图注意力网络的微分博弈追逃问题最优策略

微分博弈追逃问题的最优策略,是建立在追逃双方的轨迹预测模型基础上,通过双方轨迹进行预判,从而做出更有预见性的动态策略。因此为了获得博弈双方最优策略,提出并设计双方随机运动算法,建立了追逃双方的状态方程,并在此基础上通过改进图注意力网络(graph attention network,GAT),对其网络中邻接矩阵和特征数据连接方式进行重新设计,构建了攻击方与目标方轨迹预测模型并进行数值验证。此外采用将双方随机运动的轨迹由圆环覆盖的方法,建立轨迹连接图。结果表明,GAT网络在MAE、MAPE、RMSE等预测指标上均优于图卷积网络和契比雪夫频谱卷积网络,可用于微分博弈追逃问题的最优策略研究。

咪唑类离子液体合成及萃取脱硫性能研究

以溴代正己烷、N-甲基咪唑为原料,使用一步法合成1-己基-3-甲基咪唑溴盐([Hmim]Br)离子液体。利用合成得到的[Hmim]Br离子液体对含噻吩模拟油进行萃取脱硫,考察不同萃取温度、萃取时间对脱硫性能的影响。结果表明:适宜的萃取脱硫温度为40℃下,萃取180 min可达到萃取平衡,单级萃取实验,脱硫率可达47.6%。

极限学习机和一类深度学习方法的对比研究

本文针对神经网络在微分方程求解中的先验估计问题,将极限学习机(Extreme Learning Machine, ELM)嵌入粒子群优化算法和一类使用梯度更新的深度学习方法进行比较,将他们应用于一类微分方程求解并进行对比。与使用梯度信息优化损失函数的深度学习方法不同,ELM使用Moore-Penrose广义逆替代了梯度信息更新权重以达到损失函数最小化。本文通过实验证明了ELM对于方程的区间没有要求,训练时间短,但劣势是若解是非连续的,对间断点类型有要求等,而此类深度学习算法加深了网络层数,优势是学习到更抽象的特征,且解可以是非连续的,劣势对方程区间有较严格要求,否则梯度消失,并通过实验结果进行了验证,且训练时间长此类深度学习算法有时会伴随着一些剪枝算法压缩网络。本文的结论可以用于先验的算法选择,提高求解效率。

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。