基于个体协同触发强化学习的多机器人行为决策方法* .txt

摘要：为了提高多机器人行为最优决策控制中强化学习的效率和收敛速度，研究了多机器人的分布式马尔科夫建模与控制策略。根据机器人有限感知能力设计了个体 协同感知触发函数，机器人个体从环境观测结果计算个体 协同触发响应概率，定义一次触发过程后开始计算联合策略，减少机器人间通讯量和计算资源。引入双学习率改进Q学习算法，并将该算法应用于机器人行为决策。仿真实验结果表明，当机器人群组数量在20左右时，本文算法的协同效率较高，单位时步比为1085 0。同时距离调节参数η对机器人协同搜索效率有影响，当η=0008时，所需的移动时步比和平均移动距离都能达到最小值。通过双学习率的引入，该算法较基于环境模型的强化学习算法具有更高的学习效率和适用性，平均性能提升35%，对于提高多机器人自主协同能力具有较高的理论意义及应用价值。 .txt     

不同活化剂对超级电容器活性炭性能的影响

以毛竹为原料,分别使用氢氧化钾、磷酸、氯化锌为活化剂,气氛保护条件下,采用高温法制备活性炭。结果表明:氢氧化钾最适合作为制备超级电容器用活性炭的活化剂,漏电电流仅为0.117 m A,2 500次循环后比电容仍高达243.9F/g,容量保持率高达99.9%。     

基于改进多目标遗传算法的实时发电市场优化调度研究

实时发电市场需在短时间内完成投标与出清,与中长期市场相比时间更紧、价格波动更明显且更容易受到参与者行为的影响。在交易过程中,若单纯采用总购电成本最低进行出清,可能导致少量参与者占有大部分市场份额或剩余资源,造成市场集中度偏大。少量机组可利用其市场力操纵市场并获得超额回报,从而影响市场效率及稳定性。为了防止该类情形,提出一种兼顾市场集中度的实时发电市场多目标优化模型,通过监控HHI静态指标以及DHHI动态指标将市场集中度控制在合理水平。在模型求解过程中,通过改进的多目标遗传算法(Multi-objective Generic Algorithm, MOGA)实现了快速收敛及有限方案筛选。最后采用IEEE30节点标准系统进行仿真,仿真结果证实了模型的有效性及其算法的高效性。     

头盔显示器视差调校的量化研究

为简化视差调校,对具有大出瞳和特殊使用环境的头盔显示器准直光学系统特点进行了研究,分析了头盔显示器视差产生的根源和原理.通过引入最大相对视差,把视差调校量与出瞳直径、焦距、设计物距联系起来,得到了视差调校量与光学系统基本参数的显性量化关系式.     

硫炭复合正极材料的制备及性能研究

通过正交试验设计研究,优化出锂硫电池用硫炭复合正极材料的最佳制备工艺为硫炭比6∶4,150℃恒温5h,300℃恒温2h,在该条件下制备的材料首次放电比容量1206.2mAh/g,20周循环后放电比容量为1102.9mAh/g,容量保持率为91.4%,材料的循环性能较佳。     

复杂环境移动群机器人最优路径规划方法

研究了一类复杂环境下移动群机器人的建模与控制策略。采用栅格法对机器人工作环境进行建模,基于个体的有限感知能力和局部的交互机制设计了响应概率函数,解决群机器人任务分配与信息共享难题。通过施加螺旋控制于早期信号搜索,并将该搜索信息作为启发因子改进动态差分进化算法,对群机器人进行路径优化。仿真结果表明,当响应概率函数中距离变量调节因子β=0.006时,任务分配控制算法达到最好效果。同时,移动群机器人路径规划的平均路径长度珔S,平均移动时间珔T以及平均收敛代数珚M,相比扩展PSO算法分别提高了16%、57%及230%。最后,将该算法应用于ASUIII型轮式移动群机器人物理实验,并设计了协同控制平台,具有较好的工程应用价值。     

θ调制多光谱照相中图像融合及假彩色化研究

针对θ调制多光谱照相,提出了一种构造数字滤波模板进行解码的方法,将CCD获得的编码图像直接解码获得数字图像。讨论并模拟了解码单波段图像在RGB颜色空间、IHS颜色空间以及L^＊n^＊b^＊颜色空间的假彩色融合,实验结果表明,对于θ调制解码图像,基于L^＊n^＊b^＊颜色空间的HLC融合法目标与背景色彩反差最大,目标识别效果最好。     

一种新型的起重船把杆起落装置

介绍了山东省"鲁起重五"船主把杆起落装置,该装置的结构和原理同样可以用于其他起重船的把杆起落,也可以用于狭窄区域高大设备起落."鲁起重五"船主把杆长30m,重18t.在原船的基础上,增加了副杆、滑动件、滑道以及配套的滑轮组和钢丝绳等设备,通过船上原有的四台锚机和一台主卷扬机,实现了主把杆的起落,解决了该船拖航前放倒把杆和到达目的港后立起把杆施工的难题.     

基于深度学习与特征融合的恶意网页识别方法研究

互联网环境的高度开放性和无序性导致了网络安全问题的普遍性和不可预知性, 网络安全问题已成为当前国际社会关注的热点问题。基于机器学习的恶意网页识别方法虽然卓有成就, 但随着对恶意网页识别需求的不断提高, 在识别效率上仍然表现出较大的局限性。本文提出一种基于深度学习与特征融合的识别方法, 将图卷积神经网络(Generalized connection network,GCN)与一维卷积神经网络(Convolution neural network, CNN)、支持向量机(Support vector machine, SVM)相结合。首先, 考虑到传统神经网络只适用于处理结构化数据以及无法很好的捕获单词间非连续和长距离依赖关系, 从而影响网页识别准确率的缺点,通过 GCN 丰富的关系结构有效捕获并保持网页文本的全局信息; 其次, CNN 可以弥补 GCN 在局部特征信息提取方面的不足,通过一维 CNN 对网页 URL(Uniform resource locator, URL)进行局部信息提取, 并进一步将捕获到的 URL 局部特征与网页文本全局特征进行融合, 从而选择出兼顾 CNN 模型和 GCN 模型特点的更具代表性的网页特征; 最终, 将融合后的特征输入到 SVM分类器中进行网页判别。本文首次将 GCN 应用于恶意网页识别领域, 通过组合模型有效兼顾了深度学习与机器学习的优点, 将深度学习网络模型作为特征提取器, 而将机器学习分类算法作为分类器, 通过实验证明, 测试准确率达到 92.5%, 高于已有的浅层的机器学习检测方法以及单一的神经网络模型。本文提出的方法具有更高的稳定性, 以及在精确率、召回率、 F1 值等多项检测指标上展现出更加优越的性能。     

具有容性负载的直流微电网系统分布式协同控制

针对一类具有容性负载的直流微电网系统, 提出了分布式协同控制方法. 具有容性负载的直流微电网是一类耦合动态互联非线性网络化系统, 可将DC-DC变换器在信息层视为智能体, 在每个子系统模块中, 引入容性负载电压观测器, 耦合并联非线性系统负载均衡控制设计问题可解耦成一阶积分器多智能体系统的输出一致性跟踪问题. 基于最近邻原则, 通过在控制器中引入比例、积分环节, 设计了增益可调的分布式协同PI控制律, 当有向图满足至少含有一棵生成树的条件下, 通过子系统间的局部交互, 可以实现负载均衡的目标. 通过分析增广系统矩阵的特征值证明了整个闭环系统的稳定性. 仿真和实验说明了所提出的控制方法的有效性及可行性.