蚯蚓(Eisenia foetida)学习行为的研究

通过蚯蚓识别迷宫的试-错学习行为,研究了迷宫难度与其记忆保持时间的关系.实验设计了三种不同难度的迷宫,训练三组蚯蚓识别正确出口.待其学会爬迷宫后,隔一段时间,再测试其能否保持识别出口的能力,进而总结出难度系数与记忆维持时间的关系.结果表明,蚯蚓的学习能力与迷宫的难度系数成反比,迷宫越难,需要的训练次数就越多.     

基于人工势场法的迷宫路径搜索算法设计

在针对迷宫的众多搜索算法中,大部分算法都不能保证在任意迷宫中有很好地表现,为了寻找一种适应性强且比较高效的搜索算法,本文提出了一种基于人工势场法的迷宫路径搜索算法.该算法增强了电脑鼠对迷宫路径未知部分的预测能力和岔口选择的决策能力,同时能够实现最优路径的选择.通过数学建模和定性分析,并运用电脑鼠实际测试,证明了此算法的可行性和可靠性.     

蜂窝面迷宫密封内流动和总温升特性的研究

研究了典型燃气轮机蜂窝面迷宫密封内的流动和总温升特性,并与光滑面迷宫密封进行了比较.采用标准k-з紊流模型数值求解了三维Reynolds-Averaged Navier-Stokes(RANS)方程,计算了2种流量、不同转速时蜂窝面和光滑面迷宫密封的内流场以及间隙热系数.计算得到的蜂窝面和光滑面迷宫密封的间隙热系数与实验数据吻合良好,验证了数值方法的可靠性.研究结果表明:在相同转速、径向间隙和流量条件下,蜂窝面迷宫密封的总温升高于光滑面迷宫密封,即蜂窝面迷宫密封的间隙热系数高于光滑面迷宫密封,表明蜂窝面的阻尼作用提高了间隙热系数.对于蜂窝面和光滑面迷宫密封,其总温升和间隙热系数随转速的升高而增大,随流量的增大而减小.对于蜂窝面迷宫密封,在相同转速条件下,泄漏流量的增大使得子午面上速度增大,但密封内的泄漏流动形态基本相似,光滑面迷宫密封内的泄漏流动形态也具有类似特性.     

三点间管路自动布局方法研究

针对管路布局设计中三点间管路布局问题,提出了一种基于迷宫算法的管路自动布局方法.该方法利用网格预处理,将实际管路布局空间转换到网格空间,并利用迷宫算法模拟波的传播特点,在无障碍和有障碍两种情况下寻找到满足要求的三通位置,然后结合规则引导进行回溯处理,确定满足约束条件的可行路径,经数据处理转换到管路布局空间中.基于网格预处理和改进的迷宫算法,给出三点间管路布局算法流程图.实例验证表明了该方法的有效性和可行性.     

迷宫密封三维网格划分方法及数值计算

为了解决迷宫密封三维网格划分难点,本文应用ICEM网格划分软件,以某抽水蓄能电站原型机的迷宫密封为例,分别采用整体关联法和2D转3D法对机组迷宫密封进行三维结构化网格划分,分析2种网格划分方法的各自特点,指出2D转3D法更加简单、快捷.对含迷宫密封的整机全流道进行数值模拟,计算了60%、70%、80%、90%导叶开度下机组的外特性,并与试验数据进行比较,结果的吻合度较高,说明此种方法能够更为精准地预测机组性能,可以比较准确地描述迷宫密封间隙流动,也验证了迷宫密封三维网格划分的准确性.     

卡尔维诺与迷宫叙事

卡尔维诺在他的小说中建造了一座又一座的迷宫,卡尔维诺的文字迷宫主要是借助种种迷宫意象来建构的,例如网状结构的建筑,城市,书等等,又如在小说中营造知识的迷宫.这个文字迷宫世界很容易使人和混乱的世界现实联想在一起.但更为奇特的是卡尔维诺在建造迷宫的同时又让他笔下的形象纷纷消失在迷宫中.     

智能微型小车的迷宫搜索控制策略

本文分析平面型迷宫的道路特征及其识别方法 ,讨论智能微型小车的几种迷宫搜索方法并给出一种搜索控制策略的程序框图 ,在应用中出现的问题及最终所得到的结果 .     

迷宫密封泄漏特性的试验研究

为了研究迷宫密封泄漏特性,设计并搭建了旋转密封试验台,测量了典型迷宫密封在8种压比、5种转速、固定密封间隙下的泄漏量和密封腔室压力.通过数值模拟结果的对比分析,找出了压比、转速对迷宫密封泄漏特性和腔室压力的影响规律.研究结果表明:搭建的旋转密封试验台在迷宫密封泄漏量和密封腔室压力的测量精度上是可靠的;相比于试验结果,数值计算获得的泄漏量和腔室压力的最大相对误差分别为3.25%、3.6%,表明试验与数值结果吻合良好,数值方法可以较准确地预测迷宫密封的泄漏量和腔室压力;相同转速下的流量系数随着压比的提高而增大,小压比下的流量系数增加迅速;相同压比下的转速对流量系数的影响很小,可以忽略;迷宫密封腔室压力系数沿流动方向逐渐减小,密封腔室结构对压力系数影响很大.     

