网络路径容量测量算法仿真研究

网络路径容量的测量在网络管理、网络规划与设计、提高网络应用程序的性能等方面，都具有重要意义。现有的网络路径容量测量工具都是采用Pacbt Pair测量算法设计的，这些测量工具在实际使用中的性能不尽人意。Packet Pair测量算法的ns-2仿真测量分析表明：网络在重载时Packet Pair测量算法不能正确测量出网络路径的容量；Packet Pair测量算法中的测量分组的长度并不是采用最大值为最佳。根据仿真测量分析的结论，提出了Double Packet Pair网络路径容量测量算法，改进了原有算法测量速度慢，重载环境下测量精度不高的缺点。     

二叉分裂算法的随机路径长度

用泊松变换的方法研究了由二叉分裂算法所产生的随机树上的随机路径的长度,首次得到了关于其数学期望的确切表达式.在此基础上,对该期望的渐近性状进行了分析,证明了当被分裂的集合的大小n趋于无穷时,随机路径长度的期望具有log2n的阶.     

时变条件下有宵禁限制的最短路问题

在组合优化过程中,往往需要获得从起点到终点之间的最短路,而其所考虑的目标可能是一个与时间相关的变量.同时,对于网络中的节点往往有宵禁的限制(curfews).给出时变条件下有软、硬宵禁限制的最短路模型,设计了求解时变条件下有宵禁限制最短路的算法,并对算法的复杂性进行了分析.最后给出了一个应用算例.     

MP-GWO算法在多UCAV协同航迹规划中的应用

多无人作战飞机(UCAV)协同航迹规划是多UCAV协同作战的重要组成部分,对协同作战的结果有很多的指引作用。多UCAV协同航迹规划属于多峰值优化函数求解问题,其求解稳定性比较差。为解决多UCAV协同航迹规划求解稳定性较差的问题,首先在对影响多机协同约束条件研究分析的基础上,结合单机航迹规划求解中的核心指标,建立了多UCAV协同航迹优化函数;其次利用多种群灰狼算法(MP-GWO)在求解多峰值优化函数问题上比较稳定的特点进行求解,最后将MP-GWO分别与GWO算法、EA算法和在新增威胁环境下的求解结果相比较来验证算法的优越可行性。仿真结果表明,MP-GWO算法对多峰值问题具有求解稳定性,能够适应突发威胁环境下的求解。     

关于化学位和化学反应等温式几个问题的讨论

讨论了化学位的意义和化学反应等温式的应用条件;△G_m=∑υ_iμ_i≤0,△G_m(T,P,W′=0)≤0、—△G_m(ξ)=—∑υ_iμ_i≥W′和-△G_m(T,P)≥W′作判据的异同和各自使用条件。     

路与路强乘积的最小直径定向

给定一个无向图G，将G的每条边{xy}．用弧xy或yx替代得到的有向图称为G的的定向图。使得G的所有定向图中直径最小的定向图称为G的最小直径定向。文章给出了两条路强乘积的最小直径定向。     

两类N参数σ－域族的刻划

证明了Ｎ参数右连续强增加σ－域族的（ＯＲＴ）性质等价于（ＳＴＲ）性质，对于具有（ＰＩＶ）性质的离散Ｎ参数σ－增域族，必存在单参数σ－增域族和关于它的停时族（Ｔ＿ｚ）ｚ∈Ｎ￣Ｎ，使     

基于层面信息的路径优化

根据分层物体快速成型（LOM）中零件逐层累积的特点，从缩短加工时间、提高制件效率方面着手阐述了路径优化的必要性，针对LOM机的运动机理和软件数据结构，给出了扫描路径优化的原理，将图论中的便宜算法用于LOM机的扫描路径优化。     

机器人路径规划的计算机模拟及统计分析

以计算机模拟为辅助工具 ,讨论了机器人路径规划的算法 ,提出一种简化算法二次规划 ,既可避免组合爆炸 ,又能得到一个较优的解 ,即满意解     

Learning attention-based strategies to cooperate for multi-agent path finding

Multi-agent path finding (MAPF) is a challenging multi-agent systems problem where all agents are required to effectively reach their goals concurrently with not colliding with each other and avoiding obstacles. In MAPF, it is a challenge to effectively express the observation of agents, utilize historical information, and effectively communicate with neighbor agents. To tackle these issues, in this work, we proposed a well-designed model that utilizes the local states of nearby agents and outputs an optimal action for each agent to execute. We build the local observation encoder by using residual attention CNN to extract local observations and use the Transformer architecture to build an interaction layer to combine local observations of agents. With the purpose of overcoming the deficiency of success rate, we also designed a new evaluation index, namely extra time rate (ETR). The experimental results show that our model is superior to most previous models in terms of success rate and ETR. In addition, we also completed the ablation study on the model, and the effectiveness of each component of the model was proved.