车辆跟随控制策略的状态可达集建模及验证方法

车辆动态行为的不确定性会造成跟随车辆控制的不确定性.传统的车辆跟随控制方法只是针对车辆的单一行为动态的不确定性进行建模,无法遍历车辆所有可能的控制输入,因而,既无法一次性提供跟随策略下完整的可行控制方案,也不足以在理论上保证对策略安全检测的可信性.为此,提出车辆跟随控制策略的状态可达集建模及验证方法.该方法将控制策略转换为能用可达集计算和表征的多级安全判定事件,利用随机可达集的状态遍历特征描述车辆控制输入的不确定性,通过对可达集交集的判断,辨识所有初始条件对应的危险与安全控制行为,为驾驶员提供完整的可选择控制方案;然后利用马尔科夫链逼近可达集,近似表达车辆行为的不确定性,依据驾驶员行为习惯统计验证策略的安全性,实现对控制策略的有效建模分析.实验结果表明,所提出的建模及验证方法不仅可以完备地表征车辆不确定行为,提供交通情形中跟随策略相应的完整控制方案,也可实现对策略安全性的精确验证.

改进的状态空间模型遗传算法及其全局收敛性分析

基于状态空间模型遗传算法(GABS)是一种新型实数编码进化算法,在工程优化问题中取得良好的应用效果.针对GABS缺乏有效的数学模型及理论依据,研究并建立了GABS的吸收态马尔可夫过程模型,从可达状态集的角度对GABS进行分析并证明GABS不是全局收敛的.基于此提出了一种扩张可达状态集的改进型GABS(MGABS),改进方法的两种变异策略不仅扩张了算法的可达状态集、提高了种群多样性,而且加快了算法的收敛速度与精度,并证明了MGABS具有全局收敛性.最后利用经典测试函数验证了其综合性能明显优于其他3种算法,为算法在工程中的应用提供了理论依据.

基于可达状态集扩张的粒子群算法收敛性改进

针对粒子群算法(PSO)改进设计缺乏数学模型和理论依据支持的问题,研究建立了PSO的吸收态马尔可夫过程模型,并提出了可达状态集作为收敛性分析的关键指标.与以往的收敛性分析不同,研究从可达状态集扩张的角度提出了PSO收敛性对比的理论,并基于此提出了PSO全局收敛性改进的方法.最后,以改进综合学习粒子群算法CLPSO(comprehensive learning particle swarm optimization)为例验证了提出模型与理论的有效性.

概率布尔控制网络的可观性分析

概率布尔控制网络的转移矩阵的不确定性,使得其可观和可控性分析和状态估计更为困难。主要研究了概率布尔控制网络的可观性问题,并在此基础上给出了判断系统可观的条件,以及计算系统初始状态向量的方法。首先,根据系统的可达状态集,定义系统的可区分和不可区分状态,并给出d步可区分的概念以及其判断的充要条件。其次,根据概率布尔控制网络的输出和系统模型,得到系统的概率初始状态集合。接着,在此基础上给出概率布尔控制网络的强可观和弱可观的定义。同时,计算系统初始状态向量,并且给出判断系统是否可观的定理;最后,通过一个算例说明了所提方法的有效性。