导读:本文包含了任务适应度论文开题报告文献综述及选题提纲参考文献，主要关键词:多机器人,任务分配,机器人联盟,适应度算法
任务适应度论文文献综述
冯珊珊[1]（2018）在《基于适应度与蚁群分散搜索的多机器人任务分配》一文中研究指出随着社会生产活动的复杂化和人口劳动力的减少,多机器人系统的应用在我们的生产生活中占据着越来越重要的地位。多机器人任务分配作为多机器人系统领域的重要研究方向,是多机器人系统执行任务的前提,也是系统执行效率是否高效的关键,是组织简单机器人完成复杂任务的核心。而多机器人任务分配是经典的组合优化问题,也是一个NP难题,如何根据任务特点构造合适高效的优化算法,是值得被研究和发展的。本文针对大规模混合任务的分配问题进行研究,算法主要采取任务自动分类、任务分配结构分层的方式来优化分配。在混合的多任务中,先采取改进的适应度建模法来对任务进行自动分类和初步分配,这个过程机器人会自动筛出系统内的单机器人任务(松散型任务)和多机器人任务(紧耦合型任务),并利用改进的适应度进行松散型任务分配,不仅可以实现松散型任务分配的最优化,而且该算法充分发挥了机器人的自主选择性,减少了机器人之间的通讯消耗,提高计算效率。对于紧耦合任务,本文上层采用蚁群算法来进行任务分配的优化,将蚁群算法采用分组寻优的方式来减少联盟解之间机器人的重迭,减少执行等待时间;下层紧耦合任务的联盟解利用改进的分散搜索思想来进行任务联盟的求解,即根据执行任务的机器人数量越少,机器人之间的通讯、避碰和协同控制就会减少的原则,机器人联盟解按照整数编码的思想来获得,并通过建立联盟参考集,来不断优化更新参考集的解集,保证了联盟解能更好的寻优。(本文来源于《郑州大学》期刊2018-05-01）
王捷,王顺平[2]（2015）在《引入多QoS开销适应度的云计算任务权衡调度》一文中研究指出提出一种引入QoS开销适应度运算的云计算任务权衡调度算法,首先进行了支持多QoS因素任务调度问题描述与网格拓扑结构构建,进行云计算任务权衡调度对多用户QoS偏好的影响力数学度量,通过多QoS开销适应度运算的引入,根据计算资源的成本和数据传输时间,来确定分配任务的位置。为了适应云存储中的多QoS偏好,重新定义PSO的适应度函数,实现任务权衡调度算法的改进。通过仿真实验研究得出,采用该算法对云计算任务节点的聚类准确性较高,进行任务调度中的实时性好。通过多QoS偏好分析,引入QoS开销适应度运算,用户满意率有明显上升,适应度函数随不同类别任务变化,有效地反映不同类型任务的QoS偏好。展示了较好的云计算任务权衡调度性能。(本文来源于《科技通报》期刊2015年06期）
陈广宇,柳慧琴,邱文祥,李大兴,卢志刚[3]（2014）在《基于适应度的配电网多故障抢修任务分配策略》一文中研究指出配电网发生多处故障时,配备的物资和抢修小队不能满足每个故障任务的需求,因此提出基于适应度的配电网多故障抢修任务分配策略。首先量化配电网抢修故障任务、抢修小队和物资仓库的模型,然后定义小队适应度、物资适应度这2个外部适应度指标,分别描述抢修小队、物资仓库与故障任务之间的匹配程度;定义优先级适应度、进度适应度这2个内部适应度指标,分别描述各个故障任务的优先顺序和其抢修进行程度。综合外部适应度指标和内部适应度指标可得出各个故障任务的总适应度值,进行比较后得出最优的任务分配策略。对IEEE 33节点系统进行仿真,仿真结果验证了所提分配策略的有效性和实用性。(本文来源于《电力自动化设备》期刊2014年11期）
