首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文

群智能算法及其并行计算技术的研究与应用

中文摘要第10-12页
ABSTRACT第12-13页
符号说明第14-15页
第一章 绪论第15-23页
    §1.1 引言第15-16页
    §1.2 课题研究的目的和意义第16-17页
    §1.3 研究背景第17-20页
        1.3.1 人工蜂群算法第17-18页
        1.3.2 鲁棒PID控制器第18-19页
        1.3.3 并行计算技术第19页
        1.3.4 旅行商问题和工件调度问题第19-20页
        1.3.5 MPI软件包第20页
    §1.4 国内外研究现状第20-21页
        1.4.1 人工蜂群算法解决优化问题第20页
        1.4.2 并行计算研究现状第20-21页
    §1.5 论文的研究内容和结构安排第21-23页
第二章 自适应变换步长人工蜂群算法求解工件调度问题第23-33页
    §2.1 人工蜂群算法的基本理论第23-25页
    §2.2 工件调度问题第25-27页
    §2.3 自适应变换步长人工蜂群算法第27-29页
        2.3.1 工件调度问题的编码方式第27-28页
        2.3.2 人工蜂群算法求解工件调度问题第28页
        2.3.3 变换步长策略第28-29页
        2.3.4 自适应变换步长人工蜂群算法步骤第29页
    §2.4 实验结果和分析第29-33页
第三章 人工蜂群算法设计鲁棒PID控制器第33-40页
    本章简介第33页
    §3.1 PID控制器理论基础第33-34页
    §3.2 PID控制器的性能指标第34-35页
    §3.3 鲁棒PID控制器的设计第35-36页
    §3.4 多目标最优化问题第36页
    §3.5 实验结果第36-40页
        3.5.1 传输函数第36页
        3.5.2 实验参数第36-37页
        3.5.3 实验结果第37-40页
第四章 并行计算相关技术第40-48页
    §4.1 MPI技术介绍第40-44页
        4.1.1 MPI的参数说明第40页
        4.1.2 MPI的数据类型与结构第40-41页
        4.1.3 MPI编程常用函数第41-44页
    §4.2 并行计算平台的架构第44-48页
        4.2.1 SSH服务器的基础安装与有密码登入第44-46页
        4.2.2 SSH实现无密码登入第46页
        4.2.3 Linux下的MPI安装步骤第46-47页
        4.2.4 网络配置和MPI的权限设置第47-48页
第五章 并行人工蜂群算法第48-56页
    §5.1 并行算法简介第48-50页
        5.1.1 算法隐含的并行性第48页
        5.1.2 并行人工蜂群算法的分类第48-49页
        5.1.3 并行人工蜂群算法实现方式第49-50页
    §5.2 旅行商问题第50-51页
    §5.3 并行人工蜂群算法第51-53页
        5.3.1 人工蜂群算法的并行策略第51-52页
        5.3.2 人工蜂群算法的并行化改进第52页
        5.3.3 并行计算的拓扑结构和通信机制第52页
        5.3.4 并行算法的流程第52-53页
    §5.4 实验结果与分析第53-56页
第六章 并行计算平台的动态负载均衡算法第56-64页
    §6.1 动态负载均衡策略的必要性第56页
    §6.2 相关技术细节第56-59页
        6.2.1 CPU利用率的计算第56-57页
        6.2.2 数据处理工具AWK第57-58页
        6.2.3 远程命令执行SSH第58页
        6.2.4 例行性工作调度第58-59页
    §6.3 动态负载均衡策略的实现步骤第59-60页
    §6.4 脚本文件的设计与实现第60-64页
        6.4.1 脚本文件A第60-61页
        6.4.2 脚本文件B第61-63页
        6.4.3 例行性工作调度文件的设计第63-64页
第七章 总结与展望第64-67页
参考文献第67-72页
致谢第72-73页
攻读硕士学位期间发表的论文和专利第73-74页
学位论文评阅及答辩情况表第74页

论文共74页,点击 下载论文
上一篇:基于PLC的试剂精密定量封装控制系统开发
下一篇:基于人工智能优化的支持向量机算法研究和应用--以电力负荷预测为例