槽电压对CaCl2基熔盐电化学转化CO2制备碳材料的影响

以氯化钙基熔盐为电解质，将CO₂电化学转化为碳材料，考察了槽电压、熔盐组成对碳材料制备的影响。借助X射线衍射(XRD)、扫描电子显微镜(SEM)、X射线能谱(EDS)、激光显微拉曼光谱(Raman)等分析手段对碳材料的物相、形貌结构、元素分布、石墨化程度等特性进行表征。结果表明：在800℃CaCl₂-5%(质量分数)CaO熔盐中，槽电压为1.9 V的电解产物形貌为薄片状，碳质量分数为98.24%，随着槽电压升高，产物倾向于形成棒状结构且棒状产物长度增加；采用熔点更低的CaCl₂-NaCl-KCl-5%(质量分数)CaO三元熔盐进行电解，降低了制备碳材料的能耗，减轻了阳极的腐蚀，所得产物主要形貌为纳米管状、颗粒状和球状。槽电压对产物形貌的影响显著；高槽电压使得反应过程电流更大，电化学反应动力学加快，所得碳材料的石墨化程度更低。     

基于Q学习量子蚁群的微纳卫星路由算法

在微纳卫星网络中,传统蚁群路由算法不能同时保证数据传输的安全性和网络业务的服务质量,且易陷入局部最优解,收敛速度较慢。为解决上述问题,提出一种实现多目标优化的Q学习量子蚁群路由算法。该算法在选择下一跳节点的转移概率时,将路径的平均信任值和路径的费用作为两个优化目标,构成最优路径的节点性能指标,保证数据传输的安全性和网络业务服务质量。在考虑路径费用函数时,将量子计算引入到状态转移概率计算中,避免陷入局部最优解,并在算法中引入Q学习的思想,将信息素映射成Q学习的Q值,强化算法在动态环境中的学习能力,以提高路由的整体性能。仿真结果表明,与蚁群优化算法和改进的蚁群多约束路由算法相比,Q学习量子蚁群路由算法明显改善包投递率、平均端到端时延和节点平均能耗等性能指标,避免了蚁群算法易陷入局部最优解,提高了收敛速度,可适用于具有高速移动节点的微纳卫星网络。     

无人机集群网络分簇优化算法

为解决无人机集群网络结构不稳定以及网络生命周期短的问题,提出一种基于改进灰狼算法的分簇优化方法。根据无人机节点的相对移动性和节点间的相对距离,对无人机网络中所有节点分簇,综合考虑簇内节点的剩余能量、最高节点度、通信情况、任务种类4个影响因素,基于灰狼优化算法选举最佳簇首。仿真结果表明,该分簇算法提升了分簇平衡度、统治集更新次数、节点生存个数等多个性能指标,稳定了网络结构,延长了网络生命周期。