导读:本文包含了并行规划论文开题报告文献综述及选题提纲参考文献，主要关键词:清洗机器人,换热管清洗,路径优化,并行遗传算法
并行规划论文文献综述
霍丽娜[1]（2019）在《基于粗粒度-主从式并行遗传算法的换热管最优清洗路径规划》一文中研究指出针对清洗机器人清洗路径冗余耗时等问题,提出基于粗粒度-主从式并行遗传算法策略获取最优清洗路径。采用多核CPU+GPU与算法相结合方法最大程度加速最优路径计算过程,充分利用了多核CPU和GPU协作并行计算潜力,充分发挥了粗粒度-主从式并行遗传算法的计算优势。实验结果表明,相比传统简单遗传算法计算时间缩短了62.4%,总合成位移减少11.9%。(本文来源于《自动化技术与应用》期刊2019年11期）
周妍,梁华为,赵盼,李碧春,余彪[2]（2019）在《基于CUDA并行的智能车辆MPC轨迹规划算法》一文中研究指出模型预测控制(Model Predictive Control-MPC)轨迹规划算法涉及复杂的优化过程,易导致过多的计算负担,同时随采样密集度增大规划耗时成倍增长。为了提升轨迹规划效率,在满足规划实时性的前提下尽可能采样更加密集的轨迹簇以改善最终的规划结果,提出了基于CUDA并行的智能车辆MPC轨迹规划算法,在CUDA架构中实现轨迹生成和代价评估的并行设计,代价评估筛选与障碍物不相碰撞的平滑轨迹,确保得到的最优轨迹可行可靠。测试表明,该算法得到的规划结果是可靠的,且对比算法的CPU实现加速比提升了8倍。(本文来源于《仪表技术》期刊2019年10期）
王红君,付勇,岳有军,赵辉[3]（2019）在《基于并行蚁群算法的设施温室机器人多点路径规划的研究》一文中研究指出在设施温室中,为了实现机器人在面对多个工作点时,能够找到一个最优顺序使得完成全部工作所走过的路程最短,受蚁群算法解决旅行商问题(TSP)的启发,提出一种并行的蚁群算法来解决设施温室农业机器人多点路径规划问题。首先,该算法借助于蚂蚁数量自调整的蚁群算法计算出所有点与点之间的最短安全距离,形成一个特殊的距离矩阵;然后借助于蚁群算法根据特殊的距离矩阵来寻找最优顺序;再按照最优顺序依次实现路径规划。仿真结果表明,该方法克服了目前蚁群算法在解决TSP上存在的近似计算及未考虑安全性问题,提高了计算精度,可以快速找到最优顺序进行路径规划,使机器人得到最短、最安全的路径。(本文来源于《江苏农业科学》期刊2019年17期）
田永廷[4]（2019）在《支持再制造的复杂产品并行拆卸序列规划方法研究》一文中研究指出随着科学技术的不断提升,产品更新速度不断加快,废旧产品的激增导致一系列环境问题和严重的资源浪费问题。再制造通过高新技术可将退役产品的性能恢复至或者超过原有产品性能,是废旧产品剩余价值有效回收利用的途径之一。拆卸是再制造的关键步骤,根据产品的拆卸程度,拆卸分为完全拆卸和选择性拆卸;根据拆卸任务是否同步,拆卸可以分为并行拆卸和串行拆卸。由于报废产品中只有部分零部件可以再制造重用,所以,选择性串行拆卸和选择性并行拆卸都适合于再制造拆卸工程实践。但相比于选择性串行拆卸而言,选择性并行拆卸具有拆卸步骤少、拆卸时间短、拆卸能耗低等优点。为此,本文基于遗传算法对支持再制造的并行拆卸序列规划方法及其应用进行了研究,主要完成了以下工作:(1)构建了产品拆卸混合图模型,并针对复杂产品拆卸混合图构建、修改困难等问题,将其进行分层与简化。(2)为提高再制造拆卸效率,提出基于遗传算法的再制造毛坯选择性并行拆卸序列规划方法,将拆卸混合图分解为关联矩阵、邻接矩阵和约束矩阵;提出了目标驱动推演法的目标组件初始拆卸解集合获取方法,由此构建初始种群,并利用关联矩阵剔除不合理解以提高算法的收敛速度;改进了选择、交叉、变异等染色体进化规则,由此求出了目标组件(近似)最优的并行拆卸序列。(3)大型复杂产品的拆卸往往需要多人协作并行拆卸来完成,为了真实模拟实际工作情况,本文提出一种基于遗传算法的多人协作并行拆卸序列与人员任务规划方法。针对多人协作并行拆卸序列与人员任务规划问题的特点,提出了包含节点层、人员约束层等的多层染色体编码方法,并通过节点层和人员约束层的关系规则模型快速获取初始种群。提出了基于拆卸集的染色体适应度计算方法,通过染色体进化可准确求出每个工作人员的任务序列以及拆卸序列的时间成本。(4)基于MATLAB开发了再制造拆卸规划原型系统,并以课题组的帕萨特B5汽车实验台的发动机为例,进行拆卸实验,验证了本文所提方法的可行性和合理性。(本文来源于《内蒙古工业大学》期刊2019-06-01）
