PI—MPS多机系统浮动式控制机制的研究与分析

本文主要介绍和分析ＰＩ－ＭＰＳ多机系统中，处理机间相互通信和同步时主－从控制关系，提出并分析了“浮动式”控制机制以及剥夺式竟争系统控制权的算ＰＶＡ．     

并行总线（PI）主设备方式驱动软件的设计

本文介绍了在以ＰＩ总线（ＰＩＰａｒａｌｌｅｌＩｎｔｅｒｆａｃｅＢｕｓ）为互连网络的多机系统中，总线接口驱动软件的设计方法及设计细节；同时介绍了该驱动软件的开发及运行环境。     

并行总线接口处理单元芯片简介

本文论述了并行总线接口处理单元(PBIU)芯片M82916的工作原理和操作方式,并扼要介绍了M82916在构成系统时的作用和方法。     

非线性摩擦失谐叶片排序并行退火算法

基于叶片模态实验获得的叶片失谐参数,基于非线性摩擦阻尼分析提出一种失谐叶盘结构的集中参数模型.综合模拟退火算法的局部搜索能力和遗传算法的全局搜索能力,并引入禁忌表作为搜索记忆表,提出了一种应用模拟退火进化算法附加禁忌表的叶片排序优化方法.同时结合图形处理器运算设计了基于compute unified device architecture(CUDA)的并行算法并且分析其算法性能.研究表明:基于并行框架寻优可以获得4.5倍的加速,同时按照优化后方案安装,可以明显降低叶盘系统振动响应幅值与方差.      

多机系统中PI互连总线的几个重要性能分析

新一代航空电子系统选用并行总线PI作为各子系统的系统级总线。本文主要讨论和分析PI总线的系统复位,系统仲裁与总线竞争、总线消息的效率及PI总线的控制机制等问题。     

PAE95并行机上的π值计算

论文列出一些计算π值的公式，对级数形式高精度计算了值，用不同并行算法在ＰＡＲ９５机上进行了数值试验，并与其它计算机机型作了比较，此项工作是考核ＰＡＲ９５并行处理机性能的算例之一。     

基于概率最近邻域算法的分布式多传感器多目标跟踪算法

为进一步扩大分布式多传感器的应用范围,基于概率最近邻域思想,研究了分布式多传感器概率最近邻域算法,并对其与分布式多传感器联合概率数据互联算法进行了性能仿真分析。经仿真验证,分布式多传感器概率最近邻域算法能够解决多传感器多目标跟踪问题,且实时性有较大提高。     

多目标攻击模糊排序算法研究

用模糊优选法对空战中多目标攻击排序进行了探讨性的研究,根据已给的速度、距离和相对角度,目标机的空战能力指数及载机与目标机的相对能量指数,用模糊的方法把各因子进行模糊量化,得到各因子的相对优属度,再用最优法确定各目标因子的权重,最后,对此进行综合评估,确定攻击排序的次序。     

MultibusⅡ分布式多机系统分析与设计

目前的多处理机计算机系统中，各节点机通过高速并行总线、利用消息传递进行通讯的分布式多处理机系统，已成为军用机载计算机发展的主要方向．机载MultibusⅡ计算机正是具有这种特点、面向将来机载应用而研制的一种嵌入式、分布式计算机系统．本文论述了MultibusⅡ总线的消息传递通讯机制及MultibusⅡ总线特有的互连空间概念，从多个层次对系统及其软硬件内核进行了全面、细致的分析与设计．     

战机多目标攻击排序算法研究

研究了单机对多个空中目标的攻击排序的方法 ,采用空战态势评估中的非参量法 ,首先给出了在速度、距离和相对运动速度各因素独立作用下的评估方法 ,然后研究了各参数综合考虑下的评估方法。重点研究了由于距离不同对威胁排序结果的影响和解决方案。     

一种改进的多处理机分配算法研究

目的 为了提高处理机的利用率。方法 在分析了几种典型的多处理机分配算法思想和优缺点的基础上，并在假定的系统模型上进行分析研究。结果 提出一种改进的多处理机分配算法，并且分析探讨该算法的优点。结论 理论分析表明，该算法提高了整个系统的效率。     

基于改进粒子群算法的离场航班排序

航班离场过程中,以时间或经济损失最小的单目标排序会导致延误时间分配不均和多目标排序在求解时存在算法收敛速度慢、易于陷入局部最优的缺陷,导致计算效率低。为解决这一问题,基于航班优先级、尾流间隔、航班延误时间、航班延误标准差构造航班离场排序模型,对粒子群算法的惯性权重和学习因子采用动态调整的改进策略。以厦门高崎机场非拥挤和拥挤场景下的共4 h离场航班进行优化排序验证,结果表明：与先到先服务(FCFS)方法、惯性权重线性递减粒子群(LDWPSO)算法相比,文中方法非拥挤场景下延误总时间减少了72%,26%,延误标准差减少了27%,28%;拥挤场景下,较FCFS延误总时间减少69%,延误标准差减少68%,与LDWPSO算法相比,优化效果上无明显差异,但在解空间的迭代收敛速度更快,达到最优罚值的迭代速度提升了55.6%。     

