课程文献中心 更多>>

关键词： 空中交通管制   飞行冲突解脱   持续学习   深度强化学习  

摘要： 随着空中交通量的持续增长，未来飞行冲突问题将日益严重。为提升智能飞行冲突解脱方法的持续有效性，本文考虑空域环境等因素动态变化的情况，在智能飞行冲突解脱算法中引入持续学习机制。该方法首先基于马尔可夫决策过程（Markov Decision Process，MDP）对飞行冲突解脱问题建模，再利用深度强化学习方法对模型进行训练，使其能够有效解决飞行冲突。最后引入基于参数隔离和元学习两种持续学习方法，便于模型快速适应新冲突场景。实验结果表明，在引入持续学习方法后，模型在初期的冲突解脱成功率几乎超过70%，最终超过90%，对于初始训练场景的记忆留存程度超过87%，有效避免了灾难性遗忘，提升了模型的持续学习能力。本文的研究对于保障飞行安全、降低管制员工作负荷、提升空中交通运行效率有重要意义。

关键词： 家具打包   码垛优化   禁忌搜索   异形板件   临界多边形   最低水平线法   板式家具  

摘要： 为了减少含异形板件的板式家具打包的包裹个数，提出基于禁忌搜索的该类板式家具码垛优化算法；分析该类板式家具码垛问题的约束条件，并建立目标函数；采用可以有效确定订单中所有该类板式家具码垛顺序与旋转方向的编码方式，并利用启发式算法生成实时监测包裹质量的较优初始解，以便利用禁忌搜索求解该类板式家具码垛问题；结合临界多边形和最低水平线法，设计将编码转换为对应码垛方案的解码方式，并给出所提出算法的适配值函数及邻域结构；利用禁忌搜索计算该类板式家具订单，确定并优化每个板件的码垛顺序、旋转方向与码垛位置，得到包裹个数较少的码垛方案；选取欧洲排样问题兴趣小组（ESICUP）提供的算例测试所提出的算法，并与已有研究中可复现的板件智能分包方法对比。结果表明，相对于对比方法，所提出算法所得该类板式家具打包的包裹个数减少38.46%，验证了所提出算法的可行性与有效性。

关键词： GWO算法   BP神经网络   接地选线装置  

摘要： 为降低配电网络的布线成本以及平均电阻，研究首先利用灰狼优化算法解决小电流接地选线问题，并通过反向传播神经网络解决传统灰狼优化算法容易陷入局部最优解的缺陷，采用分层自适应学习速率来加速算法的收敛速率，设计一种新的融合灰狼优化算法与反向传播神经网络的小电流接地选线模型。实验结果表明，研究提出的算法在多种同类算法中展现出了最快的收敛速度，当运行时间达到0.265 s时，其F1值开始趋于收敛，并最终稳定在97.52%的高水平。研究所提出的接地选线模型具有准确率高、成本控制好、电阻减小程度大等优点，配电网络提供了一种高效、准确的选线策略。

关键词： 柔性作业车间调度   非线性因子   灰狼优化算法   邻域探索   Hamming更新策略  

摘要： 将一种改进的灰狼算法与柔性作业车间调度进行结合，以工件最大完成时间最小建立数学模型，首先提出了一种新的个体距离更新公式，逐渐减少α个体对种群的引导性；其次由于其线性收敛因子不能充分开发算法性能，引入一种非线性收敛因子提高算法前期的全局探索能力，后期的局部开发能力；再次，为解决灰狼算法中最优个体引导性过强的问题，提出俩种邻域，令部分个体可以进行自我探索，关键个体可以机器变异以减少完工时间；最后提出结合Hamming距离的更新机制；最后通过2组实验对比验证整体优化的可行性与有效性，能为车间提高生产效率提供新的解决思路。

关键词： 联盟博弈   通信时延   梯度时延   对偶平均   纳什均衡  

摘要： 针对通信时延与梯度时延共存下的联盟博弈，提出基于对偶平均技术与时延梯度的分布式对偶平均算法来求解纳什均衡。采用增广图方法表征通信时延与利用布雷格曼散度度量时延梯度与当前梯度之间的误差，理论分析表明提出的分布式对偶平均算法以次线性收敛率收敛至纳什均衡。同时研究结果阐明通信时延与梯度时延对算法收敛误差的影响。最后，将所提出的分布式对偶平均算法应用到无人机集群的编队控制中验证算法的有效性。

关键词： Powell算法   飞行仿真   重定位   配平  

摘要： 飞行模拟器工程应用中，要求飞机仿真模型按照训练科目要求快速重定位至特定状态，因此快速获得飞机初始状态参数值至关重要。提出一种基于改进Powell算法和飞机飞行动力学模型的配平算法，获取使飞机稳定飞行的状态量和操纵量来实现飞机运动状态参数重定位；根据求解所得运动状态参数和飞机系统仿真原理提出飞机系统状态参数的重定位方法，进而形成飞行模拟器重定位算法架构。将该算法应用于某型号飞行模拟器中，仿真初期飞机平稳飞行，视景画面和运动平台不发生剧烈抖动，提高了仿真训练的逻辑符合性和逼真度，且解算速度较快。