刘晓阳,王金业,刘恩福,黄风山[5]（2019）在《面向并行装配规划的层级化装配关系矩阵研究》一文中研究指出为了实现装配关系信息的形式化、层次化以及区域化的表达,面向并行的装配规划过程提出一种分层分级组织和管理装配关系信息的层级化装配关系矩阵。首先,采用分层分级思想调整产品结构树的装配层次关系,并定义了同层级装配单元以及装配域的概念;其次,通过多色集合理论的析取(P∨S)运算进行逐层推理,建立以装配域为单位的、同层级装配单元间的装配关系矩阵,包括同层级装配干涉矩阵和同层级装配连接-配合矩阵;最后,通过应用实例验证了层级化装配关系矩阵满足并行装配序列规划需求。结果表明,层级化装配关系矩阵避免了重复的干涉检测,生成多个组合或层次的规划序列,提高了并行装配序列规划过程中装配关系信息的搜索效率。研究结果可为复杂产品的装配关系信息表达提供参考。(本文来源于《河北工业科技》期刊2019年03期）
刘晓阳,刘恩福,靳江艳[6]（2019）在《基于蚁群算法的异步并行装配序列规划方法》一文中研究指出为了提高复杂产品的装配序列规划效率,利用蚁群算法的并行性及其搜索过程的独立性,对装配序列进行异步并行求解。首先,调整产品结构树的装配层次关系,并基于多色集合理论(PST)对装配层次结构进行形式化表达,建立PS层次结构树;其次,基于"分治"原则,建立"全局并行、区域线性"的蚂蚁搜索策略,对PS层次结构树进行逐层规划和整合计算,实现装配序列的异步并行求解,并提高求解效率;然后,为了解决非线性装配序列表达方式问题,建立装配序列树模型及其自相关矩阵。最后,通过实例验证了异步并行装配序列方法的可行性与有效性。(本文来源于《机械工程学报》期刊2019年09期）
曹亚群[7]（2019）在《GPU并行计算的线性规划算法研究》一文中研究指出线性规划是运筹学的一个分支,在军事领域、环境保护、水资源优化配置、资金分配等社会问题中都有广泛的应用,主要是利用生活中的资源和条件,达到问题的最优解。只是求解一些大规模线性规划问题时,传统单纯形法效率较低,本文利用GPU在高性能并行计算中的优势,提出了基于GPU加速的线性规划算法。(本文来源于《科技创新导报》期刊2019年07期）
杨林峰,胡桂莉,张晨,张振荣[8]（2019）在《基于CPU-GPU协同并行内点算法求解结构化非线性规划》一文中研究指出大量工程应用问题可建模为结构化非线性规划,且这类问题的系数矩阵可分为稀疏型和稠密型两种类型.利用原始-对偶内点法(primal dual interior point method,PD-IPM),并结合分布式并行技术可高效求解此类问题.经典工程问题-机组组合(unit commitment,UC)为稀疏系数矩阵的结构化非线性规划,本文根据PD-IPM原理,对UC模型进行连续松弛预处理,结合快速解耦技术解耦牛顿修正方程并设计CPU-GPU协同并行算法求解子问题,最后将结果与带稠密型子问题的结构化非线性规划的求解结果进行比较和分析.实验结果显示,本文所设计的算法对于两种不同类型的结构化非线性规划求解均能获得较好的加速比.(本文来源于《电子学报》期刊2019年02期）
饶东宁,郭海峰,蒋志华[9]（2019）在《基于并行概率规划的股票指数模拟》一文中研究指出在金融领域,股票指数(简称股指)模拟与分析是一个重要课题,用于股票市场的长期分析.然而,大多数的这类工作目前由专业的分析师来完成,非职业投资者难以涉及.另一方面,现有的基于数学或机器学习的股指模拟方法具有参数多、人工干预多、可解释性差等缺点.针对以上问题,本文基于并行概率规划(Parallel Probabilistic Planning,PPP),提出了一个股指模拟的规划领域模型,并能够进行自动求解.股票市场具有大量的不确定性和并发性,因此适合用并行概率模型来表示.