基于Dijkstra算法的平滑路径规划方法

移动机器人在复杂环境下沿Dijkstra算法规划的路径运动时,由于所规划的路径存在转折点多、部分转折角度小等问题,导致移动机器人不得不频繁转向,甚至要暂停才能完成转向,严重影响机器人的工作效率。利用几何拓扑学方法,结合实际场景信息,提出一种基于Dijkstra算法的平滑路径规划方法。根据应用场景获取连续化地图,将连续化地图离散化后随机生成离散点阵,计算各点之间的欧氏距离,选取与各离散点距离较近、且连线不跨越障碍的多个点,将其连接并生成离散图。在离散图中利用Dijkstra算法搜索最优路径作为引导路径。当移动机器人沿引导路径运动时,结合实际场景信息,采用几何拓扑学计算出移动机器人每一时刻应该采取的最佳动作和运行路线。实验结果表明:所提方法能够有效减少移动机器人运动中的累计转弯角度,增大最小平均转折角度,提高所规划路径的平滑度,从而缩短移动机器人的运动时间,提升机器人的工作效率。

基于改进平滑L0范数的图像重构算法

针对图像重构问题,文章提出一种基于改进平滑L0范数(SL0)稀疏信号重构算法。首先,选用负指数函数作为平滑函数趋近L0范数,将图像稀疏重构问题转化为平滑函数的优化求解。通过调整控制参数,使得负指数函数趋近L0范数。再通过循环迭代与梯度投影方法,求出最优解。实验结果表明,该算法较其他传统算法对图像重构具有优势。

飞轮储能参与风电平滑的自适应滤波算法及无传感器控制

通过对风电系统和飞轮储能系统运行特性的分析,针对飞轮转子设计难以安装位置传感器的特殊性问题,提出一种基于自适应非奇异快速终端滑模观测器的飞轮储能无传感器控制策略,提高转子位置角估计精度。此外,针对飞轮储能系统参考功率指令滞后的问题,在无传感器控制基础上,引入自适应滤波算法作为飞轮储能控制系统的功率给定,以减小功率指令滞后现象。在Typhoon HIL 602+仿真平台进行实验验证,结果表明:飞轮储能系统运行性能良好,观测器具有优越的估计性能,能满足飞轮快速充放电并有效平滑风电功率波动的控制需求,同时提高储能利用率。

基于缓解特征过度平滑的图神经网络优化算法

为减少过度平滑对传统图卷积网络(graph convolutional network,GCN)模型性能的影响,提出一种优化算法GCN-optimization。该算法通过增强节点特征并在卷积前将特征重新映射的方法,使节点在经过多层GCN传播过程中仍能保持一定的特征差异。在Cora、Citeseer和Pubmed 3个数据集上进行实验,结果显示:在3个数据集中,相比于原版GCN,GCN-optimization算法Accuracy分别提升2.2%、1.5%和0.5%;Macro-F1分别提升1.8%、1.7%和2.1%。表明,相对于基准模型,GCN-optimization算法在节点分类任务中展现出一定的优势,能够有效缓解传统GCN中的过度平滑问题,保持节点特征的差异性,从而提升模型性能。

快速次优固定区间Wiener平滑器算法

为了克服带相关噪声控制系统的最优固定区间Kalman平滑算法要求较大计算负担的缺点,应用Kalman滤波方法,基于CARMA新息模型,由稳态最优Kalman平滑器导出了带相关噪声控制系统的最优固定区间Wiener递推状态平滑器,它带有系数阵指数衰减到零的高阶多项式矩阵.用截断系数矩阵近似为零的项的方法提出了相应的快速次优固定区间Wiener平滑算法.它显著地减少了计算负担,便于实时应用,还给出了截断误差公式和选择截断指标的公式.仿真例子说明了快速平滑算法的有效性.

