基于遗传算法的交通信号机器学习控制方法

通过对到达车辆数目的模糊分类,将交通信号控制方案以不同规则集的形式实施,根据实际控制效果利用遗传算法对规则集进行改进,形成了一种具有机器学习能力的单路口交通信号新控制方法.经过仿真实验,对该方法的控制效果与定时控制和感应控制进行了比较,仿真实验的结果说明该方法的控制效果明显优于传统控制方式.     

单路口交通信号智能控制方法

应用模糊理论和机器学习方法，通过对到达车辆数目的模糊分类，将不同车辆数目到达情况下的信号控制决策方案以规则集的形式存储在知识库中，在交通信号控制过程中使用遗传算法对规则集进行改进．经过仿真实验，对该方法的控制效果与定时控制和感应控制进行了模拟比较，仿真实验的结果说明该方法的控制效果明显优于传统控制方式。     

一种交通信号自学习控制方法及仿真实现

将模糊理论和机器学习应用到交通信号控制过程中，提出了一种基于遗传算法的单路口交通信号模糊控制方法。通过对到达车辆数目的模糊分类，将不同车辆数目到达情况下的信号控制决策方案以规则集的形式存储在知识库中，在交通信号控制过程中使用遗传算法对规则集进行改进。编制该控制方法的仿真程序，对该方法的控制效果与定时控制和感应控制进行了模拟比较，仿真实验的结果说明该方法的控制效果明显优于传统控制方式。     

基于Internet机器人视觉伺服系统仿真实现

为利用视觉伺服技术实现机器人的网络遥操作,基于所给出的仿真模型,在Robotics Toolbox for Matlab工具箱的基础上,通过Matlab数据引擎技术,实现了基于Internet机器人视觉伺服系统的仿真。为增强系统的实时性,仿真中采用了数据的同步收发和时延缓冲策略。通过给出图像特征点的方式,操作者能够利用Internet实现对虚拟的Puma560机器人进行实时遥操作。     

基于B-T规则与遗传算法的可重入生产系统调度

可重入生产系统调度问题属于NP难题，将遗传算法方法与调度规则结合起来用于解决可重入生产系统的调度问题。针对可重入生产系统的重入特点，建立了一类可以实现缓冲区与传统规则双重选择的缓冲区-时间(B—T)规则；然后在设备分组与分时段的基础上，提出了基于B—T规则组合的可重入生产系统调度策略，并采用遗传算法与过程仿真相结合的办法对B—T规则组合进行优化，仿真比较验证了该调度策略的有效性。     

基于遗传算法的模糊智能变频空调仿真系统的研究

利用Matlab软件对基于遗传算法模糊智能空调系统进行了仿真设计。设计了模糊子系统和遗传算法子系统的仿真系统，以舒适度为目标函数，利用遗传算法对模糊智能变频空调的控制规则及隶属度函数进行了仿真寻优。并利用寻优获得的隶属函数和控制规则与PID算法、常规模糊控制算法控制同一被控对象的响应结果进行了对比分析。     

基于遗传算法的相贯线扫描机器人轨迹规划

利用遗传算法(GA)建立了相贯线扫查冗余机器人能量最小优化的综合规划模型,给出了其随机搜索策略。该模型的目标函数综合考虑了机器人避障、末端轨迹精度、动力学约束与冗余度能量最小优化指标。利用Matlab平台上的GA仿真包进行了系统仿真,仿真结果在保证轨迹精度的条件下,逼近了机器人能量最小优化轨迹精确解,证明了该综合优化算法的有效性。     

基于势场蚁群算法的机器人路径规划

提出了一种未知环境下机器人路径规划的势场蚁群算法。该算法利用人工势场力和机器人与目标之间的距离构造机器人避障和移动的综合启发信息,并利用蚁群搜索机制在未知环境中寻找机器人从起始位置至目标位置的全局最优路径。所提出的算法将蚁群算法和人工势场法进行有效的结合,提高了常规蚁群算法对最优路径的搜索效率。通过仿真实验表明了所提出的算法用于机器人路径规划的有效性。     

基于相关机会规划的多机器人觅食过程的参数优化

针对随机环境中以觅食为任务的多机器人系统,在建立其整体数学模型基础之上,利用随机规划中的相关机会规划对影响整体系统性能的两个重要参数进行了优化分析,并采用基于随机模拟的遗传算法得到了优化结果.仿真结果表明,利用该方法可以实现随机环境下的系统优化控制,从而可为多机器人系统的行为规则优化提供理论依据.     

