基于遗传算法的散乱点云最小包围盒求解

提出一种将遗传算法和O’Rourke算法相融合的最小包围盒求解算法,以O’Rourke算法中的体积函数作为遗传算法的目标函数,采用遗传算子指导解的搜索方向,通过新种群的迭代生成过程缩小搜索区域与体积误差,种群迭代结束后对最优个体解码获得最小包围盒.实验结果表明,该算法可在满足最小包围盒体积精度的同时显著提高算法的运行效率,能够有效处理各种复杂散乱点云数据的最小包围盒快速求解问题.     

参数化产品族递进式优化设计方法

基于产品平台技术,提出了基于混合进化算法的参数化产品族递进式优化设计方法.建立了参数化产品族的递进式优化设计流程,提出改进的强度Pareto进化算法(SPEA2+)与非支配排序遗传算法(NSGA-II)相结合的多目标混合进化算法对参数化产品族设计问题进行优化,混合进化算法使用了两类种群进行求解,解决了同步进化带来的数据扰动问题.在参数化产品族递进式优化设计过程中,首先优化产品族设计平台,建立参数化产品族设计问题的多目标优化数学模型,通过产品设计参数的敏感度分析和变差指数计算,划分产品平台的设计常量和设计变量,形成稳健的产品平台来获得最优参数.然后对产品族中实例产品的多个性能进行优化,在已有的产品平台基础上,优化设计变量的取值.最后,以电动机产品族的递进式优化设计过程为例证明了该方法的有效性和适用性.      

阀控电液位置伺服系统非线性鲁棒控制方法

为了解决电液伺服跟踪控制中存在流量非线性以及参数不确定问题,以阀控液压马达为对象设计了一种非线性鲁棒控制器.该算法基于Back-Stepping的设计思想,将阀控电液系统的位置跟踪问题转化为系统负载流量规划问题,仅需一步反步递推,即可完成控制器设计,具有较强的工程实用性.该算法综合考虑了制约电液位置系统跟踪精度的流量非线性以及系统参数不确定性问题.理论证明了该算法的稳定性.通过和传统PID(Proportional-Integral-Derivative)控制器的对比试验表明,基于该控制器,系统跟踪性能得到了显著提升.     

基于HLA的防空导弹武器系统仿真平台研究

介绍了一个以防空导弹武器系统为背景,基于高级体系结构(HLA, High Level Architecture)技术实现的包含虚拟现实技术的综合仿真平台.着重论述了该仿真平台的构成、开发过程及其关键技术,包括HLA、基于FEDEP(Federation Development and Execution Process)模式的开发过程,层次化软件结构、计算机生成兵力(CGF, Computer Generated Forces)技术、面向对象建模以及基于包围盒的碰撞检测等.     

基于分布式并行遗传算法的电力系统无功优化

针对传统遗传算法寻优质量差、计算时间长的问题,提出了基于计算机集群的一种新的分布式并行遗传算法解决电力系统无功优化问题.采用遗传模拟退火算法和分布式并行计算MPI(Message Passing Interface)技术,实现多进程的分布式集群计算.该算法通过个体迁移策略来协调优化各个子种群,使用计算效率来判断计算负载状态,采用动态种群来进行负载平衡.通过运用标准测试算例IEEE14节点和一个实际电力系统的无功优化计算,结果表明这种算法具有很高的稳定性,有较好的并行效率,适合求解大规模电力系统的无功优化问题.      

蟑螂机器人崎岖路面行走算法设计与实现

针对直接串联式结构承载能力较弱的问题,设计了一种基于双四连杆构型的仿生蟑螂机器人,该构型运动灵活,承载能力强且可以实现解耦控制.建立了该构型的数学模型,进行运动学分析,求解出机器人的正解以及逆解.采用压力感应电阻(FSR,Force Sensing Resistor)以及光电开关联合检测蟑螂机器人行走在崎岖路面时足端是否落地的信息,而且提出一种新的足端轨迹规划实现蟑螂机器人在崎岖路面的快速行走,综合之前的运动学计算,设计了可用来控制蟑螂机器人在崎岖路面行走的算法,实验验证该算法可以控制机器人在崎岖路面以10 cm/s的速度行走.      