融合改进A^(*)算法和动态窗口法的自动驾驶路径规划

针对自动驾驶汽车路径规划全局最优、耗时最优和避障的需求,提出一种改进A^(*)算法和动态窗口法的融合算法。A^(*)算法主要从启发函数、权重系数、搜索邻域和搜索策略4个方面进行改进,动态窗口法主要改进评价函数。利用改进后的A^(*)算法和双向A^(*)算法完成栅格地图上的全局路径规划,去除冗余节点并平滑处理优化全局路径,利用融合动态窗口算法进行局部路径规划,完成避障。与传统的A^(*)算法相比,改进的A^(*)算法和双向A^(*)算法搜索全局路径耗时和节点显著减少,优化的A^(*)算法与动态窗口法的融合算法具有更高的效率、更好的路径规划能力和避障能力。

基于二次转角约束的改进RRT路径规划算法研究

针对快速随机搜索树(RRT)算法存在节点扩展冗余、生成路径不满足车辆转角条件等问题,提出一种改进的二次转角约束RRT算法。首先,在传统RRT算法基础上对采样空间进行裁剪,引入目标导向策略减少采样时间;然后采用车辆膨胀处理和直线方法检测障碍物,并引入第一次转角约束得到粗解路径;接着对粗解路径建立二次转角约束并进行优化处理,获取优化路径后拟合,并进行仿真验证。结果表明,相比于引入目标导向策略的RRT算法,所提出的算法路径最大曲率降低了34.33%,平均曲率降低47.36%,扩展节点数降低47.62%,路径距离降低7.76%,规划时间缩短14.98%。

改进Q-Learning的路径规划算法研究

针对Q-Learning算法学习效率低、收敛速度慢且在动态障碍物的环境下路径规划效果不佳的问题,本文提出一种改进Q-Learning的移动机器人路径规划算法.针对该问题,算法根据概率的突变性引入探索因子来平衡探索和利用以加快学习效率;通过在更新函数中设计深度学习因子以保证算法探索概率;融合遗传算法,避免陷入局部路径最优同时按阶段探索最优迭代步长次数,以减少动态地图探索重复率;最后提取输出的最优路径关键节点采用贝塞尔曲线进行平滑处理,进一步保证路径平滑度和可行性.实验通过栅格法构建地图,对比实验结果表明,改进后的算法效率相较于传统算法在迭代次数和路径上均有较大优化,且能够较好的实现动态地图下的路径规划,进一步验证所提方法的有效性和实用性.

基于改进A^(*)蚁群算法的平滑路径规划方法

针对移动机器人路径规划中存在冗余拐点和路径尖峰,以及经典蚁群算法陷入局部最优等问题,提出了一种基于改进A^(*)蚁群算法的平滑路径规划方法。首先,针对蚂蚁初次寻路的盲目性,提出对蚁群算法信息素的初始分布引入改进A^(*)算法路径信息进行优化设置,减小搜索节点的计算量。其次,为进一步提高算法在路径规划中的适应能力,采用对主要参数使用反三角函数自适应调整策略,使算法参数在各次迭代中配合达到最佳,提高算法搜索能力;同时,改进信息素增量更新规则中的路径选择方法,以加快算法的收敛速度,缩短了搜索时间。最后,借助三次B样条曲线对最优路径的尖峰进行平滑与拟合优化。仿真结果表明:在全局静态障碍物环境中,该算法可减少路径长度,提高搜索效率,增加路径的平滑性。

基于改进蚁群算法的机器人全局路径规划

针对传统蚁群算法存在初始信息素缺乏、收敛速度慢以及无法有效躲避障碍物等问题,文中提出了一种基于改进蚁群算法的全局路径规划。引入正态分布函数改进传统启发函数,提高了算法效率,缩短了算法收敛所需时间。自适应调整信息素挥发系数,限定信息素范围,避免过早收敛。对算法路径平滑处理,缩短路径长度,从而实现机器人的全局路径规划。仿真结果表明,在20×20环境下,文中算法平均迭代次数比传统蚁群算法减少了28代,收敛速度更快。平均拐点减少了33.3%,使路径更为平滑,克服了初始信息素缺乏,加快了收敛速度,减少了拐点数量,能够有效躲避环境中的障碍物,证明了该算法的可行性。