在线修正虚拟仿真预测的遥操作机器人系统

带虚拟仿真预测系统的遥操作机器人在核电站等复杂环境中作业时,可能会出现虚拟仿真机器人与实际机器人的工作状态不同步,从而导致影响操作者判断,发出错误指令。研究了一种基于在线修正虚拟仿真预测算法的遥操作机器人系统。主端虚拟仿真预测系统建立了从端环境及机器人的虚拟模型,根据操作者命令对从端机器人的状态实时预测,同时根据从端现场检测到的机器人状态对虚拟机器人进行在线修正,以保证虚拟仿真预测系统与从端机器人工作状态同步。实验结果表明：主端虚拟预测平台能够实时预测出从端工作状态;当从端机器人未能按照指令运动时,主端虚拟场景也与从端的工作状态同步。     

基于遗传算法的CGF学习行为模型研究

通过自学习使计算机生成兵力(CGF)具有决策能力,是机器学习技术应用于军事仿真的一个重要研究方向.运用基于Agent的建模方法和学习分类器系统技术,构建了基于遗传算法的CGF学习行为模型框架,详细论述了该模型学习过程的运行周期,并将记忆功能引入CGF决策模型来加速学习进程.最后,设计了一个可视化验证系统,实验结果表明该模型的有效性和可行性.     

数据智能:趋势与挑战

随着大数据和人工智能的兴起,数据智能(data intelligence)逐渐成为学术界和产业界共同关注的焦点.数据智能具有显著的大数据驱动和应用场景牵引两大特征.其融合场景内外的多源异质大数据,利用大规模数据挖掘、机器学习和深度学习等预测性分析方法和技术,提取数据中蕴含的有价值的模式,并用于提升复杂实践活动中的管理与决策水平.本文指出了推动数据智能实现迭代发展的三维要素:数据、算法和场景,然后围绕这三大要素介绍了数据智能的前沿热点、发展趋势和存在挑战,特别对数据智能与管理学交叉的研究与应用问题进行了较为深入的探索.论文还尝试给出一些具有前瞻性的观点或评论,一来希望为有兴趣进入数据智能领域的读者提供指引,二来希望能够在管理同行中起到抛砖引玉之效.     

Probabilistic Analysis and Multicriteria Decision for Machine Assignment Problem with General Service Times

ＰｒｏｂａｂｉｌｉｓｔｉｃＡｎａｌｙｓｉｓａｎｄＭｕｌｔｉｃｒｉｔｅｒｉａＤｅｃｉｓｉｏｎｆｏｒＭａｃｈｉｎｅＡｓｓｉｇｎｍｅｎｔＰｒｏｂｌｅｍｗｉｔｈＧｅｎｅｒａｌＳｅｒｖｉｃｅＴｉｍｅｓＷａｎｇＪｉｎｇ（Ｉｎｓｔ．ｏｆＳｙｓ．Ｅｎｇ．，Ｄａｌｉａ...     

Actor-Critic框架下的多智能体决策方法及其在兵棋上的应用

将人工智能应用于兵棋推演的智能战术兵棋正逐年发展,基于Actor-Critic框架的决策方法可以实现智能战术兵棋的战术行动动态决策.但若Critic网络只对单算子进行评价,多算子之间的网络没有协同,本方算子之间各自行动决策会不够智能.针对上述方法的不足,提出了一种基于强化学习并结合规则的多智能体决策方法,以提升兵棋推演...     