一种六杆并联机器人的控制问题和控制器研究

针对一种六杆并联结构工业机器人,研究了其运动学逆解和正解算法,以及它们在开放式数控系统中的具体实现技术,解决了基于逆解算法的实时坐标变换问题和基于正解算法的系统初始化问题,并给出了相应模块与数控系统内核的接口,最后在一种开放式数控系统平台上实际开发成功针对这种并联结构机器人的控制系统,从而得出结论,采用正确的实现技术,并联结构机器人的实时控制问题可以在开放式数控系统中很好地得到解决.      

一种基于时延约束的最优路径求解算法

作为QoS路由和流量工程的关键技术之一,基于时延约束的最优路径问题一直没有得到有效的解决.针对现有的算法很难得到最优解和计算复杂度过大等问题,提出了一种基于时延约束的最优路径求解(DCOP)算法,该算法通过减少算法的搜索空间来有效地降低算法的计算复杂度,可得到最优的无环解.算法采用自适应参数设计,提高了对网络规模和复杂业务变化的适应性.仿真表明该算法比同类算法计算复杂性降低了近一个数量级,且算法具有自适应能力,设计简单,易于工程实现.      

平面并联机器人的轨迹控制与在线监控

提出了三自由度平面并联机器人的运动学控制方法,通过逆向运动学求解实现对机器人的轨迹规划;提出完成并联机器人在线监控的2个步骤:首先利用解析法实现并联机器人的正向运动学分析,再综合运用二分法和插值法进行正解的在线计算.还研究和完成了基于PC的模块化机器人控制系统设计,该设计主要包括使用C+ +语言完成并联机器人运动学控制算法编程和设计基于PMD(Performance Motion Devices)的模块控制器.该控制系统在三自由度模块化平面并联机器人上进行了演示,并将在MATLAB下实现的数值法与C+ +语言编写的解析法进行了比较,其结果验证了运动学算法和运动控制器的性能.      

基于近端策略优化算法的四足机器人步态控制研究

足式机器人步态控制是机器人研究领域的难点问题,应用强化学习让机器人自主学习策略提供了一种很好的解决思路.基于ROS机器人操作系统搭建了四足机器人仿真平台,将近端策略优化算法用于四足机器人步态控制,并与其他深度强化学习算法进行了对比分析.仿真实验结果表明,近端策略优化算法在实际应用中具有更好的训练效果.     

Stewart平台远程操作试验系统的研制

为了研究Stewart平台大时延情况下的远程操作稳定性,建立了相关试验系统.用以太网模拟远程通信信道,连接2套Stewart平台控制系统;利用DirectX技术,对用户屏蔽了具体硬件设备,建立了用户输入接口和视频反馈;利用OpenGL(Open Graphic Library)技术,建立了虚拟操作环境,以便于未来利用虚拟操作环境补偿时延;用神经网络的位置正解方法代替传统方法驱动虚拟模型,获得更高的精度;对通讯的带宽进行在线监控,优先保证指令传输;通过改变发送速率,保证视频连续发送.试验结果表明,用户通过输入指令可以方便地控制平台,平台位姿可以通过虚拟操作环境和视频进行反馈,系统满足了设计要求.      

基于多层感知器神经元的空间柔性机器人位置跟踪控制

针对基体位置及姿态均不受控的自由漂浮柔性空间机器人轨迹跟踪问题,提出了一种前馈多层感知器(MLP)神经网络控制策略.建立了末端柔性的自由漂浮基机器人的耦合动力学模型,再利用MLP神经网络良好的逼近能力来自适应补偿非线性柔性臂的逆动力学模型,其误差代价函数由PID控制器提供,权重及阀值的调整采用改进的BP反传算法.最后通过仿真比较详细分析了所提方案的工作机理及对非线性强耦合系统控制的有效性.     

