基于粒子群算法的固定时间多约束无人机轨迹规划

针对粒子群算法在轨迹规划时,将无人机视为质点,未考虑无人机的飞行时间、角度等参数的不足,提出一种数值方法结合粒子群算法的轨迹规划求解方法。首先,考虑到对每个时刻控制变量进行优化会耗费大量的时间,将无人机的飞行时间离散为一定数量的切比雪夫配点,在这些离散的配点处优化控制变量以减小计算负担;其次,将角速度作为控制变量,运用曲线拟合求解出角速度与时间的函数,经过积分求出无人机的角度、位置与时间的函数;再次,将结果代入粒子群优化模型并结合无人机运动学模型进行优化求解,根据分配的时间计算出最终的角速度、角度以及位置坐标;最后,在复杂环境下进行无人机轨迹规划仿真,通过与已有方法的对比,验证所提求解方法的有效性和可行性。结果表明,所提出的轨迹求解方法可以求出包括位置在内的各个运动学参数,规划出光滑的轨迹并且成功避开前进过程中的障碍物。所提方法有效提升了轨迹规划的求解维度,对实现智能自主化飞行有一定的参考价值。     

基于量子遗传算法的无人机冲突解脱方法

飞行冲突解脱对于无人机飞行安全至关重要,遗传算法(genetic algorithm, GA)在解决无人机冲突解脱时存在求解速度慢、产生的延误距离较大等缺点,针对这些缺点,提出一种基于量子遗传算法(quantum genetic algorithm, QGA)的无人机冲突解脱方法。该方法采用了量子比特编码,设计加入了延误指数函数强制优化策略和变航向优化策略,通过利用量子旋转门实现个体的演化,并在延误距离、冲突解脱航迹等多方面与遗传算法进行了对比实验。仿真实验结果表明,该方法与遗传算法相比,求解速度更快,解的质量更高,所得解脱航迹更平滑,能获得较小的飞行延误,在无人机冲突解脱方面具有有效性和良好的应用价值。     

自适应多启发蚁群算法的无人机路径规划

为了解决蚁群算法在无人机实现路径规划中容易陷入局部最优的问题,提出改进的蚁群算法。对信息素的挥发因子以及信息素进行上、下限设置,防止由于较短路径上的信息素过高以及较长路径上的信息素过低,使蚂蚁陷入局部最优,同时在多启发因素的影响下,将路径的整体长度作为决定状态转移概率的一个自适应启发函数因子,当路径长度很大时,自适应启发函数因子较小,使得蚁群选择该路径的概率减小。实验结果表明,改进的算法在路径长度上减少了6.4%,最优路径长度方差降低了85.78%,增加了对环境整体性的考虑,缩短了路径长度,降低了迭代次数,跳出局部最优。在环境复杂度加大的情况下,引入自适应启发函数因子之后的算法可以有效地选择较好的路径,为无人机路径规划提供了理论依据。     

动态步长BI-RRT的无人机航迹规划算法

为解决传统RRT算法收敛速度慢、生成的航径距离过长等问题,提出动态步长BI-RRT算法。首先,采用引向目标的采样策略对空间进行探索以得到采样点,利用动态步长策略确定该采样点的增长步长以确定新节点;之后,通过树枝裁剪策略对新节点进行调整,当探索到目标节点时,算法返回初始航迹,对于初始航迹,应用贪心算法对航迹点进行筛选,以减少无人机(UAV)的无效节点与总航迹长度;最后,利用B样条进行平滑处理,得到一条可行航迹。搭建了二维和三维环境下的仿真地图模型,验证了该算法在保证无人机避障的基础上获得一条有效航迹。动态步长BI-RRT算法在无人机航迹规划方面不仅有实时性强、航迹光滑的优点,而且与分段优化RRT算法相比,在优化航迹节点个数的前提下,提高了收敛速度且降低了航迹距离。     

基于改进粒子群算法的飞行器冲突解脱方法研究

冲突解脱要求飞行器采用一种有效的方法来满足工作环境的限制。针对飞行器在多障碍环境下的冲突解脱问题,提出一种能够满足限制条件的改进粒子群算法(PSO)对冲突进行解脱。所提出的新算法(DARPSO)相对于经典粒子群算法有2个优点:第一,考虑了障碍对寻优过程的影响;第二,具有跳出局部极小的能力。仿真实验结果显示,所提出算法的优化效果要优于标准粒子群算法。将改进后的算法应用到飞行器冲突解脱过程中并进行仿真,结果表明,所提出的算法能够有效地指导飞行器躲避障碍,完成冲突解脱。     

