新型智能仿生模型-蚁群模型（通用6篇）
篇1：新型智能仿生模型-蚁群模型
基于蚁群算法的铁路空车调整优化模型设计
针对铁路空车调整问题,采用蚁群算法解决此问题,建立以空车走行公里数最小为目标的优化模型,并给出求解算法.算例分析表明模型的正确性和算法的合理性,将蚁群算法的时间复杂度与其他一些解决空车调整问题的.算法的时间复杂度进行比较,充分体现蚁群算法解决大规模路网空车调整问题的优越性.
作 者：张王彬 ZHANG Wang-bin 作者单位：兰州交通大学,交通运输学院,甘肃,兰州,730070 刊 名：交通科技与经济 英文刊名：TECHNOLOGY & ECONOMY IN AREAS OF COMMUNICATIONS 年，卷(期)： 11(3) 分类号：U292.4+5 关键词：空车调整 蚁群算法 时间复杂度
篇2：新型智能仿生模型-蚁群模型
关键词：嫦娥三号,模拟退火模型,蚁群算法模型
1 问题分析
由表1可得嫦娥三号着陆轨道设计的基本要求[1]。由于月球表面附近没有大气, 所以在飞行器的动力学模型中没有大气阻力这一项。而且从15km左右的轨道高度软着陆到月球表面的时间比较短, 一般在几百秒的范围内, 所以诸如月球引力非球项、日月引力摄动等影响因素均可忽略不计, 所以这一过程可在二维平面模型下描述。
其动力学方程如下:
在 (1) 式中:r为着陆器与月心的距离;θ为着陆器极角;ω为着陆器极角角速度;m为着陆器质量;v为着陆器沿r方向上的速度;F为制动发动机的推力;ISP为制动发动机比冲;μ为月球引力常数;ψ为发动机推力与当地水平线的夹角即推力方向角。
根据动力下降段的起点位置可以确定动力学方程初始条件, 由于起点处于霍曼转移轨道的近地点, 故其初始条件为:
其中rp和ra分别为霍曼转移段的近月点和远月点半径。终端条件为实现软着陆, 即:
其中R为月球半径, 终端条件对终端极角θf及终端时间无约束。优化变量为制动发动机推力方向角ψ (t) 。设制动发动机的推力方向角ψ (t) 可以表示成一个多项式的形式, 即:
这样轨迹优化问题就转化为对多项式系数λ0, λ1, λ2和λ3四个参数的优化, 但这四个参数没有明确的物理意义, 确定初值及搜索空间比较困难, 为此我们对函数逼近法作进一步改进。首先将月球软着陆轨迹离散化, 分割成n个小段, 每段的节点设定一个推力方向角, 那么可以将n+1个节点的推力方向角和终端时刻t, 作为待优化的参数。每个节点的
这样就使得每个节点的推力方向角都有一个对应的节点时刻。那么利用这n+1个节点的推力方向角及对应时刻对式ψ (t) =λ0+λ1t+λ2t2+λ3t3进行拟合, 可以求得多项式的系数λi (i=0, 1, 2, 3) , 进而就能得到整个着陆轨道的推力方向角曲线ψ (t) 。
为了解决这个问题, 找到满足题目中各个条件的着陆轨道, 我们先后采用了模拟退火模型及蚁群算法模型两种模型来分别进行求解。
2 基于模拟退火模型的嫦娥三号着陆轨道设计
2.1 模型引入
将物理学中模拟退火思想[2]应用到本题来解决这个优化问题就可以得到模拟退火寻优方法。设优化函数为f∶x→R+, 其中x∈S, 它表示优化问题模型中的任意一个可行解, R+={y|y∈R, y>0}, S表示函数的定义域。N (x) 哿S表示x的邻域集合。
2.2 模型建立
类比引入的模拟退火模型, 解决此问题的关键转变为如何满足嫦娥三号在软着陆过程中各个阶段所需达到的要求。通过对附件二的分析, 可以得出在软着陆过程中嫦娥三号所需达到的要求入表1所示,
设pi为嫦娥三号在第i个阶段所需满足的初始条件, 则:
2.3 模型求解