基于神经网络自适应稳定PID控制方法的研究

经典的基于对象精确数学模型的PID控制方法的自适应性较差,难以适应具有非线性、时变不确定性的被控对象.神经网络控制算法的稳定性又受到迭代初值的影响,且算法复杂.为此提出了一种基于RBF神经网络的、结构简单的、稳定的PID直接自适应控制方法.讨论了控制器参数迭代初值选取的基本原则,并给出了在保证系统稳定性前提下参数的迭代算法.仿真研究结果表明,该方法的鲁棒性和跟踪性能均优于经典PID方法.      

基于神经网络的撞球机器人控制器设计

对撞球机器人的母球控制问题展开研究,设计了一种基于神经网络(NN)的控制器,使机器人能够控制母球在击打目标球后按照预定的模式运动至目标点——即完成走位。针对该问题非线性且非光滑的特点,对坐标系进行阐述并给出机器人击球的模型;在光滑的假设下使用理论分析的方法建立母球的运动学模型与边库反弹的理想镜像模型;进而使用神经网络方法对理想模型进行修正,并对不同的轨迹模式进行分析与分类。测试结果表明:经过训练的机器人能够掌握各种模式的走位,统计结果与模型分析结果相吻合;相比于单一使用神经网络方法,本文使用理论分析与神经网络相结合的方法能够有效地提升网络的品质,降低训练的误差。     

Adaptive neural network control of nonlinear systems with unknown dynamics

In this study, an adaptive neural network control approach is proposed to achieve accurate and robust control of nonlinear systems with unknown dynamics, wherein the neural network is innovatively used to learn the inverse problem of system dynamics with guaranteed convergence. This study focuses on the following three contributions. First, the considered system is transformed into a multi-integrator system using an input–output linearization technique, and an extended state observation technique is used to identify the transformed states. Second, an iterative control learning algorithm is proposed to achieve the neural network training, and stability analysis is given to prove that the network’s predictions converge to ideal control inputs with guaranteed convergence. Third, an adaptive neural network controller is developed by combining the trained network and a proportional-integral controller, and the long-standing challenge of model-based methods for control determination of unknown dynamics is resolved. Simulation results of a virtual control mission and an aerospace altitude tracking mission are provided to substantiate the effectiveness of the proposed techniques and illustrate the adaptability and robustness of the proposed controller.     

输入饱和情形下战斗机大机动动态面控制

针对战斗机大机动飞行输入饱和问题，提出了一种自适应神经网络动态面控制方法。采用径向基(RBF)神经网络逼近飞机系统的不确定性，利用双曲正切函数处理系统的输入饱和问题，根据饱和受限后的实际控制输入与期望控制输入之差定义新误差变量，结合该误差变量设计大机动飞行控制律，并构造鲁棒项抵消神经网络逼近误差、外部干扰和建模误差的影响，利用动态面控制技术避免对虚拟控制器的复杂求导并减小计算量。根据Lyapunov稳定性定理证明了闭环控制系统所有信号有界，且通过选择合适的设计参数能够使姿态角跟踪误差收敛到原点的任意小邻域内。通过仿真结果的分析，验证了所提方法具有较好的鲁棒性和稳定性。      

基于萤火虫优化神经网络算法的气浮台自动调平衡研究

为了利用气浮台在地面精准演示分布式多星组网技术及验证多模式高分成像过程，提出一种基于改进型BP神经网络PID控制的气浮台快速自动调平衡算法.针对以往算法调平时间较长、容易得到非最优解的问题，引入仿生萤火虫算法对神经网络初始权值进行优化，提高了算法的收敛速度和稳定性.基于构建的三轴气浮台运动学和动力学模型，通过仿真实验验证了优化算法对自动调平衡具有良好的控制效果，满足多星地面仿真的调平衡要求.