并行协同（精选5篇）
并行协同 篇1
1 引言
一类可循环结构并行协同模式研究实践, 考虑实体产业的经营模式, 经济指标, 环境资源指标等多因素。目前, 复杂实体产业体系没有确定的标准, 本文参考的是中华人民共和国环境保护标准HJ-465, 钢铁工业发展循环经济导则。结合大冶有色冶炼厂2004-2010年度报表, 主要做了如下工作:
(1) 分析相关统计局和研究领域对于循环经济模式研究现状。由于循环经济模式涉及领域广, 系统数据量大, 相互关联, 相互制约, 相互作用, 难以量化。不可预测性, 有些数据高度动态性, 非线性, 不确定性, 并且有些数据具有复杂层次结构。通过以前数学的学习, 运用简单的层次分析法, 灰色模型最小二乘法, 神经网络算法等进行数据处理, 拟合相关数据得到所需要的参数和偏导, 对相关指标进行预测。
(2) 结合经济领域多目标决策理论, 循环经济研究模型, 建立本文的一类可循环结构的并行协同模式模型。
(3) 对于该循环结构的并行协同算法, 传统经济领域通过问表调查, 专家估算统计对循环指标人为评定, 具有主观臆断性, 缺乏可信度。以循环经济体系评估模型为主。本文经过改进, 结合最新循环经济评估标准, 运用ABMS[2], 人工智能方法, 对企业发展循环模型进行仿真研究。
(4) 结合多种智能算法, 多目标寻优, 借助成熟的仿真平台, 添加自适应函数和所获得的相关参数, 找出最优决策。
2 并行系统
简单系统, 是以牛顿时代以来构成科学事业焦点的一类研究系统, 比如标准大气压下封闭的气体, 或者遥远的星系, 以至于我们可以用简单的统计和数学公式计算等的方法可以推测它们的行为。并行系统中, 子系统之间关联比较弱, 也就是同一性质的元素及其同种含义关系的系统构成的集群称为群并行系统。
在宏观上一个并行执行系统, 相也就是子系统相关性比较弱, 对于我们研究复杂问题, 计算量大时, 选择并行计算可以有效节省时间和开销。
例如在一个集群高性能计算机执行可并行与不可并行程序的过程中
例证:
(1) 一个简单的没有数据依赖及竞争条件的循环程序 (部分伪代码) [3]
经过测试, 在没有启用Open MP支持时, 即串行算法整个时间耗费为0.031s.在启用Open MP后, 程序中的for循环被并行执行, 其时间耗费却增加了近一倍, 为0.078s.处理器加速比:
串行时间耗费/并行时间耗费=0.39
结果说明:多节点或多线程并行处理, 必需面向可并行任务, 而循环程序引入多节点并行执行, 将大大增加节点间交互通信开销, 故整体执行时间大于单节点开销。研究证明:当系统需求资源饱和或过剩时, 继续增加资源, 系统效率会随着资源增加而下降。
因此, 实例证明, 多节点HPC性能与所处理的任务属性关联。
3 一类并行协同研究实例
3.1 并行协同模式的特点
并行协同模式[4], 有别传统的线形的, 是一种物质闭环流动, 且子系统中存的相互联系呈现一定的反馈式, 亦或是网络状的模式简称。可以运用到经济领域, 是研究循环经济的重要方法。运用生态学原理, 指导人类社会的经济活动, 不依照简单粗放的机械论规律。系统持续演进过程中内在物质流, 在人为的干预下, 远大于生态系统的能量流。循环紧急作为阈值, 减少能量输出, 可为优化人类经济系统, 为各系统之间协调发展, 提供启发性, 整体性的思路。为传统的工业经济转型提供契机, 在这种理论模式下物质和能源, 继续保持这种循序演进的生态循环中。对研究未来循环经济提供参考依据。
可循环结构并行协同模式旨在降低系统开销, 是一类寻化模型。例如目前研究的循环经济也是一类循环结构并行协同模型。循环经济是解放了传统的线性增长模式, 是以节能环保为依托的是一种优先经济发展模式[5]。使整个生态系统的持续发展, 能量, 消费得到平衡, 其中资源是以减量化, 再利用, 资源化为节能依据, 表现为以“资源———产品———废物———再生资源”, 表现为多目标寻优模型。
可循环并行协同模式在设计过程中, 要运用到并行思维, 和并行工程的设计理念。例如设计者在生产的最初阶段, 就要考虑在概念形成到产品报废处理整个周期中产品包括品质、成本、进程和用户要求, 诸多因素[6]。实现集成化。本文以黄石冶炼企业为研究对象, 可构成一个群并行系统。
3.2 ABMS模型
是仿真模型, 它融合了实验室的进化学习和并行计算的最新技术, 目前广泛运用于生态系统, 经济系统和人类组织系统的建模和仿真。以为基础平台, 在的通用程序架构下, 共享基本对象的类库[7], 以及仿真模型的控制擎, 直持时间片推进方式, 同时提供模型运行的用户接口, 以及相关工具, 如随机数生成器。它支持、、、和等语言。可以在以及环境下运行。
4 实验结果及性能分析
数值仿真, 是为了形象描述, 企业的学习效应, 设定黄石区域是一个寡头市场。设定市场的逆需求函数的参数a=1, b=1。企业单位成本的参数, 设为c1=2, c2=2.2。自适应调整系数为θ=0.1, 初始产量为 (1, 2) , 竞争的周期设为100次。当调整学习效应指数为γ=0.5时, 4个神经元, 每次随机输入1个样本, 最小速率0.1, 动参0.7, 权值区间是 (-1, 1) 。误差函数为, 最大学习次数为50。得到初步的实验结果。
