Sensitivity analysis and optimal design for fiber reinforced composite disks

For a linearly elastic fiber reinforced composite disk, the first variation of an arbitrary stress, strain and displacement functional corresponding to variation of material parameters is derived by using the direct and adjoint approaches to sensitivity analysis. The results are particularized to the case of total potential and complementary energies. The relevant optimality conditions for optimal design and identification problems are then derived.     

基于改进蚁群算法的机器人全局路径规划研究

针对蚁群算法在机器人路径规划过程中出现的收敛速度慢的缺陷,提出了基于改进蚁群算法规划机器人全局路径,在栅格地图中划定优选区域,并建立新的初始信息素浓度设置模型,对各点初始信息素浓度进行差异化设置,避免寻优的盲目性,提高了算法的收敛速度。实验结果表明,改进后的蚁群算法的收敛速度明显加快,优于传统算法,表明了该算法的有效性。     

基于灵敏度分析法的ELM剪枝算法

针对极端学习机(ELM)网络结构设计问题,提出基于灵敏度分析法的ELM剪枝算法.利用隐含层节点输出和相对应的输出层权值向量,定义学习残差对于隐含层节点的灵敏度和网络规模适应度,根据灵敏度大小判断隐含层节点的重要性,利用网络规模适应度确定隐含层节点个数,删除重要性较低的节点.仿真结果表明,所提出的算法能够较为准确地确定与学习样本相匹配的网络规模,解决了ELM网络结构设计问题.     

基于自适应机制改进蚁群算法的移动机器人全局路径规划

针对基本蚁群算法在二维静态栅格地图下进行移动机器人路径规划时出现的搜索效率低下、收敛速度缓慢、局部最优解等问题,提出一种自适应机制改进蚁群算法,用于移动机器人在二维栅格地图下的路径规划.首先采用伪随机状态转移规则进行路径选择,定义一种动态选择因子以自适应更新选择比例,引入距离参数计算转移概率,提高算法的全局搜索能力以及搜索效率;然后基于最大最小蚂蚁模型和精英蚂蚁模型,提出一种奖励惩罚机制更新信息素增量,提高算法收敛速度;最后定义一种信息素自适应挥发因子,限制信息素浓度的上下限,提高算法全局性的同时提高算法的收敛速度.在不同规格的二维静态栅格地图下进行移动机器人全局路径规划对比实验,实验结果表明自适应机制改进蚁群算法具有较快的收敛速度,搜索效率明显提高且具有较好的全局搜索能力,验证了所提算法的实用性和优越性.     

求解最短路径的遗传算法中若干问题的讨论

针对道路交通网络中的最短路径问题,讨论了遗传算法中遗传算子的设计及运行参数的选择,提出一种新的交叉算子,提高了种群多样性.通过计算机仿真实验,比较了多种遗传算子设计方案的优劣及不同运行参数对算法效果的影响,为实际应用提供了参考.采用VC语言实现该遗传算法,并应用于实际的电子地图中,结果表明了算法的有效性和实用性.     

基于遗传算法的最短路径问题求解

详细分析了求解最短路径的遗传算法的构成要素,提出一种新的交叉变异算法,通过仿真实验论证了求解过程是合理而有效的,同时给出了算法的主要性能参数,并对其进行了分析。     

一种基于灵敏度分析的最短路可靠性评估模型

首先对最短路灵敏度分析的概念进行了拓展,然后给出了最短路灵敏度分析的基本公式。与通信网络链路实际相联系,假设图中各弧的权值是随机变量,具有独立的概率分布函数。最后基于最短路灵敏度分析基本公式,给出了一种新型的最短路可靠性评估模型。     

基于关键路径知识的任务调度遗传算法

基于遗传算法提出了一种新颖的多处理器任务调度算法CPGS。该算法利用任务系统的关键路径知识,构造了性能良好的初始种群。借助第三方测试数据集,将CPGS算法同其他类似算法进行了对比。实验结果表明,CPGS算法性能优于已有的同类算法。     

基于GIS的救护车辆最短路径算法

基于地理信息系统(GIS) 台,利用经典的单源最短路径算法--Dijkstra算法,对其进行了最小堆结构和邻接表存储模型优化.程序仿真结果表明,优化后的结果比经典算法在时间复杂度和空间复杂度上都有所降低,在救护车辆最短路径选择中有一定的实际价值.     

