CN111159095A - 一种异构融合的嵌入式智能计算实现方法 - Google Patents
一种异构融合的嵌入式智能计算实现方法 Download PDFInfo
- Publication number
- CN111159095A CN111159095A CN202010001876.3A CN202010001876A CN111159095A CN 111159095 A CN111159095 A CN 111159095A CN 202010001876 A CN202010001876 A CN 202010001876A CN 111159095 A CN111159095 A CN 111159095A
- Authority
- CN
- China
- Prior art keywords
- intelligent
- algorithm
- core
- task
- framework
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
- G06F15/163—Interprocessor communication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Stored Programmes (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于嵌入式智能计算领域,提出了一种异构融合的嵌入式智能计算实现方法。该方法包括:通过对装备嵌入式系统OODA全任务链中智能任务的任务特性分析,确定所需核心智能算法的算法特性;根据所需算法特性,确定并选择相应类别的核心智能算法;所述核心智能算法分为知识驱动、智能优化和深度学习三类算法;通过应用服务管理进行调度,将选择的核心智能算法映射至系统平台服务层中对应的软件运行框架;所有软件运行框架在系统启动时已加载至适配的硬件模块中;通过资源服务管理选定硬件模块加载核心智能算法。本发明能够为装备OODA自主任务提供高效、灵活、通用的智能计算支撑服务,加速装备自主任务执行。
Description
技术领域
本发明属于嵌入式智能计算领域,提出了一种嵌入式智能计算实现方法。
背景技术
近年来,随着大数据、云计算和深度学习等新技术和新概念的出现,人工智能在感知智能领域和认知智能领域取得了重大进展,从而引发了军事领域的智能化革命。装备的自主任务能力,将成为装备的制胜关键。在未来强实时、高动态、复杂的任务环境下,需要装备嵌入式系统在任务执行过程中具备实时感知、认知、决策与控制的能力,面对时刻变化的态势,装备嵌入式系统不断优化自身的行为,以高度适应的、灵活自主的方式,执行环境感知、目标意图、任务规划、行为决策等OODA全任务链中的所有智能应用,提高任务的成功率。这将导致装备在自主任务过程中面临极高的任务复杂性和应用多样性,而不同智能作战应用在计算类型、计算复杂度等方面存在很大的差异,这就要求装备嵌入式系统提供更高性能、更高灵活性、更高通用性的嵌入式智能计算平台。
而传统的装备嵌入式计算平台由于硬件平台的自身局限性和任务目标的限制,一方面多面向通用任务管理设计,面向智能任务支撑能力较弱,现有的面向智能作战的装备嵌入式智能计算架构仅能支撑某一个或某几个特定智能应用;另一方面在架构设计、处理速度、功耗、体积等方面存在较大限制,导致智能应用运行的时效性无法满足高动态、强对抗、强电磁干扰情况下装备嵌入式系统及时反应与快速决策的要求。
发明内容
本发明的目的是为装备OODA自主任务提供高效、灵活、通用的智能计算支撑服务,加速装备自主任务执行。
为此,本发明提供了一种异构融合的嵌入式智能计算实现方法,其设计思路如下:
面向装备嵌入式系统OODA全任务链中目标感知与环境理解(感知O)、态势分析与威胁评估(认知O)、任务规划与攻防决策(决策D)、火力打击与支援保障(控制A)等多样化智能应用的计算需求,将智能算法归约为3类:即以专家系统、模糊推理为代表的知识驱动的智能算法,以群体优化、进化优化为代表的智能优化算法,以卷积神经网络(CNN)、循环神经网络(RNN)为代表的深度学习算法。
在硬件层面设计高性能多核并行智能计算模块、灵活可配置智能计算模块、深度学习专用定制智能计算模块等3类异构模块,充分利用异构处理器的处理特性,辅之以处理器间的高速互联网络,为智能作战应用提供高效、灵活、通用的计算能力支撑;在软件层设计统一的平台服务,采用面向服务的思想,降低系统设计的耦合度,并设计标准、开放、可组合的框架,合理分配系统共性能力,同时利用资源虚拟化技术,提升资源的利用效率。
结合三类智能算法的计算特性和对计算能力、计算方式的差异性需求,设计异构融合的嵌入式智能计算架构,在硬件层设计多类异构智能计算模块,充分利用异构处理器的处理特性,辅之以处理器间的高速互联网络,为智能作战应用提供高效、灵活、通用的计算能力支撑;在软件层设计统一的平台服务,采用面向服务的思想,降低系统设计的耦合度,并设计标准、开放、可组合的框架,合理分配系统共性能力,同时利用资源虚拟化技术,提升资源的利用效率。
基于此,该异构融合的嵌入式智能计算实现方法按照以下步骤运行:
a)通过对装备嵌入式系统OODA全任务链中智能任务的任务特性分析,确定所需核心智能算法的算法特性;
b)根据所需算法特性,确定并选择相应类别的核心智能算法;所述核心智能算法分为三类:(1)以专家系统、模糊推理为代表的知识驱动类算法,(2)以群体优化、进化优化为代表的智能优化类算法,和(3)以卷积神经网络(CNN)、循环神经网络(RNN)为代表的深度学习类算法;在系统平台服务层相应建立有与各类核心智能算法一一对应的软件运行框架;
