基于串级PI-(1+PD)算法的含飞轮储能互联电网AGC控制器设计

针对传统控制器存在的响应速度较慢、超调较大及鲁棒性较差等问题,提出一种基于串级PI-(1+PD)算法的含飞轮储能互联电网AGC控制器设计方法。首先,建立含飞轮储能的两区域互联电网AGC系统模型,模拟飞轮储能联合火电机组参与AGC的过程。然后,设计一种基于串级PI-(1+PD)算法的AGC控制器。外环采用PI控制,内环采用带滤波系数的(1+PD)控制。在保证系统稳态性能的前提下,提高动态响应速度和抗扰能力,并通过粒子群算法的迭代寻优获得最优的控制器参数。最后,基于Matlab/Simulink进行算例仿真分析。结果表明:与传统PID控制和PI-PD控制相比,所提方法不仅具有更快的响应速度与更小的超调量,而且增强了系统抵御内部参数摄动的鲁棒性。

斐波那契字符串前缀和的O(1)算法及其证明

作者在编写斐波那契字符串前缀和算法程序过程中,通过具体观察、抽象思维和程序验证等方式,结合斐波那契数列特点,提出了一种简单而奇妙的算法,即Sn=nφ,表示取整,φ为黄金分割比/5-1/2,将计算的时间复杂度从O(lg^2n)降为O(1),运用数学归纳法予以证明,并得出了任意一段字符串的求和公式、任意一个字符是“0”或“1”的计算公式等相关推论.

Linux 2.6进程调度算法实时性能改进

深入分析Linux 2.6内核进程调度算法,为更好的满足Linux系统对嵌入式系统实时可靠性的要求,对现有的调度策略进行分析,指出Linux 2.6内核调度算法的不足,提出基于LFS算法的处理器调度算法,提高了Linux系统的实时性及吞吐量。

地震数据重建的谱投影梯度算法中的参数选取

地震数据不规则采样会导致在后续处理工作中引入人为误差、噪声及空间假频等。为此基于Jitter下采样、随机下采样和傅里叶变换,通过L1范数谱投影梯度(SPGL1)算法对不规则下采样地震数据进行重建,并探讨了该算法中的参数选取问题。在重建过程中选取不同的噪声水平σ值和迭代次数,比较不同参数下的重建结果。数值试验结果表明,SPGL1算法能获得较好的重建结果,不同的参数对重建效果影响较大,当σ值较小、迭代次数适中时,重建数据的信噪比高且计算时间较短。

Linux 2.6内核进程调度策略与算法分析

Linux 2.6内核采用了新开发的调度器,该调度器基于O(1)算法。新的调度器基于每个CPU来分布时间片,并且取消了全局同步和重算循环。文中详细分析了新的调度器策略和算法,最后进行了总结。

灰色神经网络在城市用水量预测中的应用

为解决传统BP神经网络在城市用水量预测中易陷入局部极小点等问题,将BP神经网络与灰色理论相结合,构建了灰色神经网络模型(GNNM),实现了二者的优势互补,并利用粒子群优化算法(PSO)对该模型的初始权值和阈值进行优化,形成了PSO-GNNM(1,N)算法.通过与传统BP神经网络、灰色理论预测法的预测结果相比较,该算法具有预测误差小、泛化能力强等优点,可为城市用水量的预测工作提供技术支持.

一种基于图形可视化的编译原理计算机辅助教学系统

编译原理的很多算法,由于复杂抽象,学习者较难掌握,目前常用的FLEX、YACC等系统由于界面不友好等原因,难以普及应用。针对编译原理算法的特征提出了一种新的编译原理CAI系统的架构,该架构具有图形可视和高可扩展性的优点。以LL(1)语法分析为例,对本架构的界面层、算法逻辑层、数据模型层之间的接口关系和逻辑调用关系进行了说明,并基于数值表达式进行了实验,结果表明本架构具有高可扩展性,可以实现定制化的编译原理CAI系统。

迭代加权l_(1)算法在双信号重构中的应用

讨论两个稀疏信号恢复问题,利用对数促稀疏函数提出新的双信号重构模型,并将其转化为无约束最小二乘问题。使用中的迭代加权l_(1)算法(IRL1e1)进行求解。在适当假设下证明了该算法的收敛性。进行数值测试,并与Gist和IRLS算法进行了数值对比。实验结果表明我们的算法具有较少的CPU时间及迭代次数。

平面图4-割问题的O(|V|~2)算法

<正> 给定一个简单图 G=(V,E).V 是顶点集,E■V×V 是边集.所谓 k-割乃是E 的一个子集 E_1,它使图 G_1=(V,E—E_1)恰包含 k 个分支.寻找一个图的最小 k-割问题,无论在理论上和实践中都有重要的意义.Hochbaum 和 shmoys 在文献[1]中给出了平面图最小3-割的 O(|V|~2)算法.本文将给出一个平面图最小4-割的O(|V|~2)算法.本文用到的概念及符号记法均与文献[1]一致.

基于灰色关联分析的神经网络模型

在BP神经网络算法的基础上,针对在多变量复杂系统建模过程中BP网络输入变量无法自动寻优的问题,将其与灰色关联分析方法结合,建立基于灰色关联分析的神经网络优化算法(GM-BPANN).并且使用中国粮食产量预测的数据,与逐步回归方法和灰色GM(1,N)模型方法进行了比较检验.结果表明,新模型通过灰色关联度的计算,可以全面、广泛地对大量的输入变量进行处理,而不必经过专门的主观筛选,从而增强了BP网络的适应能力,同时能够得到较好的预测精度和稳定性.