基于面积重叠法的概率盒全局灵敏度计算分析

针对随机与认知混合不确定性的概率盒灵敏度分析问题,提出一种利用概率盒缩减前后重叠面积作为不确定性度量的全局灵敏度分析方法.混合不确定性在航空航天仿真系统中广泛存在,概率盒方法用于随机与认知混合不确定性的表征在学术界已被广泛应用.首先,介绍传统概率盒灵敏度分析的不确定性缩减法理论,在此基础上,进一步考虑概率盒在位置和形状上的偏移量;然后,通过计算缩减前后的概率盒面积重叠量来表征各输入不确定性的影响程度,阐述其实施步骤;最后,通过数值算例对所提出方法与传统不确定性缩减方法进行全局灵敏度分析的对比和验证,并应用于发动机总体性能仿真计算灵敏度排序.研究结果表明,所提出面积重叠方法比传统不确定性缩减法适用范围更广,计算结果更准确.     

面向LarKC-ITS的单源最短路径算法优化策略

高性能选路解决方案对智能交通系统（ITS）效率至关重要,基于LarKC（语义万维网开源项目）提出了一种ITS设计方案,使得ITS可以利用移动互联网提供的海量、实时、群智的信息,而这种新的设计思路对选路算法提出了新的要求。对实际交通场景属性进行抽象,并通过实验表明该系统具有良好的选路性能,为智能交通的实现提供了新的思路。     

基于状态空间模型进化算法的全局收敛性分析

基于状态空间模型进化算法(SEA)是一种新颖的实数编码进化算法,在工程优化问题中具有广阔的应用前景。为了完善SEA的理论体系,促进SEA在工程优化问题中的应用研究,利用齐次有限Markov链对SEA的全局收敛性进行分析, 证明了SEA不是全局收敛的。通过限定SEA状态进化矩阵内元素的取值范围,同时引入弹力搜索得到改进型弹力状态空间模型进化算法（MESEA）。分析结果表明,弹力搜索能提高SEA的搜索效率。最后得到了MESEA全局收敛的结论,为算法在工程优化问题中的应用提供了理论依据。     

基于改进蚁群算法的机器人路径规划算法

针对机器人路径规划中,传统蚁群算法收敛速度慢、易陷入局部最优解等问题,提出了一种移动机器人路径规划的改进蚁群优化(ACO)算法。用栅格法建立环境模型,并基于人工势场建立启发信息素矩阵,降低了蚂蚁在初始阶段搜索的盲目性;引入激励函数,降低搜索过程中的死锁现象;改进信息素的更新机制,增强了优秀蚂蚁对全局路径规划的影响。仿真结果表明:改进后蚁群算法的机器人路径规划算法加快了收敛速度,具有较强的鲁棒性和全局寻优能力。     

基于遗传算法求解应急决策系统中的最优路径

提出了一种将模拟退火算法和遗传算法相结合的进化算法GASA,利用Boltzmann机制 接收交叉和变异后的个体,避免遗传算法中存在的早熟收敛问题,增强了算法的全局收敛性,并对遗 传算子(选择、交叉、变异算子)进行重构,引入新的交叉算子和变异算子能根据种群的进化情况动态 调整遗传算子,加速进化后期搜索效率。实验表明,将此算法用于应急决策系统的最优路径的求解中 与传统算法相比,能加速进化速度和全局寻优能力,提高应急决策效率。     

基于MapX最短路径搜索算法研究

在深入分析现有最短路径搜索算法和MapX空间特性的基础上,提出了一种基于MapX的局部最短路径搜索算法.该算法依据最短路径沿起点、终点连线方向可能性最大的特征,在小矩形范围内搜索,避免了因道路"振荡"而产生结果失真的问题,减少了搜索的节点数目,降低了搜索规模.实验结果表明,该算法搜索速度快,道路网络结构越复杂,其运行效率越高,具有很强的实用性.     

