基于粒子-蚁群算法的TSP旅行商问题求解

数字万用表的labview实例

【实例简介】

【实例简介】适用于认知无线电领域

24-5-3 轴系5(3)-深沟球轴承寿命计算.m

基于协同控制策略，多无人机之间可以通过能力互补和行动协调，实现单架无人机任务能力的扩展以及多无人机整体效能的提升，进而解决个体能力限制与任务需求之间的矛盾。本文以多固定翼无人机姿态同步控制为例，分析无人机飞行过程中可能面临的实际情况，认为无人机模型或参数不确定、测量误差、干扰、系统中存在的时延及控制器故障是影响多无人机协同控制的主要因素。本文针对上述无人机中存在的复杂情况，分析和设计各中复杂情况下的多无人机协同控制算法，实现多无人机系统控制的稳定性。主要研究成果概括如下： 首先，根据牛顿力学对理想情况(无干扰或故障)下多固定翼无人机姿态运动过程进行数学建模，并根据构造的理想情况下固定翼无人机姿态运动的数学模型，结合无人机在运行过程中所面临的实际复杂情况，分别构建以下数学模型： (1) 伴随集成不确定项(外部干扰、模型或参数不确定、测量误差及控制器微小故障)的多固定翼无人机姿态运动数学模型。(2) 伴随集成不确定项以及状态时延的多固定翼无人机姿态运动数学模型。(3) 伴随集成不确定项以及控制器卡死故障的多固定翼无人机姿态运动数学模型。 然后，结合主从式协同控制策略和理想情况下多固定翼无人机姿态运动模型，设计多固定翼无人机姿态一致性控制方法。最后，设计相应的方法解决上述复杂情况下的多无人机姿态同步问题。针对包含集成不确定项的多无人机姿态运动方程，设计两种方法用以解决其姿态一致性同步问题，分别为在提出的基于主从式控制策略设计的姿态一致性控制方法中结合神经网络设计直接姿态一致性控制器以补偿不确定项；结合观测器与神经网络设计间接姿态一致性控制器以观测并补偿不确定项，并对比这两种方法各自的优劣性。针对包含集成不确定项以及状态时延的情况，在提出的基于神经网络的直接姿态一致性控制器的基础上，结合Lyapunov-Krasovskii函数以补偿时延造成的剧烈波动，最后通过理论证明及仿真验证其有效性，并对比有无Lyapunov-Krasovskii函数时无人机姿态的控制效果。针对包含集成不确定项以及控制器卡死故障的情况，在提出的基于观测器与神经网络的间接姿态一致性控制器基础上，结合基于扩展卡尔曼滤波器设计的故障检测方案和基于控制分配方法设计的控制器重构模块，确保各无人机在检测到控制器卡死故障的同时重构健康控制器，进而使无人机控制力矩及姿态稳定在期望值附近。 【核心代码】 程序 ├── 第3章│   ├── Cbn.m│   ├── Cnb.m│   ├── MultiUAVs_noNN.m│   ├── Uav_Model_FD.m│   ├── moment.m│   ├── nummarkers.m│   └── plotfit.m├── 第4-1节程序│   ├── Cbn.m│   ├── Cnb.m│   ├── MultiUAVs.m│   ├── Uav_Model_FD.m│   ├── moment.m│   ├── nummarkers.m│   └── plotfit.m├── 第4-2节程序│   ├── Cbn.m│   ├── Cnb.m│   ├── MultiUAVs.m│   ├── Uav_Model_FD.m│   ├── moment.m│   ├── nummarkers.m│   └── plotfit.m├── 第5章程序│   ├── Cbn.m│   ├── Cnb.m│   ├── Contrast_mutiUAVs.m│   ├── ShiftOperation.m│   ├── Uav_Model.m│   ├── moment.m│   ├── mutiUAVs.m│   ├── nummarkers.m│   └── plotfit.m└── 第6章程序    ├── Actuator_fault1.m    ├── Augmented_matrix_vector.m    ├── CD.mat    ├── Cbn.m    ├── Cnb.m    ├── Contrust_MultiUAVs.m    ├── Disred_control.m    ├── FDI_robust_false_alarm.m    ├── MoM.mat    ├── MultiUAVs.m    ├── Probability_Density_Adjust.m    ├── Simplified2_MultiUAVs.m    ├── Uav_Model_FD.m    ├── control_allocation.m    ├── control_two1ifault_allocation.m    ├── control_two2ifault_allocation.m    ├── control_two3ifault_allocation.m    ├── control_two4ifault_allocation.m    ├── control_two5ifault_allocation.m    ├── desired_torque_parameters.m    ├── fault_torque1.m    ├── fault_torque1i.m    ├── fault_torque2i.m    ├── fault_torque3i.m    ├── fault_torque4i.m    ├── fault_torque5i.m    ├── fualt_filter.m    ├── kalman_filt.m    ├── kalman_filt_new.m    ├── kalman_filt_old.m    ├── moment.m    ├── newKalman.m    ├── nummarkers.m    ├── printFilt.m    ├── probability_adjust.m    ├── two1ifualt_filter.m    ├── two2ifualt_filter.m    ├── two3ifualt_filter.m    ├── two4ifualt_filter.m    ├── two5ifualt_filter.m    └── z1.m5 directories, 71 files

该模型大致基于T.Athay等人提出的IEEE 39总线系统，用于面向研究的研究和教育目的。该基准的SimPowerSystems实现的作者是IREQHydro-Québec研究所的Ali Moeini和Innocent Kamwa。参考文献A. Moeini，I。Kamwa，P。Brunelle，G。Sybille，“在SimpowerSystems中实现的开放数据IEEE测试系统，用于电网动力学和控制的教育和研究”，电力工程大会（UPEC），2015年第50届国际大学，2015年9月1-4日，英国斯塔福德郡大学。http://ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=7339813&tag=1

【实例简介】

【实例简介】

摘要：针对机器人路径规划中，传统蚁群算法收敛速度慢、易陷入局部最优解等问题，提出了一种移动机器人路径规划的改进蚁群优化(ACO)算法。用栅格法建立环境模型，并基于人工势场建立启发信息素矩阵，降低了蚂蚁在初始阶段搜索的盲目性；引入激励函数，降低搜索过程中的死锁现象；改进信息素的更新机制，增强了优秀蚂蚁对全局路径规划的影响。仿真结果表明：改进后蚁群算法的机器人路径规划算法加快了收敛速度，具有较强的鲁棒性和全局寻优能力。关键词：蚁群优化(ACO)算法；人工势场；路径规划；机器人

遗传算法matlab实现源程序.doc