c)通过应用服务管理进行调度,将选择的核心智能算法映射至对应的软件运行框架;所有软件运行框架在系统启动时已加载至适配的硬件模块中;所述硬件模块包括高性能多核并行智能计算模块、灵活可配置智能计算模块和深度学习专用智能计算模块;其中,知识驱动的软件运行框架和智能优化软件运行框架在所有硬件模块中均预先加载,深度学习软件运行框架仅在灵活可配置智能计算模块和深度学习专用智能计算模块中预先加载;
通过资源服务管理选定硬件模块加载核心智能算法。
可选地,对于所述任务特性分析确定所需的非智能算法,交由其他计算系统(平台)处理。
可选地,所述软件运行框架包括支持算法运行的依赖库、算子库和接口。
可选地,所述灵活可配置智能计算模块采用基于FPGA协处理器和CPU主处理器的智能计算模块。
相比现有技术,本发明具有以下优点:
能够实现对装备嵌入式系统OODA全过程任务链多样化智能应用的全覆盖支撑,与传统的仅能支撑某一个或某几个特定智能应用的计算架构相比,技术上有明显的进步。在硬件层,设计了三种异构智能计算模块;在操作系统层,充分考虑国内外技术发展趋势及需求;在平台服务层,设计统一软件运行框架,解决对知识驱动的智能算法、智能优化算法、深度学习算法的运行支撑问题。
基于装备嵌入式系统的智能应用特性及其对计算架构的需求,结合嵌入式领域传统处理器及智能计算领域专用处理器的优缺点,设计异构融合的嵌入式智能计算系统架构;面向OODA全任务链不同任务阶段的计算差异,设计了高性能多核并行智能计算模块、灵活可配置智能计算模块、深度学习专用定制智能计算模块等异构模块的硬件组成与互连通信,满足多种智能应用的差异性需求。
附图说明
图1为异构融合的嵌入式智能计算架构。
图2为面向OODA全过程任务链的嵌入式智能计算架构实现流程。
具体实施方式
以下结合附图以及实施例对本发明作进一步详述。
本实施例设计的异构融合的嵌入式智能计算架构如图1所示,自下而上包括硬件层、操作系统层、平台服务层、智能算法层和应用层。
其中,在硬件层,设计三种智能计算模块。其中:高性能多核并行智能计算模块以多核CPU为核心处理器,主要针对条件判断多、分支选择多、循环迭代多的知识驱动的智能算法和智能优化算法,同时兼具系统管理功能;灵活可配置智能计算模块以FPGA为核心处理器,主要针对计算密集、数据访问频繁的深度学习算法;深度学习专用定制智能计算模块以AI专用处理器为核心处理器,主要也针对深度学习算法。它与灵活可配置智能计算模块的区别在于,专用定制模块重点强调专用性、定制性,它要将某几种特定的(例如常用的、或者对实时性要求高的)深度学习算法的性能做到最优,而灵活可配置模块重点强调通用性、可配置性、它要将深度学习算法的支持种类做到最广。
在操作系统层,综合考虑各类操作系统的特点,以及操作系统和硬件平台的适应性,选择嵌入式操作系统进行配置,借助操作系统底层丰富的库函数资源,支撑各类驱动和算法的实现。
在平台服务层,建立三层子服务层。其中:资源服务管理重点解决软、硬件的资源映射问题;软件运行框架基于统一框架的理念,重点解决对知识驱动的智能算法、智能优化算法、深度学习算法的运行支撑问题;应用服务管理重点解决算法到框架的映射问题。平台服务层是嵌入式智能计算平台运行的核心,它驻留在平台硬件和操作系统之上,为智能应用提供通用的公共软件运行环境。它采用面向服务的思想,降低系统设计的耦合度;基于标准、开放、可组合的框架,合理分配系统共性能力;基于资源虚拟化技术,提升资源的利用效率。
在智能算法层,包含所有可能用到的智能算法,同时需要完成算法的计算优化与综合管理。
在应用层,围绕OODA全任务链,实现多样化的智能应用。它允许用户根据实际的作战需求,组合相应的算法,开发具体的应用。
本实施例为装备OODA自主作战任务提供了高效、灵活、通用的智能计算支撑服务,加速了装备自主作战任务执行,提升了装备作战效能。以面向OODA全过程任务链的经典空战任务过程为例,如图2所示:
目标识别是感知(O)阶段的核心,也是后续任务开展的基础。认知(O)阶段通过对环境、目标等信息进行分析和综合,完成威胁估计,为决策(D)阶段的目标分配提供依据;认知与决策通常是相辅相成的过程,其典型应用演示案例为目标威胁情况评估和目标攻击顺序排序及武器目标分配。控制(A)阶段按照决策结果,执行相应的机动操控。
上述应用可分类至三类智能算法,其中智能感知阶段的目标识别为卷积神经网络算法,属于深度学习类算法;智能认知阶段的威胁评估为专家系统算法,属于知识驱动的智能算法;智能决策阶段的目标分配为进化优化算法,属于智能优化算法;控制阶段的自主飞行为BP神经网络,属于深度学习算法。
平台服务层通过应用服务管理统一管理上述算法,并将上述三类算法向软件运行框架层映射,卷积神经网络算法和BP神经网络算法映射至深度学习软件运行框架,专家系统算法映射至知识驱动的软件运行框架,进化优化算法映射至智能优化软件运行框架。基于三类软件运行框架实现的上述算法,通过资源服务管理,向三类智能计算模块映射。
操作系统可选用嵌入式Linux系统,支持上述算法和平台服务的实现,以及三类智能计算模块的驱动实现。
通过资源服务管理的调度和映射,最终卷积神经网络算法映射至深度学习专用定制智能计算模块,专家系统和进化优化算法映射至高性能多核并行智能计算模块,BP神经网络算法映射至灵活可配置智能计算模块。
Claims (4)