(4) 从表上可以看出AQI为空气污染指数, 长期处于中度污染范围, 突破重度污染的情况, 智能系统会启动应急机制, 强制实行报废, 报停一些小的锅炉加工厂。而经济效益在并行系统的有效调度下, 执行的循环过程, 提升经济效益。空气质量长期处于重度污染, 造成的医疗费用, 环境治理费用也随之增加。通过调节关联度的大小与系统个数, 发现系统明显经济效益增加的同时社会费用和环境污染指数反而有所下降。企业经营过程中, 例如冶炼厂只生产铜锭出售, 而另一个生产商通过购买铜锭, 制作抗腐蚀的铜晶管, 制作过程需要在高温熔融状态下, 增加简单工艺就能达到。此生产商和厂家就是两个独立并行系统, 如果冶炼商家在冶炼过程中直接制作铜晶管, 将减少煤燃烧二度污染, 尤其是冶炼行业是重度污染源。因降低生产重复环节。实现工业园, 企业的合并等都有利于实现群系统的关联和统筹部署, 克服行业门槛, 形成统一严格行业标准, 将有助于相关企业相互关联。将有助于提升集群的核心竞争力。
参考文献
[1]廖守亿, 戴金海.复杂系统基于Agent的建模与仿真设计模式及软件框架[J].计算机仿真.2005 (05)
[2]黄建新.基于ABMS的体系效能仿真评估方法研究[D].国防科学技术大学, 2011.
[3]江文毅, 庞丽萍, 高兰, 韩宗芬.串行程序的并行划分算法研究[J].华中科技大学学报, 2000, 12:30-32.
[4]王东, 首天成, 李红军.基于并行工程理念的产品设计方法研究[A].中国机械工程学会机械工业自动化分会、中国自动化学会制造技术专业委员会.全国先进制造技术高层论坛暨第八届制造业自动化与信息化技术研讨会论文集[C]中国机械工程学会机械工业自动化分会:, 2009:4.
[5]蔡绍洪, 冯静, 李莉.以循环产业集群实现和谐生态经济[J].环境保护, 2007, 22:55-57.
[6]杨雪锋.循环经济的运行机制研究[D].华中科技大学, 2006.
[7]郝成民, 刘湘伟, 郭世杰, 晏洪勇.Repast:基于Agent建模仿真的可扩展平台[J].计算机仿真, 2007, 11:285-288.
基于并行协同演化的差分进化算法 篇2
1 差分进化算法
差分进化算法是一种基于群体进化的智能优化算法,具有记忆个体最优解和群内信息共享的特点,即通过群内个体间的合作与竞争来优化问题的解[5]。
该算法首先取得一组随机初始化的种群:X0=[x
由于基本差分进化算法收敛速度慢、易早熟等不足,本文把并行协同进化引入差分进化算法之中来克服上述不足。
2 所提并行协同差分进化算法
2.1 基本思想
自然界各生物种之间存在着相互制约、相互促进的关系,这种关系称为协同演化[7]。它借鉴了生态学的种群协同理论,通过采用种群间的自动适应、自动调节原理来提高各自和全局的性能。针对标准差分进化算法收敛速度慢、易陷入局部最优解的问题,现提出了并行协同差分进化算法,其基本思想如下:首先使n个子群独立进化,并且记下每个子群当前搜索到的最优解flbest,通过比较当前最优解,找出全局最优解fgbest,采用优胜劣汰的策略,用fgbest代替每个子群中的最差粒子,作为指导信息来影响每个子群的进化,但又不改变每个子群的进化方向,这样就达到了两个效果:一是使局部的搜索性能大大提高;二是通过全局最优解信息的引入,避免了算法陷入早熟的现象发生,从而使算法性能得到了较大的改进。
2.2 算法流程
具体算法流程如图1所示。
该流程表明种群与种群之间在进化过程中的协调关系,不仅考虑了个体之间的竞争,还考虑了个体之间的协作,更加符合自然界进化的规律。
2.3 所采用的策略
2.3.1 变异算子设计策略
为了维护子群体的多样性和收敛性,同时有效地利用群体已搜索到的优良信息,采用一种新的变异公式如式(1)所示:
xm=x
式(1)中:x
2.3.2 自适应交叉概率设计策略
在标准差分进化算法中,一般都采用固定形式的交叉概率因子,即在算法求解时,每个个体的交叉概率自始至终都采用某个固定值。在并行协同差分进化求解问题时,为了能够利用其他种群搜索到的优良信息,现提出了一种自适应调节交叉概率因子的方法,如式(2)所示,使得算法更符合问题本身的特征,提高了搜索效率。
式(2)中,CRi是个体xi的交叉概率因子(i=1,2,…,NP);fi是个体xi的适应度函数值;flbset和fworst分别为当前子群中适应度最优和最劣的个体的适应度函数值;fgbest为当前所有群体中适应度最优的适应度函数值。
式(2)表明,当fi>flbest时,应该增大交叉概率,以便在新产生的个体中xi所占的分量更多;当fi≤flbest时,应该减小交叉概率,使得新产生的个体中flbest的成分较多。这种自适应交叉概率设计的方法,可根据迭代过程中个体之间的适应度函数值的关系,有效的调整新个体的组成成分,从而提高算法的搜索性能。
2.4 算法过程描述
Step1:初始化种群。差分进化算法采用实数编码方法,编码简单,这里采用文献[8]的编码方式进行编码,能够表示出所在出救点出发的车辆和车辆的行驶路径。染色体可以表示为(r1,r2,…,rn),其中基因ri对应于受灾点i,由出救点编号depot_num和车辆编号vehicle_num两部分组成。根据服务的结点数目(n),随机产生一个关于结点数目的排列作为一条染色体,重复产生多条染色体,直到达到种群规模,得到需要的初始种群。即:Chrom(i,:)=randperm(n);i=1,2,…,NP,其中n为服务的结点数目,NP为种群的初始规模。