由题可知, 主减速发动机能够产生的可调节推力范围在1500N到7500N之间, , 其中v=2940m/s, 的范围为0.51-2.55kg/s。将轨道离散化成许多小段, 在各个小段设定待优化的参数, 然后利用参数进行多项式拟合, 从而得到整个轨道的控制曲线。将嫦娥三号的着陆轨道离散化, 分割成n个小段, 每段的节点设置一个推力方向, 可以令n+1个节点推力方向角和结束时刻作为待优化的参数。每个节点时刻:ti=t0+ (tn-t0) /n (i=0, 1, 2, …, n) 每个时刻每个节点都有一个对应的推力方向角, 推力方向角假设表示为:
相当于对函数进行逼近, 得出每一小段θ, 将节点的推力方向角与对应的节点时刻对多项式θ (t) 进行拟合, 求得参数θ0、θ1、θ2、θ3, 进而求出整个轨道的推力方向θ。轨道的优化问题经离散化后可以看成一个非线性规划问题。系统的状态可以定义为:
假设控制变量为λ, 则系统的动力学方程可以表示如下:
由于θ的变化是连续的, 所以相邻的两个离散点满足:
将已知数据分别带入上述式子, 即可得出嫦娥三号着陆轨道的基本模型。如图1所示, A、B、C、D、E、F为嫦娥三号的着陆轨道与各个阶段初始位置的交点, 这六个点以及最后着陆点的空间位置就可确定嫦娥三号的着陆轨道。
3 基于蚁群算法模型的嫦娥三号着陆轨道设计
3.1 模型引入
在对问题二的求解过程中我们又采用了蚁群算法模型, 对本问题中月球软着陆轨迹优化是连续优化问题, 我们采用改进的蚁群算法:十进制蚁群算法。
以一元连续函数优化为例, 设一元连续函数优化的数学模型如下:
第一步:优化参数区间转换。第二步:搜索路径及可行解。第三步:更新信息素。第四步:最后求解。
3.2 模型建立与求解
用函数逼近法进行参数化的相关参数设置为:将轨迹离散化为7段, 那么待优化参数9个, 即8个推力方向角和一个终端时刻。在用蚁群算法模型进行优化过程中需要确定这9个优化参数的搜索范围。对于8个方向角, 由推理可知, 推力方向与着陆器速度反方向的夹角不会超过90°, 否则着陆器就会被加速, 消耗更多的燃料。由此可得8个推力方向角的变化范围为:
对于终端时刻tf, 根据齐奥尔科夫斯基公式和软着陆初始条件, 可估计为:
式子中Vf和V0分别表示着陆器的终端速度和初始速度, 经计算确定tf的搜索范围为 (单位:秒) :
将相关数据代入, 即可得到基于蚁群算法模型的嫦娥三号着陆轨道与各个阶段初始位置时的速度与方向, 由此确定其着陆轨道。
4 模型对比
模拟退火算法要求在理论上着陆器变化要足够缓慢, 才能使得在每个阶段达到状态平衡。但在计算机实现中, 如果着陆器速度变化过缓, 所得到的解的性能会较为令人满意, 但是算法会太慢, 相对于简单的搜索算法不具有明显优势;而蚁群算法模型恰好具有这个优势, 适用于解决此类问题。
参考文献
[1]段佳佳, 徐世杰, 朱建丰, 基于蚁群算法的月球软着陆轨迹优化, 宇航学报, 第29卷第2:476-478, 2008, 3。
[2]朱建丰, 徐世杰, 基于自适应模拟退火遗传算法的月球软着陆轨道优化, 航空学报, 第28卷第4期:807-809, 2007, 7。
篇3：新型智能仿生模型-蚁群模型
关键词：单片机；智能车；驱动模块
中图分类号：TP311.52 文献标识码：A 文章编号：1007-9599 (2012) 09-0000-02
随着我国工业自动化技术的不断更新和进步，自动驾驶技术受到各类企业越来越多的重視。传统的搬运以及运输装置不仅耗时耗力，而且工作效率和安全性能低下，不符合我国改进产业结构提高产业质量的发展趋势。
篇4：交通信号智能指挥模型
如果加装数字触摸传感器、MIC声音传感器、红外线传感器等组件，作品的智能程度会更高。
现实生活中，交通信号灯交替发亮是如何设计的？我以十字型路口、左转先于直行的模式进行说明。
