-
公开(公告)号：CN110348693A
公开(公告)日：2019-10-18
申请号：CN201910511419.6
申请日：2019-06-13
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于多核计算的多机器人快速任务调度方法，步骤为：采用Petri网建模方法对多机器人系统建模；按照自定义的文件格式将Petri网模型转化为程序输入文件；求取Petri网的WOT和WRT矩阵，以实现A*搜索算法所需的启发函数；根据输入文件构造Petri网系统的初始标识、目标标识、库所操作时间向量、前置关联矩阵和后置关联矩阵；构建支持并发的Treap数据结构表示open列表和支持并发的二叉平衡树数据结构表示closed列表；设置并行A*算法的每轮迭代最多并行扩展结点数k和并行计算线程数量p；运行并行A*算法并行搜索从初始结点到目标结点的一条发射变迁序列即为任务调度方案。本发明具有算法并行能力强、并行效率高、路径搜索效率快、所获任务调度方案质量高等优点。
-
公开(公告)号：CN105652833B
公开(公告)日：2018-01-23
申请号：CN201511022692.0
申请日：2015-12-30
Applicant: 南京理工大学
IPC: G06Q10/06
Abstract: 本发明公开了一种基于双向A*搜索的制造企业车间调度优化方法，步骤如下：根据系统加工工序构建系统的Petri网模型；将Petri网模型转化成算法的输入文件；构建标识向量、关联矩阵等相关变量用于Petri网演化和启发函数构建；构建A*算法的启发函数；采用系统起始状态标识和终止状态标识作为正向A*和反向A*算法的起始状态，分别向终止状态和起始状态开展A*搜索；判断任一方向搜索算法的最小代价值节点是否到达最终状态，或者是否为对向A*搜索OPEN表中的节点，如果是，从此节点向系统起始节点和终止节点回溯构造最优路径，输出系统的调度方案。本发明具有搜索节点数目少、更快找到最优调度方案的优点。
-
公开(公告)号：CN105652833A
公开(公告)日：2016-06-08
申请号：CN201511022692.0
申请日：2015-12-30
Applicant: 南京理工大学
IPC: G05B19/418
CPC classification number: G05B19/41865 , G05B2219/32252
Abstract: 本发明公开了一种基于双向A*搜索的制造企业车间调度优化方法，步骤如下：根据系统加工工序构建系统的Petri网模型；将Petri网模型转化成算法的输入文件；构建标识向量、关联矩阵等相关变量用于Petri网演化和启发函数构建；构建A*算法的启发函数；采用系统起始状态标识和终止状态标识作为正向A*和反向A*算法的起始状态，分别向终止状态和起始状态开展A*搜索；判断任一方向搜索算法的最小代价值节点是否到达最终状态，或者是否为对向A*搜索OPEN表中的节点，如果是，从此节点向系统起始节点和终止节点回溯构造最优路径，输出系统的调度方案。本发明具有搜索节点数目少、更快找到最优调度方案的优点。
-
公开(公告)号：CN105373845A
公开(公告)日：2016-03-02
申请号：CN201510662943.5
申请日：2015-10-14
Applicant: 南京理工大学
CPC classification number: Y02P90/30 , G06Q10/04 , G06Q10/0631 , G06Q50/04
Abstract: 本发明公开了一种制造企业车间的混合智能调度优化方法，步骤如下：初始化HS算法和SA算法的相关参数；根据不同的生产任务，输入每个任务所涉及的加工信息；使用基于工序的编码方式对问题进行编码，然后使用随机生成方式生成和声记忆库HM初始解；使用SA算法对所有初始解进行邻域变换，如果变换后的解好于原解则接收，否则以SA算法中随温度递减的概率接收；采用学习和声记忆库、变量微调、随机生成新音调三种机制生成新解；用SA算法对新解进行领域变换和决定是否接收新解；建立目标优化函数，根据优化结果更新HM；若运行了最大迭代次数，输出最优和声解，画出系统的调度甘特图。本发明具有硬件要求低、更容易找到最优解的优点。
-
公开(公告)号：CN119832991A
公开(公告)日：2025-04-15
申请号：CN202411939454.5
申请日：2024-12-26
Applicant: 南京理工大学
IPC: G16B40/00 , G06N3/042 , G06N3/045 , G06N3/0499 , G06N3/084
Abstract: 本发明公开了一种基于交叉图表示学习的蛋白质相互作用预测方法，属于蛋白质间相互作用领域，包括以下步骤：S1，搜集蛋白质相互作用的预测数据集，而后对蛋白质进行特征处理，构建蛋白质图；S2，使用基于GCN的图编码器学习蛋白质图的空间结构信息；S3，使用基于自注意力模块的编码器学习受体蛋白质和配体蛋白质之间的信息；S4，使用对偶的交互图模块学习受体蛋白质和配体蛋白质之间的残基的信息；S5，生成蛋白质相互作用预测的分类器。本发明用于解决现有的蛋白质相互作用预测的方法往往在不同领域表现出的性能退化问题。