基于STM32F407的新型迷宫机器人系统设计

针对迷宫机器人走迷宫的要求,介绍了一种基于STM32F407和L6207双核四轮新型迷宫机器人系统的设计与实现。根据迷宫机器人在走迷宫过程中,单一微控制器无法满足迷宫机器人的频繁启动与制动,在此基础上引入L6207芯片,从而减轻了迷宫机器人在走迷宫时STM32F407的工作量。然后通过重新设置硬件,并对设计的主要模块做了详细介绍,主要包括微控制器、红外传感器、电源模块、电机控制等模块。软件模块采用中心算法结合洪水算法进行迷宫的搜索与冲刺。该算法简单,模块化容易移植,大大提高了迷宫机器人在时效性与稳定性方面的性能。     

基于LPC1114的迷宫机器人的设计与实现

采用Cortex-M0内核的ARM微控制器LPCIll4,结合带编码器的直流电机和红外传感器,设计了一种可以走迷宫的智能机器人．详细介绍了迷宫机器人各个模块的硬件实现,并给出了相应的软件设计方案．该迷宫机器人实现了完全自主控制,稳定快速地进行迷宫搜索．     

蚁群算法求解迷宫最优路径

提出了基于蚁群算法求解迷宫最优路径的算法。设定两组蚂蚁分别分布在迷宫中距离入口、出口路径长度为尼的前沿位置,根据移动规则,相向爬行。迷宫中各位置记忆蚂蚁信息素量和至迷宫入口、出口的路径长度。蚂蚁爬行至一新位置后,根据当前位置的信息而修改周边位置至入口或出口的路径长度,从而形成一条宽度为3的路径信息带。蚁群在迷宫中爬行使得迷宫中记忆了大量的路径信息,从而容易实现两段路径的拼接,提高了蚂蚁寻找到达目的地最优路径的效率。不同规模迷宫的试验结果显示,该算法是一种求解迷宫最优路径问题的有效解法。     

用粒子群算法求解迷宫问题

针对传统算法求解迷宫问题存在效率较低的问题,提出了用粒子群算法求解迷宫问题的方法。重新设计了粒子的编码和定义了粒子的适应度值,成功实现了问题到算法的建模。针对不同类型的迷宫问题进行了实验,结果表明:算法具有较好的性能和效率。     

基于行动分值的强化学习与奖赏优化

针对强化学习算法收敛速度慢、奖赏函数的设计需要改进的问题，提出一种新的强化学习算法．新算法使用行动分值作为智能行为者选择动作的依据．行动分值比传统的状态值具有更高的灵活性，因此更容易针对行动分值设计更加优化的奖赏函数，提高学习的性能．以行动分值为基础，使用了指数函数和对数函数，动态确定奖赏值与折扣系数，加快行为者选择最优动作．从走迷宫的计算机仿真程序可以看出，新算法显著减少了行为者在收敛前尝试中执行的动作次数，提高了收敛速度．     

迷宫问题的最短距离标记法递归求解

用标记每个搜索位置离起始位置最近距离的方法,通过递归函数求解,提出了一个对复杂迷宫的简明求解算法.求解结果给出了迷宫通道中所有各点离入口的最短距离、次短距离等有意义的批量信息.     

基于迷宫算法思想的梯形图向AOV图的转换

PLC梯形图语言向AOV图的转换过程中,各顶点的直接前驱元件和直接后继元件的确定最为关键也最为复杂。利用迷宫算法思想来实现AOV图顶点的直接前驱和直接后继顶点扫描。首先从AOV图顶点集合中选出一个元件,并判断顶点的类型,然后利用迷宫算法思想对各种类型顶点进行相应的扫描处理。实例表明,此策略能快速准确地实现梯形图向AOV图的转换;算法直观易懂,实用性及通用性良好。     

基于ARM的机器人走迷宫控制系统与算法设计

针对智能机器人所走迷宫的尺寸与迷宫格的多少,通过ARM控制机器人步进电机的步进角度及转动状态结合红外传感器的检测信号,通过智能算法的设计改变传统的搜索过程使搜索整个迷宫变为搜索到终点即停止搜索,以最大程度的减少搜索时间,降低搜索过程中的错误.并且改变以往的转弯方式使在原地转变为行进中转弯,这种转弯方式可以减少行进时所用时间,试验结果表明,此智能算法设计不仅可以完成传统算法设计所能实现的功能,而且可以大大减少搜索时间.     

目标驱动的迷宫布线算法及优化

在传统迷宫算法的基础上,结合电路布线的特点,提出了目标驱动的迷宫布线算法及优化的方法．该方法有效地减少了计算和回溯次数,在提高布线速度和缩短布线路径上均有良好的效果．     

基于机器人迷宫搜索中心算法的优化

迷宫问题是图论等领域中的经典问题。为了缩短迷宫搜索中机器人的运行时间,本文以IEEE举办的电脑鼠大赛为背景,介绍一种含优先级权限设置的路口记忆模式算法,并通过数学建模和定性分析,证明了此模式的可行性。     

鸽子运动意图的最大似然估计解码算法

神经信息解码是目前植入式脑机接口(brain-computer interface,BCI)神经信息处理研究中的难点和重点;解码效果的优劣以及解码算法的效率直接决定了脑机接口应用的有效性和实用性。为了解码十字迷宫内鸽子运动转向信息,利用高斯分布模型对神经元锋电位发放率的概率密度函数进行建模;并结合最大似然估计(maximum likelihood estimation,MLE)算法对鸽子的转向意图进行了预测;并将其结果与(support vector machine,SVM)法和群矢量(population vector,PV)法进行了比较。结果表明,MLE算法能够有效地解码鸽子的运动意图,解码正确率显著高于SVM法和PV法。这一结果也为进一步分析鸽子运动意图神经信息处理机制奠定了基础。