在十字型路口处（不考虑右转弯存在信号灯）的运行情况是这样的：首先，南北方向左转绿灯亮m1秒，黄灯亮3秒，之后变成红灯。然后南北方向直行绿灯亮n1秒，黄灯亮3秒，之后变成红灯。接着，东西方向左转绿灯亮m2秒，黄灯亮3秒；然后东西方向直行绿灯亮n2秒，接着黄灯亮3秒，之后变成红灯。
信号灯的指示就是通过这种循环模式完成的，它的规律性较强，能让车辆有序通行。但是，这种方式的缺点在于，不论各方向的车流量如何变化，它都只按设定的时间依次运转，在某个方向明显无车也照样开放绿灯与黄灯的固定时间内，车流量大的方向的车辆却在等红灯，影响通行效率。
针对这种情况，能不能用Arduino开发板及相关组件设计出优化的交通信号指挥模型？
该模型设计的基本原则是依照预设时间运转信号灯，根据车流量的变化适时调整信号灯。
具体实施办法是，当某个方向绿灯开启时，虽然未达到预设时间，若本方向再无通行车辆，侦测其他方向是否有需要通行的车辆，若有则转换为黄灯3秒，之后变成红灯。即将达到预设时间时，侦测其他方向是否有需要通行的车辆，若无则本方向绿灯继续亮至车辆通行结束后转换为黄灯，若侦测到其他方向有需要通行的车辆，则虽本方向车辆通行未结束也立即转换为黄灯。达到预设时间时，若本方向无需要通行的车辆或所有方向均无需要通行的车辆，则信号灯按原设定运转。
构建交通信号指挥模型需要的器材有Arduino开发板，红、黄、绿色LED发光模块，转GPIO扩展版，红外遥控器套件，3P连接线等。
基本思路是用红外遥控器套件输入数据，模拟十字路口各方向左转和直行车辆数，利用为Arduino开发板定制的编程工具ArduBlock编写程序，实现对交通信号灯（LED发光模块）的智能控制。
按照南北方向左转、南北方向直行、东西方向左转和东西方向直行分组，实现交通信号灯智能控制的基础伪代码（以某一方向绿灯开启为例）如下。
While 其他方向无通行车辆
{
Repeat
本车道绿灯开启
Until 本方向无通行车辆
Repeat
本车道绿灯开启
Until 本方向预设绿灯时间到
}
While 其他方向有通行车辆
{
Repeat
本车道绿灯开启
Until 本方向预设绿灯时间到 or 本方向无通行车辆
}
本车道转换为黄灯3秒
本车道转换为红灯
下一方向绿灯开启并延时3秒
将以上分组各项再一分为二，如将“南北方向左转”分为“南往西左转”和“北往东左转”，智能控制的效率会进一步提升。
利用Arduino开发板，我构建了交通信号智能指挥模型。将这一探究成果应用于现实交通指挥中，可提高效率、减少拥堵。
篇5：基于云模型的智能电网调度研究
引言
智能電网的快速发展，对调度的信息化、智能化、自动化要求越来越高。用电负荷的快速增长，对电能质量的要求也越来越高，因此，需要研究更加高效的方法支撑电力系统的自动化水平。
由于电力系统的数据采集与监控系统（SCADA）/能量管理系统（EMS）等二次系统给电力系统带来了大量的数据，这些数据既有结构化的，也有非结构化的，有连续型的，也有离散型的，采集的时间间隔有长有短，这些特征给电网的管理维护人员带来了很多困难。而未来智能电网的稳定可靠运行是建立在统一视角下的全局世界中，即所有的网内数据应该对控制中心是透明的，但目前的信息共享渠道严重阻塞，给电力系统分析与调度人员带来了极大的困难和挑战。因此，电力企业迫切要求能将系统内的各类数据有机整合，实现深层次的关联、分析，进而从海量的数据中提取出有价值的信息，进而为智能电网的能力提升提供支持。
云计算模式的产生，为电力系统的能力提升提供了强大的技术支持，为突破智能电网建设过程中的信息壁垒提供了解决方案，它能够解决电力系统中各环节之间信息与资源不能充分共享的难题，并从根本上提高电网的数据处理能力。
1、云计算
