CN107480096A - 一种大规模群体仿真中的高速并行计算方法 - Google Patents
一种大规模群体仿真中的高速并行计算方法 Download PDFInfo
- Publication number
- CN107480096A CN107480096A CN201710720468.1A CN201710720468A CN107480096A CN 107480096 A CN107480096 A CN 107480096A CN 201710720468 A CN201710720468 A CN 201710720468A CN 107480096 A CN107480096 A CN 107480096A
- Authority
- CN
- China
- Prior art keywords
- tile
- potential energy
- cell
- energy value
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种大规模群体建模与仿真中的高速并行计算方法,对大规模群体仿真构建一种面向全局的离散势能场,采用数值函数来描述仿真区域的几何结构,通过搜索势能场的负梯度方向获取智能体从任意位置前往目标位置的最优运动方向,对快速迭代算法进行改进,基于OpenCL来进行GPU并行计算,包括如下步骤:将仿真区域的所有单元格划分为预定义大小的区块,记为tile;设定运算列表,将包含目标区域单元格的tile移入运算列表;以及对仿真区域进行循环计算,本发明利用快速迭代算法思想,对其局限性进行改进优化,引入分区运算规则,将原有的整体计算区域划分为预定义大小的区块,对每个区块的求解是并行的,提高了算法的效率,提高了大规模群体仿真的计算速度。
Description
技术领域
本发明属于大规模群体建模与仿真技术领域,特别涉及一种大规模群体仿真中的高速并行计算方法,本发明群体指的是人群、鸟群、车辆群体与航天器群体等。
背景技术
群体仿真在计算机游戏、电影、虚拟现实等方面有着非常重要的应用,实时群体仿真是其中一个重要的研究方向。传统的群体仿真方法大多是针对单个Agent寻找路径,这类算法在群体规模较少时非常有效,但是计算量随着仿真人数的增多而快速增加,因此不适用于大规模群体仿真。
全局的路径规划是当前群体仿真的重要基础和前提。路径规划帮助Agent选择从当前位置前往目标位置的合理平滑路径。路径规划通常要在不同路径之间做出权衡,一般来说,Agent希望能够减少路径的长度、运动时间等。为了事先对全局路径进行计算,图论的某些方法常常被广泛运用在群体仿真的路径规划当中。当下使用较多的路径规划算法是Dijkstra算法和A*算法,它们都是在加权图上寻找最短路径的著名算法,然而这些算法都是从起始位置开始搜索,其运算规模与群体的规模成正比,因而运行效率比较低,这表示它们并不适用于大规模群体的路径规划。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种大规模群体仿真中的高速并行计算方法,基于OpenCL使用GPU并行计算方法计算Agent在任意位置前往目标地点的最优方向,可以有效地提高运算效率,突破大规模群体的计算瓶颈。
为了实现上述目的,本发明采用的技术方案是:
一种大规模群体仿真中的高速并行计算方法,对大规模群体仿真构建一种面向全局的离散势能场,采用数值函数来描述仿真区域的几何结构,通过搜索势能场的负梯度方向获取Agent在任意位置前往目标地点的最优运动方向,势能场模型的计算复杂度与群体规模无关,只与地图的精细度及复杂度相关,从而减少了计算量。为了提高运算速度,对快速迭代算法进行改进,基于OpenCL来进行GPU并行计算,以较高的效率实现大规模群体运动仿真。算法包括如下步骤:
引入分区运算规则,使用并行化的快速迭代算法求解势能场模型,包括:
1.将仿真区域的所有单元格划分为预定义大小的区块,在GPU运算术语中称为tile;
2.设定运算列表,将包含目标区域单元格的tile移入运算列表;
3.对仿真区域进行循环计算:
1)将tile映射为OpenCL中的工作组,程序将单元格的势能值存储在局部内存(local memory)中以便提高运算速度。每个tile中的单元格势能值的计算由一个工作项负责。对运算列表中的tile进行更新运算,对tile中所有的单元格计算其势能值,每计算完一次后比较当前结果与前一次的结果,如果差值小于阈值,则将此单元格记为收敛,循环计算,直到该tile中的所有单元格都趋于收敛。
2)对tile检查其四向邻tile,若其中有单元格势能值发生变化,将该tile重新加入计算列表中,若没有变化,将该tile从运算列表中删除。
3)重复1)和2)直至运算列表为空。此处设定tile永远处于三种状态之一:更新(Update)、休眠(Sleep)、收敛(Converged)。Update状态表示该tile必须在下一个外循环迭代运算中被更新计算,Sleep状态表示该tile应该挂起而不进行任何更新,Converged状态表示该tile经过上一次运算已经收敛。
根据目标区域单元格来初始化各tile的初始状态,即对于含有目标位置单元格的tile,其状态为Update,其余tile则设定为Sleep。