Step2:置当前迭代次数G=1,计算初始子群每个个体的适应度函数值,找出每个子群的最优函数值,记为flbest,找出每个子群的最差函数值,记为fworst;同时比较所有子群的flbest,找出最优的函数值,记为fgbest。
Step3:对每个子群分别进行变异、交叉、选择这三种操作,并形成新种群。
Step4:G=G+1;如果G≥IterMax,则转Step5;否则转Step2。
Step5:输出群体当前最优解,算法结束。
3 仿真验证
下面的例子来验证所提算法:某地区发生自然灾害, 24个受灾点需要物资救援,受灾点位置(单位:km),需求量(单位:t)以及允许到达的时间区间(单位:min)见表1。
现有三个物资储备中心(出救点),每个物资储备中心的位置和拥有的车辆数见表2,每辆车的最大载重量为12吨,行驶速度是35 km/h,要求在规定的时间的范围内,完成合理的调配,使所有受灾点的物资需求都能得到满足,并使车辆行驶距离最短。
分别采用遗传算法(GA)、差分进化算法(DE)和本文算法(PCDE)对该算例在同一台计算机上进行计算。求得该算例的最优调度方案是三个出救点的7辆车参与调度,每辆车的行驶路线、行驶距离(单位:千米)、行驶时间(单位:分钟)如表3所示,车辆的总行驶距离Ltotal(单位:km)随迭代次数N变化的曲线如图2所示。
从该算例的计算结果不难看出,所采用的算法能够快速准确的求出多出救点应急调度问题的最优解,而且搜索到最优值的时间和效率均优于遗传算法和标准差分进化算法,这是因为采用的S个子群同时进行优化,子群通过个体替代相互传递信息,信息采取的是正反馈,有效的防止了群体的退化,提高了搜索效率。
4 结束语
针对差分进化算法的不足,引进协同进化的思想来加以解决,并设计了其中的变异算子和自适应交叉算子。算例表明,同遗传算法和差分进化算法相比,本文所采用的算法可以在很短的时间内求出多出救点应急物资调度的最优解,而且搜索到最优值的耗时较短。
摘要：针对传统差分进化算法搜索速度慢、易陷入局部最优解的缺点,引入协同演化的思想提出了一个基于并行协同演化的差分进化算法,并设计了相应的变异算子和自适应交叉算子。仿真验证结果表明:同遗传算法、标准差分进化算法相比,所提算法在搜索速度和寻优能力方面都具有一定的优势。
关键词：差分进化,协同演化,遗传算法
参考文献
[1] Novo J,Santos J,Penedo M G.Topological active models optimiza-tion with Differential Evolution.Expert Systems with Applications,2012;39(15):12165—12176
[2] Gnanambal K,Babulal C K.Maximum loadability limit of power sys-tem using hybrid differential evolution with particle swarm optimiza-tion.International Journal of Electrical Power&Energy Systems,2012;43(1):150—155
[3]吴斌,蔡红,樊树海,等.双倍体差分进化粒子群算法在VRP中的应用研究.系统工程理论与实践,2010;30(3):520—526
[4] Fabris F,Krohling R A.A co-evolutionary differential evolution algo-rithm for solving min-max optimization problems implemented on GPUusing C-CUDA.Expert Systems with Applications,2012;39(12):10324—10333
[5] Chang Chunguang,Chen Dongwen.Study on Multi-destination Emer-gency Scheduling Model Under Dynamic Continuous Consumption.Proc.of International Conference on Logistics Systems and IntelligentManagement.Harbin,China,2010:1532—1535
[6]王海伦,余世明,郑秀莲.自适应差分进化算法及其在参数估计中的应用.计算机工程,2012;38(5):202—205
[7] Lung R I,Dumitrescu D.A new collaborative evolutionary-swarm op-timization technique.Proceedings of the 2007 GECCO ConferenceCompanion on Genetic and Evolutionary computation,England:Lon-don,2007;2817—2820
并行协同 篇3
1、协同进化系统的机理及MOCEA
1.1 协同进化系统的机理
