简介:于复杂的数据库进行快速调度,不仅需要多服务器合作,同时也可能涉及多个数据库之间的数据筛选与查找,而问题的难点在于,不同的数据库在计算机语句设置方面也是不同的,这就意味着查询和筛选的规则以及具体的语言逻辑存在着差异性,这种差异也会影响数据有效调度的效率。基于以上问题,笔者提出一种新的数据库调度方法,其主要基于数据相互混沌的特征,实现复杂数据库的调度。通过并行数据调度技术与混沌优先级因子两种方式的有机结合投入到具体的寻优调度计算中,不仅能够快速将混沌特征进行获取,同时能够结合时间序列计算出具体的数据节点的任务量,最终建立优化模型。结果表明,这一改进模型对于复杂数据库的数据调度有一定的积极作用。
简介:随着电力用户的增加,各种电力用户产生的数据,用传统的简单的负荷预测方法难以满足人们对于大数据的分析。大数据时代的来临,在电力系统中不断显现出来的。随着智能电网、通信网络技术和传感器技术的发展,直接导致了电力用户侧数据呈指数式增长,使电力用户侧大数据变得十分复杂。本文主要是针对电力用户侧数据的一些特点提出一些并行负荷预测方法。电力用户侧数据特征有数据数量大、数据结构类型繁多和更新的速度快。电力用户侧大数据在存储处理这些数据上对我们研究这些数据是一个挑战。本文是基于随机森林算法的并行负荷预测方法,通过现代热门的云计算,对影响数据的历史负荷、温度、风速等数据进行并行化分析。
简介:目的:解决考虑模糊环境条件影响下的复杂机械产品并行拆卸路径规划问题,并给出成本和模糊时间最优的拆卸方案。创新点:建立混合模糊模型,引入三角模糊数表示拆卸工序加工时间,提高拆卸路径规划的环境适应性;采用并行加工方法,尽可能地提高生产资源利用效率,缩短加工时间和降低加工成本;使用混合编码方式,用同一条染色体表示拆卸工序和工位信息,简化模型表达和运算;在遗传算法中引入高斯变异方法,提高算法的收敛速度。方法:1.引入一个包含N个工位和L个零部件的拆卸序列规划问题,提出混合模糊拆卸模型实现对此问题的数学描述;2.采用包含高斯变异算子的遗传算法,对结果进行优化计算,以得到最短的模糊加工时间和加工成本;3.将本文所述方法的计算结果与快速搜索随机树算法的运行结果进行比较。结论:在算法分别迭代50次、100次和150次的情况下,本文所述方法得到的最优解均优于快速搜索随机树算法的解,并且运行时间均短于快速搜索随机树算法。