基于平衡截断方法的高超声速飞行器模型降阶

本文提出了一种适用于高超声速飞行器数学模型的模型降阶方法.该方法采用基于奇异值分解的投影技术,对高阶的高超声速飞行器数学模型进行平衡变换,进而通过截断获得低阶的微分方程,方便控制器的设计,达到模型降阶的目的.相比于传统的只适用于稳定系统的模型降阶方法,本文提出的模型降阶方法通过右互质分解可以应用于不稳定的系统的模型降阶.为了证明该模型降阶方法的准确性,本文通过平均灰色关联系数的计算,给出基于时域分析的定量验证结果.仿真部分成功应用该方法对美国空军实验室提出的弹性纵向模型实现了降阶,证明了该方法的有效性.     

几种模型降阶方法的仿真对比研究

算法比较研究,比较几种主要模型降阶方法的优缺点,为给工程应用提供方法参考.利用奇异值分解的模型降阶方法具有较好的理论性质,能够保持降阶系统结构特性,但计算成本较高故不适合大规模动态系统的降阶;采用矩匹配的模型降阶方法计算简便,适合大规模系统降阶,但无法保证降阶系统稳定性,也很难求得降阶误差界.最小二乘降阶法同时利用了系统的Gramian矩阵和Krylov子空间理论,结合了二者的优点,使得降阶过程计算简化,保持了降阶系统的结构特性,而且降阶误差进一步减小.仿真算例证明了最小二乘法较前两者具有优越性.     

互连线高效时域梯形差分模型降阶算法

为了进一步提高现有互连电路模型降阶方法的精度和效率,提出一种基于时域梯形法差分的互连线模型降阶方法.首先将互连电路的时域方程用梯形法差分离散后获得一种关于状态变量的递推关系,形成了一个非齐次Krylov子空间;然后利用非齐次Arnoldi算法求得非齐次Krylov子空间的正交基,再通过正交基对原始系统进行投影得到降阶系统.该算法可以保证时域差分后降阶系统和原始系统的状态变量在离散时间点的匹配,保证时域降阶精度,同时也保证了降阶过程的数值稳定性及降阶系统的无源性.与现有的时域模型降阶方法相比,文中算法可降低计算复杂度;与频域降阶方法相比,由于避免了时频域转换误差,其在时域具有更高的精度.     

电动助力转向系统多领域鲁棒控制模型的降阶方法

随着人们对汽车操纵舒适性、安全性和节能等方面要求的提高,鲁棒控制算法越来越广泛的应用于电动助力转向（EPS）控制系统中．针对高阶鲁棒控制器实时性差、成本高等问题,提出最优平方积分误差（ISE）模型降阶方法．应用该方法对EPS系统鲁棒控制器进行降阶,并与最优Hankel范数降阶法进行比较．仿真结果表明,最优ISE降阶方法具有更好的降阶效果,降阶系统具有很好的鲁棒性．     

时域投影模型降阶方法的小样本误差估计

投影方法作为一类重要的模型降阶方法,其计算过程稳定,易于实现,但在理论上鲜有良好的时域误差估计结果．本文提出一种基于小样本估计过程的时域投影模型降阶误差估计方法．该方法首先将降阶过程中产生的误差分解为两部分,然后对各部分利用小样本估计方法进行估计．文中分别对线性和非线性输入输出系统进行小样本误差估计分析．此外,该方法能对线性系统的扰动问题进行分析,进一步的数值算例验证了该方法的有效性．     

B样条曲线的降阶公式及近似降阶方法

已有的B样条曲线降阶方法，由于无降阶公式可循，对于可降阶曲线常要通过解一系列线性方程组来实现降阶．该文给出了B样条曲线的降阶公式，使得可直接用降阶公式对可降阶曲线进行降阶．利用降阶公式和约束优化方法，文中进一步给出了B样条曲线的一种近似降阶方法和相应的算法，使得在用约束优化方法求出可降阶的近似曲线后，就可直接用降阶公式求出降阶曲线，简化了降阶过程．该方法应用范围广且简单实用．     

