任务存算绘资源需求映射 |
| 2.3.1 多层次可视化任务存算绘资源需求特点 |
| 2.3.2 存储-计算-绘制资源分布特点 |
| 2.3.3 多层次可视化任务与存算绘资源映射关系 |
| 2.4 本章小结 |
| 第3章 任务驱动的多粒度存算绘服务协同调度方法 |
| 3.1 概述 |
| 3.1.1 Web服务技术 |
| 3.1.2 工作流技术及规范 |
| 3.1.3 GIS服务链特点 |
| 3.2 工作流构建 |
| 3.2.1 工作流元模型 |
| 3.2.2 工作流建模形式化表达 |
| 3.3 任务驱动的多粒度存算绘资源优化调度方法 |
| 3.3.1 工作流到有向图的映射 |
| 3.3.2 多粒度服务与有向图简化 |
| 3.3.3 基于QoS的多粒度存算绘服务链优化构建 |
| 3.3.4 任务驱动的多粒度存算绘资源协同调度机制 |
| 3.4 本章小结 |
| 第4章 任务感知的多模态时空数据自适应可视化引擎 |
| 4.1 引擎设计 |
| 4.1.1 引擎框架 |
| 4.1.2 引擎数据流 |
| 4.2 多模态时空数据可视化微服务框架 |
| 4.2.1 多语言微服务构建方案 |
| 4.2.2 基于容器技术的微服务管理与系统集成方法 |
| 4.2.3 服务的动态伸缩与注册发现机制 |
| 4.3 任务感知的自适应可视化调度机制 |
| 4.4 本章小结 |
| 第5章 多模态时空数据自适应可视化系统实现及其应用试验分析 |
| 5.1 原型系统研发 |
| 5.1.1 系统架构 |
| 5.1.2 微服务开发与管理环境 |
| 5.1.3 多样化客户端开发环境 |
| 5.2 多层次可视化试验 |
| 5.2.1 展示性可视化 |
| 5.2.2 分析性可视化 |
| 5.2.3 探索性可视化 |
| 5.3 多层次可视化任务承载力试验 |
| 5.3.1 多样化可视化应用平台 |
| 5.3.2 系统伸缩能力 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的论文及科研成果 |
| 已发表学术论文情况 |
| 学术活动 |
| 科研项目情况 |
（8）基于制造群系统认知的自适应调度方法（论文提纲范文）
| 变量注释表 |
| 名词注释 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 装备智能化 |
| 1.2.2 不确定制造环境下的作业车间动态调度 |
| 1.2.3 生产系统的自适应 |
| 1.2.4 存在问题分析 |
| 1.3 课题来源和研究内容 |
| 1.3.1 课题来源 |
| 1.3.2 主要研究内容 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第二章 基于制造群系统认知的自适应调度原理 |
| 2.1 制造群系统认知的基本概念 |
| 2.2 制造群系统的认知框架 |
| 2.3 基于认知的制造群系统自适应机制 |
| 2.4 制造群系统状态认知的原理 |
| 2.5 制造情景认知的原理 |
| 2.5.1 制造单元情景认知 |
| 2.5.2 制造群系统情景认知 |
| 2.6 自适应调度决策认知的原理 |
| 2.7 本章小结 |
| 第三章 制造群系统状态认知 |
| 3.1 制造群系统状态认知的内容和建模要求 |
| 3.2 制造群系统状态认知 |
| 3.2.1 状态体系的认知 |
| 3.2.2 状态变化的认知 |
| 3.3 基于混成自动机的制造群系统状态认知建模 |
| 3.4 案例验证与讨论 |
| 3.4.1 案例验证 |
| 3.4.2 模型性能分析 |
| 3.5 本章小结 |
| 第四章 制造情景认知 |
| 4.1 制造情景认知的实现原理 |
| 4.2 制造单元情景认知 |
| 4.2.1 制造单元情景认知的影响因素 |
| 4.2.2 基于贝叶斯网络的多状态融合制造单元情景认知 |
| 4.2.3 案例验证与讨论 |
| 4.3 制造群系统情景认知 |
| 4.3.1 基于状态熵的制造群系统加权朴素贝叶斯先验信息 |
| 4.3.2 制造群系统情景认知加权朴素贝叶斯模型 |
| 4.3.3 案例验证与讨论 |
| 4.4 本章小结 |
| 第五章 自适应调度决策认知 |
| 5.1 自适应调度决策认知的实现过程 |
| 5.2 自适应调度决策判断的指标体系 |
| 5.2.1 制造单元评价指标 |
| 5.2.2 制造任务评价指标 |
| 5.2.3 制造群系统情景评价指标 |
| 5.3 制造群系统异常影响范围识别 |
| 5.3.1 制造群系统异常分类 |
| 5.3.2 制造群系统异常影响范围识别 |
