资源分配系统的Petri网建模与启发式智能调度优化

来源 :南京理工大学 | 被引量 : 0次 | 上传用户:lixianrong1017
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
资源分配系统是指存在资源分配和资源竞争的动态系统。在生产生活中十分常见,如自动制造系统,智能交通系统,分布式数据库系统等。随着技术的不断进步,资源分配系统的组成也变得越来越复杂,如何降低资源分配系统中的运行成本,提高运行效率,以达到经济效益最大化已成为亟待解决的问题。Petri网以其并发、直观、动态、通用、抽象的结构特性能够清晰简洁的描述系统中的进程并发、冲突,资源共享、互斥等规则,同时能够对系统操作进行分析。目前,Petri网已经成为资源分配系统中建模、分析以及调度问题研究的最常用的技术之一。然而现在已有的方法中,由于资源调度问题属于NP-hard问题,尤其是对较大规模资源分配系统中的调度存在无法获得最优解决方案的问题,因为随着系统规模的增大系统的调度复杂性也不断增大,传统的调度算法无法在合理的时间内计算出最佳解决方案。本文主要研究基于Petri网的资源分配系统建模与调度方法优化,针对资源分配系统的调度优化问题,分别从启发式函数和搜索算法的角度提出三种基于Petri网的加快寻路速度的同时保证调度结果最优性的启发式搜索方法。本文的主要研究工作和创新点实现如下:(1)提出了一种基于赋时Petri网的资源分配系统建模方法。该方法为资源分配系统的调度分析提供了模型基础,可以对此类系统中的并发、冲突、同步、异步等特征进行建模。在模型的可达图上,提出了一种基于启发式A*搜索的系统调度路径搜索算法,此方法考虑了系统的状态和托肯的剩余时间对系统调度的影响,并能用于系统中存在可选路径的情况,因此该启发函数可应用于更广泛的系统调度。(2)为缓解较大规模资源分配系统调度路径搜索中的耗时问题,提出了两种调度优化方法。第一种方法是在Petri网可达图的A*搜索算法上添加动态权重,通过平衡结果质量和搜索速度,提高算法运行速度。第二种方法是给A*算法的启发函数添加动态权重,且加权规则为指数性,即要扩展节点的选择范围随着节点的后继节点数量变化而改变,当节点深度较深时,后继节点的数量较少,因此选择所有后继节点中相对较多数量的节点作为下一步要扩展节点的选择范围,并采用改进后的最佳节点挑选规则来寻找系统的调度方案。以上两种方法分别从A*搜索算法和启发式函数两个不同的角度解决调度问题。实验证明,上述两种方法均可以在控制最终搜索结果质量的情况下加快系统调度的速度。(3)提出了一种针对资源分配系统进行调度优化的启发式函数,该函数也是一种可采纳启发函数,但是由于考虑了资源的等待时间,使得本文提出的启发函数相对于传统启发式函数更有效,减小了算法在系统可达图上计算最优路径时的节点扩展数量,使得采用该启发式函数的A*搜索算法可以更快地收敛,并保证所获得的调度路径是最优的。并通过实验证明该方法的可行性与有效性。
其他文献
脉络膜新生血管(CNV)是老年性黄斑变性(AMD)的重要特征。基于光学相干断层扫描(SD-OCT)图像的自动CNV检测可以极大地帮助CNV临床诊断。随着深度学习的飞速发展,目标检测领域也取得了长足进步。本文针对现有目标检测模型应用到医学图像中的问题,结合SD-OCT图像和CNV病变的特性,开展使用深度学习对CNV进行高效精准检测的研究和应用,具体工作如下:(1)提出了基于特征融合和邻域传播的CNV
图像超分辨率重建是一种根据低分辨率图像预测出细节丰富的高分辨率图像的方法。其可以克服成像设备等硬件的缺陷,通过软件的方法重建退化的图像,在安防监控、医学图像、视频播放等领域有着广阔的应用前景,是图像领域研究的热点。随着计算机硬件的发展和理论的完善,深度学习得到了极大的发展,在图像分类、目标检测、图像生成等领域成果显著。本文将基于深度学习中的卷积神经网络开展对图像超分辨率重建算法的研究,主要工作如下