魏丹[4]（2014）在《云环境中基于双适应度遗传算法的任务调度的研究》一文中研究指出云计算作为继分布式计算,网格计算以后的一种新的计算模式,通过互联网向用户提供计算、存储、应用平台等各种服务。在国内外各企业的大力推动下,云计算发展迅速,为处理互联网应用平台日益增长的庞大数据量提供了良好的解决方案。自从2004年Google公司提出能并发处理海量数据的MapReduce并行编程模型起,基于MapReduce模型的云平台不断涌现。其中以Hadoop平台应用最为广泛,而基于MapReduce模型的任务调度问题也成为了学者研究的热点问题,高效的任务调度算法能提高云计算系统的整体性能以及更合理地分配和利用云计算中心的资源,对云计算平台处理海量数据有重要意义。任务调度一直是云平台中一个关键性的问题。用户数量和数据量都是非常巨大的。如何对任务进行高效的调度成为云计算中所要解决的重要问题。为了解决这个问题,考虑到云环境的新特性和原来自适应遗传算法(AGA),本文提出了一种新的双适应度函数的调度策略TAGA),不仅考虑作业的总计完成时间而且把作业平均完成时间作为一个重要因素考虑进来。该调度策略产生的作业调度序列不仅找到总任务完成时间较短的任务调度序列,而且该调度产生的结果任务平均完成时间也很短。最后模拟云计算环境,用Matlab模拟试验对TAGA和AGA算法进行比较,设置和调整试验参数,对比分析原有算法和改进的算法。通过反复试验,TAGA在总计作业完成时间,平均任务完成时间方面都要优于AGA算法,更加适应云计算环境。(本文来源于《大连海事大学》期刊2014-10-01）
郑俊飞[5]（2014）在《云平台下基于多适应度的改进任务调度算法》一文中研究指出随着计算机和网络技术的不断发展，云计算逐步作为一种全新的计算模型，被提出并不断加以改进，经过学术界和产业界的共同推进，正在从理论基础走向实践，我国政府也投入了大量的财力和物力来帮促进“云计算”产业在我国的发展，全球各大IT巨头分别进入云计算领域，例如谷歌、IBM，亚马逊等，都在开源的云计算平台上改进然后提出了自己的云计算平台。云计算基本思想是把网络中的海量用户提交的作业分割成很多的小型的计算任务，然后交给由多个服务器组成的服务器集群来执行计算，云计算的用户群是非常庞大的，因此任务数量也是非常巨大的，所以任务调度是云计算平台实现的关键点。云计算技术的商业特性决定了它需要满足用户多方面的计算服务需求，因此必须通过特殊的任务调度策略来为用户提供更高质量的计算服务水准，实现将不同的作业根据环境的实际情况调度到合适的资源上执行，现有的任务调度算法都存在一些或多或少的问题，如FIFO算法会造成系统整体的运行效率不高，资源利用率也不高；公平调度算法会出现负载均衡差，系统响应久，另外配置文件的好坏也会影响系统的性能；计算能力调度算法需要手动设置队列和队列组从而使得整个系统的易用性比较差；另外还有一些研究人员通过借鉴遗传算法、免疫算法、蚁群算法等的原理，通过对任务执行的过程进行动态的监控，根据任务的执行结果的反馈信息，动态的调整后续相关任务的分配执行，但是存在QOS考虑不够全面、初始种群生成不均匀以及进化速度慢的问题。针对已有的基于相关算法的对服务质量(QOS)考虑不全面，以及初始种群生成不均匀、进化速度慢等问题，提出了一种基于多适应度的改进任务调度算法(Multi-fitness TaskScheduling Algorithm MFTSA)，利用多个适应度函数来优化算法，该算法可以使用户在具有模拟的独立计算的能力基础上，根据QOS特征向量来进行资源与相关任务的分配，使得算法在总任务完成时间、任务平均完成时间、任务完成总费用、任务的安全性等级、可靠性等级、能耗等级方面均可以得到提高，这样就可以区分开不同用户的不同需求，为用户提供符合特殊需要的服务，满足用户多样性的需求，同时改进了遗传算法的初始种群生成方法以及相关的进化策略，通过后期切换到蚁群算法执行，从而使算法具有更快的收敛速度。最后，使用CloudSim进行了云计算平台上的仿真验证，验证了算法的可行性以及对不同需求用户的服务质量的保证，实验结果表明，该算法在QOS、算法迭代速度方面，比现有的算法性能好，是一种高效的任务调度算法。(本文来源于《南京邮电大学》期刊2014-02-01）