当tile处于Update状态时,计算单个单元格此次与前次势能值的差值,如果该差值小于阈值,则该单元格为收敛。遍历tile中的所有单元格,如果均为收敛,则该tile收敛。则状态由Update转变为Converged。
当tile处于Sleep状态时,如果该tile的四向邻tile均处于Sleep状态,则该tile仍然保持Sleep状态,因为该tile挂起时周围没有发生信息变化,否则对该tile进行循环一次计算其所有单元格的势能值;如果tile内所有单元格满足此次与前次势能值的差值小于阈值,则表示邻tile的信息虽然发生变化,但并没有对该tile发生影响,该tile的状态仍然保持Sleep;如果tile内任意单元格满足此次与前次势能值的差值大于阈值,说明其邻tile的信息更新将导致本tile内的信息更新,则对该tile进行循环多次计算其所有单元格的势能值,如收敛则状态变为Converged,否则变为Update。
当tile处于Converged状态时,如果该tile的四向邻tile均处于Sleep状态,则该tile仍然保持Converged状态,因为该tile收敛时周围没有发生信息变化,否则对该tile进行循环一次计算其所有单元格的势能值;如果tile内所有单元格满足此次与前次势能值的差值小于阈值,则表示邻tile的信息虽然发生变化,但并没有对该tile发生影响,该tile的状态仍然保持Converged;如果tile内任意单元格满足此次与前次势能值的差值大于阈值,说明其邻tile的信息更新将导致本tile内的信息更新,则对该tile进行循环多次计算其所有单元格的势能值,如收敛则状态变为Converged,否则变为Update。
与现有技术相比,本发明的有益效果是:
1.本发明方法利用快速迭代算法的思想,对其局限性进行改进和优化,引入分区运算规则,将原有的整体计算区域划分为预定义大小的区块,对每个区块的求解是并行的,提高了算法的效率。
2.在此基础上实现在GPU的多个处理单元并行计算群体仿真,从而大幅度地提高了大规模群体仿真的计算速度。
3.与传统的基于CPU算法相比,充分利用了GPU强大的并行计算能力,降低了大规模群体建模仿真的经费投入。
附图说明
图1是本发明离散势能场示意图。
图2是本发明仿真区域离散化分割图。
图3是本发明tile示意图。
图4是本发明实验仿真区域示意图。
图5是本发明势能场梯度全局图。
图6是本发明势能场梯度局部放大图。
图7是本发明最优路径示意图。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
本发明采用势能场模型,采用一个数值函数来描述仿真区域的几何结构,通过搜索势能场的负梯度方向获取最优运动方向,如图1所示。势能场模型的计算复杂度与群体规模无关,只与地图的精细度及复杂度相关,从而减少了计算量。为了提高运算速度,采用GPU来加速势能场模型的计算,实现了大规模的群体运动仿真。
人在选择前往目标的路径时,总是尽量使得某些代价最小。通常情况下,人们倾向于选择路程最短的路径,这是最常见的想法。人们有时更希望能够以自己最理想的速度运动,寻找耗时最短的路径。人们有时会有自己更偏爱的区域,也有自己不希望去到的区域,例如,有些区域群体聚集,即使此时路径较短,人们还是会选择其他人少的区域通行,本发明用不适度指数来表示这一特性。
代价函数与路径长度、耗费时间、不舒适度三个指标有关,耗费时间与路径长度均和Agent的运动速度有关,由此推导代价函数的计算公式:
式中:l——Agent的运动路径;El——路径l的代价函数;wl——路径长度所占权重;wt——耗费时间所占权重;wc——不适度值所占权重;c——不舒适度函数;v——Agent的运动速度;e——路径的单位代价函数。
在离散化的仿真区域内,路径可以看成一系列的有序单元格序列,Agent从某个单元格沿着某方向运动可以进入其上、下、左、右的相邻单元格,因此,单条路径的代价的积分运算可以用从单元格进入上、下、左、右的相邻单元格的单位代价值之和进行近似,因此公式(1)可以转化为:
El=∑d∈{W,N,E,s}ei,j,d (2)
式中:ei,j,d——从单元格(i,j)沿着方向d进入相邻单元格的代价值;——单元格内Agent沿着方向d运动的可达速度;ci′j′——对应方向的相邻格内的不舒适度指数,如超出边界则为正无穷。
公式(1)定义了仿真区域内从当前位置到目标位置的一条路径的代价值,则平面空间内从起始位置S到目标区域G的最优路径C(s)的搜索过程可以转化为如下的约束优化问题:
min∫e(C(s))ds
s.t.C(s)={x(s),y(s)},C(0)=S,C(L)=G, (4)
式中:e——路径的单位代价函数;L——路径的长度;S——初始位置;G——目标区域。
可以证明,平面上A点到B点的最优路径,即满足公式(4)的曲线为标量场p的梯度下降曲线,其中势能场p满足方程:
仿真区域中,目标位置往往是单一且明确的,因此势能场的计算通常从目标位置开始进行回溯计算,由于我们关心的是势能场的梯度而非其绝对数值,因此为简化计算,设定目标区域的势能值为0。综上,势能场的构建函数可用如下公式表示:
式中:G——表示目标区域,p表示势能场,e为路径的单位代价函数,p(G)=表示目标区域的势能值,表示势能场梯度的模值。
对该函数进行求解可以得到区域内任意位置的势能值。
