CN113253989A - 基于嵌入式系统的软硬件协同一体化集成架构方法 - Google Patents

基于嵌入式系统的软硬件协同一体化集成架构方法 Download PDF

Info

Publication number
CN113253989A
CN113253989A CN202110755405.6A CN202110755405A CN113253989A CN 113253989 A CN113253989 A CN 113253989A CN 202110755405 A CN202110755405 A CN 202110755405A CN 113253989 A CN113253989 A CN 113253989A
Authority
CN
China
Prior art keywords
hardware
software
population
individuals
calculating
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
Application number
CN202110755405.6A
Other languages
English (en)
Other versions
CN113253989B (zh
Inventor
秦华旺
孟祥栋
戴跃伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Omi New Energy Co ltd
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202110755405.6A priority Critical patent/CN113253989B/zh
Publication of CN113253989A publication Critical patent/CN113253989A/zh
Application granted granted Critical
Publication of CN113253989B publication Critical patent/CN113253989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/20—Software design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于嵌入式系统的软硬件协同一体化集成架构方法，包括如下步骤：（1）根据嵌入式系统需要实现的功能和性能要求，利用计算机语言对嵌入式系统进行描述，构建系统模型；（2）利用多种群遗传和模拟退火结合算法对系统模型进行设计，实现软硬件功能划分，计算更新后的种群最优解；（3）对步骤（2）软硬件功能模块划分得到的系统进行仿真验证，利用随机任务产生器对设定节点数产生有向无环图；（4）按照步骤（2）进行软硬件功能划分。本发明实现了软硬件模块间的互补，达到软硬件协同设计的成本最低、资源的分配总体最优、最省效果。