达尔文进化论认为, 生存竞争、优胜劣汰是生物进化的最活跃因素, 而现代生物进化理论告诉我们, 与竞争密切联系的协同作用也是影响生物进化的重要因素, 甚至在反映自然进化过程方面更全面、更准确。协同进化论是在遗传进化论的基础上, 充分考虑了种群与环境之间、种群与种群之间的进化过程中, 相互作用、相互适应、共同进化的过程。进化过程中的相互竞争与相互协同并存, 相互制约与相互受益并存, 这就是所谓的协同进化。从信息处理角度来看, 协同进化系统包含着模式识别、记忆、相互学习、反馈机制、多样性遗传、克隆选择、自适应和分布式处理等多种控制机理, 以及各机理之间的网络化的信息传递。由此看出, 协同进化系统是一种具有高度并行、分布式和自适应特点的信息处理学习系统。生物学证据表明:协同进化能够大大加快生物进化的历程, 因此借鉴协同思想的进化算法具有巨大的优越性, 对于解决维数较高或结构复杂的系统优化问题效果非常显著, 而这种计算机理为人类提高信息处理技术水平, 提供新的概念、理论和方法。
1.2 协同进化算法和MOCEA
自二十世纪50年代中期创立了仿生学以来, 人们从生物进化的机理中受到启发, 提出了许多用以解决复杂优化问题的方法。如蚁群算法、协同进化算法等。其中, 协同进化算法 (Co-Evolutionary Algorithm CEA) 就是基于自然协同进化论而发展起来的新型现代智能算法, 是近年来针对进化算法的不足而兴起的一个研究热点。协同进化算法在进化算法的基础上, 充分考虑了种群与环境之间的竞争、种群与种群之间的进化过程中协调。借鉴自然界中不同生物种群之间相互作用、相互适应、协同进化的过程, 协同进化算法把一个复杂的问题分解为若干个相对简单的子问题, 分配给多个子群体分别进行进化操作, 子群体之间定期进行信息的交互, 通过合作或竞争的关系, 共同协调完成对问题的求解, 因此它特别适用于维数较高或结构复杂系统的优化问题[5]。
多目标优化 (multi-objective optimization) 是工程应用和科学研究方面的重要研究课题形式之一, 实际中各子目标之间往往是相互冲突, 照顾了一个子目标的“利益”, 必然会导致其它至少一个子目标的“利益”受到损失, 由此可以看出, 对多个目标优化问题实际上不可能存在绝对的或者是唯一的最优解, 而是存在一个折衷解的集合, 称为Pareto最优解集 (Pareto optimal set) 。因此, 求解多目标优化问题的关键就是使新一代的非支配集不比上一代差, 如此进化使得群体的非支配集不断地逼近真正的最优边界 (True Pareto Optimal Front) , 最终得到Pareto解集中的一个或多个满意解。
通常, 多目标优化问题一般可表述为由n个决策变量, M个目标函数和K种约束条件组成, 最优化目标如下:
式中, X= (x1, x2, ……, xn) ∈D为决策向量;y= (f1, f2, ……, fM) ∈Y表示目标向量, D为决策向量形成的决策空间:Y为目标向量形成的目标空间。
近年来, 从协同进化机理出发衍射出了多种协同进化算法, 多目标优化协同进化算法 (MOCEA) 就是其中之一。它利用协同进化算法为多目标优化问题寻找Pareto最优解集, 此算法不仅具有进化算法的克隆选择、群体多样性和自我浓度调节等功能外, 还设计了体现协同计算的协同算子 (合作、吞并和分裂算子) , 使得进化计算在保持种群的多样性的同时, 又实现了带有“方向性”的搜索, 因此, 该算法具有很强的并行搜索能力、较快收敛速度、群体规模动态调整、Pareto最优个体保存于群体外并不断更新等特点, 能在很大程度上克服基于权重系数的多目标进化算法的许多缺点[4]。相对于其它多目标搜索算法而言, MOCEA是一种“广”、“优”俱佳的智能算法。首先, MOCEA利用克隆选择、突变和协同算子“有方向”地增强群体多样性, 隐含着较强的随机、并行全局搜索能力和加快多目标进化算法的收敛速度;其次, 通过记忆、聚类算法、浓度控制、克隆抑制、免疫选择等操作机理的相互作用, 在群体协同进化中实现了非支配解集不断地优化过程。第三, 可以通过约束条件避免非法解的出现, 保证了最优解的“合法性”。
2、多目标协同进化算法的应用
无创血压测量的关键技术在于脉搏波峰值的识别, 目前此类仪器都是以时间顺序、串行、局部地检测峰值, 方法比较简单, 误差较大。协同进化算法是一种随机、并行的全局搜索方法, 已逐渐成为解决多目标优化问题的新兴而有效的工具。本文首次提出了基于MOCEA的脉搏波峰值识别算法, 它是用脉搏波峰特征值和脉搏波的周期作为优化指标, 利用两指标的协同进化, 实现了全局的快速并行搜索和局部的优化搜索, 使之比现有脉搏波峰值搜索方法具有更多的优点。
2.1、脉搏波峰值和周期特征指标的计算
3.1.1脉搏波峰特征值的计算
脉搏波峰特征值用下述公式来表示:
式中:p_value (xi) 表示峰值函数, praise (xi) 为奖励函数, punish (xi) 为罚函数。
p_value (xi) 值是通过计算i点附近范围内的差分值来实现的, 计算公式如下:
式中:NC为差分点个数, λ1为权重系数
奖励函数praise (xi) 是根据脉搏波的特点 (前沿很陡, 后沿较平缓) 和脉搏波幅值的不同, 对i点一定范围 (上升半径) 内用斜率值来计算的, 它的值在亲和度中占的比重是比较大的, 其计算方法如下:
