针对存在初态误差的情形,提出多变量非线性系统的变阶采样迭代学习控制方法.相对固定阶迭代学习算法,变阶算法可有效降低跟踪误差.对变阶采样迭代学习算法进行了收敛性分析,推导出收敛充分条件.给出了变阶学习的两种实现策略-DD(Direct ...针对存在初态误差的情形,提出多变量非线性系统的变阶采样迭代学习控制方法.相对固定阶迭代学习算法,变阶算法可有效降低跟踪误差.对变阶采样迭代学习算法进行了收敛性分析,推导出收敛充分条件.给出了变阶学习的两种实现策略-DD(Direct division)和DIP(Division in phases)策略.数值仿真表明,基于DIP策略的变阶采样迭代学习算法在获得较高的控制精度的同时,具有较快的收敛速度.展开更多
运用EAM(embed atom method)作用势,采用非平衡分子动力学模拟获得Al熔体的偶分布函数与黏度数值随温度的变化曲线,偶分布函数的计算结果与实验值符合得较好.对模拟所得到的黏度数据编程实现黏度的Arrhenius公式拟合,得到激活能E.并利...运用EAM(embed atom method)作用势,采用非平衡分子动力学模拟获得Al熔体的偶分布函数与黏度数值随温度的变化曲线,偶分布函数的计算结果与实验值符合得较好.对模拟所得到的黏度数据编程实现黏度的Arrhenius公式拟合,得到激活能E.并利用模拟所得到的黏度值及激活能对Lennard-Jones(L-J)作用势进行修正,获得黏度与偶分布函数及原子间相互作用势之间的关系式,两条黏度拟合曲线与分子动力模拟结果符合得比较好,说明拟合程序的编写是比较成功的,实现了对L-J作用势的修正.该研究为金属及合金原子间相互作用势的建立提供了新的思路.展开更多
文摘针对存在初态误差的情形,提出多变量非线性系统的变阶采样迭代学习控制方法.相对固定阶迭代学习算法,变阶算法可有效降低跟踪误差.对变阶采样迭代学习算法进行了收敛性分析,推导出收敛充分条件.给出了变阶学习的两种实现策略-DD(Direct division)和DIP(Division in phases)策略.数值仿真表明,基于DIP策略的变阶采样迭代学习算法在获得较高的控制精度的同时,具有较快的收敛速度.
文摘运用EAM(embed atom method)作用势,采用非平衡分子动力学模拟获得Al熔体的偶分布函数与黏度数值随温度的变化曲线,偶分布函数的计算结果与实验值符合得较好.对模拟所得到的黏度数据编程实现黏度的Arrhenius公式拟合,得到激活能E.并利用模拟所得到的黏度值及激活能对Lennard-Jones(L-J)作用势进行修正,获得黏度与偶分布函数及原子间相互作用势之间的关系式,两条黏度拟合曲线与分子动力模拟结果符合得比较好,说明拟合程序的编写是比较成功的,实现了对L-J作用势的修正.该研究为金属及合金原子间相互作用势的建立提供了新的思路.