基于希尔伯特-施密特范数和交叉格莱姆的模型降阶方法

摘要：分析了模型降阶的发展历程和研究现状,重点研究基于交叉格莱姆信息的模型降阶方法的范数意义的误差性能指标和算法.分析指出了信息类模型降阶方法的信息损失指标的局限性——不满足非负性和不是范数意义的指标.利用Hankel奇异值以及交叉格莱姆的信息属性推导出Hilbert-Schmidt范数与交叉格莱姆的关系,从而通过理论推理运算得出Hilbert-Schmidt范数意义的误差指标,并提出了相应的降阶方法.最后,给出一个数值算例,验证了Hilbert-Schmidt范数意义的误差指标的合理性以及算法的良好降阶效果     

基于Krylov-Schur重启技术的Arnoldi模型降阶方法

Krylov子空间模型降阶方法是模型降阶中的典型方法之一,Arnoldi模型降阶方法是这类方法中的一类基本方法。运用重正交化的Arnoldi算法得到[r]步Arnoldi分解;执行Krylov-Schur重启过程,导出基于Krylov-Schur重启技术的Arnoldi模型降阶方法。运用此方法对大规模线性时不变系统进行降阶,得到具有较高近似精度的稳定的降阶系统,从而改善了Krylov子空间降阶方法不能保持降阶系统稳定性的不足。数值算例验证了此方法是行之有效的。     

弹性飞机模型降阶软件设计

针对弹性飞机模型降阶问题,对几种适合弹性飞机模型降阶的方法进行了研究,采用Matlab的GUI技术开发了模型降阶软件.该软件以交互式界面实现Matlab环境下的模型自动降阶,可供不同的弹性飞机模型选择适用的降阶方法,并可以根据降阶效果修改降价阶次.以一个高阶弹性飞机模型为例,进行模型降阶软件的仿真应用与分析,演示了交互式界面软件使用方便、简单易学的特点,使得对弹性飞机模型降阶的设计与仿真更加方便、直观,大大缩短了设计周期,具有一定的工程意义.     

利用频域拟合冗余原理直接求取连续系统离散降阶模型

本文利用频域拟合给出直接从高阶连续模型求离散降阶模型的模型降阶方法．文中首次提出频域拟合冗余及关键方程组的概念，论证了根据关键点拟合原理进行一步法频域拟合降阶的优越住，给出智能化点拟合算法，有效地求解了一类关于模型参数空间的非线性误差准则的极小化问题．     

基于混沌遗传算法的测试用例自动生成研究

测试用例自动生成是提高软件测试效率的重要手段.针对传统遗传算法的测试用例自动生成方法存在早熟收敛、迭代后期种群多样性降低等问题,提出了一种基于混沌遗传算法的测试用例自动生成模型,运用反向学习策略初始化种群,结合层接近度改进个体适应度的评价方法,并利用混沌序列优化遗传算法的交叉、变异操作.实验结果表明,与已有测试用例自动...     

一种快速的Rough集属性约简遗传算法

遗传算法适合复杂问题的处理因此可用于属性约简的求解.目前利用遗传算法进行属性约简的主要不足是:适应度函数计算复杂,效率不高.尤其在处理大型决策表时,计算时间将大量聚集在适应度函数的计算上,从而导致算法性能下降.为了更快的计算适应度函数,在研究基于正区域的区分对象对集的基础上,设计了一种计算适应度函数的快速方法.利用启发信息设计了一种快速的属性约简遗传算法.通过实例分析和算法实验表明该算法能够高效求出决策表的属性约简并且适合处理大型决策表.     

一种求解随机期望值模型的有效算法

随机期望值模型是一类有着广泛应用背景的随机规划问题.为了寻找更为有效的求解随机期望值模型的算法,通过采用随机仿真来逼近随机函数,在微粒群算法中利用随机仿真进行适应值估计和实现为了检验解的可行性,从而给出了求解随机期望值模型的新的算法.最后,通过实例仿真说明了算法的正确性和有效性.     

基于轨迹安全性评价的免疫遗传路径规划算法

针对移动机器人栅格路径规划中安全轨迹规划、局部极小点问题,提出了一种基于轨迹安全性评价的免疫遗传路径规划算法.通过将人工势场(APF)模型与轨迹安全性评价相结合,提出利用斥力场强度评估轨迹安全性,建立基于轨迹安全性、行驶代价评估的适应度函数,利用免疫遗传算法对APF模型中的势力场参数进行自适应优化估计.通过将参数变化控制在一个合理的区间,有效避免局部极小情况的发生,同时提高了路径的安全性.算法的有效性通过仿真实验得到了验证.     