徐洁,朱健琛,鲁珂[6]（2013）在《基于双适应度遗传退火的云任务调度算法》一文中研究指出云计算是当前计算机领域研究的热点,其中云任务调度算法性能的好坏直接影响到云计算平台的整体性能。为了满足云计算平台庞大用户群的不同服务需求,针对现有的云计算任务调度算法提出一种双适应度遗传退火任务调度算法(DFG2A),基于该任务调度算法的任务调度策略能够有效平衡用户对任务各项属性的需求,提高云计算平台的用户满意度。实验结果证明了该算法能兼顾云计算平台总任务执行时间和用户需求,是云计算环境下一种有效的任务调度算法。(本文来源于《电子科技大学学报》期刊2013年06期）
冯晓海[7]（2013）在《多机器人任务分配适应度模型算法研究》一文中研究指出随着多机器人领域研究的不断深入,在动态环境下,大规模多机器人系统中任务分配问题变得越来越重要,设计一套灵活、有效、实时性强的多机器人任务分配方法是引导众多研究者不断前行的动力源泉。本文研究了多机器人系统建模法任务分配中的适应度模型算法,通过改进适应度模型算法解决了动态特征环境下的实时任务分配问题。改进适应度模型算法中首先改进了机器人特征参数模型与任务特征参数模型,采用国际单位制的原始性能参数建立模型,降低了模型参数的关联性与计算量；其次,给出了机器人与任务间匹配关系的算法,用于适应度模型算法中的外部适应度的计算,降低了外部适应度的计算复杂度与通信复杂度；接着,设计了单体机器人联合形成机器人组执行任务的方案。通过实验验证了改进适应度模型算法的合理性与有效性。同时,实验结果表明同构多机器人系统执行优先级相同的任务时,进度适应度权重大于资源适应度的权重可获得较优系统执行效率。(本文来源于《西北大学》期刊2013-06-30）
陶雪丽,郑延斌[8]（2013）在《基于适应度的多Agent层次任务分配方法》一文中研究指出为了解决动态环境中的任务分配问题,提出了一种层次任务分配方法,利用基于适应度的全局分配方法为Agent分配合适的任务,当环境发生变换时,通过基于能力和偏好的局部调整来解决任务和Agent之间的匹配问题,使得每个Agent能够根据局部信息选择理想的任务来执行,提高了分配算法的鲁棒性和多Agent整体效用.仿真实验表明该方法是可行且有效的,能够解决动态环境中的任务分配问题.(本文来源于《微电子学与计算机》期刊2013年06期）
柳慧琴[9]（2013）在《基于适应度的配电网多故障抢修任务分配策略》一文中研究指出配电网作为电网与用户相连的纽带，一旦因突发灾害导致多处故障，将直接影响人民的生产生活用电，因此制定快速恢复供电方案的要求，对以配电网管理人员经验进行调度决策的现状，提出了严峻的挑战。本文在查阅了大量国内外相关文献的基础上，意在充分利用灾后不充足的抢修小队、物资等资源，使得所制定抢修策略，通过合理安排抢修任务，减少故障所造成的社会经济损失，同时使资源利用最大化。首先，本文针对配电网多故障抢修时的叁个重要对象——抢修故障任务、抢修小队和物资仓库进行量化，描述了其抢修中需要的具体参数，同时依据抢修任务目标的不同，考虑抢修小队、物资配备与故障任务的自身情况，制定了四条基本的任务分配策略，为抢修任务分配奠定了前期基础。