1.1相关概念介绍
云计算，是近几年出现的新型网络计算技术，但全球的科研及学术界对其理解并不完全一致，大致可以分成三类：（1）以Google为代表的云计算，以公开的标准和服务为基础，以互联网为中心，提供安全、快速、便捷的数据存储和网络计算服务；（2）以IBM为代表的云计算，注重网格计算和虚拟化技术的融合，即利用分布式计算处理的能力，将IT资源构筑成一个资源池；（3）以微软为代表的云计算，即各种各样分布在全球数据中心的应用，它根据需要动态地将资源分配到客户端，其强调云端和终端的均衡。总之，所谓云计算就是利用现有发达的通讯网络，将全球大部分的数据集中起来，将其存储与调用分离使用，从而使整体的网络更具效率。
1.2云计算的服务模式
目前来讲，主要有三种主要的云计算服务模式，即（1）软件即服务（SaaS），指服务商运行在云基础设施上的应用程序，可以在各种客户端上通过瘦客户端界面访问，比如浏览器；（2）平台即服务（PaaS），指客户利用供应商提供的开发语言和工具建立的应用程序部署到云计算基础设施上去；（3）基础设施即服务（IaaS），是指通过出租处理能力、存储和其它的计算资源，用户可以按此部署来运行任意软件。
2、电力调度系统的云逻辑组成
由于电力系统调度的数据需求量非常大，其运算分析的时效性直接关系到调度决策的准确性与实时性。在电网调度的运算分析过程中，应用云计算技术把分布在电力网络中不同空间中的分散数据信息资源与现有电力自动化基础设施整合在一起，构筑具有实时性高、可靠性强、准确度大的电网调度云计算平台，可通过负荷动态平衡分析和调度资源的统一调配，形成功能强大的数据分析与处理模型，以支撑电网调度自动化系统高效稳定运行。智能电网调度系统云计算平台逻辑组成如图1所示。
从图1可知，虚线圈定的云计算平台部分包含了分布式数据服务总线这一核心组件以及分布式海量数据存储系统、集成计算引擎和动态负载均衡及资源调配系统等功能组件。
图1 智能电网调度系统云计算平台逻辑组成
3、电力调度信息平台的技术实现
根据上述对电网调度信息平台的特征及其与云计算结合的可行性，以下给出电力系统调度信息平台的技术实现架构。
借助Hadoop实现资源的虚拟化，用分布式冗余存储系统及基于列存储的HBase来存储和管理数据，保证电力调度信息平台海量数据的可靠性和高效管理。另外，基于MapReduce的数据并行处理可以提供高性能的并行计算能力及通用的并行算法开发环境，如图2所示。
图2 基于Hadoop和HBase电力调度信息平台实现
具体实现细节如下。
（1）统一的数据展现
通过数据中心应用系统，实现以集成各业务关键指标而成为调度决策支持核心的指挥功能；以横向协同生产、经营、财务、人资关键业务指标而成为调度部门业务交互中心的分析核心；以集成本部门主要生产经营指标而成为部门辅助决策入口的管理桌面功能。整个分析平台，各级应用的纵向层次分明，不同业务指标间的横向关联分析紧密。
（2）统一的数据共享
使用数据中心的统一平台将各部门的主要指标和明细数据进行集中的存储、展现和共享，打破了原来存在于各独立业务系统之间的壁垒，不仅实现了各部门之间指标和明细数据的快速共享，同时减少了以往数据共享实现中业务系统间需要两两开发接口的庞大工作量。这样一方面提高了管理层发现问题并进行决策的反应速度，为电力企业发展和生存赢得了宝贵的时间，同时还有效降低了这一决策过程的成本。
（3）统一的数据质量平台
调度业务部门可以监控本部门各业务系统中的数据产生的频率、规模以及趋势。并将发现的问题数据导出，形成报告，提交给相关部门或业务系统开发厂家进行数据或业务流程的改进，从而促进企业形成一个数据质量不断提高的良性循环。
（4）统一建模与编码体系、统一数据存储平台
