基于输出调节的异构多智能体系统包围控制研究

针对异构多智能体系统包围控制问题,提出了基于输出调节理论的控制策略.利用输出调节理论设计了一种新的分布式动态状态反馈控制协议.设定领导者为输出调节中的外部系统,针对系统中部分跟随者无法获取领导者的状态信息的问题,为每一个跟随者设计了动态状态观测器,使跟随者可以利用观测器估计出领导者的状态.为了实现多领导者的包围控制,设计了一种基于输出调节的包围误差函数,最终实现在任意初始条件下,所有跟随者智能体的运动轨迹趋向于领导者运动轨迹张成的凸包中,实现了包围控制.利用图论、Lyapunov稳定性理论、矩阵理论等相关知识证明了系统的稳定性,并通过实例仿真验证了文中所给理论结果的有效性.     

一种有效的水声信道盲均衡算法

针对超指数迭代判决反馈盲均衡（SEIDFE）算法在水声通信系统中表现出的收敛性差的问题,提出了一种稳健性好、收敛快的双模式超指数迭代判决反馈盲均衡算法.该算法对均衡器输出的实部和虚部分别进行非线性变换以修正误差控制信号,从而纠正载波相位旋转;在此基础上,将一种新的自适应变步长算法应用到前馈滤波器前向权值的迭代步长中,提高算法收敛速度;并采取判决误差切换准则,将上述改进算法与判决导引算法有机结合起来,提高算法稳健性和收敛性能.仿真结果证明了该算法的有效性.     

基于几何约束及迭代的NLOS环境定位算法

针对在非视距 （non-line-of-sight,NLOS）环境中传统最优化定位算法抗NLOS误差能力较弱、且需要一个较准确的初始估计位置以确保算法收敛这一问题,提出一种应用在双基站场景下的基于几何约束及迭代的定位算法. 通过引入最大散射半径作为几何约束条件,以线性迭代方式进行一维全局搜索,并采用最小二乘算法获得移动台（mobile station,MS）初始估计位置,然后利用设定的阈值门限对各初始位置点进行筛选,最后通过加权平均获得MS的最终估计位置. 仿真结果表明:当散射半径为200 m时,本文算法的定位误差在200 m以下的概率能达到100%;在相同环境下,本文算法计算时间开销仅是网格搜索法的0.4%.      

基于多Agent的锂电池主动均衡策略控制仿真研究

【目的】针对锂电池的荷电状态均衡管理问题,提出一种基于多智能体的电池组荷电状态一致性均衡方案。【方法】首先,将多智能体控制策略引入电池管理的下垂控制中,实现了主动均衡电路拓扑下的自主均衡;其次,建立领航跟随者模型,利用参数已知的虚拟智能体使各个荷电状态不一致的电池的状态向其靠近,实现充放电模式下的荷电状态均衡;最后,对二阶多智能体荷电状态均衡控制策略进行仿真验证。【结果】实验结果表明,相比一阶均衡控制策略,自主均衡时间减少了43.02%,充电模式中均衡时间减少了16.13%,放电模式中均衡时间降低了32.90%。【结论】多智能体系统在电池的均衡管理中能够实现荷电状态的均衡,有效地降低了锂电池荷电状态到达一致性的收敛时间。     

用于稀疏系统辨识的改进惩罚LMS算法研究

基于加权零吸引因子最小均方算法（RZA-LMS）,提出了一种应用于系统辨识的新型自适应滤波算法（ARZA-LMS）。RZA-LMS通过在标准LMS算法迭代过程中添加零吸引因子,促进了滤波器小权系数的收敛,从而在辨识稀疏系统时,加快了算法的整体收敛速度。但是RZA-LMS算法中的零吸引因子,选择了固定的e,过于武断,降低了算法的鲁棒性。通过在参数e与误差信号e之间建立非线性关系,使零吸引因子在最小化MSE更具有灵活性,提出了一种改进的RZA-LMS,提高了对系统辨识的收敛速度和稳定性。最后,计算机仿真验证了新算法的性能明显优于原算法和若干现有稀疏系统辨识的方法。     

对一类非严格重复系统的两种基于二阶内模的迭代学习控制器设计

通过对系统中的不确定参数建立迭代域上的二阶内模来研究一类非线性连续时间系统的非严格重复性,并依照内模原理提出了两种基于二阶内模的参数迭代学习控制器：二阶迭代学习控制器和平行迭代学习控制器．本文分别使用不同的Lyapunov函数,证明了两种控制器在各自的可行范围内都可以保证系统的跟踪误差收敛．通过对这两种学习机制的比较分析,说明了平行迭代学习控制设计的合理性．两个数值仿真不仅证实了两种算法的有效性,也展示了平行迭代学习控制器更好的收敛特性．     

