基于滑模控制的 IEEE1588 时钟同步算法研究

针对IEEE1588时钟同步过程中存在时钟频率漂移问题,提出了一种基于滑模控制的新型时钟同步算法。首先根据主从时钟偏差与漂移的递推关系,建立系统状态空间模型;然后运用滑模控制缩小时钟偏差与时钟漂移;最后结合滑动平均滤波对实验过程中的频率抖动和随机误差进行优化。结果表明,基于滑模控制的时钟同步算法可有效抑制时钟漂移引起的时钟偏差线性增长,将时钟偏差控制在1μs以下,从而实现亚微秒级网络对时。相比传统IEEE1588协议同步方法,所提方法提供了更高的同步精度。     

均值渐进式漂移下的过程控制方法研究

实践证明，使用传统休哈特控制图控制自相关过程会造成大量虚发报警，使得控制图的灵敏度大大降低。神经网络方法以其独特的模式识别技术，在对自相关过程进行识别的尝试中，显示出了极大的优越性。文章针对自相关过程中渐进式均值漂移的模型，以神经网络方法进行检测，取得了良好效果。     

34CrNi3MoV钢的混晶及消除措施

应用Quanta 400型环境扫描电镜等方法对34CrNi3MoV钢大锻件在热处理过程中产生混晶的原因进行了研究和分析.结果表明,混晶是由于组织遗传造成的,采用完全退火工艺取代调质处理前的正火工艺,使不平衡组织转变为平衡组织,可以隔断组织遗传,消除混晶.     

钢的原始组织状态对奥氏体化及再结晶过程的影响

<正> 我们对26Cr2Ni4MoV 钢进行了晶粒遗传的试验;并就这一钢种的珠光体组织加热时奥氏体化的特点,马氏体、贝氏体组织加热时恢复奥氏体的再结晶过程,以及原始组织、过热程度、长时间回火、反复低温奥氏体化处理等因素对恢复奥氏体再结晶过程的影响进行了论述。我们希望本文能对合理地制订大锻件的锻后热处理工艺有所助益。     

基于模拟退火的遗传优化算法在TSP问题中的应用

TSP问题一直属于NP难题,目前解决TSP问题方法很多,如模拟退火算法、遗传算法以及Hopfield网络神经方法等.以上这些方法在解决TSP问题时各有优缺点,本文结合了模拟退火算法和遗传算法提出了一种新的组合优化算法,即基于模拟退火的遗传优化算法.此算法的核心思想是将遗传优化算法嵌入到模拟退火算法中,利用模拟退火算法的接受准则和随机状态产生函数来产生遗传算法的种群,然后根据遗传优化算法的结果反过来制约模拟退火的随机状态产生,从而最终得到最优解.本文首先对此方法的流程和基本步骤进行了详细的论述,然后采用C语言进行编程,对20个城市的TSP问题进行了优化求解.对结果分析可认为此种方法在解决TSP问题时存在一定的优越性.     

4Cr13钢激光相变强化机理研究

4Cr13钢淬火态试样激光淬火后晶粒尺寸保持常规淬火水平 ,是快速加热组织遗传造成的结果。用激光能量密度概念 ,分析了加热工艺参数对 4Cr13钢非平衡组织淬火后显微硬度分布的影响。结果表明 ,原始状态不同的试样 ,有效硬化层深度 (d)与激光能量密度 ρE 存在下列关系 :原始淬火态dX=0 2 32 7·ρ0 4 82 1E mm ;淬火 +低温回火态dY=0 2 2 78·ρ0 4 659E mm ;淬火 +高温回火态dZ=0 1710·ρ0 3 72 6Emm。 4Cr13钢淬火态试样激光淬火后获得了超过常规淬火水平 2 5 %的超高硬度 ,其中马氏体含碳量增加对超高硬度的贡献约占 6 2 3%,马氏体尺寸细化、高密度位错强化等因素的强化作用约占 37 7%。     

基于混合蛙跳和遗传规划的跨单元调度方法

针对运输能力受限条件下的跨单元问题,提出了一种基于混合蛙跳与遗传规划的超启发式算法.将改进的混合蛙跳算法作为超启发式算法的高层框架,为跨单元调度问题搜索启发式规则,同时利用遗传规划产生可以兼顾多因素的优质规则,用于扩充超启发式算法的规则集.实验表明,提出的算法可以有效地搜索出优异的规则组合,并且通过遗传规划产生的规则可以在很大程度上改善候选规则集,提升算法性能.     

LSO改进CGA解决多目标作业车间调度问题

针对传统方法在处理作业车间调度问题时很难将库存容量考虑在内的问题,提出了基于局部搜索算子(LSO)改进交叉遗传算法(CGA)的多目标作业车间调度模型。为了提高所提模型的效率,首先设计一种基于关键路径的交叉遗传算子;然后,设计一种新的局部搜索算子来提高遗传算法的局部搜索能力;最后,基于这两种算子,设计混合遗传算法框架,在考虑调度总完成时间的同时将库存容量作为目标进行优化。所提算法的有效性在FT10、LA01、LA06、LA11、LA21和LA36等基准问题测试中得到验证。仿真结果表明,与较为先进的非劣分层遗传算法(NSGA-II)相比,使用所提算法获得了更好的非支配解,从而更好地解决了多目标作业车间调度问题。     

一种面向路径的测试用例自动生成方法

由于标准遗传算法一般使用固定的交叉和变异概率,并且容易出现局部收敛、早熟等现象,降低了遗传算法的全局搜索效率。针对这种情况,提出一种改进遗传算法。在使用实数编码的前提下,对适应度函数进行优化改进,避免过早收敛,对变异和交叉算法进行优化,使得交叉和变异概率能够自适应调整,增加种族的多样性,确保算法的全局搜索能力。实验结果表明,改进之后的遗传算法可以达到很高的路径覆盖率,搜索效率比标准遗传算法高。     

基于网格化拉马克学习机制的差分进化算法

引入拉马克进化理念,提出一种基于网格化拉马克学习机制的差分进化算法。该算法在网格划分机制建立起的分布式搜索框架下,采用单元格最优解保护机制、学习步长机制、解空间同仁机制和定矢变异机制组成拉马克学习模式。仿真结果表明,所提算法可以充分发挥拉马克学习的局部搜索能力,又可有效避免早熟收敛,其求解精度明显优于其他比较算法。将所提算法应用于电力系统最优潮流计算问题,获得了良好的优化效果。