在群体仿真系统中,Agent的数目与计算复杂度成正比,为了实时完成大规模群体的势能场运算,本方法采用OpenCL编程模型来实现并行化快速迭代算法求解公式(6),从而使用GPU进行并行运算。
引入分区运算规则,将仿真区域离散化处理,如图2所示,再将所有单元格划分为预定义大小的区块,在GPU运算术语中称为tile,如图3所示。其中每个tile中的单元格的势能值的求解是并行进行的,从而实现GPU上的并行运算。
使用并行化的快速迭代算法求解势能场模型,包括如下步骤:
1)定义:
(1)设定t表示将仿真区域进行等尺寸划分的单个tile;
(2)设定运算列表L,用于存储需要更新的tile;
2)初始化:
(1)将所有单元格均匀划分为相同大小的区块tile;
(2)将所有包含目标区域单元格的tile移入运算列表L;
3)循环计算:
(1)对运算列表L中的每一个区块t进行更新运算:
a)循环n次计算t中的所有单元格的势能值(此循环运算简称为内循环运算,下同);每计算完一次后比较当前的结果与前一次的结果,如果差值小于阈值,则该网格标记为收敛。
b)遍历t中的所有单元格,如果所有单元格都被标记为收敛,则t标记为收敛,否则继续进行上一步中的循环。
(2)检查区块t的四向邻tile:
a)对上一步中的已收敛的所有区块t,对其所有相邻区块进行一次势能值计算,检查t的邻区块中是否有单元格势能值发生变化;
b)将上步中发生变化的区块t重新加入运算列表L,势能值没有发生变化的t从L中删除;
(3)对L包含的所有未收敛的tile,重复步骤(1)和(2)直至L为空(此循环运算称为外循环运算,下同)。
基于OpenCL,将并行快速迭代算法在GPU上实现,包括如下步骤:
1)内循环更新实现方法
根据OpenCL的工作原理,势能场的kernel根据二维索引空间处理仿真区域中的单元格值来计算,上述并行快速迭代算法中的tile即可映射为OpenCL中的工作组,程序将单元格的势能值存储在局部内存(local memory)中以便提高运算速度。每个tile中的单元格势能值的计算由一个工作项负责。势能场模型按照目标不同将Agent分为不同的组,设定Agent最多可以分为四组,即每个单元格中存储四个分别属于不同组的势能值,每个单元格的四组势能值(P0,P1,P2,P3)将由OpenCL的向量化数据类型float4来表述。
势能场计算的kernel程序将势能值载入local memory以进行内循环运算。单元格的势能值计算需要其上、下、左、右邻单元格的势能值参与。
根据程序定义的内循环次数n,kernel对所有local memory中存储的单元格进行势能值的计算。
2)外循环运算实现方法
外循环运算是针对tile的循环运算,设定两个整形变量StateBefore和StateAfter分别存储各tile经过处理之前和之后的状态,设定tile永远处于三种状态之一:更新(Update)、休眠(Sleep)、收敛(Converged)。Update状态表示该tile必须在下一个外循环迭代运算中被更新计算,Sleep状态表示该tile应该挂起而不进行任何更新,Converged状态表示该tile经过上一次运算已经收敛。
算法根据目标区域单元格来初始化各tile的初始状态,即对于含有目标位置单元格的tile,其状态为Update,其余tile则设定为Sleep。
在每一次外循环更新中,kernel读取StateBefore的值来决定对tile的处理方式。实现时,每个工作组中处理该tile的第一个工作项读取该tile的状态信息,存入localmemory。该工作组中的其余工作项则依据该状态信息处理其余单元格。该tile经过处理后,其状态发生转变,其新状态仍由首个工作项写入StateAfter,这个状态转换过程记作StateBefore→StateAfter。
针对单个tile的更新,定义两种操作:MultiStep和SingleStep。MultiStep操作表示对单个tile连续进行多次内循环运算,SingleStep操作表示对其进行单次内循环运算。
当tile处于Update状态时,进行一次MultiStep操作,计算单个单元格此次与前次势能值的差值,如果该差值小于阈值,则该单元格为收敛。遍历tile中的所有单元格,如果均为收敛,则该tile收敛。则状态由Update转变为Converged。
当tile处于Sleep状态时,如果该tile的四向邻tile均处于Sleep状态,则该tile仍然保持Sleep状态,因为该tile挂起时周围没有发生信息变化,否则对该tile进行SingleStep操作;如果tile内所有单元格满足此次与前次势能值的差值小于阈值,则表示邻tile的信息虽然发生变化,但并没有对该tile发生影响,该tile的状态仍然保持Sleep;如果tile内任意单元格满足此次与前次势能值的差值大于阈值,说明其邻tile的信息更新将导致本tile内的信息更新,则对该tile进行一次MultiStep操作,如收敛则状态变为Converged,否则变为Update。
当tile处于Converged状态时,如果该tile的四向邻tile均处于Sleep状态,则该tile仍然保持Converged状态,因为该tile收敛时周围没有发生信息变化,否则对该tile进行循环一次计算其所有单元格的势能值;如果tile内所有单元格满足此次与前次势能值的差值小于阈值,则表示邻tile的信息虽然发生变化,但并没有对该tile发生影响,该tile的状态仍然保持Converged;如果tile内任意单元格满足此次与前次势能值的差值大于阈值,说明其邻tile的信息更新将导致本tile内的信息更新,则对该tile进行循环多次计算其所有单元格的势能值,如收敛则状态变为Converged,否则变为Update。