基于遗传混合算法的二维耦合颤振方法

对于传统的二维二自由度耦合颤振分步分析解法,创新性地将颤振分析转变为关于求解系统振动频率的非线性方程组问题.基于数值分析理论,引入如拟牛顿法等超线性收敛的数值迭代解法,研究了该类方法在数值迭代时的局部收敛性、初始值依赖性等问题.为规避上述风险发生在颤振分析中,将具有全局搜索优势的遗传算法应用于二维二自由度耦合颤振分析,结合最优算法L-M算法进行局部收敛修正,提出了基于遗传混合算法的分析方法.算例分析结果表明:在各个检测风速节点处,两种方法下的系统振动圆频率和系统牵连阻尼比计算误差都低于0.1‰,结果几乎一致;所建立的新分析方法思路清晰,求得颤振临界风速与传统方法完全一致,说明新的计算流程可行且计算结果准确;与传统方法相比,基于遗传混合算法的颤振方法每步求解过程无需初值的自选取,具有无条件收敛的优点.      

基于智能Agent的车辆自适应跟踪技术

为了研究复杂环境下快速移动车辆目标检测与跟踪问题,提出了基于知识库的智能Agent自适应图像分割与滤波算法,建立了帧间差异积累动态矩阵自适应背景模型,在跟踪过程中,设计了改进的SSD算法预测初始迭代点,根据Jensen不等式推导了具有自适应核窗宽迭代更新的M eanSh ift算法,实现了对视频车辆目标的自适应智能跟踪.实验结果表明,该算法能有效、准确地跟踪视频中的运动目标,自适应能力强;与其他算法比较,跟踪误差降低了54.4%,平均跟踪时间延长了41.3%.     

一种新的线性规划中原始对偶内点算法的核函数

针对线性规划中原始对偶内点法给出了一种新的核函数,并且给出了基于这个新的核函数的原始对偶内点算法.在算法的理论分析中,首先利用该核函数导数的反函数估计出该函数本身的上界;其次利用相关定理给出了最优的迭代步长的下界;最后证明基于牛顿迭代步的原始对偶方法的大步迭代和小步迭代的迭代上界,并通过对不同规模的线性规划问题进行数值计算来说明这个算法的有效性.     

新自适应方式双倍体遗传算法求解作业车间调度问题

综合了双倍体遗传算法和自适应遗传算法的优点,提出了一种基于新自适应方式的双倍体遗传算法.该算法利用双倍体遗传算法良好的记忆及环境适应特性来保持个体的多样性,同时引入黄金分割率的自适应公式来快速寻找最佳自适应点.经理论分析和试验结果表明,该算法在寻优能力上具有明显优势,能够显著提高搜索效率,改进收敛性能.     

一种基于遗传混合算法的二维祸合颤振方法

摘要:对于传统的二维二自由度藕合颤振分步分析解法,创新性地将颤振分析转变为关于求解系统振动频率的非线性方程组问题.基于数值分析理论,引人如拟牛顿法等超线性收敛的数值迭代解法,研究了该类方法在数值迭代时的局部收敛性、初始值依赖性等问题.为规避上述风险发生在颤振分析中,将具有全局搜索优势的遗传算法应用于二维二自由度藕合颤振分析,结合最优算法L-M算法进行局部收敛修正,提出了基于遗传混合算法的分析方法.算例分析结果表明:在各个检测风速节点处,两种方法下的系统振动圆频率和系统牵连阻尼比计算误差都低于0. 1 %o,结果几乎一致;所建立的新分析方法思路清晰,求得颤振临界风速与传统方法完全一致,说明新的计算流程可行且计算结果准确;与传统方法相比,基于遗传混合算法的颤振方法每步求解过程无需初值的自选取,具有无条件收敛的优点.     

一种基于遗传混合算法的二维祸合颤振方法

摘要:对于传统的二维二自由度藕合颤振分步分析解法,创新性地将颤振分析转变为关于求解系统振动频率的非线性方程组问题.基于数值分析理论,引人如拟牛顿法等超线性收敛的数值迭代解法,研究了该类方法在数值迭代时的局部收敛性、初始值依赖性等问题.为规避上述风险发生在颤振分析中,将具有全局搜索优势的遗传算法应用于二维二自由度藕合颤振分析,结合最优算法L-M算法进行局部收敛修正,提出了基于遗传混合算法的分析方法.算例分析结果表明:在各个检测风速节点处,两种方法下的系统振动圆频率和系统牵连阻尼比计算误差都低于0. 1 %o,结果几乎一致;所建立的新分析方法思路清晰,求得颤振临界风速与传统方法完全一致,说明新的计算流程可行且计算结果准确;与传统方法相比,基于遗传混合算法的颤振方法每步求解过程无需初值的自选取,具有无条件收敛的优点.     