1.一种异构融合的嵌入式智能计算实现方法,其特征在于,包括:
通过对装备嵌入式系统OODA全任务链中智能任务的任务特性分析,确定所需核心智能算法的算法特性;
根据所需算法特性,确定并选择相应类别的核心智能算法;所述核心智能算法分为三类:(1)以专家系统、模糊推理为代表的知识驱动类算法,(2)以群体优化、进化优化为代表的智能优化类算法,和(3)以卷积神经网络(CNN)、循环神经网络(RNN)为代表的深度学习类算法;在系统平台服务层相应建立有与各类核心智能算法一一对应的软件运行框架;
通过应用服务管理进行调度,将选择的核心智能算法映射至对应的软件运行框架;所有软件运行框架在系统启动时已加载至适配的硬件模块中;所述硬件模块包括高性能多核并行智能计算模块、灵活可配置智能计算模块和深度学习专用智能计算模块;其中,知识驱动的软件运行框架和智能优化软件运行框架在所有硬件模块中均预先加载,深度学习软件运行框架仅在灵活可配置智能计算模块和深度学习专用智能计算模块中预先加载;
通过资源服务管理选定硬件模块加载核心智能算法。
2.根据权利要求1所述的异构融合的嵌入式智能计算实现方法,其特征在于:对于所述任务特性分析确定所需的非智能算法,交由其他计算系统处理。
3.根据权利要求1所述的异构融合的嵌入式智能计算实现方法,其特征在于:所述软件运行框架包括支持算法运行的依赖库、算子库和接口。
4.根据权利要求1所述的异构融合的嵌入式智能计算实现方法,其特征在于:所述灵活可配置智能计算模块采用基于FPGA协处理器和CPU主处理器的智能计算模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010001876.3A CN111159095B (zh) | 2020-01-02 | 2020-01-02 | 一种异构融合的嵌入式智能计算实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010001876.3A CN111159095B (zh) | 2020-01-02 | 2020-01-02 | 一种异构融合的嵌入式智能计算实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111159095A true CN111159095A (zh) | 2020-05-15 |
CN111159095B CN111159095B (zh) | 2023-05-12 |
Family
ID=70561177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010001876.3A Active CN111159095B (zh) | 2020-01-02 | 2020-01-02 | 一种异构融合的嵌入式智能计算实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111159095B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101529A (zh) * | 2020-10-14 | 2020-12-18 | 杭州海康威视数字技术股份有限公司 | 一种用于神经网络模型推理跨平台的部署方法及架构 |
CN112131730A (zh) * | 2020-09-14 | 2020-12-25 | 中国人民解放军军事科学院评估论证研究中心 | 群体智能无人系统的定格分析方法及装置 |
CN112328402A (zh) * | 2020-11-25 | 2021-02-05 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 高效能自适应天基计算平台的架构及其实现方法 |
CN114282641A (zh) * | 2022-03-07 | 2022-04-05 | 麒麟软件有限公司 | 一种通用异构加速框架的构建方法 |
CN114490500A (zh) * | 2021-12-29 | 2022-05-13 | 西北工业大学 | 一种面向泛智能应用的综合化智能飞行控制计算平台 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976204A (zh) * | 2010-10-14 | 2011-02-16 | 中国科学技术大学苏州研究院 | 面向服务的异构多核计算平台及其使用的任务调度方法 |
CN104732274A (zh) * | 2015-03-10 | 2015-06-24 | 华南理工大学 | 一种智能计算机 |
CN108229685A (zh) * | 2016-12-14 | 2018-06-29 | 中国航空工业集团公司西安航空计算技术研究所 | 一种空地一体的无人智能决策方法 |
CN108255773A (zh) * | 2017-12-07 | 2018-07-06 | 中国航空工业集团公司西安航空计算技术研究所 | 一种智能计算异构多核处理方法与平台 |
CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
CN109636699A (zh) * | 2018-11-06 | 2019-04-16 | 中国电子科技集团公司第五十二研究所 | 一种基于深度强化学习的无监督智能作战推演系统 |