在统一的信息标准体系基础上构建集中式的统一数据存储平台，不仅使数据中心当前的主要应用、数据共享和展现更加系统化，还使得将来在数据中心开展进一步的预测分析及管理应用成为可能。统一的标准和存储便于业务分析人员对数据进行集中的、全方位的分析，从而发现以往业务系统内或业务系统间无法发现的潜在的规律，这种规律会用于预测生产企业的生产经营过程。
结论
将云模型引入到电力系统中，必将对电网的信息交互、计算模式和资源管理产生巨大的影响。电力系统“私有云”能够最大限度地整合系统的计算和存储能力，减少电网的重复投资，大幅提高当前系统的整体性能。通过构建基于云计算的智能电网调度系统可以有效解决电网调度中海量信息的综合处理效率。
（作者单位：北京洛斯达科技发展有限公司）
作者简介
篇6：一种新型布料器的控制模型初探
关键词：COREX；布料器；旋转控制
概述
COREX是一种现代化的，自动化程度较高的环保性炼铁新工艺，它与传统的炼铁工艺—高炉不一样，传统的高炉是将铁矿石、烧结矿、焦炭、分批分层加入到一个炉子内，而COREX是将传统的高炉分成了两个炉子，分上下分布。上面的为还原竖炉，主要加入球团、块矿、熔剂辅料（石灰石、白云石）；下面的为气化炉，主要加入块煤、焦炭、硅石辅料。两个炉子之间连接有煤气管道以及下料管，气化炉内产生的煤气通过煤气管道进入竖炉内，与铁矿石发生还原反应，反应后的物料通过下降管进入到气化炉内，最后经过进一步的还原、熔化产生最终合格的铁水。
但对于COREX来说，有一点与高炉一样的在于在加料时必须进行合理的布料，否则会导致炉况的恶化，铁水质量的下降及成本的提高。该套布料系统虽然控制简单，但设备较复杂，设备稳定性不足，检修难度及成本较高。
从机械原理的角度来分析，该布料器相比于高炉的无料钟溜槽传动系统，省去了复杂的星形传动系统，相对比较简单，但是从控制或是软件的角度来看，如何将两点的运动转化为布料器按照一定的倾角进行旋转，COREX布料器提出了更高的要求。
3.数学模型的动态模拟与转化
上述模型只是理论计算所得出的结果，如何验证其真实可靠性，通常情况下，比例模型试验是相对可靠的方法，但是由于其复杂性，运用计算机软件进行动态模拟，日益成为最行之有效而可靠的方法，这里我们采用UG NX5.0作为上述模型动态模拟的首选软件。
具体过程这里不过多描述，此次动态模拟是基于旋转角α为29o，我们在布料器溜槽出口中心添加追踪点，得到其轨迹与设计值完全吻合，这证明了上述数学模型是正确可靠的。
要想得出液压连杆的运动轨迹，与上述数学模型的证明方法一样，我们仍然采用UG NX5.0进行动态模拟，在两组液压连杆上附加追踪点，然后得出其轨迹，具体过程这里不再在赘述。
将上述轨迹描绘成曲线，控制两组液压连杆按照对应的曲线进行动作，布料器即可实现倾斜角度为20度的旋转。而对于其他任意倾斜角度，都可用同樣的方式得出。
4.结语
4.1通过理论计算以及软件动态模拟，我们得出了布料器旋转的初步模型，从而进一步模拟得到了特定角度下布料器液压连杆的运动轨迹。
4.2在软件动态模拟中，我们发现布料器的倾斜角度受液压连杆及布料器溜槽本身尺寸的限制，存在一个最大的倾斜角度，随着上述尺寸的变化而不同，一旦大于该角度，软件将无法模拟或出现出错报警。所以在实际应用中，设计人员要根据实际所需要的最大倾斜角度进行布料器溜槽及液压连杆的匹配设计，而通过软件进行模拟验证来得出极限角度，仍然是首选方法。
4.3由于每组倾斜角度所对应的液压连杆的运动轨迹都不一样，并无固定的数学模型，所以只有罗列出所有所需倾斜角度所对应的连杆运动轨迹数据，才能真正实现布料器的有效控制。
参考文献：
[1]程云鹏，张凯院，徐仲.矩阵论.西北工业大学出版社.2006：201-206
[2]胡茂林.空间和变换.科学出版社.2007：156-159