某重型汽车断开式转向系统的优化设计

基于多体运动学理论,对某重型汽车断开式转向系统结构进行简化与分析,利用Adams软件建立虚拟样机模型并进行运动学及转向性能仿真分析;以车辆转向系统设计理论为基础,以转向系统实际转角与理论转角的误差最小为优化目标,对该模型进行优化设计,使该转向系统的操纵稳定性最佳。     

基于模糊理论的智能指数平滑行程时间预测算法

在指数平滑算法的基础上,结合模糊理论提出了一种基于模糊理论的智能指数平滑行程时间预测算法。该算法依据指数平滑法的预测误差构造模糊控制器来自适应控制平滑系数,从而自适应修正下一时期的预测值,提高行程时间的预测精度和智能化水平。最后通过实验验证了该算法的可行性、有效性。     

一种基于遗传混合算法的二维祸合颤振方法

摘要:对于传统的二维二自由度藕合颤振分步分析解法，创新性地将颤振分析转变为关于求解系统振动频率的非线性方程组问题.基于数值分析理论，引人如拟牛顿法等超线性收敛的数值迭代解法，研究了该类方法在数值迭代时的局部收敛性、初始值依赖性等问题.为规避上述风险发生在颤振分析中，将具有全局搜索优势的遗传算法应用于二维二自由度藕合颤振分析，结合最优算法L-M算法进行局部收敛修正，提出了基于遗传混合算法的分析方法.算例分析结果表明:在各个检测风速节点处，两种方法下的系统振动圆频率和系统牵连阻尼比计算误差都低于0. 1 %o，结果几乎一致;所建立的新分析方法思路清晰，求得颤振临界风速与传统方法完全一致，说明新的计算流程可行且计算结果准确;与传统方法相比，基于遗传混合算法的颤振方法每步求解过程无需初值的自选取，具有无条件收敛的优点.     

基于UKF滤波的水下目标被动跟踪研究

传统算法在解决目标被动跟踪时存在有偏、收敛速度慢或发散等不足,文中将无迹卡尔曼滤波(UKF)算法应用到目标的被动跟踪.该算法是一种以扩展卡尔曼滤波算法为基本框架,以贝叶斯理论和UT变换为理论基础的新型滤波算法.根据UT变换的基本原理给出了滤波过程的具体计算步骤并进行了仿真计算.理论分析和仿真结果表明,UKF算法的性能相当于二阶高斯滤波器,UKF算法在目标被动跟踪中的滤波精度、稳定性和收敛时间都优于EKF算法.     

基于多智能体局部寻优的粒子群优化算法

为了提高粒子群算法的收敛速度和全局寻优能力,用多智能体遗传算法对粒子群算法当前搜索到的全局极值进行局部寻优．用搜索到的更好的解在下一次迭代中引导粒子进行搜索从而获得更快的收敛速度和更好的全局收敛性。对函数优化和神经网络训练的仿真实验表明．此算法能更快的收敛到全局最优解。     

基于高斯牛顿法的DEM匹配算法

为提升DEM(digital elevation model)匹配效率,建立了一种基于高斯牛顿法的快速DEM匹配算法.该算法采用高斯牛顿法替代最小二乘法来进行DEM匹配模型的目标方程求解,加速了目标方程求解的迭代过程.新算法匹配过程中,匹配参数沿梯度最大方向逼近目标值,迭代次数大幅度减少,具有更稳定的迭代收敛性,显著提高了算法的执行效率.通过多组模拟试验对新算法进行了测试,并与具有代表性的最近点迭代算法进行了比较.结果表明:新算法对匹配参数的收敛速率平均提高了42.1%,完成匹配所需的总时间平均减少了74.9%.     

基于下降搜索的量子进化算法

为了提高全局寻优能力和收敛速度，基于量子进化算法和混合遗传算法，提出了一种新的进化算法．该算法将下降搜索理论应用到量子进化算法中，改进了量子进化算法仅靠量子门进行迭代的作用，从而加快了收敛速度，并降低了个体在进化时产生退化的可能性．典型函数的仿真实验结果表明，该算法具有好的全局性和收敛性．     

基于Q函数的变步长LMS算法

为提高变步长最小均方算法(least mean square,LMS)的抗干扰能力,并降低其稳态误差,提出了基于Q函数的变步长LMS算法,通过带有补偿项的相对误差互相关函数控制步长更新,有效克服噪声干扰;利用归一化输入信号代替原始信号降低输入信号动态范围对稳态误差的影响;给出了保证算法收敛的步长界限.仿真结果表明,与既有变步长LMS算法相比,所提出算法的稳态误差小,且收敛速度较快.