Description

基于嵌入式系统的软硬件协同一体化集成架构方法
技术领域
本发明涉及软硬件协同构架方法，特别涉及基于嵌入式系统的软硬件协同一体化集成架构方法。
背景技术
传统的软硬件协同设计中，通常采用硬件优先原则来进行系统设计，对于系统优化，由于设计空间限制，只能改善软件和硬件各自的性能，无法针对系统做出较好综合性优化，最终设计结果很难充分利用软硬件资源，难以适用现代复杂、大规模的系统设计任务。
随着现代科学技术的发展，遗传算法、模拟退火等算法被应用到软硬件任务划分中，但标准的遗传算法局部搜索能力较差，容易出现早熟问题；模拟退火算法全局搜索能力较差，无法使搜索方向迅速进入到正确区域，致使运算效率较低。
发明内容
发明目的：针对以上问题，本发明目的是提供一种基于嵌入式系统的软硬件协同一体化集成架构方法。
技术方案：本发明的基于嵌入式系统的软硬件协同一体化集成架构方法，包括如下步骤：
（1）根据嵌入式系统需要实现的功能和性能要求，利用计算机语言对嵌入式系统进行描述，构建系统模型；
（2）利用多种群遗传和模拟退火结合算法对系统模型进行设计，实现软硬件功能划分，计算更新后的种群最优解；
（3）对步骤（2）软硬件功能模块划分得到的系统进行仿真验证，利用随机任务产生器对设定节点数产生有向无环图；
（4）按照步骤2进行软硬件功能划分。
进一步，步骤1中系统模型利用有向无环图构建系统任务模块之间的调用图，有向无环图的形式为：
Figure 955449DEST_PATH_IMAGE001
其中G表示软硬件划分问题的形式化定义对象集合，V表示系统中基本调度模块的节点集合，E表示有向边连接的两个任务节点之间有数据流动或者调用关系集合；
通过编码将软硬件执行问题表示成遗传空间的染色体，定义为
Figure 554183DEST_PATH_IMAGE002
，其 中
Figure 387009DEST_PATH_IMAGE003
，n是节点数，
Figure 482004DEST_PATH_IMAGE004
表示节点由硬件执行，
Figure 400282DEST_PATH_IMAGE005
表示节点由软件执行。
进一步，所述步骤2功能划分过程包括如下步骤：
（201）利用随机序列随机生成初始多种群，设定退火初始温度参数
Figure 566821DEST_PATH_IMAGE006
、冷却进度 参数
Figure 988575DEST_PATH_IMAGE007
、交叉概率
Figure 520050DEST_PATH_IMAGE008
、变异概率
Figure 660045DEST_PATH_IMAGE009
和初始最优解S，给定群规模以及终止规则的迭代次数 d；
（202）根据约束条件定义系统的广义目标函数，利用目标函数定义适应度计算函数，计算每一个种群中个体的适应值，目标函数定义为：
Figure 364696DEST_PATH_IMAGE010
其中A为给定划分的硬件成本，
Figure 172115DEST_PATH_IMAGE011
为系统成本约束，T为给定划分的执行时间，
Figure 172694DEST_PATH_IMAGE012
为模拟退火算法中的退火系数，且
Figure 799984DEST_PATH_IMAGE013
，
Figure 246009DEST_PATH_IMAGE014
；
Figure 907935DEST_PATH_IMAGE015
和
Figure 577950DEST_PATH_IMAGE016
为调整成本比重的 参数；引入归一化因子
Figure 895799DEST_PATH_IMAGE017
和
Figure 676673DEST_PATH_IMAGE018
解决运行和成本约束在数值范围和量级的差异，且
Figure 458685DEST_PATH_IMAGE019
，
Figure 299602DEST_PATH_IMAGE020
为系统全硬件实现时间总和，
Figure 104747DEST_PATH_IMAGE021
为系统全软件实现时间总和，
Figure 689312DEST_PATH_IMAGE022
，
Figure 827294DEST_PATH_IMAGE023
为系统全硬件实现成本；
基于广义目标函数，算法的适应度函数定义为：
Figure 839113DEST_PATH_IMAGE024
Figure 865974DEST_PATH_IMAGE025
为常数；
（203）每个子种群并行独立进化，每个子种群设置不同的交叉概率