目标检测的任务是从图像或者视频中定位目标并对目标进行分类,对只占据少量像素的小目标进行检测的任务称为小目标检测。小目标像素少、携带信息少,特征容易淹没在背景中,因此小目标检测一直是目标检测的难点。字符识别的任务是提取图像中存在的字符并组合为字符串输出。在自然场景的字符识别中,由于背景复杂、字体多样且字符分布随意等原因,识别精度较低,难以满足实际需求。在铁路接触网异常自动检测系统中,接触网支柱号是定
单标记学习方法通常用于解决一个对象仅与一个标记相关的问题。目前,对单标记学习的研究已经比较成熟,然而,现实生活中的对象往往具有多种语义,同时使用多个标记描述一个对象可能更符合实际需求,而已有的单标记学习方法可能无法有效地处理这类任务。因此,多标记学习框架被提出来用于处理一个示例同时与多个标记相关的问题。为了提升模型的分类性能,考虑如何提取和利用标记相关性以及通过标记特定特征学习是目前多标记学习中的
进入21世纪以来,随着计算机技术和人工智能的快速发展,人类和机器之间的交流不再局限于文字符号的输入输出。通过语音识别技术,机器能够轻松地“听懂”语音,甚至用语音和人类“交谈”。因此,语音识别技术,尤其是连续语音识别技术的研究成为一大热点。本文通过连续语音自动切分、声学模型和语言模型三个模块构建了连续语音识别系统。主要工作如下:(1)研究了连续语音的自动切分方法。分析了语音信号特征,选取合适的时域、
随着信息化时代的来临,计算机视觉系统在视觉导航,视频监控,自动驾驶等领域发挥了巨大作用,然而目前视觉系统的性能与其成像接口收到图像质量息息相关,视觉系统在处理恶劣环境下的拍摄图片效果不佳,特别是在雾天拍摄的图像,由于细节丢失较多和可见度低,影响计算机视觉系统正常工作。因此,对雾天图像进行去雾是有必要的。本文基于卷积神经网络,在图像去雾任务中引入了注意力机制,主要从以下三方面展开研究:1.提出了基于
近年来,随着对深度神经网络的巨大潜力的开发,基于深度神经网络的目标识别模型取得了巨大的成功,一些模型对物体的识别正确率甚至已经超越了人类。然而,这一些模型往往需要大量的已标注的数据来对模型进行全监督训练,标注这些数据会需要耗费大量的人力和物力,并且这样训练得到的模型在面对全新的不曾在训练过程中出现过的类别时会显得并不灵活,所以当需要识别一个全新的类别时,往往需要在训练数据集数据集中加入新的类别后对
广义马尔科夫跳变系统一直是控制系统理论中受到关注的研究领域之一。本文在前人研究的基础上,通过分析与改进,针对带分布时滞(Distributed Delay)的广义马尔科夫跳变系统(Singular Markovian Jump System),进行进一步的讨论与研究,取得了一定的成果。本文的主要工作内容和所得成果如下:第一,针对一类带有分布时滞的广义马尔科夫跳变系统,研究随机容许性分析问题和状态反
时间序列是生活中很重要的数据对象,在各个领域都广泛存在,包括金融财务数据,气象观测数据,飞行物的运动轨迹数据等都是以时间序列的数据形式存在。而轨迹预测能够实时、准确地预测目标下一步的位置信息,是时间数据处理中一种很重要的应用。来自雷达数据的轨迹预测就是其中之一,由于其样本量小,噪声大,不稳定性和非线性的特点,因此很有挑战性。近些年深度学习的崛起为很多经典问题带来了新的解决思路,如目标识别、文本翻译
随着工业智能化的不断推进,视觉引导的机器人抓取系统在基于流水线的产品装配、分拣、包装、码垛等领域得到广泛应用。此类抓取系统中视觉技术是核心,而三维视觉因其所表达的目标形状、位置、姿态等信息更为详细,得到了越来越多的重视和研究。针对散乱工件的自动抓取问题,本课题对基于三维点云信息的目标位姿识别和抓取技术进行了研究,设计并实现了一套三维视觉引导的机器人抓取系统原型,主要成果如下:(1)点云预处理技术研