复杂环境下群机器人自组织协同多目标围捕

针对动态多目标围捕,提出了一种复杂环境下协同自组织多目标围捕方法.首先设计了多目标在复杂环境下的运动模型,然后通过对生物群体围捕行为的研究,构建了多目标简化虚拟受力模型.基于此受力模型和提出的动态多目标自组织任务分配算法,提出了群机器人协同自组织动态多目标围捕算法,这两个算法只需多目标和个体两最近邻位置信息以及个体面向多目标中心方向的两最近邻任务信息,计算简单高效,易于实现.接着获得了系统稳定时参数的设置范围.由仿真可知,所提的方法具有较好的灵活性、可扩展性和鲁棒性.最后给出了所提方法相较于其它方法的优势.     

一种双态免疫微粒群算法

针对基本微粒群算法的缺陷,提出了一种双态免疫微粒群算法.把微粒群分为捕食与探索两种状态,处于捕食状态的精英粒子采用精英学习策略,指导精英粒子逃离局部极值;处于探索状态的微粒采用探索策略,扩大解的搜索空间,抑制早熟停滞现象.同时引入免疫系统的克隆选择和受体编辑机制,增强群体逃离局部极值及多模优化问题全局寻优能力.实验表明...     

时滞系统稳定性分析和镇定: 一种基于Finsler引理的统一观点

从Finsler引理角度,研究时滞系统的时滞相关稳定性分析和镇定问题,发现自由权矩阵方法是该研究框架的一个特例,阐明引入乘子矩阵对分析时变时滞系统稳定性的必要性,讨论乘子矩阵结构对所得结果保守性的影响,提出一些改进的基于线性矩阵不等式的稳定性判据和镇定控制器设计算法,数值算例表明所提出方法的有效性.     

基于轮廓特征的快速响应码定位与提取方法

针对传统方法对低分辨率无自动对焦功能摄像头拍摄的QR码图像进行定位提取成功率低的缺点,提出了一种新的QR码定位与提取方法。该方法利用QR码寻像图形轮廓上的特征进行条码定位,然后利用直线最佳逼近法进行边界轮廓的寻找,找出四条边界,最后利用平面坐标变换法将条码图像旋转至水平,形成标准QR码图像,从而完成QR码图像的提取。     

多子种群微粒群免疫算法及其在函数优化中应用

为克服基本微粒群算法的早熟问题,借鉴多子种群和自适应的思想,提出了基于两层模型的多子种群自适应多态杂交微粒群免疫算法.该算法首先通过对若干个子种群进行低层自适应多态杂交微粒群操作,改善了子种群的多样性,有效抑制了收敛过程中的早熟停滞现象;然后通过高层免疫克隆选择操作,显著地提高了全局寻优能力,进一步提高了收敛精度.针对函数优化的仿真结果表明:与其他改进微粒群算法相比,该算法具有更快的收敛速度和更高的求解精度,尤其适合高维及多模态优化问题的求解.     

融合Powell搜索法的粒子群优化算法

为了进一步提高多模态函数寻优的效率,提出一种融合Powell搜索法的粒子群优化算法.将PSO算法的全局搜索能力与Powell法的强局部寻优能力有机地结合起来,在保证求解速度,尽可能找到全部极值点的同时提高了解的精确性.由于该算法只利用了函数值信息而不需要计算导数,是求解可微和不可微多模态函数优化问题的通用方法.仿真实验表明了新混合算法的有效性.     

基于改进粒子群优化算法的离散混沌系统神经滑模控制

针对离散混沌系统,提出一种基于融合Powell法的粒子群优化策略(Powell-PSO算法)的神经滑模等效控制方法。该方法通过将BP神经网络的输出作为滑模等效控制的切换部分的系数,有效地克服了传统滑模等效控制的抖振现象;利用Powell-PSO算法对神经滑模控制器的参数进行全局优化,提高了离散混沌系统的控制品质。仿真实验结果表明,所提出的方法无需了解离散混沌系统精确模型,具有响应速度快、控制精度高以及抗干扰能力强的优点。     

基于免疫克隆算法的逆变器非线性补偿

逆变器的非线性因素如管压降、死区效应、开关管时间等,会对电机驱动系统的性能造成影响。基于此,提出一种基于免疫克隆算法的逆变器非线性补偿方案。和传统补偿方法相比,该方案能智能辨识出非线性因素所对应的等效电压量和电机绕组电阻,不需要查询DSP给定死区时间、逆变器的开关管时间和管压降电压。该方案被使用在一个永磁同步电机驱动平台上,其辨识结果和逆变器数据手册里的性能参数的对比证明该方案具有较高的精确度。     

基于疫苗提取及免疫优化的粗糙集属性约简

针对约简属性组合的爆炸问题,将RS属性核参数作为先验信息的免疫疫苗引入抗体编码,概率性对种群接种疫苗.将属性集合的分类近似标准作为抗体适应度,通过在免疫克隆选择过程中引入聚类竞争机制,提高抗体群分布的多样性及亲和力成熟,从而获得多个属性约简及最小约简的平衡.实验结果表明,这种粗糙集属性约简方法对于多维条件属性集是快速且有效的.     

对“具有非线性参数振动的线性系统的时滞相关鲁棒稳定性”一文的评论

最近有一论文根据非负矩阵谱半径性质,给出了系统鲁棒稳定的一个充分条件,这一结果看起来十分有效,但事实上是不可靠的,本文指出了这一结果证明过程中的错误,并给出了修正后的结论。