Figure 254230DEST_PATH_IMAGE026
和变异概率
Figure 479675DEST_PATH_IMAGE027
，当子种群进化的迭代次数为
Figure 927974DEST_PATH_IMAGE028
时，子种群之间进行一次移民操作，交换最优个体，其 中
Figure 504449DEST_PATH_IMAGE029
；当子种群内的个体适应值不再变化后停止进化，由各个子种群的最优个体构成 精华种群，当进化迭代次数达到最大
Figure 634079DEST_PATH_IMAGE030
时，停止进化。
进一步，当每个子种群进行进化后，再对优选出来的精华种群进行进化，包括如下步骤：
（2041）在精华种群中进行局部竞争和交叉操作相结合，确定交叉点位置，进行单点交叉操作来产生新的个体，计算新个体的适应值，从新个体和父代个体中选择适应值最高的个体替换父代个体；
（2042）在精华种群中进行局部竞争和变异操作相结合，确定变异点位置，进行单点变异操作产生新的个体，计算新个体的适应值，从新个体和父代个体中选择适应值最高的个体替换父代个体。
进一步，当全部种群优化之后，对种群进行模拟退火，利用Tsallis判别准则生成下一代种群群体：
（2051）在当前种群个体i的领域内随机产生新的染色体个体j，通过计算i和j的适应值，适应值大的个体进入下一代；
（2052）种群进行冷却退温，令
Figure 714031DEST_PATH_IMAGE031
，其中
Figure 598810DEST_PATH_IMAGE032
，
Figure 898467DEST_PATH_IMAGE033
代表迭 代次数n时的温度；
（2053）计算更新后新种群的目标函数值
Figure 628525DEST_PATH_IMAGE034
，
Figure 766246DEST_PATH_IMAGE034
为个体最小适应值，比较
Figure 556347DEST_PATH_IMAGE034
和初始 最优解S大小，若
Figure 107414DEST_PATH_IMAGE035
，则使得
Figure 375584DEST_PATH_IMAGE036
，p=0；若
Figure DEST_PATH_IMAGE037
，则令p=p+1，p为任一整数；
（2054）比较p和q，如果
Figure DEST_PATH_IMAGE038
，则最终解就是S，算法停止执行，如果p<q，则返回步 骤（203）。
有益效果：本发明与现有技术相比，其显著优点是：本发明利用多种群遗传算法与模拟退火融合算法对软硬件进行协同设计，提升运算速度，提高了算法IP核的通用性，实现软硬件模块间的互补，达到软硬件协同设计成本最低、资源分配总体最优、最省得效果。
附图说明
图1为本发明流程框图；
图2为本发明多种群遗传和模拟退火结合算法流程图。
具体实施方式
本实施例所述的基于嵌入式系统的软硬件协同一体化集成架构方法，流程图如图1所示，包括如下步骤：
（1）根据嵌入式系统需要实现的功能和性能要求，利用计算机语言对嵌入式系统进行描述，构建系统模型；
其中系统模型利用有向无环图构建系统任务模块之间的调用图，有向无环图的形式为：
Figure 961286DEST_PATH_IMAGE001
其中G表示软硬件划分问题的形式化定义对象集合，V表示系统中基本调度模块的节点集合，E表示有向边连接的两个任务节点之间有数据流动或者调用关系集合；
通过编码将软硬件执行问题表示成遗传空间的染色体，定义为
Figure 922289DEST_PATH_IMAGE002
，其 中
Figure 632756DEST_PATH_IMAGE003
，n是节点数，
Figure 206082DEST_PATH_IMAGE004
表示节点由硬件执行，
Figure 646291DEST_PATH_IMAGE005
表示节点由软件执行。
（2）利用多种群遗传和模拟退火结合算法对系统模型进行设计，流程图如图2所示，实现软硬件功能划分，计算更新后的种群最优解；
功能划分过程包括如下步骤：
（201）利用随机序列随机生成初始多种群 ，设定退火初始温度参数
Figure 512616DEST_PATH_IMAGE006
、冷却进度 参数
Figure 772696DEST_PATH_IMAGE007
、交叉概率
Figure 585931DEST_PATH_IMAGE008
、变异概率
Figure 615067DEST_PATH_IMAGE009
和初始最优解S，给定群规模以及终止规则的迭代次数 d；
