电动汽车供电系统锂电池剩余寿命预测

电动汽车的锂电池受工况、环境等因素影响,具有很强的时变非线性,对其进行剩余寿命预测具有挑战性。针对现有算法未同时考虑不确定表达、预测精度以及不同电池的适应能力对剩余寿命的影响,提出了一种正则化粒子滤波和自回归滑动平均模型相融合的锂电池剩余寿命预测算法。以锂电池的经验退化模型作为融合算法的状态方程,自回归滑动平均模型的预测输出值替代观测值,构建状态空间模型,迭代更新电池容量,实现锂电池的剩余寿命预测。基于NASA锂电池数据集进行仿真验证,并与标准粒子滤波和正则化粒子滤波算法相比较,实验结果表明,在中期、后期预测过程中融合算法的预测误差在5%以下,该方法具有较好的锂电池剩余寿命预测精度。     

基于EPr／TN网系统的异构网络集成研究

随着计算机网络技术的发展，异构网络的集成研究越显重要。本就是严格按照协议工程的观点，将EPr/TN网系统作为形式化描述工具，在对协议进行描述和分析和基础上，通过构造协议转换器实现了异构网络的集成。     

一种求解连铸生产调度问题的非线性遗传算法

在对连铸生产工艺背景及工艺约束进行分析的基础上,以使所有连铸机上组成每一个浇次的炉次之间因差异引起的费用最小为目标函数,构造了最优浇次的数学规划模型,并基于该模型,提出了先将所有待优化的炉次聚类成若干个浇次(浇次数已知),然后对每个浇次应用基于Tabu搜索的非线性遗传算法,仿真结果表明该算法的有效性。     

基于思维进化算法的径向基函数神经网络结构优化

为了解决一类径向基函数的结构优化问题,该文在基本思维进化计算框架的基础上,提出了一种有效的混合优化策略。在优化过程中充分利用样本的信息,同时借鉴信息矩阵的思想,提出了利用信息矩阵进行信息抽取和信息积累的方法,并设计了有效的趋同、异化算子与个体之间学习的具体过程,使结构和参数同时得到了优化。仿真研究表明,该算法是快速有效的,并能保证网络具有较好的泛化能力。     

混合动态系统SPN的可达性分析

根据混合动态系统SPN(StochasticPetriNets)模型的运行规则,给出了几种典型结构(串行结构、并行结构、冲突结构)中变迁的可激发以及可激发成功概率的计算方法,在此基础上,计算出托肯沿几种基本路径(简单串行路径、简单并行路径、简单Fork/Join路径)从起始库所到达终止库所的可达概率,同时从宏观状态的角度构建了该SPN模型的状态可达树,通过可达树可以判断状态间的可达性并计算可达概率。     

基于承诺度的寻找合作Agent的方法

在多Agent系统中,个体Agent的知识和问题求解能力是有限的,需要寻找合作Agent协作共同完成任务.本文提出承诺度概念并以简化的熟人模型为背景,将承诺度作为寻找合作Agent的依据.简化的熟人模型减少了寻找合作Agent的通信开销和资源消耗;以承诺度作为寻找合作Agent的依据减少了建立和维护熟人模型的系统开销.     

微粒群算法的统一模型及分析

通过分析已有的几种微粒群算法,提出了一种统一模型,并通过线性控制理论分析了其收敛性能．为了进一步提高算法效率,提出了两种增强全局搜索性能的参数自适应算法：单群体参数自适应微粒群算法及双群体参数自适应微粒群算法．其中单群体参数自适应微粒群算法在进化初期使用算法发散的参数设置,从而能更大程度地提高算法全局收敛能力．双群体参数自适应微粒群算法使用两个种群,一个执行全局搜索,另一个执行局部搜索,通过信息交流以提高算法性能．仿真实例证明了算法的有效性．     

二次微粒群算法及其参数自适应策略

在对标准微粒群算法进行分析的基础上,提出了一种二次微粒群算法,并在对二次微粒群算法和标准微粒群算法进行比较分析的基础上给出了二次微粒群算法的参数自适应方案。通过对典型测试函数进行仿真,结果表明二次微粒群算法比标准微粒群算法的性能有很大提高,说明了二次微粒群算法是可行的。另外,将参数自适应时的结果同参数固定时的结果相比较,结果表明算法性能有很大提高,说明了该方案的正确性和有效性。     

基于效用的Agent多动作选择承诺机制

研究以KARO为逻辑框架的多动作选择承诺,给出与其相关的效用函数计算方法。在引入模型状态迁移概念和相关函数、谓词后,对各种承诺建立和取消承诺的情况进行了形式化,详细给出了kripke型可能世界语义描述。丰富了KARO逻辑框架关于承诺的研究。使主体在合作时,可以充分考虑自己的情况,理性的作出选择,提高多主体间合作的协调性。     

复杂网络强社团结构探测

社团结构是反映复杂网络整体性质的重要特征,本文从强社团结构定义出发提出简单启发式强社团结构探测算法,受启发因素为度-度负相关性和簇-度负相关性.利用该算法对空手道俱乐部成员关系网络和美国大学橄榄球队网络进行社团结构探测,验证了该算法能正确探测出网络的强社团结构.并将划分结果与传统划分进行比较分析,该算法未引入其它量化指标或中间变量,降低了计算复杂度,在采用方法上不同于单纯的分裂或聚合,有效地提高了探测速度,更适合大规模复杂网络社团结构探测.