基于CB-RRT^(*)算法的滩涂履带车路径规划

针对滩涂履带车在受潮汐影响的滩涂环境中进行长时间勘测作业的需求,提出柯西贝塞尔快速搜索随机树星(Cauchy Bessel Rapidly-exploring Random Tree Star,CB-RRT^(*))算法进行路径规划。为规划出安全路径,基于全局地图和潮汐数据,并通过滩涂履带车到分界区的距离构建出滩涂预测模型;为提高滩涂履带车移动到目标点需进行多次路径规划的速度,对初始路径的关键树节点使用柯西概率密度函数进行采样缩小采样范围来提高节点的利用率,进而提高算法的收敛性;在重选父节点过程中考虑最大转角约束设定相应系数,并使用连续二次贝塞尔曲线进行拼接的方式来生成路径,达到提高路径平滑度的目的和解决平滑后路径与原路径偏差过大造成的安全性问题。仿真实验结果表明,CB-RRT^(*)算法在静态滩涂环境和动态滩涂环境中,能大大提高算法的收敛性和路径的平滑性,且保证路径长度最优,研究内容可以保证滩涂履带车在各种滩涂环境中进行长时间安全作业。

激光诱导击穿光谱结合竞争自适应重加权采样算法对猪饲料中铜元素的定量分析

饲料中添加铜元素对猪生长速度的促进效果明显,因而铜元素在猪饲料中的超标情况非常普遍,但其带来的危害也非常严重。利用共线双脉冲激光诱导击穿光谱(DP-LIBS)技术对猪饲料中的铜元素进行快速定量分析,采用竞争自适应重加权采样(CARS)算法筛选出与猪饲料中铜元素相关的22个重要变量,压缩率为1.1%;基于筛选出来的22个重要波长变量,利用偏最小二乘(PLS)回归方法建立猪饲料中铜元素含量的预测模型,并对预测集猪饲料样品中的铜元素含量进行预测。结果表明:与全光谱-PLS模型相比,CARS-PLS模型具有更高的预测精度和预测能力,模型相关系数、交叉验证均方根误差、平均相对误差分别为0.978、19.25、5.59%。CARS算法可以有效地优化猪饲料中铜元素的激光诱导击穿光谱在线检测模型,并可以提高模型的预测精度。