US20190138908A1 (en) * | 2018-12-28 | 2019-05-09 | Francesc Guim Bernat | Artificial intelligence inference architecture with hardware acceleration |
WO2019109771A1 (zh) * | 2017-12-05 | 2019-06-13 | 南京南瑞信息通信科技有限公司 | 基于多核异构并行计算的电力人工智能视觉分析系统 |
CN110278249A (zh) * | 2019-05-30 | 2019-09-24 | 天津神兔未来科技有限公司 | 一种分布式群体智能系统 |
US20190325322A1 (en) * | 2018-04-23 | 2019-10-24 | International Business Machines Corporation | Navigation and Cognitive Dialog Assistance |
CN110377752A (zh) * | 2019-06-26 | 2019-10-25 | 广东鼎义互联科技股份有限公司 | 一种应用于政务大厅运营的知识库系统 |
CN110427173A (zh) * | 2019-07-26 | 2019-11-08 | 大唐融合通信股份有限公司 | 一种人工智能综合业务平台 |
-
2020
- 2020-01-02 CN CN202010001876.3A patent/CN111159095B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976204A (zh) * | 2010-10-14 | 2011-02-16 | 中国科学技术大学苏州研究院 | 面向服务的异构多核计算平台及其使用的任务调度方法 |
CN104732274A (zh) * | 2015-03-10 | 2015-06-24 | 华南理工大学 | 一种智能计算机 |
CN108229685A (zh) * | 2016-12-14 | 2018-06-29 | 中国航空工业集团公司西安航空计算技术研究所 | 一种空地一体的无人智能决策方法 |
WO2019109771A1 (zh) * | 2017-12-05 | 2019-06-13 | 南京南瑞信息通信科技有限公司 | 基于多核异构并行计算的电力人工智能视觉分析系统 |
CN108255773A (zh) * | 2017-12-07 | 2018-07-06 | 中国航空工业集团公司西安航空计算技术研究所 | 一种智能计算异构多核处理方法与平台 |
US20190325322A1 (en) * | 2018-04-23 | 2019-10-24 | International Business Machines Corporation | Navigation and Cognitive Dialog Assistance |
CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
CN109636699A (zh) * | 2018-11-06 | 2019-04-16 | 中国电子科技集团公司第五十二研究所 | 一种基于深度强化学习的无监督智能作战推演系统 |
US20190138908A1 (en) * | 2018-12-28 | 2019-05-09 | Francesc Guim Bernat | Artificial intelligence inference architecture with hardware acceleration |
CN110278249A (zh) * | 2019-05-30 | 2019-09-24 | 天津神兔未来科技有限公司 | 一种分布式群体智能系统 |
CN110377752A (zh) * | 2019-06-26 | 2019-10-25 | 广东鼎义互联科技股份有限公司 | 一种应用于政务大厅运营的知识库系统 |
CN110427173A (zh) * | 2019-07-26 | 2019-11-08 | 大唐融合通信股份有限公司 | 一种人工智能综合业务平台 |
Non-Patent Citations (2)
Title |
---|
原方等: "基于数据库与智能决策相结合的OODA模型优化研究", 《第四届中国指挥控制大会论文集》 * |
闪鑫等: "人工智能应用于电网调控的关键技术分析", 《电力系统自动化》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131730A (zh) * | 2020-09-14 | 2020-12-25 | 中国人民解放军军事科学院评估论证研究中心 | 群体智能无人系统的定格分析方法及装置 |
CN112131730B (zh) * | 2020-09-14 | 2024-04-30 | 中国人民解放军军事科学院评估论证研究中心 | 群体智能无人系统的定格分析方法及装置 |
CN112101529A (zh) * | 2020-10-14 | 2020-12-18 | 杭州海康威视数字技术股份有限公司 | 一种用于神经网络模型推理跨平台的部署方法及架构 |
CN112328402A (zh) * | 2020-11-25 | 2021-02-05 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 高效能自适应天基计算平台的架构及其实现方法 |