基于纯策略的灰矩阵博弈模型研究(Ⅰ)--标准灰矩阵博弈模型构建

在非精确数学的基础上研究灰矩阵博弈问题；运用灰色系统理论，从新的视角分析和研究了基于纯策略的灰矩阵博弈与经典的确定白化数矩阵博弈的联系与区别，构建了严格标准和标准灰矩阵博弈模型，并认为：确定白化数矩阵博弈问题是严格标准灰矩阵博弈问题的特例，后者是前者的推广；而严格标准灰矩阵博弈问题则又是标准灰矩阵博弈问题的特殊情形。事实上，标准灰矩阵博弈模型更符合实际情况，比精典的矩阵博弈模型有更广的适用范围。     

一种改进蚁群算法的无人机避险方法仿真研究

随着低空空域的逐渐开放以及无人机产业的高速发展,无人机数量不断上升,无人机间随时有发生冲突的可能,需要一种可靠的冲突解脱技术使无人机可以避免危险。针对无人机冲突解脱问题,提出基于改进蚁群算法的无人机冲突解脱方法:采用参数自适应调整策略,根据解的质量,动态调整参数值,防止算法早熟,提高收敛精度;在算法状态转移规则中引入扰动因子,加快算法初期收敛。算法测试实验结果显示,改进蚁群算法收敛精度更高。仿真实验表明,改进算法可以帮助两无人机及时脱离危险。该算法作为一种通用优化算法,也可应用到目标识别、路径规划等问题中,具有重要的研究意义与广泛的应用价值。     

基于IMDS-DLNS方法的工业过程故障检测

针对多维尺度变换(multidimensional scaling,MDS)方法对高维数据进行维数约简时,新样本缺少映射矩阵无法进行低维嵌入的问题,提出了增量式多维尺度变换(incremental multidimensional scaling,IMDS)方法。首先,引入双重局部近邻标准化(dual local nearest neighbor standardization,DLNS）技术以解决IMDS方法降维后数据仍然具有多中心、方差差异明显等问题;其次,采用Hotelling T²统计量对过程进行监控,组成增量式多维尺度变换和双重局部近邻标准化的故障检测方法(IMDS-DLNS);最后,通过数值模拟过程和青霉素发酵过程,将IMDS-DLNS方法分别与PCA,KPCA和FD-KNN等方法作对比分析。结果表明,IMDS-DLNS对比其他方法有更高的故障检测率。IMDS-DLNS方法对多变量、多模态过程具有良好的故障检测能力,能够保障产品质量和生产的安全性,可为工业过程故障检测研究提供参考。     

基于集成核熵成分分析算法的工业过程故障检测

针对核熵成分分析算法(kernel entropy component analysis, KECA)为不同的故障选择相同的核参数影响检测效果的问题,提出了一种基于集成核熵成分分析(ensemble kernel entropy component analysis, EKECA)算法的工业过程故障检测方法。首先,选取一系列具有不同宽度参数的核函数将非线性数据投影到核特征空间,选取Rényi熵值贡献较大的特征值和特征向量,得到转换后的得分矩阵,建立多个KECA子模型;然后,将测试数据投影到各KECA子模型上,计算各KECA子模型的统计量,得到检测结果;最后,将各KECA子模型的检测结果利用Bayesian决策进行概率换算,利用集成学习法计算检测结果统一的统计量,判断其是否超出控制限,并将该算法应用于数值例子和TE过程。仿真结果表明,与传统的EKPCA,KECA等算法相比,所提方法有效提高了故障检测率,降低了误报率。新方法解决了传统KECA算法中不同故障核参数的选择问题,为提高KECA算法在非线性工业过程故障检测中的性能提供了参考。     

科学技术学:正在兴起的学科群

科学技术学是以科学技术系统为研究对象,探索科学技术的性质、规律及其与社会关系的新学科群,国内学术界正从自然辩证法、科学技术与社会研究以及科学学和技术学走向科学技术学．本文以为,在建构科学技术学时,应注意它的学科性质和定位,要把它建成一个共同以科学技术为对象、具有家族相似性的一个学科群,而不是一门单独的学科,并且是必须以一级学科的构架来建设。