弹道跟踪数据融合处理的快速算法

针对弹道跟踪数据融合处理中的大计算量环节研究了快速算法。用样条函数表示弹道参数,建立了多测元的联合观测模型和弹道参数的非线性融合计算模型,给出了弹道参数的求解算法,分析了弹道参数融合计算中的大型矩阵运算问题,利用基础线性代数函数库提高了大型矩阵的运算速度。建立了样条模型计算的非线性约束优化模型,给出了确定样条节点位置的优化算法,通过分析样条模型的计算原理设计了并行算法,实现了样条模型的并行化计算。仿真结果表明,弹道参数融合计算和样条模型计算的效率都得到了显著提高,计算时间减少了65.47%,对缩短数据处理周期有重要意义。     

基于多目标帝国竞争算法的进场排序与调度

为兼顾空管、机场、航司以及民众的不同诉求,提出了基于多目标帝国竞争算法的进场排序与调度方法,达到平衡交通需求与进场管理的目的。首先,借鉴机器调度领域研究成果,梳理与精简进场排序与调度的评价指标,并结合运行约束构建多目标进场排序与调度模型。接着,引入非支配排序,设计多目标帝国竞争算法,给出衡量帕累托解集优劣的评价指标。最后,采用通用数据集与长沙黄花机场实际运行数据实施案例进行仿真与验证。结果表明：提出的多目标帝国竞争算法,相对于带精英策略的非支配排序遗传算法以及多目标模拟退火算法而言,解集更占支配地位、分布更均匀、收敛性更好,求解的效率也更高;提出的算法能有效实现进场排序与调度,即便以标准间隔的1.8倍实施仿真,总延误时间、总飞行时间和最大飞行时间,相对于实际运行分别降低了41.2%、11.4%和8.6%。     

多跑道航班排序的改进蛙跳算法研究

为了保证飞机在多条跑道情况下安全、有序地降落,研究了基于蛙跳算法的多跑道航班排序问题。建立以航班总延误时间最小为目标函数的多跑道航班排序规划模型;针对传统混合蛙跳算法会产生无效解这一问题,引入单亲遗传算法中基因移位的思想,重新设计局部搜索策略,改进了蛙跳算法;利用增加种群个数的方法,克服蛙跳算法更新盲目性和收敛性差的缺点;基于上述改进的蛙跳算法,对多跑道航班排序规划模型进行求解。算例表明,改进蛙跳算法的优化结果明显优于先到先服务(First Come First Service,FCFS)方法和遗传算法的优化结果。     

一种新的并行测试任务调度算法

 并行测试的任务优化调度是并行测试技术的核心问题。为了解决现有调度方法耗时、实际应用范围有限以及缺少对资源冲突和系统死锁的形式化分析等问题,采用赋时有色Petri网(TCPN)建立并行测试任务调度的TCPN模型,基于TCPN模型的可达标识图利用改进蚁群算法求解最优任务调度序列。算法搜索过程中,采用多目标优化,目标函数综合了测试时间、仪器成本和负载平衡度,使得算法更符合工程应用。采用动态标注方法在搜索过程中加大可行解间的信息素差别,避免算法早熟。仿真实例证明该算法是有效的。     

嵌入式环境下一种分布式计算机系统的研究

本文提出了一种可应用到嵌入式环境中的分布式计算机系统;讨论并分析了系统的管理、容错和可靠性等机制.     

基于并行多目标遗传算法大涵道分开式排气系统气动优化设计

通过引入快速非支配排序算法、拥挤距离以及拥挤距离比较算子等对基本遗传算法进行改进,并结合massage passing interface(MPI)并行编程技术,发展了主从式并行多目标遗传算法(PMGA).将PMGA与排气系统型面参数化设计方法、Navier-Stokes方程求解器相结合建立了分开式排气系统气动优化设计平台.应用该平台对某型分开式排气系统进行了多目标优化设计,得到了一组在三个目标上都优于初始设计的Pareto最优设计.将典型的Pareto最优设计和初始设计进行分析、比较,证明了该气动优化设计平台的高效性和可靠性.      

飞机滚转机敏性指标tRC90的计算与分析

本文对飞机滚转机敏性指标t_(RC90)进行了机理性的探讨。提出了飞机滚转并实现90°滚转角的过程由快速操纵及精确跟踪两阶段组成。采用具有最大偏转速率限制的开环操纵过程及人—机闭环操纵过程对此两阶段分别计算后求得的t_(RC90)值,与模拟试验结果比较基本相符.据此,对影响t_(RC90)值的因素进行了分析.     

基于MMSE的近似最优Lattice Reduction辅助线性并行检测算法

现有基于Lattice Reduction (LR)技术的多输入多输出(MIMO)系统检测算法,虽然可以有效地提高MIMO系统的误比特率(BER)性能,但其检测性能与最优的最大似然(ML)算法相比仍然存在差距.针对这一问题,提出了一种新的基于信道分组的线性Lattice Reduction辅助检测算法.该算法首先将信道分为两组,对通过条件最差子信道的信号采用最优的ML算法检测,然后将其从接收到的信号中消除,再采用Lattice Reduction技术对第2组信道进行优化,最终并行地对剩余信号进行检测.仿真结果表明:在16QAM(Quadrature Amplitude Modulation)和64QAM调制下,对于4×4的MIMO系统,该算法的误比特率性能达到了最优;对于6×6的MIMO系统,该算法相比最优的ML算法其检测性能相差不到0.5 dB.