（202）根据约束条件定义系统的广义目标函数，利用目标函数定义适应度计算函数，计算每一个种群中个体的适应值，目标函数定义为：
Figure 917872DEST_PATH_IMAGE010
其中A为给定划分的硬件成本，
Figure 665248DEST_PATH_IMAGE011
为系统成本约束，T为给定划分的执行时间，
Figure 282175DEST_PATH_IMAGE012
为模拟退火算法中的退火系数，且
Figure 165817DEST_PATH_IMAGE013
，
Figure 406568DEST_PATH_IMAGE014
；
Figure 375661DEST_PATH_IMAGE015
和
Figure 530699DEST_PATH_IMAGE016
为调整成本比重的 参数；引入归一化因子
Figure 534427DEST_PATH_IMAGE017
和
Figure 179035DEST_PATH_IMAGE018
解决运行和成本约束在数值范围和量级的差异，且
Figure 635424DEST_PATH_IMAGE019
，
Figure 594152DEST_PATH_IMAGE020
为系统全硬件实现时间总和，
Figure 452387DEST_PATH_IMAGE021
为系统全软件实现时间总和，
Figure 267896DEST_PATH_IMAGE022
，
Figure 477161DEST_PATH_IMAGE023
为系统全硬件实现成本；
基于广义目标函数，算法的适应度函数定义为：
Figure 272204DEST_PATH_IMAGE024
Figure 188207DEST_PATH_IMAGE025
为常数；
（203）每个子种群并行独立进化，每个子种群设置不同的交叉概率
Figure 174618DEST_PATH_IMAGE026
和变异概率
Figure 605599DEST_PATH_IMAGE027
，当子种群进化的迭代次数为
Figure 968447DEST_PATH_IMAGE028
时，子种群之间进行一次移民操作，交换最优个体，其 中
Figure 535695DEST_PATH_IMAGE029
；当子种群内的个体适应值不再变化后停止进化，由各个子种群的最优个体构成 精华种群，当进化迭代次数达到最大
Figure 896269DEST_PATH_IMAGE030
时，停止进化。
当每个子种群进行进化后，再对优选出来的精华种群进行进化，包括如下步骤：
（2041）在精华种群中进行局部竞争和交叉操作相结合，确定交叉点位置，进行单点交叉操作来产生新的个体，计算新个体的适应值，从新个体和父代个体中选择适应值最高的个体替换父代个体；
（2042）在精华种群中进行局部竞争和变异操作相结合，确定变异点位置，进行单点变异操作产生新的个体，计算新个体的适应值，从新个体和父代个体中选择适应值最高的个体替换父代个体。
当全部种群优化之后，对种群进行模拟退火，利用Tsallis判别准则生成下一代种群群体：
（2051）在当前种群个体i的领域内随机产生新的染色体个体j，通过计算i和j的适应值，适应值大的个体进入下一代；
（2052）种群进行冷却退温，令
Figure 814546DEST_PATH_IMAGE031
，其中
Figure 715506DEST_PATH_IMAGE032
，
Figure 402840DEST_PATH_IMAGE033
代表迭 代次数n时的温度；
（2053）计算更新后新种群的目标函数值
Figure 934315DEST_PATH_IMAGE034
，
Figure 564056DEST_PATH_IMAGE034
为个体最小适应值，比较
Figure 534286DEST_PATH_IMAGE034
和初始 最优解S大小，若
Figure 76125DEST_PATH_IMAGE035
，则使得
Figure 778502DEST_PATH_IMAGE036
，p=0；若
Figure 405793DEST_PATH_IMAGE037
，则令p=p+1，p为任一整数；
（2054）比较p和q，如果
Figure 648555DEST_PATH_IMAGE038
，则最终解就是S，算法停止执行，如果p<q，则返回步 骤（203）。
（3）对步骤（2）软硬件功能模块划分得到的系统进行仿真验证，利用随机任务产生器对设定节点数产生有向无环图。
（4）按照步骤2进行软硬件功能划分。