STEP1:计算第i个点的幅值与脉搏波的最大值的比值, 它乘以脉搏波的上升时间的最小阈值得到本个波的上升半径。
STEP2:在第i个点的前后上升半径内, 均匀各取出d个点, 计算这2d个点与i点之间的直线斜率。
STEP3:在前d点中, 比较斜率大于0的点的斜率, 得到最大斜率kb_max, 如果kb_max>k阈值, 则mi=1, 否则为kd/k阈值。
STEP4:判断后d个点的斜率, 如果其中有一点与i点斜率大于0, 则ni=0, 否则为1。
STEP5:praise (xi) =mi×ni×λ2 (λ2为权重系数)
罚函数punish (xi) 是对不符合约束条件的点, 实施惩罚。比如测量时, 由于患者手臂的运动等各种原因产生的干扰波形, 它的特征与正常的脉搏波不同, 因此, 对于不满足约束条件的干扰数据, 可使用罚函数对其进行剔除。
2.1.2 周期特征值的计算
周期指标值用下述公式来表示:
式中:Tp表示本峰值点对前后 (q+r) /2个相临峰值点的平均周期;Tp, i表示本峰值点对之前后 (q+r) /2个峰值点的周期;N为计算峰值点的周期个数。Cp, j表示p峰值点与j峰值点之间的谷点个数 (上述峰值点均指准峰值点) ;Ts表示采样周期。因此, 可以用周期指标σ来评价峰值点的周期指标优劣。
2.2 个体适应度计算
由Zitzler[6,7]提出的适应度赋值方法确定个体的适应度, 具体描述如下:
设当前种群Pt的大小为N。
(1) 标识种群Pt中的Pareto最优解集p (Pt) , 并计算任意i∈p (Pt) 的适应度
其中, j为Pt中的任意个体
(2) 计算Ptp (Pt) 中每个个体的适应度
相应的选择方法为:
(1) 随机从Pt中选出两个个体i, j;
(2) 如果F (i) <F (j) , 则令Pt+1←Pt+1+{i}, 否则Pt+1←Pt+1+{j}
2.3 基于协同遗传算法的峰值搜索
根据两个目标函数将设立A、B两个种群, 其大小均为N;Oa和Ob分别为A和B的Pareto最优解集。利用峰值与周期评价指标的计算方法计算每一个点周期和峰值信息, 根据2.2关于多目标优化的描述, 上述2个目标变量的多目标优化问题可一般表述为:
式中:P (X) 为将Peak_value (X) 目标优化函数归一化处理, 转换成最小化函数。
由峰值与周期评价计算方法计算出种群中每个个体的评价指标, 根据评价指标使用Zitzler提出的适应度赋值方法确定个体的适应度;通过聚类选择操作来实现选择和浓度控制, 浓度控制在协同多目标优化算法中是尤为重要的, 它可以保持群体中相似个体所占比重, 进而实现抑制高浓度相似的个体, 保留局部“优越”个体, 增强了群体的自我调节能力, 保证群体中个体分布的均匀和宽广性。
利用协同算法进行多目标峰值搜索主要是利用群体中个体所携带的信息实现相互的信息“沟通”, 促进搜索速度。协同多目标优化算法除具有遗传进化算法中交叉操作算子外, 重点突出实现协同操作算子:包括合作算子、吞并算子和分裂算子, 其作用为保持群体的多样性和加快收敛速度。
合作算子:设有两个父代种群Pta和Ptb, 其中Pareto最优解集分别为Ota和Otb, 对于Pta的任意个体, 随机在Otb中选择一个个体, 按下式产生一个新个体, 从而产生下一代种群Pat+1:
吞并算子:设有两个父代种群Pta和Ptb, 其其中Pareto最优解集分别为Ota和Otb, 如果满足任意Otb中的个体都可以支配Ota中的个体, 则种群Ptb吞并Pta, 即整体上种群Ptb的解优于种群Pta的解;
分裂算子:种群Pt被随机分成两个种群Pta和Ptb, 并对其中一个种群, 不妨设为对Pat+1的每个个体利用高斯分布的随机数产生器进行变异处理, 得到新的种群Pa′t+1。
图2是利用算法实现的搜索结果, 可以看出从初始种群开始, 通过个体所携带的峰值与周期信息的“相互”协同作用, 即, 合作算子, 可以相互交换信息保持种群的多样性;通过吞并算子, 可以增加保证优势种群所占资源的比例;通过分裂算子, 在种群优势明显时将种群分为两部分, 这样可以避免因独立进化若干代后种群多样性的快速丧失。因此, 使用上述协同免疫进化算法使种群解不断地优化, 深入体现了协同进化的优越性, 实现了血压峰值的协同并行搜索, 提高了峰值的检测速度。
3、结语
本文针对传统血压串行、局部搜索峰值算法的不足, 提出了将具有并行、全局搜索特点的协同进化免疫算法应用到脉搏波的识别上, 为示波法血压测量技术提出了一种新的峰值检测方法。通过实验表明, 该方法对多峰值识别准确可靠, 在峰值检测的的速度、精度等方面都有着明显的优点, 因此, 随着协同进化算法的不断研究、发展, 必将被广泛地应用于计算机科学、工程技术、管理科学和社会科学等领域, 它具有广阔的应用前景。
摘要：协同进化 (Co-evolution) 算法是针对遗传进化算法 (GA) 的不足而兴起的一个研究领域, 由于该算法在复杂信息处理方面的优越性能, 近年来正逐渐成为国内外学者关注的一个热点。本文在协同算法理论研究的基础上, 应用协同进化计算与血压峰值检测具体应用相结合, 不仅提高了血压峰值检测的速度和精度, 而且为血压示波法提出了一种新的峰值检测方法。
关键词：示波法,协同进化,适应度,多目标优化