应用于无人机全局航迹规划的改进双向RRTs算法

针对无人机复杂环境下的全局航迹规划问题,将人工势场法与双向RRTs(Rapidly-exploring random trees)算法结合,提出一种改进双向RRTs算法。首先,目标偏置策略引导采样点以一定概率顺着目标点生成,同时随机树新节点受到障碍物斥力和目标点引力的合力影响有效避开障碍物生长,提高航迹搜寻效率,其次对随机树的节点扩展考虑了无人机飞行性能约束条件,最后采用3阶贝塞尔函数进一步航迹优化。仿真结果表明:二维和三维复杂环境中改进双向RRTs算法相比传统RRT、双向RRTs算法航迹搜索耗时减少了71.3%、24.7%和41.0%、18.6%,验证了改进算法全局搜索能力的快速性和有效性,能很好的应用于无人机离线全局航迹规划场合。

基于避障寻优改进蚁群算法的机器人路径规划

针对蚁群算法在处理路径规划过程中存在收敛速度慢,规划路径冗余等问题,提出了一种基于避障信息和快速寻优策略的改进蚁群算法。为了改善蚁群的首次搜索效率和精度,引入切比雪夫距离改进距离启发函数,在转移概率中增加目标点对机器人的引导作用;采用自适应转移概率调整路径规划过程中节点的选择方式,并根据节点周围的障碍物分布设置初始信息素,使得蚂蚁首次生成有效路径的比率从60%提高至92%;同时删除生成路径的垃圾信息,提高最优路径节点的信息素浓度,平衡了蚁群的局部和全局搜索能力,加快了最优路径的速度;通过平滑生成的路径,减少机器人转弯次数,缩短了路径距离。选择SSA、ACO、IACO、I-ACO等算法在3种栅格环境上进行性能测试。结果表明,改进的蚁群算法路径寻优上优于其他算法。

基于鲸鱼算法改进下垂控制的微电网平滑切换策略

在传统下垂控制所在微电网系统负载发生突变时,可能无法维持整个微电网的稳定;在模式切换过程中存在功率振荡、母线电压偏离过大等问题.针对此类问题,提出一种基于鲸鱼算法改进下垂控制的方法.依据电压幅值及频率波动,应用鲸鱼算法调整优化相应参数;将优化结果反馈到下垂参数计算中,用于解决切换时产生的功率振荡及频率偏移问题;搭建MATLAB/Simulink模型进行仿真验证.仿真结果显示:优化后的算法能够减少功率振荡幅度及频率偏移,实现微电网的孤网与并网平滑切换.在负荷突变工况下,功率偏差最大为13.78%,改进后降至3.97%,从扰动至稳定状态所用时间缩短了37.52%,提高了系统的供电质量,证明了该改进控制策略的有效性.

基于蚁群算法的无人船平滑路径规划

为解决无人驾驶船舶在复杂环境中规划路径时存在的转向角度大、路径拐点多、航行能耗高等问题,文中提出一种基于改进蚁群算法的平滑路径规划方法。该方法采用栅格法进行环境建模,通过在启发函数中引入路径平滑度、距离启发因子以及在路径转移概率中引入障碍物启发因素,提高路径寻优和静态避障能力。结合启发因素改进信息素更新标准,设置可调节信息素挥发因子增加算法的自适应性。提取输出的最优路径关键节点并对其进行平滑处理,进一步保证路径平滑度和安全性。根据不同栅格环境下的避障仿真结果可知,与传统算法相比,文中改进蚁群算法的路径寻优速度提高了45%~62%,转向次数减少了25%~44%,平滑处理后的路径安全性和可行性得到了提升,较好地实现了不同环境下无人船自主路径规划。

基于空间平滑算法的改进多重信号分类算法

为了提高传统解相干算法的估计精度,提出了一种基于空间平滑算法的改进多重信号分类算法。将空间平滑算法的子阵互相关产生的前向平滑修正矩阵和后向平滑修正矩阵与子阵自相关矩阵互相关产生的前向平滑修正矩阵和后向平滑修正矩阵分别相加,得到新的前向平滑矩阵和后向平滑矩阵,再通过矩阵分解法将新的前向平滑矩阵和后向平滑矩阵进行组合,使用奇异值分解对组合后的矩阵进行分解得到信号的噪声子空间,并通过多重信号分类算法进行估计,最大限度的利用了前向平滑修正矩阵和后向平滑修正矩阵的信息。经过仿真验证,该算法在信号相干条件下能精确地估计入射角度,并且对比现有的解相干算法在信噪比相同条件下估计性能提升了9%。

