基于手机蓝牙的遥控小车的设计

阐述一种通过手机蓝牙遥控小车行走的软、硬件设计。手机蓝牙作为客户端,小车上的蓝牙模块HC-04-D作为服务端。客户端采用Eclipse开发环境,J2ME编程,服务端采用单片机控制。双方通过串口仿真协议进行通信,单片机驱动直流电机控制小车行动。实验结果表明,小车可以接收手机遥控信号并灵活地进行前行、倒退、左转、右转和停止等功能。     

基于模拟退火机制的多种群萤火虫算法

针对传统萤火虫算法(FA)中存在的过早收敛和易陷入局部最优解等问题,提出了一种基于模拟退火机制的多种群萤火虫算法(MFA_SA):将萤火虫种群平均分为参数不同的多个子种群。为了防止算法陷入局部最优解,利用模拟退火机制大概率接受较好的解,小概率接受较差的解。同时,在种群寻优的过程中引入可变的距离权重,通过萤火虫算法的迭代次数动态调整萤火虫的"视野"范围。利用5个标准测试函数对该算法进行了对比仿真测试,结果表明,该算法在4个测试函数中均能寻找到全局最优解,并且在最优值、平均值、方差等指标上均比对比算法高出多个数量级,验证了新算法的有效性。     

基于改进型进化机制的萤火虫优化算法

分析了萤火虫算法的进化计算机制,并利用实例对萤火虫算法中容易发生进化过早停滞的原因进行了研究。提出了一种基于新型进化计算模式的改进型萤火虫优化算法,该算法在进化初期利用种群最优萤火虫激发群中其他个体的寻优能力,在萤火虫相互之间建构了有效的信息交互网络后,各萤火虫将借助各自视觉范围内的更优近邻个体完成后期搜索和进化,当种群陷入局部最优区域时,利用高斯变异改善萤火虫个体的多样性。利用标准测试函数进行了实验分析,结果表明,改进后的萤火虫算法能有效改善过早进化停滞问题。     

基于VRML的虚拟校园的设计与实现

基于Vrml技术完成了三维虚拟校园的设计和实现,对建模、交互控制及优化技术进行了详细的介绍和分析,为研究和探索Vrml技术在虚拟建筑展示领域的应用提供了有益的思路。     

个人局域网的一种实现技术——蓝牙技术

简单介绍了最近发展起来的个人局域网,详细论述了蓝牙技术的特点、功能单元及其协议体系,最后对春发展前景进行了展望。     

TPM（全面生产维护）项目在乳品企业中的应用实践

伊利集团液态奶生产工厂在引入TPM（全面生产维护）理论,结合大量的实践与先进的管理思想,摸索出一条适合干食品加工企业的TPM之路。在项目运作过程中,工厂取得了可观的项目业绩与回报——人力提升、工具应用能力的强化在项目中得到了实现。项目涉及生产工厂的成本改善、质量改善、现场改善等,本文论述了TPM在乳品企业中的应用与实践,以期对乳品生产企业的规范化发展与竞争力提升提供参考。     

基于人工神经网络的热连轧参数预测模型

将BP神经网络的思想用于预测热连轧参数,研究并建立了基于BP神经网络的预测控制数学模型。以热连轧精轧自然宽展值为例,现场实测数据仿真验证表明,该模型明显优于传统的数学预测模型,具有很高的预测精度。     

一种基于反思机制的教与学优化算法

针对教与学优化(Teaching-learning-based optimization,TLBO)算法中存在的易于陷入局部最优以及收敛速度较慢等问题,提出了基于反思机制的TLBO算法。为提高算法的全局搜索和局部收敛能力,在教学过程中利用教师反思来增强教师教学水平,进一步提高学生知识技能,同时学生实现自我反思,达到同步提高的目的。利用基准测试函数对算法进行了性能测试,实验结果表明,改进后的TLBO算法具有更好的寻优性能。     

基于MODCPSO算法的三值FPRM电路面积与延时优化

针对三值固定RM(fixed polarity reed-muller,FPRM)逻辑电路面积与延时综合优化问题进行了研究,提出了一种基于竞争行为多目标离散粒子群算法(Multi-Objective Discrete Competitive Particle Swarm Optimization,MODCPSO)的极性搜索方案。首先在MODCPSO算法中,引入竞争行为机制,将种群划分为不同的团队,从各个团队中随机抽取两个粒子进行比较,令较差的粒子向着较好的粒子进行速度和位置的更新。同时引入变异机制,令种群粒子能够跳出局部最优解,继续更新进化。然后,结合三值FPRM极性转换技术和MODCPSO算法搜索电路面积与延时的最佳极性。最后,利用PLA格式的MCNC Benchmark电路实现算法测试,并与DPSO算法、MODPSO算法进行了性能对比。实验结果验证了MODCPSO算法的有效性。     

基于多策略离散粒子群算法的MPRM电路延时与面积优化

针对大规模混合极性Reed-Muller(Mixed Polarity Reed-Muller,MPRM)逻辑电路的延时与面积优化,提出一种基于多策略离散粒子群优化(Multi-Strategy Discrete Particle Swarm Optimization,MSDPSO)的极性搜索方法.在MSDPSO算法中,对粒子进行团队划分,每个团队既执行不同策略,又相互联系,并行完成探索与开发的双重任务.同时在进化过程中采用高斯调整来激活寻优能力较差的粒子.结合MSDPSO算法和列表极性转换技术,对大规模MPRM电路进行延时与面积极性搜索.最后对PLA格式的MCNC Benchmark电路进行算法性能测试,结果验证了MSDPSO算法的有效性.与离散粒子群优化(Discrete Particle Swarm Optimization,DPSO)算法的优化结果相比较,MSDPSO算法获取的电路延时平均缩短8.43%,面积平均节省38.36%.