Claims (5)

1.基于嵌入式系统的软硬件协同一体化集成架构方法，其特征在于，包括如下步骤：
（1）根据嵌入式系统需要实现的功能和性能要求，利用计算机语言对嵌入式系统进行描述，构建系统模型；
（2）利用多种群遗传和模拟退火结合算法对系统模型进行设计，实现软硬件功能划分，计算更新后的种群最优解；
（3）对步骤（2）软硬件功能模块划分得到的系统进行仿真验证，利用随机任务产生器对设定节点数产生有向无环图；
（4）按照步骤（2）进行软硬件功能划分。
2.根据权利要求1所述的软硬件协同一体化集成架构方法，其特征在于，步骤（1）中系统模型利用有向无环图构建系统任务模块之间的调用图，有向无环图的形式为：
Figure 963532DEST_PATH_IMAGE001
其中G表示软硬件划分问题的形式化定义对象集合，V表示系统中基本调度模块的节点集合，E表示有向边连接的两个任务节点之间有数据流动或者调用关系集合；
通过编码将软硬件执行问题表示成遗传空间的染色体，定义为
Figure 730631DEST_PATH_IMAGE002
，其中
Figure 648908DEST_PATH_IMAGE003
，n是节点数，
Figure 284289DEST_PATH_IMAGE004
表示节点由硬件执行，
Figure 345524DEST_PATH_IMAGE005
表示节点由软件执行。
3.根据权利要求1所述的软硬件协同一体化集成架构方法，其特征在于，所述步骤（2）功能划分过程包括：
（201）利用随机序列随机生成初始多种群，设定退火初始温度参数
Figure 408158DEST_PATH_IMAGE006
、冷却进度参数
Figure 689097DEST_PATH_IMAGE007
、交叉概率
Figure 269114DEST_PATH_IMAGE008
、变异概率
Figure 810954DEST_PATH_IMAGE009
和初始最优解S，给定群规模以及终止规则的迭代次数d；
（202）根据约束条件定义系统的广义目标函数，利用目标函数定义适应度计算函数，计算每一个种群中个体的适应值，目标函数定义为：
Figure 185435DEST_PATH_IMAGE010
其中A为给定划分的硬件成本，
Figure 812725DEST_PATH_IMAGE011
为系统成本约束，T为给定划分的执行时间，
Figure 709617DEST_PATH_IMAGE012
为 模拟退火算法中的退火系数，且
Figure 840384DEST_PATH_IMAGE013
，
Figure 385766DEST_PATH_IMAGE014
；
Figure 500352DEST_PATH_IMAGE015
和
Figure 156593DEST_PATH_IMAGE016
为调整成本比重的参数；引 入归一化因子
Figure 407446DEST_PATH_IMAGE017
和
Figure 248363DEST_PATH_IMAGE018
解决运行和成本约束在数值范围和量级的差异，且
Figure 725612DEST_PATH_IMAGE019
，
Figure 310177DEST_PATH_IMAGE020
为系统全硬件实现时间总和，
Figure 789437DEST_PATH_IMAGE021
为系统全软件实现时间总和，
Figure 801256DEST_PATH_IMAGE022
，
Figure 500221DEST_PATH_IMAGE023
为系统全硬件实现成本；
基于广义目标函数，算法的适应度函数定义为：
Figure 888477DEST_PATH_IMAGE024
Figure 848343DEST_PATH_IMAGE025
为常数；
（203）每个子种群并行独立进化，每个子种群设置不同的交叉概率
Figure 906429DEST_PATH_IMAGE026
和变异概率
Figure 482904DEST_PATH_IMAGE027
， 当子种群进化的迭代次数为
Figure 284638DEST_PATH_IMAGE028
时，子种群之间进行一次移民操作，交换最优个体，其中
Figure 364589DEST_PATH_IMAGE029
；当子种群内的个体适应值不再变化后停止进化，由各个子种群的最优个体构成精 华种群，当进化迭代次数达到最大
Figure 360620DEST_PATH_IMAGE030
时，停止进化。
4.根据权利要求3所述的软硬件协同一体化集成架构方法，其特征在于，当每个子种群进行进化后，再对优选出来的精华种群进行进化，包括如下步骤：
（2041）在精华种群中进行局部竞争和交叉操作相结合，确定交叉点位置，进行单点交叉操作来产生新的个体，计算新个体的适应值，从新个体和父代个体中选择适应值最高的个体替换父代个体；
（2042）在精华种群中进行局部竞争和变异操作相结合，确定变异点位置，进行单点变异操作产生新的个体，计算新个体的适应值，从新个体和父代个体中选择适应值最高的个体替换父代个体。
5.根据权利要求4所述的软硬件协同一体化集成架构方法，其特征在于，当全部种群优化之后，对种群进行模拟退火，利用Tsallis判别准则生成下一代种群群体：
（2051）在当前种群个体i的领域内随机产生新的染色体个体j，通过计算i和j的适应值，适应值大的个体进入下一代；
（2052）种群进行冷却退温，令
Figure 893233DEST_PATH_IMAGE031
，其中
Figure 498658DEST_PATH_IMAGE032
，
Figure 433116DEST_PATH_IMAGE033
代表迭代次数 n时的温度；
（2053）计算更新后新种群的目标函数值
Figure 98583DEST_PATH_IMAGE034
，
Figure 118492DEST_PATH_IMAGE034
为个体最小适应值，比较
Figure 386662DEST_PATH_IMAGE034
和初始最优 解S大小，若
Figure 316572DEST_PATH_IMAGE035
，则使得
Figure 277575DEST_PATH_IMAGE036
，p=0；若
Figure 158681DEST_PATH_IMAGE037
，则令p=p+1，p为任一整数；
（2054）比较p和q，如果
Figure 964963DEST_PATH_IMAGE038
，则最终解就是S，算法停止执行，如果p<q，则返回步骤 （203）。
CN202110755405.6A 2021-07-05 2021-07-05 基于嵌入式系统的软硬件协同一体化集成架构方法 Active CN113253989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110755405.6A CN113253989B (zh) 2021-07-05 2021-07-05 基于嵌入式系统的软硬件协同一体化集成架构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110755405.6A CN113253989B (zh) 2021-07-05 2021-07-05 基于嵌入式系统的软硬件协同一体化集成架构方法