CN114490500A (zh) * | 2021-12-29 | 2022-05-13 | 西北工业大学 | 一种面向泛智能应用的综合化智能飞行控制计算平台 |
CN114490500B (zh) * | 2021-12-29 | 2024-03-08 | 西北工业大学 | 一种面向泛智能应用的综合化智能飞行控制计算平台 |
CN114282641A (zh) * | 2022-03-07 | 2022-04-05 | 麒麟软件有限公司 | 一种通用异构加速框架的构建方法 |
CN114282641B (zh) * | 2022-03-07 | 2022-07-05 | 麒麟软件有限公司 | 一种通用异构加速框架的构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111159095B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111159095B (zh) | 一种异构融合的嵌入式智能计算实现方法 | |
CN111176822B (zh) | 一种面向ooda多任务智能应用的嵌入式公共软件运行方法 | |
CN111522657B (zh) | 一种分散设备协同深度学习推理方法 | |
CN113395679B (zh) | 一种无人机边缘服务器的资源和任务分配优化系统 | |
CN114281104B (zh) | 一种基于改进蚁群算法的多无人机协同调控方法 | |
CN108334986B (zh) | 一种基于可塑性机制的重调度方法的多智能体多目标优化方法 | |
CN113312172B (zh) | 基于适变网络的多无人机集群动态任务调度模型 | |
CN112801539A (zh) | 无人机集群任务的柔变网络架构动态调度模型 | |
Bisikalo et al. | Research of Pareto-Optimal Schemes of Control of Availability of the Information System for Critical Use. | |
CN114936783A (zh) | 一种基于mmddpg算法的rgv小车调度方法及系统 | |
Long et al. | Complexity-aware adaptive training and inference for edge-cloud distributed AI systems | |
Sun et al. | Persistent coverage of UAVs based on deep reinforcement learning with wonderful life utility | |
CN116828541A (zh) | 基于多智能体强化学习的边缘计算依赖任务动态卸载方法及系统 | |
Gaowei et al. | Using multi-layer coding genetic algorithm to solve time-critical task assignment of heterogeneous UAV teaming | |
Gao et al. | Ocdst: Offloading chained dnns for streaming tasks | |
CN116224791A (zh) | 智能制造协作机器人边缘系统的协作训练控制方法 | |
CN115471124A (zh) | 一种基于深度强化学习的行车调度方法、系统、设备及介质 | |
CN111782389A (zh) | 机动边缘信息服务网络下的任务调度系统及方法 | |
CN114595813A (zh) | 异构加速处理器及数据计算方法 | |
Zhang et al. | Load balancing in edge computing using integer linear programming based genetic algorithm and multilevel control approach | |
Shi et al. | The UAV swarm mission planning based on adaptive genetic algorithm | |
Chen et al. | Research on Multi-UAV Dynamic Mission Assignment Method Based on Clustering Algorithm | |
Liu et al. | Multi-UAV Cooperative Task Assignment Algorithm Based on Heuristic Rules | |
Zhao et al. | Service-oriented Intelligent OODA Loop | |
Huang et al. | Multi Unmanned Aerial Vehicle Collaborative Hunting Task Allocation Method by Improved Consensus-Based Bundle Algorithm |
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 |