基于遗传算法的C-Bézier曲线降阶

针对C-Bézier曲线的近似降阶问题,基于遗传算法,给出了一种用n次C-Bézier曲线最小平方逼近n+1次C-Bézier曲线的方法。该方法从最优化思想出发,把C-Bézier曲线的降阶问题转化为求解函数的优化问题,通过选择适应值函数,利用简单的循环执行复制、交叉、变异、选择求出该优化问题的最优值,从而实现了C-Bézier曲线在端点无约束和端点G0约束条件下的近似降阶逼近。实例结果表明,所提方法不仅可以获得较好的降阶效果,而且易于实现、精度高、误差计算简单,可以广泛地应用于计算机辅助设计中对曲线的近似降阶。     

多下层分式双层规划问题的改进遗传算法

针对一类具有多个线性下层问题的分式双层规划, 提出一种基于新编码方式的遗传算法。 首先,利用对偶理论,将问题化为单层非线性规划;接着,利用下层对偶问题的可行基编码,针对任意编码个体,解出对偶变量值,使得单层规划变为线性分式规划;最后,求解产生的线性分式规划,其目标值作为个体的适应度值。 这种编码方式及适应度的计算有效提高了遗传算法的效率。 通过对4个算例的计算,验证了算法的有效性。     

基于区间适应值交互式遗传算法的加权多输出高斯过程代理模型

融合了用户认知和智能评价的交互式遗传算法（Interactive genetic algorithm,IGA）是解决一类定性性能指标优化问题的有效方法,但是,评价不确定性和易疲劳性极大地限制了该算法解决实际问题的能力. 基于用户已评价信息,采用合适的机器学习方法,构建用户认知代理模型是解决上述问题的常用方法之一. 但是,现有研究成果均没有考虑用户评价不确定性对学习样本、代理模型的影响,以及模型拟合不确定性对基于适应值的进化操作有效性的影响. 针对上述问题,本文提出基于加权多输出高斯过程（Gaussian process,GP）代理模型的交互式遗传算法. 首先,在区间适应值评价模式下,提取学习样本的噪声特性,以确定相应学习样本对代理模型的影响度权重系数,构建两输出高斯过程代理模型;然后,利用代理模型提供的预测值及预测置信水平,给出一种新的个体适应值估计方法和个体选择方法;基于模型预测信息,实现模型更新管理. 将所提算法分别应用于含噪函数和服装设计问题中,所得结果表明本文算法可更好地拟合和跟踪用户认知,减小对进化搜索的误导,更快找到用户满意解.     

一种基于改进遗传算法的路径测试用例生成方法

采用遗传算法求解路径覆盖的测试用例生成问题是软件测试自动化的研究热点。针对传统标准遗传方法搜索测试用例易产生早熟收敛和收敛速度较慢的不足,设计了自适应的交叉算子和变异算子,提高了算法的全局寻优能力。基于动态生成算法框架,通过程序静态分析,考虑了分支嵌套深度的影响,结合层接近度和分支距离法,提出一种新的适应度函数。实验结果表明,该算法在面向路径的测试用例生成上优于传统方法,提高了测试效率。     

交互式遗传算法基于NN的个体适应度分阶段估计

针对交互式遗传算法中人的疲劳问题,提出一种基于神经网络(NN)的个体适应度分阶段估计方法,给出了神经网络估计进化个体适应度与人的评价之问的转换策略以及神经网络学习效果的评价指标,并分析了算法的复杂性．实例结果验证了该方法的有效性。     

基因表达式编程的LFC方法及其应用

介绍了基因表达式编程的基本原理,提出了具有线性复杂度的个体适应度评估方法(LFC),并且在遗传操作中采用自适应代沟替代策略,解决了标准GEP算法在求解复杂问题时时空效率低的问题。仿真表明,与标准GEP算法相比,该算法在不损失解的质量的情况下,求解效率得到明显改善。