基于雅克比矩阵求解并联机器人位置正解方法

并联机器人位置正解一直是并联机器人研究的难点之一,本文提出了一种基于雅克比矩阵求解并联机器人位置正解的新方法,该方法利用并联机器人的初始位置及雅克比矩阵,能够快速求解并联机器人的位置正解,此法可用于并联机器人的实时控制。最后以求解6-PSS并联机器人正解为例,验证了该方法的可行性和正确性。     

一类Landau-Lifshitz型泛函的极小元的H1loc收敛性

在函数类空间:W={u(x)=(sinf(r)eidθ,cosf(r))∈H1(B,S2);u|(e)B=g)中研究Landau-Lifshitz型泛函Eε(u,B)=1/2∫|▽u|2dx+1/2ε2∫Bu23dx的径向极小元uε,通过引入辅助泛函和选取光滑切断因子的方法研究其H1loc收敛性.     

全局粒子群优化算法

针对粒子群优化算法在解决大维数的无约束优化问题时具有较差的收敛性和稳定性,提出了一种全局粒子群优化(GPSO)算法.GPSO算法引入了一种新的惯性权重,它被定义为一个指数型函数与一个随机数的乘积,这有利于维持算法的全局搜索和局部搜索.同时,GPSO算法对全局最优解进行了小的扰动,这可以有效地避免算法早熟.使用三种粒子群优化算法来解决6个无约束优化问题.仿真结果说明,与其他两种粒子群优化算法相比,GPSO算法具有更快的收敛速度和更强的逃离局部最优的能力.     

基于矢量基学习的自适应迭代最小二乘支持向量机回归算法

为增强最小二乘支持向量机(LS-SVM)回归建模的稀疏性、鲁棒性和实时性,在加权LS-SVM的基础上,提出了基于矢量基学习的自适应迭代回归算法。在训练过程中,该算法通过矢量基学习和自适应迭代相结合的方法得到1个小的支持向量集,同时采用加权方法确定权值以减小训练样本中非高斯噪声的影响。回归学习和动态系统辩识的仿真结果表明:在回归建模精度相似的情况下,该算法确定的支持向量为全部学习样本的4.9%~8.9%,训练时间为标准LS-SVM的0.011%~0.383%;由于能够鲁棒跟踪时变非线性系统的动态特性,适合在线实时训练;可进一步用于非线性系统的建模和实时控制研究。     

基于群智能的电子学习资源过滤及收敛性分析

运用基于信息素挥发因子自适应变化的蚁群算法来优化电子学习资源的组织顺序,体现群体智能在资源共享和过滤中的优势作用,并且在此基础上运用教学实例实验研究将群体智能技术应用于解决电子学习资源过滤时的收敛性问题。实验结果表明利用群体智能来组织资源可以找到和领域专家干预基本相同的解决方案,同时学生参与数不需要很多即可获得好的收敛性。     

中国工业企业生产率的收敛性:基于随机前沿模型的分析

本文基于随机前沿函数,采用β收敛、σ收敛和面板数据单位根检验方法,在不同的条件下对1996-2010年中国工业生产率的收敛性进行了分析。研究结果表明,中国省际工业生产率存在显著的条件性β收敛和σ收敛。本文同时运用面板数据单位根检验方法再次对其进行检验,结果发现,条件性β收敛仍然显著存在,表现出良好的稳健性。这一结果与有关工业生产率收敛性方面的国内外经验研究结果是一致的。从长期来看,进一步缩小工业生产率差距、促进不同地区经济协调发展完全可以实现。     

基于简单二次函数模型的非单调自适应信赖域算法

基于简单二次函数模型,结合非单调技术和自适应技术,建立了一个求解无约束最优化问题的非单调自适应信赖域算法,并在适当的条件下,证明了算法的全局收敛性和超线性收敛性.理论分析算法是有效的,适合求解大规模问题.     

一种求解变分包含问题的Man迭代算法

首先回顾了与变分包含问题相关的一些基本概念。然后介绍H-单调算子的概念,接下来考虑一类带有H-单调算子的变分包含问题,该类变分包含问题可以涵盖前人研究过的几类变分问题和变分不等式问题,从而表明该类问题是已研究问题的有效推广深入研究。接下来笔者给出了预解算子的概念,并利用该概念进一步建立了变分包含问题与某个不动点问题的等价性。这种等价性允许使用预解算子技巧提出一种新型的Man迭代算法。最后对算法的收敛性进行了分析,在所给定理条件下,利用文献[3]中被广泛应用的一个引理,不仅可以证明这类变分包含问题存在唯一解,而且可以保证所提的新型Man迭代算法最终强收敛到原问题的唯一解。     

求解无约束优化问题的一种混合共轭梯度法

文章给出了一个改进的共轭梯度公式及新公式的相关性质,新公式和DY公式结合得到一个混合共轭梯度法,新算法在Wolf线搜索下产生一个下降方向;并证明了算法的全局收敛性,给出了数值例子.     

一种新的牛顿迭代在解非线性方程中的应用

对牛顿迭代公式进行改进,构造了新的迭代公式,并证明了其在单根附近至少具有二阶收敛性;以按揭贷款问题为算例,在MATLAB7．1软件环境下编程,对简单迭代法、牛顿法、改进的算法进行了计算比较。结果表明,改进的算法不仅比简单迭代法收敛速度快、精度高,而且比牛顿法的精度高。