Publications (2)

Publication Number Publication Date
CN113253989A true CN113253989A (zh) 2021-08-13
CN113253989B CN113253989B (zh) 2021-10-08

Family

ID=77190639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110755405.6A Active CN113253989B (zh) 2021-07-05 2021-07-05 基于嵌入式系统的软硬件协同一体化集成架构方法

Country Status (1)

Country Link
CN (1) CN113253989B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101593132A (zh) * 2009-06-25 2009-12-02 北京航空航天大学 基于线程构造模块的多核并行模拟退火方法
CN105786502A (zh) * 2016-02-26 2016-07-20 成都雅骏新能源汽车科技股份有限公司 一种调度式嵌入式应用软件架构及其实现方法
CN106789320A (zh) * 2017-01-04 2017-05-31 大连理工大学 一种用于优化无线传感器网络拓扑的多种群协同进化方法
CN109345023A (zh) * 2018-10-19 2019-02-15 上海交通大学 一种混合模拟退火和粒子群的最优化算法
CN112053615A (zh) * 2020-09-07 2020-12-08 中国海洋大学 一种嵌入式实验教学系统、教学方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101593132A (zh) * 2009-06-25 2009-12-02 北京航空航天大学 基于线程构造模块的多核并行模拟退火方法
CN105786502A (zh) * 2016-02-26 2016-07-20 成都雅骏新能源汽车科技股份有限公司 一种调度式嵌入式应用软件架构及其实现方法
CN106789320A (zh) * 2017-01-04 2017-05-31 大连理工大学 一种用于优化无线传感器网络拓扑的多种群协同进化方法
CN109345023A (zh) * 2018-10-19 2019-02-15 上海交通大学 一种混合模拟退火和粒子群的最优化算法
CN112053615A (zh) * 2020-09-07 2020-12-08 中国海洋大学 一种嵌入式实验教学系统、教学方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HNXXDDYYF: ""遗传算法与模拟退火算法"", 《HTTPS://WWW.DOCIN.COM/P-236408626.HTML?QQ-PF-TO=PCQQ.C2C》 *
LXY_1015: ""多种群遗传算法(MPGA)"", 《HTTPS://BLOG.CSDN.NET/LXY_1015/ARTICLE/DETAILS/112547502》 *
XINGLEI ZHANG等: ""Random Target Localization for an Upper Limb Prosthesis"", 《SHOCK AND VIBRATION》 *

Also Published As

Publication number Publication date
CN113253989B (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
Yuan et al. Multiqueue scheduling of heterogeneous tasks with bounded response time in hybrid green IaaS clouds
CN107977744B (zh) 一种基于传统Benders分解法的电力系统日前鲁棒调度方法
Chen et al. A new approach for analyzing average time complexity of population-based evolutionary algorithms on unimodal problems
CN109345027B (zh) 基于独立成分分析与支持向量机的微电网短期负荷预测方法
CN104035816A (zh) 一种基于改进nsga-ii的云计算任务调度方法
CN112784362A (zh) 一种用于无人机辅助边缘计算的混合优化方法及系统
CN104516785A (zh) 一种云计算资源调度系统及方法
CN106961125B (zh) 风水火电力系统动态经济调度的等式约束处理方法
Chen et al. Smoothed least-laxity-first algorithm for electric vehicle charging: Online decision and performance analysis with resource augmentation
Feng et al. Age of information in UAV aided wireless sensor networks relying on blockchain
Mégel et al. Reducing the computational effort of stochastic multi-period dc optimal power flow with storage
Zhang et al. Short term load forecasting based on IGSA-ELM algorithm
Kashyap et al. DECENT: Deep learning enabled green computation for edge centric 6G networks
CN113253989B (zh) 基于嵌入式系统的软硬件协同一体化集成架构方法
CN114493106B (zh) 一种基于地理划分的空间众包任务分配方法
CN115903514A (zh) 随机工时下复杂装备资源项目集群鲁棒调度方法
Wang et al. A hybrid optimization method for fuzzy classification systems
CN113743012A (zh) 一种多用户场景下的云-边缘协同模式任务卸载优化方法
Peng et al. Improving orchestra using distributed parallel genetic algorithm
Chen et al. Smoothed least-laxity-first algorithm for EV charging
CN112183843A (zh) 一种基于混合智能算法的火电厂负荷优化分配方法
Liu et al. Bi-objective intelligent task scheduling for green clouds with deep learning-based prediction
Chan et al. Generating scheduling constraints for discrete event dynamic systems
Barracosa et al. A Bayesian approach for the optimal integration of renewable energy sources in distribution networks over multi-year horizons
Parassuram et al. A hybrid technique using particle swarm optimization and differential evolution to solve economic dispatch problem with valve-point effect

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
TR01 Transfer of patent right

Effective date of registration: 20231121

Address after: No. 86, runqi Road, Jiangning District, Nanjing, Jiangsu 210000

Patentee after: Nanjing OMI new energy Co.,Ltd.

Address before: No.219, ningliu Road, Jiangbei new district, Nanjing, Jiangsu Province, 210032

Patentee before: Nanjing University of Information Science and Technology

TR01 Transfer of patent right