课程文献中心 更多>>

关键词： 电动汽车   V2G   增量调度   单向调节   优先级  

摘要： 电动汽车(Electric Vehicles，EV)通过V2G(Vehicle-to-grid，V2G)技术为公共电网提供有价值的配套服务。为了充分利用V2G服务，EV聚合商需要根据市场规则来优化调度大规模EV负荷。常规的增量调度方法存在充电站和通信成本高的弊端，本文提出了用于执行单向调节的EV调度算法，使用远程开关开启和关闭EV充电站，以满足系统负荷调节需求。采用设置充放电优先级来决定EV的切换策略，该算法所需的基础设施成本和通信信号显著减少。对ERCOT系统中一组1 000辆EV的实时调度仿真，验证了该算法相对于增量调度具备更优的性能。

关键词： 无人机   航向角   DEM   航线优化  

摘要： 在无人机航空摄影测量中，航线设计会影响外业的采集时间以及采集结果。为了能够更好地设计航线，文章提出基于迭代角的任意多边测区的航线自动优化算法，并基于数字高程模型（DEM）数据，计算每条航线的实际飞行带宽以及测区最高点。结果表明，该设计方法能够有效节约航飞时间，提高飞机飞行的安全性。

关键词： 柔性作业车间调度   麻雀搜索算法   佳点集   天鹰优化器   柯西变异  

摘要： 针对柔性作业车间调度问题（FJSP），提出一种混合多策略麻雀搜索算法（HMSSA）以更加有效地最小化最大完工时间。首先，为了改善麻雀搜索算法的寻优能力，采用佳点集结合随机反向学习的初始化策略生成初始种群，并通过结合天鹰优化算法搜索策略与柯西变异策略完成了对麻雀搜索算法的改进；其次，为了使算法能够处理离散的调度问题，采用转换公式及排序值（ROV）规则将麻雀连续位置转化为离散编码；此外，为改善算法在求解FJSP时迭代后期种群多样性越来越差的问题，加入了交叉变异算子；同时，针对FJSP特点，加入了基于关键工序的邻域结构提升了算法的局部搜索能力；最后，通过10个FJSP基准算例、1个实际算例及6个大规模算例对HMSSA进行实验验证，结果表明HMSSA在解决FJSP问题时可以获得较小的完工时间，具有良好的调度性能。

关键词： 非结构动网格   静稳定性导数   组合动导数   Finner导弹   智能补偿辨识  

摘要： 提出了一种基于非结构动网格方法的导弹动导数智能补偿辨识算法，采用非结构动网格方法与强迫谐和振荡等方法相互组合，快速获取导弹动导数的离线数据，根据离线数据与试验值的偏差构建深度神经网络，在线智能补偿导弹气动导数。该算法仅依靠离线数据及深度神经网络，对标准模型Finner导弹的纵向气动导数进行智能补偿辨识，实现了对静稳定性导数和组合动导数的精准预测，且补偿后的动导数残差降低75%。该算法计算精度高，可推广至横向和航向的动导数智能补偿辨识。

关键词： 反问题   反散射问题   深度学习   正则化方法   可学习正则化框架  

摘要： 反问题在雷达和声呐探测、医学成像、无损探伤、地球物理勘探等许多领域具有广泛而重要的应用.然而在大多数情况下,反问题是一个病态的不适定问题,构造其稳定高效的反演算法极具挑战性.利用未知解的先验信息来构建恰当的正则化策略是应对上述挑战的重要方法之一.传统正则化方法的成功依赖于将未知解准确的先验信息显式地编码到反演算法当中,但在实际计算中这往往是难以获取和实现的.随着近年来深度学习技术的发展,直接从数据中学习未知解的先验信息成为了可能,这将有助于发展高效稳定的反演算法.本文回顾了基于深度学习反演算法的一些最新进展,重点介绍基于可学习正则化框架的反演算法.此外,还总结了基于深度学习反演算法的优缺点,并展望其未来的发展方向.

关键词： 制导炮弹   非匹配项   齐次二阶控制   非线性观测器   积分滑模动态  

摘要： 针对高速高旋状态的制导炮弹运动姿态易受内外界未知强扰动影响和强非线性的飞行控制问题，本文提出一种基于非线性扰动观测器的齐次准连续积分滚转控制法。首先，建立仿射非线性模型，设计非线性扰动观测器用以准确匹配控制通道模型中的非线性干扰和非匹配项，并利用估计值进行动力学补偿；其次，利用积分滑模动态切换面，确保状态变量在有限时间内收敛到期望的平衡状态；在此基础上结合控制指令信号，利用齐次二阶准连续算法设计出滑模控制器，在削弱抖振的同时保证系统良好的控制性能；最终通过Lyapunov理论证明其稳定性。仿真结果表明：相较于终端滑模控制算法，设计的控制器能够以更优的控制效果实现指令信号的跟踪，同时在可控范围内变化的攻角和侧滑角也确保弹体具备稳定的运动姿态，证明了该控制方法的强鲁棒性和优良的控制性能。

关键词： 高维多目标优化   进化算法   角分解机制   多阶段自适应删除策略  

摘要： 针对大多数现存高维多目标进化算法仍无法在高维空间中有效平衡种群收敛性与多样性的问题,提出一种基于角分解辅助的多阶段高维多目标进化算法(AMEA).该算法协作角分解机制与多阶段自适应删除策略逐一淘汰种群中性能较差的个体,进而平衡种群的收敛性和多样性.前者选取一对夹角最小的个体,其意味着它们最为相似;后者根据种群的进化状态自适应地淘汰这对个体中性能较差的个体.当种群处于未收敛于Pareto前沿状态时,删除策略淘汰收敛性较差的个体,以加速种群收敛.如果这对个体具有相同的收敛性,删除策略则淘汰多样性较差的个体.反之,删除策略利用所设计的综合性能指标来淘汰收敛性和多样性都较差的个体,以提升种群的综合性能.此外,所提出算法设计了基于径向空间投影的匹配选择策略来选取收敛性和多样性都良好的父代个体进入匹配池,进而提高算法探索高维空间的能力.实验结果表明, AMEA在处理高维多目标优化问题时具有较强的竞争力,能有效地平衡种群的收敛性与多样性.

关键词： 均值偏移   核密度估计   带宽矩阵   收敛性   自适应  

摘要： 均值偏移算法广泛应用于模式识别、图像处理和计算机视觉等领域。对采用具有一般形式的完整型带宽矩阵均值偏移算法进行推导，证明当且仅当带宽矩阵是对称正定矩阵时，均值偏移向量指向密度增加最大的方向。完整型带宽矩阵在数据空间的任意方向具有任意的平滑尺度。模拟实验表明，当数据密度在不同于坐标轴方向具有高曲率时，完整型带宽矩阵核密度估计相比于对角型带宽矩阵核密度估计可以获得显著的性能改进。针对目前均值偏移算法收敛性证明存在的问题，依据实数数列有界收敛定理和泛函分析赋范空间柯西数列收敛定理，分别对采用一般化形式完整型带宽矩阵核密度估计数列和位置向量数列的收敛性进行严格的数学证明，论据充分，判定方便，具有一般化普遍意义，为均值偏移算法的研究和应用提供理论基础。