考虑有色测量噪声的Kalman平滑算法在pH计校准电压预估中的应用

为了提高pH计校准电压预估精度,提出考虑有色测量噪声的Kalman平滑算法;该算法以电压和电压采集周期作为状态向量,以设定的采样周期和无线pH计所采集的电压值作为观测向量,构建数据融合模型;以考虑有色测量噪声的Kalman滤波作为前向滤波,通过马氏距离计算当前时刻最优的有色测量噪声因子,利用Rauch-Tung-Striebel平滑算法对前向滤波的输出值进行平滑,最终得到当前时刻电压的预估值,并将所提出的算法应用于pH计校准电压预估。结果表明,与传统Kalman滤波算法相比,所提出的算法的电压预估的精度提高约10%。

基于改进CBAM多分支平滑空洞卷积的入侵检测算法

针对现有入侵检测算法模型存在表征能力弱、预测准确率低和漏报率高的问题,本文提出基于改进卷积注意力模块的多分支平滑空洞卷积神经网络(multi-branch smoothed dilation convolutional neural network based on improved convolutional block attention module,MSDCNN-ICBAM)算法模型。该模型首先使用加权随机采样解决数据集不平衡问题,然后设计扁平式的多分支平滑空洞卷积神经网络(MSDCNN)在多感受野下提取多尺度特征以解决网络退化问题,最后提出改进卷积注意力模块(ICBAM)在通道和空间双维度上指导特征表达以解决卷积操作无法感知特征重要性问题。与其他入侵检测模型在UNSW-NB15数据集上的对比实验表明,该模型准确率提高了3.04%,漏报率降低了5.77%,检测率可达90.98%。

融合三步平滑与改进RRT算法的无人机路径规划

为解决路径规划领域中原始RRT所具有规划时间长、路径不平滑、路径代价大的缺点,本文先在原始RRT算法的基础上加入了动态步长策略以及嵌入了Dijkstra算法对效率进行改进,然后在得到的路径上分别加入下样本平滑、上样本平滑和关键点平滑对路径平滑度和路径代价进行改进。MATLAB实验表明,本文算法在规划时间上较传统RRT提升45%左右,较Astar、RRTstar、GA算法有着分别30%~70%不等的领先;在路径长度方面,本文算法较传统RRT有着近40%的提升,相较其他算法也有着不同程度的领先。由此可以得出,本文所提方法,可以较好地应用于路径规划。

基于改进A*算法的机器人路径规划与避障技术

移动机器人在作业过程中内存消耗大、行进路径不平滑且极易与障碍物发生碰撞,而传统的A*算法无法较好地解决此类问题。针对上述情况,文中通过考虑栅格点精度处理、关键点选取及转折点平滑处理等多种因素,并结合传统的A*算法提出了一种新的移动机器人路径规划与避障方法。在相同测试场地下的仿真实验结果表明,与传统A*算法相比,当α取0.75时,文中算法的路径长度降低了1.80%,机器人的转折数量减少了40%,运动时间则下降了10.78%。由此可知,考虑多种因素的路径规划方法所得到的路径较短且距离障碍物较远,同时转折点数量显著减少,路径也更为平滑。

基于Wiener退化过程的动车组部件状态-机会维修模型分析与研究

针对动车组多部件存在运行维修成本高、欠维修或过维修的现象以及故障影响范围大等问题,提出一种基于Wiener退化过程的部件状态-机会维修优化模型。该模型利用Wiener过程描述部件在运行过程中的劣化程度,通过基于指数分布的随机几何过程反映不完全维修后部件的劣化损伤,同时利用定期检测获取部件的实际劣化值。从随机过程和拓扑的角度,分析不同类型维修策略之间的区别与联系。结合单部件状态维修优化策略,求得各部件的最优状态阈值和维修检测周期。引入机会阈值与状态阈值的比值,结合部件退化过程与状态阈值、机会阈值之间的关系,推导部件状态、机会维修次数期望值的数学表达式,建立状态-机会维修策略模型,采用蒙特卡洛算法进行模拟,确定各部件的最佳机会阈值,达到优化维修费用率的目标。以某型号动车组牵引供电系统为例,通过仿真验证,表明采取状态-机会维修模型,可以有效减少停机次数,降低维修费用率。