基于遗传算法和空间推进方法的高超声速进气道优化设计研究

将遗传算法（单目标遗传算法GA和多目标遗传算法NSGA-Ⅱ、NCGA）与高效、高精度的卒间推进方法——SSPNS（Single-sweep Parabolized Navier-Stokes Algorithm）流场计算方法相结合，对二维高超声速进气道进行了气动优化设计研究。在单目标优化设计中以巡航点（Ma=7．0）的总压恢复最大为设计目标，多目标设计中则在巡航点分别考察了总压恢复最大-压升最大两目标模型、总压恢复最大-压升最大-阻力系数最小三目标模型。优化设计结果表明，单目标设计使得总压恢复有明显提高；多目标优化设计所得的Pareto最优前沿为设计者提供了可靠的设计依据。为了兼顾巡航点和加速爬升段的综合忭能，采用多目标优化方法对进气道进行了多点优化设计，并开展了基于等动压弹道的设计点选择问题初步研究。计算结果表明，若将设计点选在Ma=6．5左右，则进气道的综合性能较好。     

基于MAV形变控制的鼓包装置几何分布优化

 提出了在微型飞行器(Micro Air Vehicle —MAV) 表面安装鼓包控制装置进行姿态控制的思路,针对某无尾MAV ,研究了单点鼓包凸起对气动力、气动力矩的敏度影响;以此为基础,选择了4 个鼓包控制组及相应候选控制点,利用遗传算法进行了气动、控制学科的并行优化,并对优化设计方案的控制响应特性进行了分析,表明方案可行。     

改进的P型迭代学习控制算法

针对多输入多输出的定常线性系统的迭代学习控制问题, 给出改进的P型迭代学习控制算法, 该算法中利用最新算出的控制分量代替旧的控制分量, 这样可以加快控制输入的收敛速度, 利用该算法进行学习控制, 使系统的实际输出以更快的速度收敛于系统的理想输出.     

机器人运动的学习控制

机器人学习控制旨在采用简单的控制器结构和易于实现的控制算法,提高机器人轨迹动态跟踪精度。本文讨论了机器人控制研究中存在的困难,简要回顾了早期学习控制思想的形成和发展,重点介绍了近年来国内外有关机器人学习控制研究的现状。     

An equilibrium multi-objective optimum design for non-circular clearance hole of disk with discrete variables

An Equilibrium Multi-objective Optimization Model(EMOM) with self-regulated weighting factors has been proposed for the optimum design of non-circular clearance hole on the front flange of turbine disk. In the ‘‘equilibrium design", both the stress decrease around the hole and the least hole's profile variation are considered, which balances two ambivalent design goals. Specific discrete variables are applied to realize the standardization design in the optimization process, in which a Surrogate Genetic Coding Algorithm(SGCA) is introduced, and a special check module is used to get rid of repeated fitness evaluation of the samples. The method offers an equilibrium design for the non-circular clearance hole of the turbine disk with great accuracy and efficiency.     

黄渤海晴空像元下雾霾识别的机器学习算法

为实时有效地识别和监测雾霾，选取2013年10月4日与10月5日的两景MODIS遥感图像，利用不同类型像元的光谱差异，基于神经网络模型，建立海上雾霾的遥感识别机器学习算法。经检验表明，在晴空条件下，机器学习算法反演精度相对较高，已超过98%，利用算法可以实现对中国近海上空雾霾的监测。     

简论高校实验课程的改革

实验教学是高等院校教学过程的一个重要环节,应建立新型的实验室管理模式,从开放实验室和改革教学方法两个方面出发,阐述了实验课程改革的必要性。     

战斗机嵌入式训练系统中的智能虚拟陪练

智能化"实虚"对抗是现代先进战斗机嵌入式训练系统的重要功能需求。自主空战决策控制技术在未来空战装备发展中扮演关键角色。将当前的功能需求和发展中的技术结合起来,得到了空战智能虚拟陪练的概念。先进控制决策技术的引入使得智能虚拟陪练能够帮助飞行员完成复杂的战术训练,而训练中真实的对抗场景为技术的验证提供了理想的环境,大量的训练数据为技术的持续迭代优化提供了保障。作为可学习和进化的空战战术专家,智能陪练在人机对抗和自我对抗中不断优化,当其具备与人相当甚至超越人的战术能力时,可应用于未来的无人空战系统。智能虚拟陪练需要具备4项基本能力：智能决策能力、知识学习能力、对抗自优化能力和参数化表示能力。对其包含的关键技术进行了分析,提出并实现了一个基于模糊推理、神经网络和强化学习的解决方案,展示了其各项基本能力及目前达到的空战水平。未来更多的模型和算法可在智能虚拟陪练的框架中进行验证和优化。     

Coactive design of explainable agent-based task planning and deep reinforcement learning for human-UAVs teamwork

Unmanned Aerial Vehicles (UAVs) are useful in dangerous and dynamic tasks such as search-and-rescue, forest surveillance, and anti-terrorist operations. These tasks can be solved better through the collaboration of multiple UAVs under human supervision. However, it is still difficult for human to monitor, understand, predict and control the behaviors of the UAVs due to the task complexity as well as the black-box machine learning and planning algorithms being used. In this paper, the coactive design method is adopted to analyze the cognitive capabilities required for the tasks and design the interdependencies among the heterogeneous teammates of UAVs or human for coherent collaboration. Then, an agent-based task planner is proposed to automatically decompose a complex task into a sequence of explainable subtasks under constrains of resources, execution time, social rules and costs. Besides, a deep reinforcement learning approach is designed for the UAVs to learn optimal policies of a flocking behavior and a path planner that are easy for the human operator to understand and control. Finally, a mixed-initiative action selection mechanism is used to evaluate the learned policies as well as the human’s decisions. Experimental results demonstrate the effectiveness of the proposed methods.     

电机控制系统PID参数的遗传算法优化

近年来,遗传算法的研究十分引人注目,作为一种新型的、模拟生物进化过程的随机化搜索和优化方法。其算法简单通用,鲁棒性强,在组合优化、机器学习、自适应控制和规划设计等领域的应用中已展现了其特色和魅力。该方法是一种不需要任何初始信息并可以寻求全局最优解的、高效的优化组合方法。文章就是利用遗传算法对某一电机控制系统的PID参数进行优化,以提高控制系统的性能指标。