具有优先级的深度确定性策略梯度算法在自动驾驶中的应用

深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法在自动驾驶领域中应用广泛,但DDPG算法因采用均匀采样而导致低效率策略比例较高、训练效率低、收敛速度慢等.提出了基于优先级的深度确定性策略梯度(priority-based DDPD,P-DDPG)算法,通过优先级采样代替均匀采样来提升采样利用率、改善探索策略和提高神经网络训练效率,并且提出新的奖励函数作为评价标准.最后,在开源赛车模拟(The Open Racing Car Simulator,TORCS)平台上对P-DDPG算法的性能进行了测试,结果表明相对于DDPG算法,P-DDPG算法的累积奖励在25回合之后就有明显提升而DDPG在100回合之后训练效果才逐渐显现,提升约4倍.P-DDPG算法不仅训练效率提升且收敛速度加快.     

基于水光电力系统时序生产模拟模型的水光优化配比研究

基于考虑系统负荷、新能源发电出力等时序变化特性的时序生产模拟法,建立了水光电力系统时序生产模拟模型;从系统结构性、经济性、灵活性与可靠性方面综合确定最佳水光容量配比,并通过金沙江上游川藏段水光系统验证了模型的合理性。金沙江上游川藏段光伏电站与水电站出力具有较好的年内、日内互补特性;对于2030年水平年,考虑枯期水电留存,913.6万kW水电配套400万kW光伏的方案综合性能更优,其新增非水可再生电量约60亿kW·h。     

利用射影Cap构造极大纠缠的纠缠辅助量子纠错码

依据经典四元线性码理论和纠缠辅助量子纠错码理论,由四元线性码的生成矩阵给出四元线性码稳定极大纠缠的纠缠辅助量子码的几何特征。在给定几何特征基础上,由射影空间的Cap理论,设法用组合数学方法和搜索算法构造出给定几何特征的Cap,确定Cap码的参数。利用所得到的参数优良的Cap码,结合纠缠理论,构造出一些参数优良的极大纠缠的纠缠辅助量子码。其中,所构造的极大纠缠的纠缠辅助量子码有许多是最优码,还有一些纠缠辅助量子码改进了前人所得到的纠缠辅助量子码的参数,这些纠缠辅助量子纠错码是无法用已有方法得到的。这也证明了结合组合与搜索的方法来构造极大纠缠的纠缠辅助量子纠错码是有效的。     

一类非线性系统迭代优化神经网络控制器

提出了一类非线性系统迭代优化神经网络控制器的设计方法,该是在正向神经网络辨识模型的基础上,应用迭代学习方法进行控制器设计。为了补偿辨识和迭代学习误差,给出了通过引入了反馈补偿控制器控制精度的方法,仿真结果证明了该方法的有效性。     

利用虚拟目标值的预见控制设计(英文)

研究了预见跟踪控制问题,即控制器可利用过去、现在和未来的信息来决定所施加控制量的大小．通常的作法是通过把未来预见信息加入控制量中来实现的．提出了一种不同的作法：利用未来目标值及系统的当前状态产生一个虚拟目标值,让系统转而去跟踪这个已被事先处理过的目标值信号,从而提高了系统的控制精度同时减少了控制所需的能量．数值仿真表明了这种方法的优越性．     

视觉伺服系统中的最优控制律的探讨

通过建立视觉反馈系统的模型和视觉伺服的公式化模型,对特征信息法作理论公式的推导,讨论线性模型的稳定性和可控性,推导最优控制律．     

补偿扰动的PWM逆变器无差拍控制

提出了两种ＰＷＭ逆变器的改进无差拍控制算法．这两种算法根据ＰＷＭ逆变器的状态方程,分别采用直接补偿扰动和最优预见控制技术,利用未来信息决定当前的控制输入．使用ＭＡＴＬＡＢ软件对这两种算法进行了仿真．结果表明,当存在随机扰动及电路参数变化时,所提出的两种算法的控制效果均比不考虑补偿扰动的无差拍算法有较大改善．因此,该两种控制算法能够有效地抑制电路参数变化引起的或来自外部的扰动,使输出电压能很好地跟踪参考电压,控制响应快,鲁棒性好．     

梯级水电站群最优运行的递阶控制算法

针对位于同一电网的梯极水电站群联合运行的情况,着重研究了在枯水季节最优调度的计算模式,提出了大系统递阶控制的优化算法。该算法也同样适用于规划中的梯级水电站。实例计算表明该算法是可行的,且解析性强。     

Weibull分布和极值分布场合下简单步进应力加速寿命试验的最优设计

产品的加速寿命试验被用来较快地获得关于产品寿命分布的信息.本文研究了Weibull分布和极小值分布下简单步加试验的最优设计问题.为解决Nelson折算法对极小值分布的数据处理产生特殊情况的问题,作者应用近年来一些新的研究成果,将位置-尺度分布中的尺度参数设为随应力变化的量进行最优设计.给出一实例,并将其推广到更一般的形式.     

广义自旋变相过程的最优耦合及其保序性

将最优耦合方法应用到广义自旋变相过程,证明了其最优耦合的存在性,并给出一类特殊情形的显示表达式,还讨论了其保序性。