参考文献
[1]张桂平电子血压计测量原理及存在的问题医疗保健器具2005.5
[2]甄斌等示波法血压测量的实现与讨论生物医学工程学杂志1999.16 (1) 42-45
[3]张政波等无创血压测量技术与进展中国医疗器械杂志2003 Vol.27 No.3
[4]黄席樾等基于免疫应答原理的多目标优化免疫算法及其应用信息与控制2003 Vol.32 No.3
[5]焦李成等协同进化计算与多智能体系统科学出版社2006
[6]Zitzler E, Thiele L.Evolution algorithms for Mutiobjective Optimization:methods and application.Doctoral thesis ETH No.133398, Zurich:Swiss Federal Institute of Technology, 1999.114
并行协同 篇4
长期以来我们的飞机研制多采用串行工作模式, 即产品设计→工艺审查→数据发放→零件工艺设计→工装设计→零部件制造和装配→试飞和售后支持。在整个飞机研制的全寿命周期遵循这样一个串行程序, 前一阶段完成并经过评审和确认后才能进入下一个阶段的工作。这种模式势必导致飞机的研制周期加长, 提高飞机的研制成本。随着生产力的发展, 特别是数字化技术的发展, 这种模式严重阻碍了我们的发展。现阶段特别需要探索一种新的研制模式———并行协同设计技术。以提高我们的研制进度, 提高核心生产力。
2串行研制模式的弊端
2.1设计人员与工艺人员缺少沟通, 导致我们的设计方案可能不能满足工艺加工要求或现场生产环境等, 只有在产品设计完成后进行工艺审查时才能够发现问题, 此时设计人员再根据工艺加工要求等改变设计方案, 势必导致研制周期加长, 严重阻碍了产品的研制进度。
2.2设计选用的标准件、材料可能存在订货问题或其它问题, 这些问题在设计时均无法体现, 图纸已经完成后, 供应部门才能发现问题, 延误了产品图样的发放周期, 严重时可能导致飞机延期交付。
2.3设计全部完成后才开始工艺设计、工装设计, 这样不但增加了工艺的等待时间, 大大延长了研制周期, 有时会导致相关环节的工作大面积返工, 造成人力、物力、时间的浪费。
3并行研制的特点
3.1工艺人员更早介入研制工作。工艺人员与设计人员并行协同开展工作, 不再采用设计图纸完成后才开始工艺设计的传统模式, 在产品开发的初期, 工艺人员便开始介入, 借助MBD技术数字化协同设计平台, 采用关联技术, 使零件工艺设计和工装设计人员更方便开展工作。
3.2各部门协同工作, 更早介入研制工作。因为并行协同模式强调各部门协同并行开展工作, 而不是设计工作全面完成工艺、供应等部门才介入。借助MBD协同设计系统, 产品图样达到一定成熟度。工艺人员即着手准备工装设计、供应人员进行材料订货等工作。从而更好地确保产品研制的质量和研制进度。
3.3系统集成与优化。采用串联模式, 对各部门工作的考核与评价是单独进行的, 单独评价设计工作的创新性、科学性等, 同样也是单独评价工艺等部门工作的正确性、产品的加工能力等。采用并行协同工作模式后, 不完全追求各部门的工作成绩, 而是整体评价产品, 全局优化。
4并行协同技术应用
4.1基于产品成熟度开展并行协同设计
4.1.1总则。设计的可制造性和工艺准备的充分性直接影响到后续研制工作的进展, 因此设计与工艺的充分协调至关重要。根据飞机制造流程、结合具体项目的研制计划。从备料、工艺准备、工装设计、和零组件加工与制造角度出发, 开展并行协同设计, 是工艺人员更早介入设计工作, 使设计工作与工艺、制造工作有机结合。共同开展协调工作对缩短产品研制周期、降低成本、提高产品的研制质量具有重要的作用。
4.1.2协同设计模式。根据设计制造协同和数字样机协同要求, 对产品的成熟度定义五级, 通过特殊的流程控制达到这五级成熟度。各级成熟度协同要求如下:4.1.2.1一级成熟度。此时初步完成三维设计, 仅供制造参考和技术讨论, 其轮廓和站位可进行初步的DMU检查, 工艺工装适当关注, 可进行联合办公。4.1.2.2二级成熟度.此时产品理论外形和骨架模型冻结, 三维实体和材料定义完成, 正进行DMU检查, 工艺部门启动工装设计和工艺方案设计, 并进行联合办公;此时可生成BOM, 制造部门可进行材料准备和锻铸毛坯的准备和订货。4.1.2.3三级成熟度。DMU检查完成, 正进行MBD三维标注和技术要求定义, 此时工装设计同步进行, 工艺人员开展工艺性审查, 全面进行联合办公。4.1.2.4四级成熟度。此时通过联合办公进行产品数据的最终确认和核实审查, 全面进行工艺、工装设计和更新, 同时进行工装制造。4.1.2.5五级成熟度。零组件模型设计达到100%, 此时需全面清理各构型项产品数据配套情况, 同时进行零组件制造和部组件装配, 设计部门组织跟产, 解决现场问题, 此时数据冻结, 更改按技术状态控制程序进行。
4.2模型协同管理。航空产品全寿命周期协同设计研制中, 数据管理十分重要, 其涉及到以下几种数据集:
EBOM是产品设计人员发放到生产单位的产品结构, 是生产部门编制工艺指令及生产制造的依据;
PBOM是工艺部门进行工艺分工时, 在此基础上添加到制造单位和工艺小组后建立的BOM;