| 5.4 自适应调度决策算法 |
| 5.4.1 两层MCTS调度算法实现原理 |
| 5.4.2 EO算法的改进 |
| 5.4.3 基于MCTS-EO算法的制造情景自适应调度 |
| 5.5 算法验证与讨论 |
| 5.5.1 算法结果分析 |
| 5.5.2 算例验证与分析 |
| 5.6 本章小结 |
| 第六章 基于制造群系统认知的自适应调度系统设计 |
| 6.1 ASS-MCSC系统构建 |
| 6.1.1 体系结构 |
| 6.1.2 系统功能模块 |
| 6.2 应用验证 |
| 6.2.1 制造群系统状态认知 |
| 6.2.2 制造情景认知 |
| 6.2.3 自适应调度过程 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 下一步打算 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（9）面向智能决策的推理引擎技术（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 推理技术的历史发展 |
| 1.3 国内外研究现状 |
| 1.3.1 规则推理的研究现状 |
| 1.3.2 案例推理的研究现状 |
| 1.3.3 混合推理的研究现状 |
| 1.3.4 分布式推理的研究现状 |
| 1.4 研究内容与方法 |
| 1.5 论文组织结构 |
| 2 推理引擎基础理论与技术 |
| 2.1 规则推理 |
| 2.1.1 基本流程 |
| 2.1.2 知识表示 |
| 2.1.3 推理机制 |
| 2.1.4 优缺点分析 |
| 2.2 案例推理 |
| 2.2.1 基本流程 |
| 2.2.2 知识表示 |
| 2.2.3 推理机制 |
| 2.2.4 优缺点分析 |
| 2.3 RBR与 CBR特性辨析 |
| 2.4 分布式技术 |
| 2.4.1 MapReduce并行编程模型 |
| 2.4.2 Hadoop平台实现 |
| 3 基于数据驱动的混合推理集成机制 |
| 3.1 混合推理集成机制概述及存在问题 |
| 3.2 基于数据驱动的混合推理集成机制 |
| 3.2.1 智能决策的动态与不确定性特点 |
| 3.2.2 人类推理能力的心智模式 |
| 3.2.3 基于数据驱动的混合推理集成机制 |
| 3.3 基于SOA的推理引擎框架设计 |
| 3.3.1 柔性设计思想 |
| 3.3.2 系统框架总体设计 |
| 3.3.3 系统框架分层设计 |
| 3.3.4 系统拓扑结构 |
| 3.4 推理引擎框架的适应性评价 |
| 3.5 小结 |
| 4 基于知识库覆盖度的推理能力评价 |
| 4.1 知识的共性探讨及统一建模 |
| 4.1.1 知识的DIKW层次模型 |
| 4.1.2 本文采用的DIKW定义 |
| 4.1.3 基于状态属性的规则和案例统一表示形式 |
| 4.2 知识库覆盖度指标 |
| 4.2.1 现有评价指标及其不足 |
| 4.2.2 基于状态空间的知识库覆盖度定义 |
| 4.3 基于数据立方的知识库覆盖度计算方法 |
| 4.3.1 基于数据立方的覆盖度扫描 |
| 4.3.2 案例库覆盖度扫描方法 |
| 4.3.3 规则库覆盖度扫描方法 |
| 4.4 知识库覆盖度计算与推理能力评价实例 |
| 4.4.1 对空防御决策知识库 |
| 4.4.2 案例库覆盖度计算 |
| 4.4.3 规则库覆盖度计算 |
| 4.4.4 推理能力评价与混合推理调度策略 |
| 4.5 实验结果与评价 |
| 4.6 小结 |
| 5 分布式规则推理模型dpRBR |
| 5.1 分布式RBR研究概述及存在问题 |
| 5.2 规则知识库的有向超图建模 |
| 5.2.1 有向超图及其邻接矩阵 |
| 5.2.2 规则库有向超图建模 |
| 5.3 基于复杂网络社团凝聚的规则库分割方法 |
| 5.3.1 Newman快速凝聚方法 |
| 5.3.2 Winston规则库分割实例 |
| 5.4 dpRBR:分布式并行规则推理模型 |
| 5.4.1 规则库的分拆与预处理 |
| 5.4.2 主控节点通信模型与协调机制 |
| 5.4.3 MapReduce函数设计 |
| 5.4.4 复杂度分析 |
| 5.4.5 实验结果与评价 |
| 5.5 小结 |
| 6 分布式案例推理模型dpCBR |
| 6.1 分布式CBR研究概述及存在问题 |
| 6.1.1 案例推理研究现状 |
| 6.1.2 存在的不足 |
| 6.2 基于投影寻踪的案例检索优化 |
| 6.2.1 投影寻踪理论 |
| 6.2.2 iDistance索引结构 |
| 6.2.3 结合投影寻踪剪枝的案例检索方法 |
