开启数学之旅mothBoard

数学对许多人来说是那么生涩或难以理解,单纯的记忆式和口诀式的学习方式也并不是适合每个人。因为数学是研究数量、结构、变化以及空间模型等概念的一门科学,它需要缜密周详的逻辑推理才能够继续深入的进行学习。     

面向动态任务合作求解的联盟模型

多Agent系统中,Agent间通过形成联盟达到提高任务求解能力,获取更多收益的目的。主要关注联盟模型的改进和联盟形成阶段的改进,基于ARG(agent,role,group)元模型和学习机制提出了一种采用角色和学习机制的新联盟模型CLAR(coalition model based on learnin gagent and role);在采用合同网协议的CLAR联盟模型中提出了两阶段联盟形成机制;通过捕食者问题实验验证了角色和学习机制的作用,以及两阶段联盟形成机制在减少通讯代价上的作用。     

基于模糊树逆方法的高超飞行器变质心控制

本文针对高超飞行器变质心姿态动力学模型所具有的高度非线性、多变量、强耦合特性,通过合理的简化,得到了一个耦合的非线性动力学系统;根据简化模型的特点,将该模型分为俯仰偏航通道模型和滚动通道模型,通道间耦合视为扰动.应用模糊树模型逼近俯仰偏航通道的逆模型,实现了俯仰偏航通道解耦线性化,对各线性子系统设计闭环控制器,实现了飞行器俯仰偏航通道姿态角的跟踪;应用预测变结构方法保证了滚动通道的快速稳定并且无抖振现象.最后,将该方法应用于高超飞行器姿态系统控制的仿真研究,表明了本文方法的有效性和可行性.     

车载网中一种基于链路稳定度的路由方法

车载自组织网络VANET(vehicular ad hoc network)由于车辆高速移动性、分布不均匀、运动行为受交通环境限制等因素的影响,使得VANET具有网络拓扑结构变化频繁、传输信号受干扰大、网络易于断裂等固有特性。路由选择是VANET的重要组成部分。如何选择下一跳节点是实现路由方法的关键,链路稳定度是衡量VANET性能的重要因素。本文通过计算预期路径的链路稳定度来选择下一跳节点,提出一种基于链路稳定度的路由方法。实验结果表明与传统的AODV相比,本文提出的方法在端到端延时,数据包的传递率等方面有较大的提高。     

直流伺服系统模型及其辨识

伺服系统又称为随动系统,是构成自动化体系的一种基本环节,是由若干元件和部件组成的具有功率放大作用的一种自动控制系统。系统辨识是指当用户无法从物理上得出所研究系统的数学模型,但可以通过适当的实验手段测试出系统的某种响应信息时,就可以根据它来获得系统的数学模型。本文完成了对直流伺服系统的建模以及辨识,尤其是利用系统的阶跃响应数据对直流伺服系统的模型进行了直接辨识,即由系统阶跃响应采样数据构造线性方程组,通过对方程组求解估计出系统参数。最后,对辨识出的系统进行了仿真,将仿真结果与原阶跃响应数据比较,表明所采用的辨识方法取得了良好的效果。