关键词： YOLOX   ByteTrack   注意力机制   小目标检测层   多目标跟踪   行人检测  

摘要： 针对行人多目标检测跟踪中易出现遮挡和小目标检测失效的问题，提出一种基于YOLOX的改进行人多目标跟踪算法。在YOLOX中增加小目标检测层(Small Target Detection Layer， STDL)以增强小目标特征，使用新的损失函数，提升目标定位精度。为了强化通道间差异，引入坐标注意力机制(Coordinate Attention， CA)，综合提升YOLOX的目标检测精度，并对检测目标采用动态匹配阈值数据关联方法提升跟踪性能。为了验证所提算法的性能，将其与Sort算法、DeepSort算法及ByteTrack算法进行对比，实验结果表明，在MOT17数据集下，跟踪准确度(Multiple Object Tracking Accuracy， MOTA)提升了1.6%，跟踪稳定性(Identification F1， IDF1)提升了2.4%，身份切换(ID Switches， IDs)降低了22%。所提算法可以有效地应对遮挡和小目标失效问题，能够提升检测跟踪稳定性和准确性。

关键词： 特征选择   流特征   稳定性   集成学习   极限学习机  

摘要： 特征选择是数据挖掘预处理阶段中的重要组成部分，旨在从原始数据集中选择出最相关的特征子集。传统的特征选择方法假设数据集是静态不变的。然而，在实际应用中，数据可能是动态生成并被处理的。为此，针对特征以流的方式逐个生成的在线流特征选择方法应运而生。目前，大多数研究者所提出的在线流特征选择方法主要关注可扩展性、高准确性和低时间开销，而忽视了算法的稳定性。稳定的特征选择结果才能有效增强用户对算法的可信度，使其具备实用价值。针对在线特征选择算法的稳定性问题，基于多层次集成学习策略，提出了一种新的流特征在线稳定选择算法框架(Multi-level Ensemble Learning Stream Feature Selection,MESFS)。具体来说，在数据集层面采用极限学习机(Extreme Learning Machine, ELM)对样本进行分组和映射来提高算法的准确性；在特征选择层面通过多次迭代和自适应调整阈值的策略对特征进行权重计算和选择，以减少特征选择结果的波动性和随机性。选取4种传统静态特征选择算法和5种先进的在线流特征选择算法，在UCI、ARFF以及NIPS等12个公开数据集上进行了大量实验对比，结果表明所提出的方法可以在训练数据扰动下取得优秀的预测精度和稳定性平衡。

关键词： 卡尔曼滤波   矢量控制   双环控制算法   关节模组  

摘要： 针对自研关节模组中GD32FFPRTGU6芯片现有控制算法解决关节系统惯量不匹配效率低、快速跟踪性、稳态精度以及抗干扰的鲁棒性差的问题，提出了基于扩展卡尔曼滤波FOC矢量双环控制算法。该算法在传统FOC矢量控制中加入卡尔曼滤波算法，通过卡尔曼滤波器滤波作用，减少外界噪声干扰和自身干扰，使输出相电流更为稳定，能较大程度提高稳态精度及系统的抗干扰性，且能够保证在干扰环境下的鲁棒性及稳定性。该文先用Simulink仿真验证的方法，证实了该理论算法的可行性，后将该算法应用到GD32FFPRTGU6芯片的关节模组控制模块，验证了该理论算法。该算法提高了关节系统的快速跟踪性，稳定精度以及抗干扰鲁棒性。

关键词： 弓网接触点   高速列车   YOLOv8   Swim-transformerV2  

摘要： 针对高速列车在运行中弓网接触点检测困难的问题，提出了一种基于改进YOLOv8的YOLOv8-HTPCP检测算法。该算法在主干网络引入Swim-transformerV2，提高模型的训练稳定性和准确性，对全局有更好的信息提取能力；使用了GSConv来减轻模型的复杂度并保持准确性；将轻量型的Ghost模块与YOLOv8算法相结合，可以大幅度降低网络参数量。在弓网接触点的数据集上进行消融实验和对比实验，实验结果表明，YOLOv8-HTPCP模型的平均精度均值mAP0.5值为98.5%，mAP0.5～0.95值为97.8%，召回率为96.7%，参数量2659823，与原模型YOLOv8相比，mAP0.5值、mAP0.5～0.95值、召回率分别提高了1.6、3.9、1.8个百分点，且参数量降低了14.7个百分点，为弓网几何参数参数检测提供了技术参考。