基于WGAN-GP的搜索式路径规划算法

为了提升搜索式路径规划算法在C字型障碍中的探索效率,提出了一种基于对抗生成网络的A*算法。首先使用训练更为稳定的梯度惩罚Wasserstein对抗生成网络（WGAN-GP）生成存在可行路径的感兴趣区域;然后使用A*算法优先探索该区域,使得路径规划能够被有效引导;最终形成一条连续的路径。经过实验仿真验证,其相较于传统A*算法节约了31%的规划时间、减少了22.84%的探索空间,提升了路径规划算法的效率。实验结果表明,改进的A*算法具有较高的探索效率,能够更好地应用于机器人路径规划中。     

基于陷阱层次的预处理寻路算法

针对当前寻路算法不能很好满足某些实时性应用中需要快速找到最短路径的要求,提出一种基于陷阱层次预处理的寻路算法。通过在预处理阶段探测出陷阱,即在实际搜索中并不需要的区域,在进行路径搜索时削减掉这些区域,使得无用空间的探索大幅度减少,提高了搜索效率。实验结果表明,该算法不但显著地减少了节点数的扩展,节约了搜索时间,而且保证了路径寻找的最优化,对于提高寻路算法的性能是一个切实可行的解决方案。     

改进A*算法的机器人全局最优路径规划

针对传统A^*算法规划的路径存在很多冗余点和拐点的问题,提出了一种基于A^*算法改进的高效路径规划算法。首先,改进评价函数的具体计算方式,减小算法搜索每个区间的计算量,从而降低寻路时间,并改变生成路径;其次,在改进评价函数具体计算方式的基础上,改进评价函数的权重比例,减少生成路径中的冗余点和拐点;最后,改进路径生成策略,删除生成路径中的无用点,从而提高路径的平滑性;此外,考虑到机器人的实际宽度,改进后算法引入障碍物扩展策略保证规划路径的可行性。将改进A^*算法与三种算法进行仿真对比,实验结果表明,改进后的A^*算法规划的路径更加合理,寻路时间更短,平滑性更高。     

Global sensitivity analysis of large-scale numerical landslide models based on Gaussian-Process meta-modeling

Large-scale landslide prediction is typically based on numerical modeling, with computer codes generally involving a large number of input parameters. Addressing the influence of each of them on the final result and providing a ranking procedure may be useful for risk management purposes. This can be performed by a variance-based global sensitivity analysis. Nevertheless, such an analysis requires a large number of computer code simulations, which appears impracticable for computationally demanding simulations, with computation times ranging from several hours to several days. To overcome this difficulty, we propose a “meta-model”-based strategy consisting in replacing the complex simulator by a “statistical approximation” provided by a Gaussian-process (GP) model. This allows computation of sensitivity measures from a limited number of simulations. For illustrative purposes, the proposed methodology is used to rank in terms of importance the properties of the elastoplastic model describing the complex behavior of the slip surface in the La Frasse landslide (Switzerland). One limitation of the GP-based methodology is that the computation of sensitivity measures is associated with uncertainty as the simulator is approximated using a training sample of small size, i.e., a limited knowledge on the “true” simulator. This source of uncertainty can be taken into account by treating the GP model from a Bayesian perspective. This provides the full posterior probability distribution associated with the sensitivity measures, which can be summarized by a confidence interval to outline the regions where the GP model is “unsure.” We show that this methodology is able to provide useful guidelines for the practical decision-making process and suggest further site investigations.     

基于Morris法的细胞信号转导网络全局灵敏性分析

细胞信号转导网络的结构复杂和动力学参数的不确定影响着系统的动态特性,如何定量系统输出与参数变化的关系,以及参数间的相互影响,已经成为系统生物学研究的重要问题之一。以TNF-α诱导NF-kB信号转导网络作为研究对象,采用Morris法的全局灵敏性分析技术,研究参数变化对输出NF-kBn的影响,确定参数的全局灵敏度。仿真结果表明,系统输出NF-kBn对于参数θ_(28)、θ_(36)、θ_(52)、θ_(61)、θ9、θ_(29)、θ_(19)和θ_(62)比较敏感,故它们影响着NF-kBn的振荡特性,从而说明这些参数是NF-kB信号转导网络关键的速率常数。