建立如图4的多障碍物迷宫环境,图中三角形表示出发位置,五角星表示目标位置,多边形代表障碍物。
设定环境中没有其余Agent,仿真区域被划分为256*256的离散网格,设定OpenCL的工作组大小为16*16。根据势能场的计算模型,此处采用快速迭代算法计算势能场。
实验程序设定将各单元格的梯度方向以箭头表示,如图5所示,其中图6为图5中阴影矩形框区域的放大图。
任意位置前往目标位置的最优方向为势能场的负梯度方向,因而从初始位置的单元格沿负梯度方向连线,即可得到最优路径,如图7中折线所示。
Claims (2)
1.一种大规模群体仿真中的高速并行计算方法,对大规模群体仿真构建一种面向全局的离散势能场,采用数值函数来描述仿真区域的几何结构,通过搜索势能场的负梯度方向获取Agent在任意位置前往目标地点的最优运动方向,对快速迭代算法进行改进,基于OpenCL来进行GPU并行计算,其特征在于,计算方法包括:
步骤1,引入分区运算规则,将仿真区域离散化处理,将仿真区域的所有单元格划分为预定义大小的区块,称为tile;
步骤2,设定运算列表,将包含目标区域单元格的tile移入运算列表;
步骤3,对仿真区域进行循环计算:
1)将tile映射为OpenCL中的工作组,程序将单元格的势能值存储在局部内存(localmemory)中以便提高运算速度,每个tile中的单元格势能值的计算由一个工作项负责,对运算列表中的tile进行更新运算,对tile中所有的单元格计算其势能值,每计算完一次后比较当前结果与前一次的结果,如果差值小于阈值,则将此单元格记为收敛,循环计算直到该tile中的所有单元格都趋于收敛。
2)对tile检查其四向邻tile,若其中有单元格势能值发生变化,将该tile重新加入计算列表中,若没有变化,将该tile从运算列表中删除;
3)重复1)和2)直至运算列表为空,此处设定tile永远处于三种状态之一:更新(Update)、休眠(Sleep)、收敛(Converged),Update状态表示该tile必须在下一个外循环迭代运算中被更新计算,Sleep状态表示该tile应该挂起而不进行任何更新,Converged状态表示该tile经过上一次运算已经收敛;
根据目标区域单元格来初始化各tile的初始状态,即对于含有目标位置单元格的tile,其状态为Update,其余tile则设定为Sleep;
当tile处于Update状态时,计算单个单元格此次与前次势能值的差值,如果该差值小于阈值,则该单元格为收敛,遍历tile中的所有单元格,如果均为收敛,则该tile收敛,则状态由Update转变为Converged;
当tile处于Sleep状态时,如果该tile的四向邻tile均处于Sleep状态,则该tile仍然保持Sleep状态,因为该tile挂起时周围没有发生信息变化,否则对该tile进行循环一次计算其所有单元格的势能值;如果tile内所有单元格满足此次与前次势能值的差值小于阈值,则表示邻tile的信息虽然发生变化,但并没有对该tile发生影响,该tile的状态仍然保持Sleep;如果tile内任意单元格满足此次与前次势能值的差值大于阈值,说明其邻tile的信息更新将导致本tile内的信息更新,则对该tile进行循环多次计算其所有单元格的势能值,如收敛则状态变为Converged,否则变为Update;
当tile处于Converged状态时,如果该tile的四向邻tile均处于Sleep状态,则该tile仍然保持Converged状态,因为该tile收敛时周围没有发生信息变化,否则对该tile进行循环一次计算其所有单元格的势能值;如果tile内所有单元格满足此次与前次势能值的差值小于阈值,则表示邻tile的信息虽然发生变化,但并没有对该tile发生影响,该tile的状态仍然保持Converged;如果tile内任意单元格满足此次与前次势能值的差值大于阈值,说明其邻tile的信息更新将导致本tile内的信息更新,则对该tile进行循环多次计算其所有单元格的势能值,如收敛则状态变为Converged,否则变为Update。
2.根据权利要求1所述大规模群体仿真中的高速并行计算方法,其特征在于,所述离散势能场的构建函数为p(G)=0,式中:G表示目标区域,p表示势能场,e为路径的单位代价函数,p(G)=表示目标区域的势能值,表示势能场梯度的模值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710720468.1A CN107480096B (zh) | 2017-08-21 | 2017-08-21 | 一种大规模群体仿真中的高速并行计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710720468.1A CN107480096B (zh) | 2017-08-21 | 2017-08-21 | 一种大规模群体仿真中的高速并行计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107480096A true CN107480096A (zh) | 2017-12-15 |
