影响图及遗传算法的私人信息推测

市场竞争中,准确推测竞争对手的私人信息对于竞争者掌握竞争的主动权具有重要意义。以影响图作为竞争对手的决策模型,以对手的目标是使整体决策的总期望效用最大,而不仅仅是使每一步决策获得最大效用为准则,根据所观测到的竞争对手的决策行为,利用遗传算法推测对手的自然信息、决策信息或效用信息。实验结果表明,所提方法是正确有效的。     

多点焊接机器人最优运动规划策略与算法研究

利用遗传算法寻找多点焊接机器人的最优运动规划的方法。第一步应用遗传算法对多点焊接工业机器人进行全局路径最优规划,确定机器人操作手终端遍历所有目标点的最短路径;然后在相邻目标点之间应用遗传算法进行关节空间的轨迹规划,寻找时间最短的最优轨迹。实验结果表明缩短了运行时间,提高了机器人的工作效率,可见方法的可行性和先进性。     

基于最优形态学滤波的面料缝纫加工检测

为了对服装加工质量进行自动检测,提出了一种对针织面料缝纫加工的疵点进行自动检验的方法。该方法首先基于遗传算法进行结构元素的寻优,然后通过图像的数学形态学滤波处理来消除面料组织的正常纹理对图像分割的干扰;最后利用灰度阈值实现图像分割来得到表现缝线和加工疵点特征的二值图像。实验结果表明,该方法是有效的。     

基于遗传算法对奥赛罗问题的研究与改进

遗传算法是一种高效的最佳化的搜寻方法,具有简单、通用、鲁棒性强的特点,适合处理传统的搜索方法难以解决的复杂和非线性问题.利用遗传算法的思想,根据先验知识设计遗传算法初始群体产生方式和适应度函数,对传统的奥赛罗问题进行求解,并在传统遗传算法中加入自我调适的方法,来提高遗传算法的总体性能.在对这些问题进行研究的基础上,给出了大量的对比实验证明该算法是有效的,得出改进的遗传算法比传统遗传算法有更好的演化结果,并克服了传统遗传算法的早熟现象.     

基于改进型遗传算法的足球机器人路径研究

目前针对足球机器人路径规划,主要采用栅格法和链接图法,但栅格法无法达到精确的规划路径,而连接图法主要针对具有复杂多边形的障碍物,这两种方法不能满足足球机器人实时性的要求.为此采用简化编码方式和格雷码,建立了以路径最短、避障为优化目标的遗传算法适应度函数,采用轮盘赌选择,单点交叉,基本位变异等方法,完成了遗传操作.仿真结果表明:在建立的约束关系下,改进型遗传算法在路径最短方面比人工势场法有所改进,表现出较好的优化效果.     

一种抗负压和抗共模噪声的全集成GaN电平位移电路

设计了一种基于全集成GaN工艺平台,具有抗负压、抗共模噪声的电平位移电路。相较于传统的电平位移电路,通过电路设计将驱动部分的低电压域同高侧部分电路的低电压域保持一致,实现了抗负压的功能。除此之外,针对半桥驱动开关节点的抬升、下降引起内部电容充放电并导致信号逻辑错误的问题,对高侧部分电路进行设计,实现了抗共模噪声的能力。在200 V GaN工艺下,电平位移电路将0～6 V的输入信号转换至200～206 V。仿真结果表明,该电平位移电路的上升传输延时为4.74 ns,下降传输延时为4.11 ns,抗开关节点负压为-4 V,具有100 V/ns共模噪声抑制能力。     

自适应斥力系数的无人机路径规划

使用人工势场法进行无人机路径规划时,往往存在目标不可达、运动轨迹迂回反复和路径长度过长等问题.传统的人工势场法不能根据环境具体信息对斥力系数进行调整,而现有的改进方法不能在自适应调整斥力系数的同时兼顾规划效果和规划时长.针对以上问题,提出了一种基于深度学习的无人机自适应斥力系数路径规划方法.首先通过融合遗传算法与人工势场法找出在特定环境下最合适的斥力系数样本集,其次利用该样本集训练残差神经网络,最后通过残差神经网络计算适应环境的斥力系数,进而使用人工势场法进行路径规划.仿真实验表明,该方法在一定程度上解决了人工势场法规划中目标不可达、运动轨迹迂回反复和路径长度过长等问题,规划效果和规划时长方面均有优异表现,能很好地满足无人机路径规划中对当前环境的自适应要求和快速规划的要求.     

一种高速高共模瞬态抗扰度电平位移电路

设计了一种适用于GaN栅驱动的高速、高共模瞬态抗扰度的电平位移电路。电路受PWM信号和短脉冲协同控制,利用短脉冲控制的加速电路提升了电平转换速度。在浮动电源轨高速切换和减幅振荡过程中,电路内部对地寄生电容的充放电会导致输出逻辑错误。针对此问题,采用一种高速、低功耗的交叉控制式噪声屏蔽电路,实现了极高的共模瞬态抗扰度。采用0.35 μm高压CMOS工艺进行电路设计。仿真结果表明,在100 V电平转换情况下,该电平位移电路的平均传输延时为1.58 ns,延时失配小于100 ps,共模瞬态抗扰度达到200 V/ns。     

Memristor-based genetic algorithm for image restoration

This paper explores a way of deploying the classical algorithm named genetic algorithm (GA) with the memristor. The memristor is a type of circuit device with both characteristics of storage and computing, which provides the similarity between electronic devices and biological components, such as neurons, and the structure of the memristor-based array is similar to that of chromosomes in genetics. Besides, it provides the similarity to the image gray-value matrix that can be applied to image restoration with GA. Thus, memristor-based GA is proposed and the experiment about image restoration using memristor-based GA is carried out in this paper. And parameters, such as the size of initial population and the number of iterations, are also set different values in the experiment, which demonstrates the feasibility of implementing GA with memristors.¹     

Optimizing process parameters for laser beam micro-marking using genetic algorithm and particle swarm optimization

Laser micro-marking is an efficient technique for permanent marking and logo printing on materials. This study details the selection of an optimal parametric combination for laser micro-marking. In this work, markings were performed on Gallium Nitride (GaN) with varying the levels of marking parameters. The parameters considered in the present work are current (A), pulse frequency (Hz), and scanning speed (mm/sec). This experiment was designed using a “central composite design,” grounded in the response surface methodology. Mark intensity, which is a prominent response in laser marking, was considered the output response. The data interpretation involved analysis of variance (ANOVA) and mathematical modelling between the input parameters. It is essential to determine the relationship and significance of input-output variation. The interaction effect of various input parameters on mark intensity was also studied. Finally, two techniques, namely genetic algorithm (GA) and particle swarm optimization (PSO), were applied, and the optimal settings of input constraints were predicted.