其次，为建立抢修任务分配模型，定义了两个外部适应度指标：小队适应度和物资适应度，用来描述抢修小队的能力、物资仓库的物资配备与故障任务之间的匹配程度，同时定义了两个内部适应度指标：优先级适应度、进度适应度，分别描述各故障任务的抢修优先顺序和其抢修已经进行的程度，据此得出各故障任务的总适应度，即可建立在未去现场抢修之前的任务分配模型。最后，考虑未进行任务分配进行现场抢修时可能会发生的两种情况：抢修小队能力不足和物资配备不足，建立此时的任务分配模型，通过算例的仿真验证了本文所提模型可以解决配电网发生多处故障时以及出现突发情况时如何进行故障任务分配的问题。(本文来源于《燕山大学》期刊2013-05-01）
张万绪,冯晓海,赵江波,卢恩超,李莹[10]（2013）在《改进适应度的异构多机器人任务分配》一文中研究指出目的探究基于适应度的异构机器人系统模型与外部适应度的特点,提高系统性能与任务分配结果。方法应用数学模拟法分别研究机器人与任务,实证研究法验证外部适应度算法。结果对于机器人模型与任务模型,采用机器人原始性能参数建模;外部适应度采用正余切函数构成的算法,实现了任务最优分配。结论改进后的数学模型提高了系统的鲁棒性与可扩展性,改进外部适应度算法更为有效的反映机器人与任务间的匹配关系,为系统任务分配提供了可靠依据。(本文来源于《西北大学学报(自然科学版)》期刊2013年01期）
任务适应度论文开题报告
（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：
提出一种引入QoS开销适应度运算的云计算任务权衡调度算法,首先进行了支持多QoS因素任务调度问题描述与网格拓扑结构构建,进行云计算任务权衡调度对多用户QoS偏好的影响力数学度量,通过多QoS开销适应度运算的引入,根据计算资源的成本和数据传输时间,来确定分配任务的位置。为了适应云存储中的多QoS偏好,重新定义PSO的适应度函数,实现任务权衡调度算法的改进。通过仿真实验研究得出,采用该算法对云计算任务节点的聚类准确性较高,进行任务调度中的实时性好。通过多QoS偏好分析,引入QoS开销适应度运算,用户满意率有明显上升,适应度函数随不同类别任务变化,有效地反映不同类型任务的QoS偏好。展示了较好的云计算任务权衡调度性能。
（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。
任务适应度论文参考文献
[1].冯珊珊.基于适应度与蚁群分散搜索的多机器人任务分配[D].郑州大学.2018
[2].王捷,王顺平.引入多QoS开销适应度的云计算任务权衡调度[J].科技通报.2015
[3].陈广宇,柳慧琴,邱文祥,李大兴,卢志刚.基于适应度的配电网多故障抢修任务分配策略[J].电力自动化设备.2014
[4].魏丹.云环境中基于双适应度遗传算法的任务调度的研究[D].大连海事大学.2014
[5].郑俊飞.云平台下基于多适应度的改进任务调度算法[D].南京邮电大学.2014
[6].徐洁,朱健琛,鲁珂.基于双适应度遗传退火的云任务调度算法[J].电子科技大学学报.2013
[7].冯晓海.多机器人任务分配适应度模型算法研究[D].西北大学.2013
[8].陶雪丽,郑延斌.基于适应度的多Agent层次任务分配方法[J].微电子学与计算机.2013
[9].柳慧琴.基于适应度的配电网多故障抢修任务分配策略[D].燕山大学.2013
[10].张万绪,冯晓海,赵江波,卢恩超,李莹.改进适应度的异构多机器人任务分配[J].西北大学学报(自然科学版).2013