基于线性时序逻辑的最优巡回路径规划

基于线性时序逻辑(Linear temporal logic, LTL)的路径规划方法中, 多点巡回路径规划问题尚无有效解决方案. 为了在道路网络中实现最优巡回监测, 提出了基于LTL的最优巡回路径规划方法. 首先, 将环境建模成一个切换系统, 用LTL语言描述包含多个巡回点和障碍物的任务需求; 接着, 利用循环移位法构建能够融合任务需求和环境模型的扩展乘机自动机, 以建立路径信息完整的网络拓扑; 最后, 采用基于迪科斯彻法的最优综合算法搜索扩展乘机自动机网络上的最优路径, 从而获得能够满足复杂任务需求的最优巡回路径. 仿真结果表明, 该方法能够有效实现最优巡回路径规划.     

随机时变路网下的城市应急服务车辆路径分析

针对城市应急服务车辆（110、119、120等）的最优路径选择问题及路网的随机性与时变性,利用鲁棒优化理论,考虑路网在最坏情况下的行程时间,建立了随机时变条件下的应急车辆路径选择模型,并对 Dijkstra算法进行改进,将算法的路阻矩阵进行实时更新,以在时变条件下实现对路径选择模型的求解。经算例分析表明,该模型能有效解决随机时变路网环境下的应急车辆最优路径问题,与基于概率分布的期望行程时间最短的方法相比,该模型拥有更高的鲁棒性和易操作性。     

一种可搜索无限个邻域的改进A*算法

传统A*算法在栅格地图上进行路径规划时,求解得到的路径长度不是最短并且转折点较多.针对这些不足,提出了一种改进A*算法,将传统A*算法的可搜索邻域个数从离散的8个拓展为无限个,可以沿任意方向进行搜索.这样不仅求解出来的路径长度更短,并且大大降低了其转折点的个数.该算法被应用于自主研发的"智能先锋"号系列无人驾驶车辆上,实车试验以及它们在"中国智能车未来挑战赛"中的优异表现证明该方法能够在栅格地图中求解出一条更优的可行驶路径,可以显著提升无人驾驶车辆行驶的效率和平稳性.     

基于模态Petri网的行为有效区间寻找最优路径的方法

为满足客户需求,在行为约束下的业务流程中寻找行为执行的最优路径具有一定的实际意义。已有的研究是建立在静态分析基础上,通过优化算法或是行为分析来寻找最优执行路径,忽略了行为约束条件对执行行为有效性的影响,所得结果具有一定的局限性。文中在已有方法的基础上,利用Petri网行为轮廓序关系描述约束条件并确定行为有效区间,提出了基于模态Petri网分支有效区间的业务流程最优路径选择方法。该方法以行为有效区间替代已有的固定值方法,以便更好地描述业务流程的行为约束以及约束下的有效行为。通过一个具体的业务流程分析实例分析了该方法的有效性。     

格值一阶逻辑LF(X)中的α-语义归结方法

自动推理是人工智能的一个重要研究方向,基于归结原理的自动推理因易于在计算机上实现而得到广泛研究。语义归结是对归结原理的一种改进,它利用限制参与归结子句类型和归结文字顺序的方法来提高推理效率。为了提高基于格蕴涵代数的格值逻辑的α-归结原理的效率,将语义归结策略应用于α-归结原理。首先给出了格值一阶逻辑系统中的α-语义归结概念和α-语义归结演绎概念,接着讨论了格值一阶逻辑系统的α-语义归结方法,并证明了其可靠性和条件完备性,最后通过实例说明了其有效性。     

分子蒸馏技术与日用化工(Ⅰ)——分子蒸馏技术的原理及特点

介绍了分子蒸馏技术发展简况，并从分子运动平均自由程的定义出发，介绍了分子蒸馏技术的基本原理、特点以及与常规蒸馏、超临界萃取与层析分离等方法的不同。分子蒸馏操作温度低、受热时间短及分离效率高，特别适用于热敏性物质的提纯，有广阔的应用前景。     

Trie树路由查找算法在网络处理器中的实现

Trie树数据结构的实现方法灵活,所需存储器空间小,是实现高速路由查找和分组转发的理想选择。为满足10 Gb/s线速度网络处理器中微引擎的设计要求,提出一种基于最优平衡、多层存储的Trie树路由查找算法。建立一种平衡的压缩树结构,将该树中相邻的多层节点压缩到一个存储节点中。通过构造特定的数据存储结构来减小树的搜索深度,以空间换取时间,从而提高路由查找速度和分组转发效率。在网络处理器的查找微引擎设计中实现Trie路由查找算法,实验结果表明,单个微引擎的查找速度为4.4 Mb/s,能达到节省存储空间、提高查找效率的效果。     

基于VPR的FPGA布局算法时延改进

基于模拟退火的现场可编程门阵列(FPGA)布局算法在计算关键度时存在一定的偏差。为此,提出一种FPGA布局时延改进算法。利用不同的模拟退火温度和交换接收率,以及前后2次布局的时延代价差,对FPGA布局的时延代价进行补偿。通过增加时延补偿模块来调整布局的代价函数,达到重新寻找布局过程中被遗弃的较优解的目的。实验结果表明,在MCNC基准电路上使用改进算法,布局的时延代价和线网代价分别比改进前的算法减少19.2%和0.5%。此外,电路的关键路径时延也得到了不同程度的改善,使得布局质量在各个方面都明显优于优化前的通用布局布线算法。     

基于RDC-Q学习算法的移动机器人路径规划

传统Q算法对于机器人回报函数的定义较为宽泛,导致机器人的学习效率不高。为解决该问题,给出一种回报详细分类Q(RDC-Q)学习算法。综合机器人各个传感器的返回值,依据机器人距离障碍物的远近把机器人的状态划分为20个奖励状态和15个惩罚状态,对机器人每个时刻所获得的回报值按其状态的安全等级分类,使机器人趋向于安全等级更高的状态,从而帮助机器人更快更好地学习。通过在一个障碍物密集的环境中进行仿真实验,证明该算法收敛速度相对传统回报Q算法有明显提高。     

基于模糊PID的无人水面艇直线路径跟踪

针对固定参数PID方法在无人水面艇直线路径跟踪控制中出现的大迴转问题,提出一种基于模糊PID的直线路径跟踪方法。在系统中增加模糊推理模块,利用航向与跟踪直线之间的偏差角以及无人艇位置与跟踪直线之间的距离误差,根据模糊推理的方法动态地调整PID参数。通过PID控制器实时调整左右两侧推进电机的输入电压,实现对给定直线路径的自主跟踪。仿真结果表明,在初始航向偏差角较大时,该方法克服了采用固定参数PID控制方法时出现的大迴转现象;在初始航向偏差角较小时,该方法在超调量以及调节时间方面的直线跟踪性能优于固定参数PID控制方法。