QUASI-CRITICAL PATH METHOD FOR CONTROLLING THE START-TIME OF ACTIVITY

A new idea of Quasi-Critical Path has been defined in terms of the thoughtof Critical Path for the network method.The paper studies the time control problem of anetwork with forced start-time activity by both the optimal criterion of minimal reducedtime and the concept of Quasi-Critical Degree of activity,and proposes a feasible heuristicalgorithm.Another simpler algorithm is also presented,which can be realized inmicrocomputer.

基于遗传算法(GA)的具有约束的飞行轨迹规划

轨迹规划的一个最基本目标是规划飞机通过威胁空间并实现任务目标的飞行轨迹．这个轨迹需满足任务规划所确定的约束，这些约束包括：地形、威胁（静、动态）、燃油、时间、飞行性能等，构成了一个多维、多模态且具有组合爆炸的搜索空间，造成了轨迹规划的具有挑战性的难题．对基于ＧＡ的自适应搜索技术的轨迹规划方法和轨迹规划器进行了研究．

基于路径引导知识启发的强化学习方法

为了提高强化学习算法的运行效率和收敛速度,提出了一种基于路径引导知识启发的强化学习方法PHQL。采用PHQL方法,不需要提前植入先导知识,agent在每一轮学习过程中更新Q表的同时,各个状态的路径知识也自主地建立起来并逐步修正和优化。算法利用已经获得的路径知识来指导和加速agent以后的强化学习过程,以减少agent学习过程的盲目性。分析了PHQL算法的探索、利用和启发3种行为的执行概率以及行为选取方法,提出一种行为选择概率随时间渐变的算法。以一个路径搜索问题为实例,对PHQL方法进行了验证、分析并与几种相关的强化学习算法进行了性能对比。实验结果表明,作者提出的方法对学习过程具有明显的加速作用,收敛性能有了较大的提高。

对工序开工期进行控制的“拟关键路径”法

应用网络方法中“关键路径”的思想,定义了网络计划的“拟关键路径”.借助于工序的“拟关键度”,以最少总压缩时间为优化准则,讨论了含强迫时限工序的网络计划的时间优化问题,提出了可行的启发式算法。进一步给出了可在微机上实现的简单算法及计算机处理流程图。

启发式方法在机器人路径规划优化中的应用综述

机器人路径规划是指按照一定的寻优策略规划出从起始位置到目的地的尽可能最优的无碰路径。路径规划技术分为传统方法和启发式方法两大类。综述了多种启发式方法在机器人路径规划优化领域的研究现状,分析了不同算法的性能和适应场景;此外,考虑到人工势场法在路径规划中所表现的优良品质,也研究了其最新技术进展。最后对比分析了各种算法的优缺点,指出方法的深度融合应是路径规划技术的未来发展方向。

移动机器人的完全遍历路径规划:生物激励与启发式模板方法

提出了基于生物激励神经网络的一种新的完全遍历路径规划方法.该方法集成了模板模型、启发式搜索和障碍物逼近算法.一种称为分流合作-竞争反馈网络的生物激励神经网络被用于移动机器人的工作环境建模,而模板模型法、启发式算法和障碍物逼近算法用于移动机器人的避障路径规划,其中障碍物逼近算法能够实现不规则形状障碍物周边区域的遍历,以进一步改善路径规划的覆盖区域,仿真研究表明,本文方法使得路径规划的性能得到明显的改进,例如规划路径的重叠率,而且算法简单有效.

WDM网基于混合共享和SRLG约束的通路保护

研究了网状波分复用(WDM)网中动态生存性路由配备问题,提出了一种新颖的基于共享风险链路组(SRLG)约束的混合共享通路保护(MSPP)方案。MSPP为每个业务请求分配工作通路和SRLG分离的保护通路,因此能完全保护单SRLG故障。与传统的共享通路保护(SPP)方案不同,在满足某些约束条件下,MSPP允许部分工作通路和保护通路共享资源。仿真结果表明,MSPP性能优于SPP。