-
Patent Agency Ranking
公开(公告)号：CN111190711B
公开(公告)日：2023-06-09
申请号：CN201911285416.1
申请日：2019-12-13
Applicant: 南京理工大学
IPC: G06F9/48
Abstract: 本发明公开了一种BDD结合启发式A*搜索的多机器人任务分配方法，包括以下步骤：利用时间Petri网对多机器人系统建模；对多机器人系统模型的目标状态进行模拟，并建立目标状态的标识；计算多机器人系统模型的可达图，并结合目标状态的标识判断多机器人系统模型是否可以达到目标状态，若可以达到，则执行下一步，反之返回第一步；采用二元决策图BDD对多机器人系统模型的可达图进行高效压缩表示和快速二值运算；使用启发式A*搜索算法对BDD表示的多机器人系统模型的可达图进行快搜索，获得多机器人系统从起始状态到目标状态的最优任务调度序列。本发明的方法能有效提高多机器人系统任务调度与分配的速度，缓解系统可达状态爆炸等问题。
-
公开(公告)号：CN110110402B
公开(公告)日：2023-04-18
申请号：CN201910318045.6
申请日：2019-04-19
Applicant: 南京理工大学
IPC: G06F30/22 , G06F119/18
Abstract: 本发明公开了一种基于二叉决策图的资源分配系统可达状态的快速求解方法，包括以下步骤：利用Petri网对资源分配系统进行建模；利用布尔变量对Petri网中的库所进行表示，获得标识向量；基于标识变量，获取标识向量集合M的特征函数，之后根据该特征函数对Petri网中库所、弧权值以及Petri网的状态标识进行压缩表示；求解变迁的使能条件的特征函数；通过镜像计算求取Petri网的可达状态集。本发明的方法能缓解在系统模型分析中存在的状态爆炸问题，以较小的时间和空间，快速求解系统可达集，对于较大规模该类系统的应用具有重要意义。
-
公开(公告)号：CN110348693B
公开(公告)日：2022-09-09
申请号：CN201910511419.6
申请日：2019-06-13
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于多核计算的多机器人快速任务调度方法，步骤为：采用Petri网建模方法对多机器人系统建模；按照自定义的文件格式将Petri网模型转化为程序输入文件；求取Petri网的WOT和WRT矩阵，以实现A*搜索算法所需的启发函数；根据输入文件构造Petri网系统的初始标识、目标标识、库所操作时间向量、前置关联矩阵和后置关联矩阵；构建支持并发的Treap数据结构表示open列表和支持并发的二叉平衡树数据结构表示closed列表；设置并行A*算法的每轮迭代最多并行扩展结点数k和并行计算线程数量p；运行并行A*算法并行搜索从初始结点到目标结点的一条发射变迁序列即为任务调度方案。本发明具有算法并行能力强、并行效率高、路径搜索效率快、所获任务调度方案质量高等优点。
-
公开(公告)号：CN110059378B
公开(公告)日：2022-09-06
申请号：CN201910261540.8
申请日：2019-04-02
Applicant: 南京理工大学
IPC: G06F30/22
Abstract: 本发明公开了一种基于GPU并行计算的自动制造系统Petri网状态生成方法，包括以下步骤：将待求解的Petri网模型、Petri网系统初始状态M0转化为输入文件；初始化一个普通数组或链表结构的表，用于表示新产生的状态集合OPEN；初始化一个红黑树结构的表，用于表示已生成的状态集合CLOSED；从Petri网系统初始状态M0开始，搜索Petri网所有的可达状态构成可达状态集；输出可达状态集中每个可达状态的状态标号、状态向量、该状态具体由哪些状态通过发射哪些变迁获得。本发明的方法通过利用GPU并行计算与优化数据结构，能够极大地提高计算Petri网可达集的速度，且在可达状态数不断增大时具有越来越好的效果，在对大型Petri网模型的分析时，可以有效缓解状态空间爆炸问题。
-
公开(公告)号：CN110188239B
公开(公告)日：2021-06-22
申请号：CN201910294018.X
申请日：2019-04-12
Applicant: 北京大学 , 南京理工大学 , 中星技术股份有限公司
Abstract: 本发明涉及一种基于跨模态注意力机制的双流视频分类方法和装置。与传统的双流方法不同，本发明在预测结果之前就将两个模态(甚至更多模态)的信息进行了融合，因此能够更加高效充分，同时，由于在较早阶段就进行了信息交互，单个分支在后阶段已经具有了另一分支的重要信息，单分支的精度已经与传统双流方法持平甚至超过，单分支的参数量要比传统双流方法少很多；相比非局部神经网络，本发明设计的注意力模块能够跨模态，而不仅仅只在单模态内部使用注意力机制，本发明提出的方法在两个模态相同的情况下其效果等价于非局部神经网络。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.026 seconds)