MBOM是工艺编制中从制造、装配角度建立的产品结构。在数据管理平台中, 各类BOM间不是简单的堆栈, 而是彼此间关联, 对达到一定技术状态的数模提前发放到下游用户, 下游用户可以及时得到产品结构信息、几何信息和工艺信息等, 以便顺利开展下一步工作, 实现设计数据分步式电子审签和发放, 设计与工艺工作同步协调。
5基于数字化协同设计平台开展并行协同工作
5.1建立数字化协同设计平台。在产品研制初期, 结合项目研制目标, 设计与制造部门进行多次技术、管理、数字化流程等方面的交流、论证和梳理, 通过网络搭建不同部门之间的协同研制平台, 实现设计、工艺、制造、装配和检测等环节的数字化和一体化, 在统一的数据交换标准下, 工艺部门按照模型成熟度协同完成工艺准备工作, 全面打造全数字量传递的设计、制造和管理流程, 实现多个知识信息流协同处理和多项作业的协同实施。
5.2实现并行协同设计。产品设计人员将设计数据发放到生产单位, 生产单位人员在协同设计数据管理平台中生成EBOM。工艺人员通过协同设计平台接收来自于设计的CATIA数模和EBOM;.通过客户端导入EBOM, 在EBOM导入过程校验数据。设计人员提供给制造部门的EBOM数据包括各成熟度阶段的数据模型, 制造单位人员可并行参与到产品研制的过程中, 采用并行模式开展工作, 较传统串行模式相比可提前进行工艺设计、工装设计和物料选取。合理安排生产周期及人员等准备工作。
5.3并行材料采购。产品研制采取按设计数模成熟度并行材料采购管理的组织模式, 打破常规产品研制材料采购模式。在详细设计阶段, 按数模成熟度、工艺人员和采购人员共同组建联合团队, 分期分批完成材料定额编制与材料供应商进行沟通, 并采取措施有效地规避因设计工作未完成而带来的备料风险, 节省采购周期。
5.4并行工装设计。在产品项目工装设计与制造过程中, 理顺工装设计与制造系统的流程, 在一个协同平台下, 使工装团队密切跟踪产品设计、工艺准备进展, 按数模成熟度针对不同难度的工装分别制定工装研制管理流程, 并在设计与制造中广泛应用并行工程, 改变过去工装设计与制造与产品设计分布串行开展, 可能存在矛盾的局面, 使工装研制进度满足产品研制需求。
6结论
充分应用并行设计制造技术, 建立数字化协同设计平台, 实现全三维数字化模型集成设计、工艺、制造等信息, 保证相互间的数据的一致关联性, 并作为唯一的数据源贯穿于产品研制全寿命周期中, 全面提高设计、制造效率, 缩短研制周期, 降低研制成本, 提高企业的核心竞争力。
摘要：并行协同模式实现了设计、工艺和制造之间的并行协同工作, 阐述产品全生命周期内的设计、工艺和制造方面的协同设计关系, 总结和规划了三维数字化条件下的并行协同设计制造的方法。
关键词：并行协同,数字化技术,串行研制,并行研制
参考文献
[1]杨百龙.基于web的产品数据共享及可视化技术研究.
并行协同 篇5
本文重点研究并行协同设计环境中的产品数据管理技术, 具体包括可被各设计者共同理解与操作的产品模型表示方法, 产品创成要素间基于约束的相互驱动以及并行设计中的产品模型冲突处理等内容。
1 分布环境下的产品数据集成策略
相比传统的单机设计系统, 异地分布的网络环境下的产品数据集成主要有以下四个方面的转变:从单机环境转变为异地分布的网络环境;从串行处理方式转变为并行处理方式;从人机交互转变为人人直接交互;从期望完全摆脱人的干预转变为充分发挥人的作用。
在并行协同设计环境中, 各种设计人员可以对以下几个方面的数据实现共享:空间几何数据;生产特征数据和产品创成过程数据。在传统单机设计环境中, 这些数据独立存在且互不相关, 甚至不存在于同一个数据存储单元中 (见图1) 。
毫无疑问, 在并行协同设计环境中, 组成产品模型的各种类型数据之间必须是相互关联的, 这就需要对产品数据进行有机的集成。在协同设计环境中, 产品数据集成的策略可以概括为:
(1) 各种产品数据必须集中存放, 但能被各设计角色所共享;
(2) 各设计角色不但能同时对同一产品模型进行操作, 并且能对同一模型的同一组成元素进行操作;
(3) 集成存放的各种产品数据之间必须具有有机的相互关联关系;
(4) 同类型数据之间、不同类型数据之间必须能够实现设计过程中基于约束的相互驱动;
(5) 产品模型必须能够正确处理并行设计中的各种冲突。
2 产品数据模型的表示
产品模型表示的关键问题是, 被网络共享且并行操作的产品数据模型各组成部分之间如何实现相互之间的有机关联[5]。本文提出以产品创成数据 (通常以CSG树表示) 为桥梁, 实现空间几何数据与生产特征数据之间的关联, 从而形成一个完整的关联模型。CSG树的每一个产品创成结点不但与该结点对应的空间几何模型数据关联, 并且与相关的生产特征数据相关联, 从而将整个模型统一起来。以CSG树为纽带, 统一产品模型是一个大的策略, 但在具体实现中还有几个问题需要正确处理:
(1) 对有相互关联关系的CSG树结点数据, 在模型中要能正确表示与处理。本文采用模型约束数据来表示。模型约束数据记录了CSG树中各结点的各种相互关联关系, 包括空间几何约束关系、生产工艺约束关系、生产顺序约束关系、设计联动约束关系等。
(2) 产品数据模型中需要对上述各种约束的处理规则与算法进行完整正确的表示, 并与模型约束数据相关联。约束处理规则能够正确处理并行设计中的设计联动问题, 也就是说, 一个设计动作的发生, 可能会导致模型约束数据及其处理规则实现相应的一系列设计动作的发生。