CN107480096B CN107480096B (zh) | 2020-03-31 |
Family
ID=60601143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710720468.1A Active CN107480096B (zh) | 2017-08-21 | 2017-08-21 | 一种大规模群体仿真中的高速并行计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107480096B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947118A (zh) * | 2019-04-19 | 2019-06-28 | 南京大学 | 一种使用gpu加速的代价地图快速更新方法 |
CN110160525A (zh) * | 2019-04-10 | 2019-08-23 | 中国电子科技集团公司第二十八研究所 | 一种基于离散势能场的危险天气下大量航班改航路径并行化计算方法 |
CN111930471A (zh) * | 2020-08-14 | 2020-11-13 | 中国科学院上海高等研究院 | 一种基于gpu的并行仿真评估选择方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7257526B1 (en) * | 2000-04-05 | 2007-08-14 | Lucent Technologies Inc. | Discrete event parallel simulation |
CN101515284A (zh) * | 2009-03-02 | 2009-08-26 | 南京航空航天大学 | 一种基于离散网格的并行空间拓扑分析方法 |
CN106990995A (zh) * | 2017-03-22 | 2017-07-28 | 西安交通大学 | 一种基于机器学习的循环分块大小选择方法 |
-
2017
- 2017-08-21 CN CN201710720468.1A patent/CN107480096B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7257526B1 (en) * | 2000-04-05 | 2007-08-14 | Lucent Technologies Inc. | Discrete event parallel simulation |
CN101515284A (zh) * | 2009-03-02 | 2009-08-26 | 南京航空航天大学 | 一种基于离散网格的并行空间拓扑分析方法 |
CN106990995A (zh) * | 2017-03-22 | 2017-07-28 | 西安交通大学 | 一种基于机器学习的循环分块大小选择方法 |
Non-Patent Citations (2)
Title |
---|
G. VIGUERAS ET AL: "A scalable architecture for crowd simulation:Implementing a parallel action server", 《2008 37TH INTERNATIONAL CONFERENCE ON PARALLEL PROCESSING》 * |
李丹 等: "基于势能场的大规模人群运动模拟", 《华中科技大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110160525A (zh) * | 2019-04-10 | 2019-08-23 | 中国电子科技集团公司第二十八研究所 | 一种基于离散势能场的危险天气下大量航班改航路径并行化计算方法 |
CN109947118A (zh) * | 2019-04-19 | 2019-06-28 | 南京大学 | 一种使用gpu加速的代价地图快速更新方法 |
CN111930471A (zh) * | 2020-08-14 | 2020-11-13 | 中国科学院上海高等研究院 | 一种基于gpu的并行仿真评估选择方法 |
CN111930471B (zh) * | 2020-08-14 | 2023-05-26 | 中国科学院上海高等研究院 | 一种基于gpu的并行仿真评估选择方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107480096B (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Hybrid whale optimization algorithm enhanced with Lévy flight and differential evolution for job shop scheduling problems | |
Akhand et al. | Discrete spider monkey optimization for travelling salesman problem | |