改进的运动目标预先标定轰炸瞄准方法

使用机载武器攻击运动目标是一个实用性强的研究问题,预先标定巧妙地利用数学方法解决了在信息不完备情况下对运动目标的精确轰炸问题,具备较好的工程价值。但当前方法存在过程环节多、标定/瞄准难度大等不足。研究了一种改进的预先标定轰炸瞄准方法,使用可操控的标定符号代替基于连续计算命中点原理产生的标定符号,提高了标定符号变化的规律性,降低了标定难度和瞄准难度;给出了新方法下的目标综合速度计算模型,结合弹道解算和目标运动假设,建立瞄准符号的解算方程。最后针对典型的运动目标进行了仿真分析,讨论了该方法的误差变化规律。     

基于自评判自学习机制的短期电力负荷预报

以RBF神经网络为基础，提出了一种吴有白评判自学习能力的短期电力负荷预报方案，该方案包含预报器、评估器、探测器：和学习机四个组成部分．预报器用来预测未来时段的电力负荷，评估器用来对预报结果进行评估，探测器用来确定预报的有效步长，学习机用于预报器的自我学习．预报器根据评估结果通过学习机制能够自动适应电力负荷的变化，从而保持一种良好的预报状态．仿真实验表明该方法在电力负荷规律不明确的环境下预报精度比传统方法高。     

直觉模糊和粗集的复合多属性保障力量优选

根据装备维修保障力量特点,以优化维修保障力量配置为目标,结合粗集(rough sets, RS)和多属性群决策理论,引入直觉模糊集（intuitionist fuzzy sets, IFS）处理复合型决策数据,建立基于IFS多属性粗集群决策的知识系统,用诱导集结算子融合群组信息,定义基于交叉熵的得分函数,并基于其评估结果构建粗集决策系统。采用综合的粗集信息熵属性重要度及粗集权重方法确定属性权重,通过对象的综合评价值判断其优劣,对装备维修保障力量进行优选排序。实例分析结果符合实际,最优排序结果为决策者提供技术支持。     

基于状态机学习算法的TLS实现库安全性分析

通过状态机学习算法,可以提取传输层安全(transport layer security,TLS)协议的实现库状态机模型来分析其安全性。当前在状态机学习中需要解决状态机学习时间随目标系统状态数增长而呈指数级增长的问题。提出一种改进的状态机学习算法,通过TLS协议特定套接字约简所需测试序列;结合检查点算法构造测试序列的前缀树,简化目标系统对测试序列测试步骤。测试结果表明,提出的改进算法能够大幅减少状态机学习过程生成的等价查询数量,加速状态机学习过程。同时通过学习到的状态机模型,分析其异常状态,找到一个OpenSSl的逻辑错误,证明学习到的模型是有效的。     

基于相空间重构与鲁棒极限学习机的时延预测

针对网络控制系统(networked control system,NCS)诱导时延具有的时变、随机、非线性等特点,提出了一种相空间重构与鲁棒极限学习机(robust extreme learning machine,RELM)的时延预测算法。首先利用0-1测试对时延序列进行混沌特性检测,再通过改进关联积分法确定重构延迟参数和嵌入维数,进而对时延序列进行重构,新的样本更能真实反映时延变化特性。以重构后的时延序列为训练样本,同时,考虑异常值的稀疏特性,运用RELM进行时延序列预测。该方法具有学习速度快、泛化性能好、可有效降低异常值影响等优点。     

一种基于似然比的信息融合与决策方法

针对诊断或决策问题中的多信息特征 ,建立了具有信息融合功能的多级决策结构 ,通过信息融合 ,减小系统输出的不确定性和提高系统决策的可靠性。为解决决策问题中信息的不确定性 ,提出了一种基于似然比的决策策略 ,以结论元间的似然比为决策的中间变量 ,构造了具有局部决策和全局决策两级结构的多级决策器 ,并设计了局部决策规则和全局决策规则。最后通过实例证明了该方法的可行性。