(3) 约束联动的问题只是解决设计动作的联动问题, 但并不能解决设计动作的冲突问题[6]。例如, 两个设计人员同时对产品的同一个部位进行修改, 对这样的操作必须进行正确的协调。针对对这一问题, 首先应该在并行协同运行机制层面正确解决, 例如在一些操作过程中应用锁机制 (共享锁、临界锁、独占锁) 。在产品数据模型层面, 同样也需要提供冲突解决的数据支持能力, 为此需要设计专门的冲突支持数据模型。显然, 约束联动规则与冲突解决模型数据之间具有关联关系。
以上的模型数据, 再加上传统产品模型中应有的空间几何数据模型与生产特征数据模型, 以及相互之间的关联关系, 就组成了一个完整的并行协同设计环境中的产品数据模型表示, 如图2所示。
3 约束联动与设计冲突
对空间几何模型数据、产品创成模型数据、生产特征模型数据, 传统单机设计模型中都有成熟的表示方法, 在并行协同设计环境中, 还是可以采用这些方法, 这里不再赘述。而约束联动模型数据与冲突解决支持模型数据却是新的并行产品数据模型中的新内容, 需要研究其表示方法。
3.1 约束联动
约束联动模型数据是产品数据模型中的重要组成部分, 同时是传统产品模型中没有的部分, 属于新的表示内容。这其中有两部分相关的数据, 一部分是约束表示模型数据, 另一部分是约束处理规则模型数据。
约束表示模型数据可以用简单的二维关系型数据库表来表示[7], 其元素包括约束类型、约束参与元素 (CSG结点) 等;对于约束处理规则模型数据, 由于约束处理规则多种多样, 所以需要采用二维表与各种静态数据相关联的方法来表示, 包括规则处理静态库、批处理文件、数据算法库、几何算法库等。
3.2 设计冲突
在并行协同设计中, 必须正确处理设计冲突, 这是非常重要的。首先, 在并行设计系统的应用层面, 处理该问题最有效的方法需要有以下两个数据层面的要素支持:
(1) 锁模型数据。不同角色的设计人员在并行对同一产品数据模型进行操作时, 如果并发产生, 必须用锁保护, 锁数据就成为产品模型数据的重要组成部分。一般锁模型数据分为共享锁、临界锁、独占锁等, 不同的锁模型数据应对不同的并发控制。
(2) 冲突规则。冲突发生时如何处理, 完全智能的专家系统当然是最理想的, 但最有效、最简单的方法则是将常用的冲突处理规则存储下来, 以供使用, 这当然也包括了不同情况下, 上述三种锁数据的复杂组合。这样, 就形成了冲突规则模型数据。
目前, 冲突支持模型数据设计暂时包括以上两种类型的数据, 当然, 还可以根据需要进行扩充。
4 并行协同设计系统总体结构
产品数据模型是并行协同设计系统建设的基础, 是最核心的环节。其概念结构如图3所示。
并行设计的操作者, 是应该基于Intranet/Internet的网络环境进行工作的, 在产品数据模型中, 是由空间数据库与传统关系数据库共同关联组成的。
5 结语
本文对并行设计方式下产品数据管理的一些关键技术进行了研究, 提出新的集成策略, 研究了有机混合表示的产品数据模型, 包括约束与冲突模型数据表示及其处理支持, 使一些传统的技术难题能够得到很大程度的简化。并行协同设计环境下的产品数据管理的研究具有广阔的应用前景与非常重要的意义。
摘要：并行协同设计环境下的工业产品数据管理技术, 包括分布环境下的数据集成策略, 协同设计环境中的产品数据模型表示方法, 约束联动处理等内容。研究产品空间几何数据、生产特征数据、创成过程数据之间的关联模型、基于约束的相互驱动, 以及并行设计中的产品模型冲突处理, 并给出并行协同设计系统的总体结构。该技术的应用可使一些传统的技术难题得到很大程度的简化。
关键词：并行协同设计,产品数据管理,约束联动,设计冲突
参考文献
[1]MILD Saad, LOU M M.Shared understanding in computer-supported collected design[J].Computer Applications, 2006, 3 (28) :183-192.
[2]HE Xiao-zhao.Product information management in concurrent&collaborative design[C]//Proceedings of The 16th World Computer Congress.[S.l.]:[s.n.], 2000:1111-1117.
[3]于加晴, 查建中, 陆一平, 等.面向复杂产品的分布式协同设计系统[J].中南大学学报:自然科学版, 2010, 41 (2) :539-545.
[4]阴艳超, 刘泓滨.广义动态约束满足问题的一种双层组合启发式求解算法[J].机械工程学报, 2011, 47 (3) :166-173.
[5]LENAU T, MU L.Features in integrated modelling of products and their production[J].Computer Integrated Manufacturing, 2005, 6 (1) :65-73.
[6]刘寅东, 苏绍娟.船舶并行协同设计环境及关键技术[J].大连海事大学学报, 2011, 37 (1) :25-28.