Pan et al. | GPU-based parallel collision detection for fast motion planning | |
Essaid et al. | GPU parallelization strategies for metaheuristics: a survey | |
Liang et al. | An improved chicken swarm optimization algorithm and its application in robot path planning | |
CN105717926A (zh) | 基于改进蚁群算法的移动机器人旅行商优化方法 | |
Zhou et al. | A glowworm swarm optimization algorithm based tribes | |
CN105787227A (zh) | 结构材料辐照损伤的多gpu分子动力学模拟方法 | |
Tu et al. | Parallel computation models of particle swarm optimization implemented by multiple threads | |
CN107480096A (zh) | 一种大规模群体仿真中的高速并行计算方法 | |
CN110135584A (zh) | 基于自适应并行遗传算法的大规模符号回归方法及系统 | |
Hosseinabadi et al. | Presentation of a new and beneficial method through problem solving timing of open shop by random algorithm gravitational emulation local search | |
Gao-Wei et al. | A novel atmosphere clouds model optimization algorithm | |
Zainal et al. | Overview of artificial fish swarm algorithm and its applications in industrial problems | |
Lins et al. | Analysis of the performance of the fish school search algorithm running in graphic processing units | |
Ruz et al. | Reconstruction of Boolean regulatory models of flower development exploiting an evolution strategy | |
Xu et al. | A path planning method of logistics robot based on improved ant colony algorithm | |
Orozco-Rosas et al. | An optimized GPU implementation for a path planning algorithm based on parallel pseudo-bacterial potential field | |
Xutong et al. | Artificial bee colony algorithm and its application in traveling salesman problems | |
Nayak et al. | Multiple Processor Scheduling with Optimum Execution Time and Processor Utilization Based on the SOSA | |
Deng et al. | A Multi-strategy Enhanced Arithmetic Optimization Algorithm and Its Application in Path Planning of Mobile Robots | |
Han et al. | Robot path planning in dynamic environments based on deep reinforcement learning | |
dos Santos et al. | Parallel multi-speed pursuit-evasion game algorithms | |
Yin et al. | An improved artificial bee colony algorithm for staged search | |
Chen et al. | Improved seagull optimization algorithm incorporating golden sine and tent chaotic perturbations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |