MADDPG算法并行优先经验回放机制

多智能体深度确定性策略梯度(multi-agent deep deterministic policy gradient,MADDPG)算法是深度强化学习方法在多智能体系统(multi-agent system,MAS)领域的重要运用,为提升算法性能,提出基于并行优先经验回放机制的MADDPG算法.分析算法框架及训练方...     

电源的串联、并联与电桥连接

在电子线路中，有许多电子元件的串联、并联问题．对直流电源的串联、并联问题，目前没有得出一种简捷明确的形式．采用基尔霍夫定律，通过对电路的分析，得到直流电源串联、并联电路中总电动势、总内阻与各电源电动势、各内阻的简明关系，使用等电位分析法可推广到电源的桥式电路中．     

基于正则蕴涵算子的三I算法

给出了基于常见正则蕴涵算子的三I算法的计算公式,并考虑算法的还原性.     

3-PCR并联减振机构动力学分析

为实现多自由度减振，以3-PCR并联机构为主体制定多维减振平台；利用拉格朗日法建立机构动力学方程。Matlab数值仿真结果表明，三驱动关节的驱动平衡力相位差为（2／3）π，随动平台相对定平台的位置增加，关节的驱动平衡力减小；当定平台边长增加时，驱动平衡力减小，动平台边长增加时，驱动平衡力增大；移动副轴线与定平台夹角减小时，驱动平衡力减小。     

热传导方程的一类区域分解差分算法

把求解区域分成若干个子域,在不同子域中采用不同的计算步长,对方程的紧差分格式在特殊情形下采用区域分解法,并给出相应的先验误差估计式。     

A Parallel Algorithm for Solving Block-diagonal Structured Large Linear System

1　 PrologueWith the speedy development of global science technology,modern society has becomemore systematical and informative in many fields such as engineering technology,socialeconomy,organism and zoology. Many complicated large systems have appeared,as ITtechnology develops like wildfire,it is strongly required to improve scientific and correctdecisions,which makes originally complicated large system become more complex.Practical applications of linear program are getting far-ranging and…     

GLC并联电路暂态过程衰减系数的能耗分析

分析了GLC并联电路欠阻尼振荡衰减系数的实验测量值与理论值偏差的原因,以振荡衰减的实验波为基础,测算出电路电容和电感上的损耗电导。对衰减系数的理论值进行修正,可使衰减系数理论修正值与实验测量值基本一致。     

日语复合动词构成特征探析——从对句中名词的格支配关系出发

文章根据复合动词前后项动词对旬中名词的格支配关系，将日语复合动词分为三大类，即并列关系、修饰关系和融合关系。其中修饰关系又分为中心词前置式和中心词后置式两类。通过对句中名词的格支配关系分析，也可以为分析复合动词自他性的特征提供一个新方法。     

基于遗传算法的变风量空调模糊控制系统的研究

针对变风量空调模糊控制系统控制规则的获取依赖人类经验的问题,提出将遗传算法与模糊控制相结合。在推导适应度值函数的基础上,利用遗传算法获取控制规则,改善控制效果。一定程度上解决了人为调试获取规则困难的问题。仿真结果表明,在变风量空调系统中将遗传算法与模糊控制相结合是可行的。     

Dynamic Niching Genetic Algorithm with Data Attraction for Automatic Clustering

A genetic clustering algorithm was developed based on dynamic niching with data attraction. The algorithm uses the concept of Coulomb attraction to model the attraction between data points. Then, the niches with data attraction are dynamically identified in each generation to automatically evolve the optimal number of clusters as well as the cluster centers of the data set without using cluster validity functions or a variance-covariance matrix. Therefore, this clustering scheme does not need to pre-specify the number of clusters as in existing methods. Several data sets with widely varying characteristics are used to demonstrate the superiority of this algorithm. Experimental results show that the performance of this clustering algorithm is high, effective, and flexible.