基于COVID-19的“大流行”病定量界定研究

本文基于Logistic预测模型对新型冠状病毒肺炎(COVID-19)的传染率以及最大感染人数进行了预测,计算出感染率与非大流行传染病的感染率,并进行比较,从而对大流行传染病进行定量界定。基于中国2020年1月22日~2020年4月15日疫情数据作为实验数据,建立防疫政策函数、经济函数、医疗函数,以及Logistic预测模型对COVID-19传染率及最大感染人数进行了预测,并且基于预测结果计算出感染率与非大流行传染病的感染率并作了比较,量化了大流行病的界定。运用Logistic预测模型对COVID-19的传染率进行预测,其结果具有很好的拟合性,对比分析可量化出“流行”与“大流行”病的界限。

改进自适应蚁群算法移动机器人避障路径规划

针对传统蚁群算法在复杂网络路径规划中收敛速度慢和易陷入局部最优解的问题,本文在蚁群算法状态转移概率公式的基础上考虑了安全性因素和加权因子,在全局信息素更新过程中引入自适应动态因子,提出改进的自适应蚁群算法以更快地获取全局最优解。将改进自适应蚁群算法应用于移动机器人的路径规划,使用可视图法描绘出障碍物图像,通过真实数据进行实验分析,证明了改进自适应蚁群算法比传统蚁群算法、改进蚁群算法的收敛速度更快,路径更优,在有障碍物环境中也能合理地进行路径规划。