| 6.3 dpCBR:分布式并行案例推理模型 |
| 6.3.1 数据预处理阶段MapReduce函数设计 |
| 6.3.2 案例检索阶段MapReduce函数设计 |
| 6.3.3 正确性分析 |
| 6.3.4 复杂度分析 |
| 6.3.5 实验结果与评价 |
| 6.4 小结 |
| 7 对空防御场景下推理引擎应用实例 |
| 7.1 系统设计与实现 |
| 7.1.1 设计原则 |
| 7.1.2 总体架构 |
| 7.1.3 功能与界面 |
| 7.2 对空防御的作战想定 |
| 7.3 推理引擎应用实例 |
| 7.3.1 分布式RBR推理实例 |
| 7.3.2 分布式CBR推理实例 |
| 7.3.3 推理流程编排实例 |
| 7.3.4 知识库评价实例 |
| 7.3.5 自适应混合推理实例 |
| 7.4 小结 |
| 8 总结与展望 |
| 8.1 论文工作总结 |
| 8.2 研究工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文和参加科研情况 |
（10）基于EPA的煤矿工业以太网实时调度算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| Extended Abstract |
| 目录 |
| Contents |
| 图清单 |
| 表清单 |
| 变量注释表 |
| 缩略语对照表 |
| 1 绪论 |
| 1.1 EPA 与工业以太网标准 |
| 1.2 国际标准工业以太网中的实时调度算法 |
| 1.3 煤矿工业以太网应用与研究现状 |
| 1.4 EPA 实时调度算法研究现状 |
| 1.5 研究内容及主要贡献 |
| 1.6 论文的结构 |
| 1.7 本章小结 |
| 2 EPA 实时调度算法可调度性研究 |
| 2.1 EPA 实时调度算法理论基础 |
| 2.2 EPA 通信调度算法可调度充要条件证明 |
| 2.3 EPA 实时调度算法性能定量分析 |
| 2.4 本章小结 |
| 3 煤矿EPA 微网段复合周期实时调度算法研究 |
| 3.1 煤矿EPA 中节点数据变化周期的多样性 |
| 3.2 EPA_CSME 算法中宏周期选择策略 |
| 3.3 煤矿EPA 大宏周期下的复合周期调度算法 |
| 3.4 本章小结 |
| 4 煤矿EPA 微网段自适应调度算法研究 |
| 4.1 网络自适应调度 |
| 4.2 煤矿EPA 微网段传输时间自适应实时调度算法 |
| 4.3 煤矿EPA 微网段容错自适应实时调度算法 |
| 4.4 自适应实时调度算法MEPA_SaSiS 的效率分析 |
| 4.5 MEPA_SaSiS 调度算法的仿真实现 |
| 4.6 本章小结 |
| 5 煤矿EPA 跨网段延迟自适应调度算法研究 |
| 5.1 多网段EPA 网络延迟模型 |
| 5.2 基于网桥的煤矿EPA 跨网段实时调度算法研究 |
| 5.3 基于全交换式EPA 的跨网段实时调度算法研究 |
| 5.4 MEPA_SaSaS 调度算法的仿真实现 |
| 5.5 本章小结 |
| 6 总结与后续工作 |
| 6.1 总结 |
| 6.2 后续工作 |
| 参考文献 |
| 作者简历 |
| 一、基本情况 |
| 二、学术论文 |
| 三、获奖情况 |
| 四、研究项目 |
| 学位论文数据集 |
四、开放式实时系统中的自适应调度方法（论文参考文献）
- [1]智慧标识网络中边缘计算服务的任务卸载和资源适配研究[D]. 李雪靖. 北京交通大学, 2021
- [2]面向数控系统的自适应实时调度算法研究[D]. 彭阿珍. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(09)
- [3]分布式机器学习系统调度技术优化研究[D]. 周详. 杭州电子科技大学, 2020(04)
- [4]基于工业以太网的列车通信网络实时性算法研究[D]. 戚小莎. 长春工业大学, 2020(10)
- [5]多集群时间触发列车实时以太网自适应调度[D]. 郭涛. 北京交通大学, 2020(03)
- [6]基于制造物联网的柔性制造车间动态调度方法研究[D]. 田松龄. 天津大学, 2019(01)
- [7]任务感知的多模态时空数据自适应可视化方法[D]. 刘铭崴. 西南交通大学, 2019(06)
- [8]基于制造群系统认知的自适应调度方法[D]. 蒋丹鼎. 国防科技大学, 2019(01)
- [9]面向智能决策的推理引擎技术[D]. 瞿幼苗. 西北工业大学, 2018(02)
- [10]基于EPA的煤矿工业以太网实时调度算法研究[D]. 姜秀柱. 中国矿业大学, 2011(05)