方法的核心思想是将股指模拟问题转化为智能规划问题.首先,本文构建股指模拟问题的规划领域模型.由于股票市场的复杂性,需尽可能地考虑各种影响因素、约束条件、可能事件以及它们之间的关联.构建的规划领域模型由针对PPP的规划语言RDDL(Relational Dynamic Influence Diagram Language)来进行描述.接着,使用PPP的模拟求解工具——rddlsim来进行基于抽样的规划求解.rddlsim是国际概率规划大赛IPPC提供的求解工具,能够全面地解析RDDL描述.实验数据使用上证50指数和上证100指数的股票数据.即,从某个时间点开始,通过求解对应的规划问题来模拟未来一年股票指数的变化趋势.求解结果,一方面,与真实股票指数变化作对比;另一方面,与基于线性回归、基于SVM和基于LSTM的叁种模拟方法的结果作对比.我们分别使用交叉熵、最小二乘和皮尔森相关系数作为损失函数.实验表明,本文的模拟效果比较贴近于真实的股指变化趋势;在大多数情况下,本文方法优于基于回归或SVM的模拟方法,且与基于LSTM的方法性能相当.并且,相对于对比的模拟方法,本文方法提供了较强的可解释性,且在求解过程中不需人工干预或调参.这是因为,形式化的规划领域描述展示了在股指模拟问题中各种因素如何相互影响,而且自动求解得到的规划解给出了导致模拟结果的状态变化轨迹.(本文来源于《计算机学报》期刊2019年06期）
杨雅宁,蔺勇[10]（2018）在《GPU并行蚁群算法在中小型无人机二维航迹规划中的应用研究》一文中研究指出蚁群算法是一种智能仿生优化算法,在无人机航迹规划领域中的研究与应用十分广泛,但是随着蚁群规模和任务航点规模的增大,算法的运行速度将大大降低。本文研究了一种基于蚁群算法的中小型民用无人机的航迹规划方法,并在CUDA7.0环境下利用GPU对该方法进行加速设计,实验结果表明,该方法取得了良好的加速效果,当蚁群规模和任务航点规模增大时,加速幅度显着提高。(本文来源于《南方农机》期刊2018年21期）
并行规划论文开题报告
（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：
模型预测控制(Model Predictive Control-MPC)轨迹规划算法涉及复杂的优化过程,易导致过多的计算负担,同时随采样密集度增大规划耗时成倍增长。为了提升轨迹规划效率,在满足规划实时性的前提下尽可能采样更加密集的轨迹簇以改善最终的规划结果,提出了基于CUDA并行的智能车辆MPC轨迹规划算法,在CUDA架构中实现轨迹生成和代价评估的并行设计,代价评估筛选与障碍物不相碰撞的平滑轨迹,确保得到的最优轨迹可行可靠。测试表明,该算法得到的规划结果是可靠的,且对比算法的CPU实现加速比提升了8倍。
（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。
并行规划论文参考文献
[1].霍丽娜.基于粗粒度-主从式并行遗传算法的换热管最优清洗路径规划[J].自动化技术与应用.2019
[2].周妍,梁华为,赵盼,李碧春,余彪.基于CUDA并行的智能车辆MPC轨迹规划算法[J].仪表技术.2019
[3].王红君,付勇,岳有军,赵辉.基于并行蚁群算法的设施温室机器人多点路径规划的研究[J].江苏农业科学.2019
[4].田永廷.支持再制造的复杂产品并行拆卸序列规划方法研究[D].内蒙古工业大学.2019
[5].刘晓阳,王金业,刘恩福,黄风山.面向并行装配规划的层级化装配关系矩阵研究[J].河北工业科技.2019
[6].刘晓阳,刘恩福,靳江艳.基于蚁群算法的异步并行装配序列规划方法[J].机械工程学报.2019
[7].曹亚群.GPU并行计算的线性规划算法研究[J].科技创新导报.2019
[8].杨林峰,胡桂莉,张晨,张振荣.基于CPU-GPU协同并行内点算法求解结构化非线性规划[J].电子学报.2019
[9].饶东宁,郭海峰,蒋志华.基于并行概率规划的股票指数模拟[J].计算机学报.2019
[10].杨雅宁,蔺勇.GPU并行蚁群算法在中小型无人机二维航迹规划中的应用研究[J].南方农机.2018