基于改进PSO的作物生长模型并行同化算法研究开题报告

 2022-01-27 02:01

1. 研究目的与意义、国内外研究现状(文献综述)

1、课题的意义作物生长模型是以作物生发育内在规律为基础,对生理过程与环境和技术的关系加以理论概括和量化分析的数学模型[1],可以在单点尺度上连续模拟作物生长过程,也可以应用于区域尺度的作物生长监测与估产。

在应用于宏观区域尺度时,由于区域分异、田块分异等导致用于驱动作物模型运行的栽培管理数据难以获取。

为实现作物生长模型区域尺度的应用,常采用遥感技术[2]或空间差值法[3]得到区域尺度的作物生长状态数据,通过将作物生长模型与区域尺度的作物生长状态数据耦合,实现作物生长模型区域尺度的生长监测和估产。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容和问题

1、研究目标比较基于快速粒子群算法的生长模型快速同化算法,减少作物生长模型同化算法计算时间。

比较c 编译环境下基于openmp 多核cpu同化算法和串行快速同化算法的计算耗时。

比较c#编译环境下基于tasks类库的多核cpu同化算法和串行快速同化算法的计算耗时。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 研究的方法与方案

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 研究创新点

(1)通过引入快速粒子群算法减少作物生长模型并行同化算法的计算时间。

(2)设计并实现基于多核cpu的作物生长模型并行同化算法,提高区域尺度的作物生长模型同化计算效率。

(3)比较并行相对于串行同化算法的加速效果以及基于不同多核cpu编译环境下的并行计算效率,从而选择出较好的处理方法。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

5. 研究计划与进展

2016年1月(1) 分析作物生长模型同化算法的收敛性(2) 分析作物生长模型同化算法的耗时特点(3) 制定快速粒子群算法的评价标准(4) 评价基于随机惯性权重和基于吸引子传播聚类的两种快速粒子群算法的加速效果(5) 设计快速粒子群算法与作物生长模型同化算法的耦合方式2016年2月(1) 实现基于快速粒子群算法的作物生长模型同化算法(2) 比较基于快速粒子群算法的作物生长模型同化算法相较于基于标准粒子群算法的作物生长模型同化算法的计算时间2016年3月(1) 分析单点尺度的基于快速粒子群算法的作物生长模型同化算法任务间依赖关系(2) 设计单点尺度的并行同化算法任务划分方案(3) 设计单点尺度的并行同化算法线程通信方案(4) 设计单点尺度的并行同化算法线程与处理器映射算法(5) 实现单点尺度的并行同化算法(6) 比较单点尺度的并行同化算法与串行同化算法的耗时2016年4月(1) 分析区域尺度的基于快速粒子群算法的作物生长模型同化算法任务间依赖关系(2) 设计区域尺度的并行同化算法任务划分方案(3) 设计区域尺度的并行同化算法线程通信方案(4) 设计区域尺度的并行同化算法线程与处理器映射算法(5) 实现区域尺度的并行同化算法(6) 比较区域尺度的并行同化算法与串行同化算法的耗时2015年5月(1)撰写研究报告,准备结题。

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。