基于定向移动的水下传感器网络覆盖算法

覆盖率是衡量无线传感器网络服务质量的重要指标。为提高网络覆盖率,针对水下三维传感器网络模型,提出一种基于定向移动的虚拟力算法。将虚拟力简化为节点只受邻居节点的斥力作用,定义当2个邻居节点的感知圆球相切时,其位置为相对理想位置。节点所受虚拟力大小与节点移动到相对该邻居的理想位置所需移动的距离成正比,而节点移动的距离与节点所受到的虚拟力的合力相关。实验结果表明,该算法能有效地对水下传感器网络的布局进行优化,提高网络覆盖率。     

异构无线传感器网络覆盖优化算法

针对异构传感网络节点在初始随机部署时产生覆盖盲区的问题,受简单随机抽样理论和最优化算法的启发,该文提出一种适用于感知半径异构的无线传感网覆盖优化算法。该算法以提高网络覆盖率和节点移动距离最小为优化目标,根据采样直线与平面感知圆的交点坐标之间的关系,建立了二次优化的数学模型。当平面中的多条采样直线段达到最优覆盖时,该文算法可以使平面的覆盖得到优化。实验证明,该算法能够有效提高异构网的覆盖率。     

分布式智能组卷系统的设计与实现

针对理工科试题与答案通常都含有公式、图形的特点,设计并实现了一个适用于理工科的试题库与组卷系统,采用嵌入ActiveX控件来操作Word文档的方式,支持的试题类型多样,并可以按关键字查询Word试题内容。多个用户可以在不同的地点同时录入试题,生成的试卷直接以Word文档的形式下载到本地,并具有在线考试功能。系统采用分布式三层架构,系统安全性高,可扩展性强。     

实用下料问题的自适应算法

在不考虑材料厚度、切割方向和原材料材质的假设下,针对单一原材料的一维和二维下料问题建立了整线性规划模型。在模型求解过程中,提出了模板思想及一系列相关概念,借用自动控制原理中的优先级排序思想和自适应理论,不断更新模板,在满足要求时间内完成生产任务并且充分地利用材料的前提下获得较优的解。     

基于目标权重和信息增量的传感器管理方法

信息增量最大化只是传感器资源分配的必要条件而并非充分条件,为了同时满足传感器资源分配的充分条件,本文提出了一种基于目标权重和信息增量相结合的方法.该方法在利用交互式多模型(IMM)获取信息增量的基础上,结合由部分排序集合(POSET)方法而得出的目标所需的检测、跟踪和分类等任务的优先级别来对传感器资源进行分配.仿真结果表明,与仅考虑信息增量最大化的方法相比,该方法不仅行之有效而且更能合理地分配有限的传感器资源.     

基于模式转换自适应零点形成的研究

利用模式空间变换算法将均匀圆阵转换为均匀线阵,在虚拟线阵的阵列流形中,比较了Gram-Schmidt正交化算法、自适应旁瓣对消和SMI算法这三种算法形成的方向图。G-S正交化算法可以在干扰方向准确地形成零点,但是没有很深的零陷深度;SMI算法的计算量比较大,因此在零点方向上有稍微的误差,但经过旁瓣对消的虚拟线阵的方向图有很深的零点深度。仿真结果表明,经过旁瓣对消的方向图主瓣增益损失较少,副瓣高度降低,主瓣比副瓣高大约10 dB~12 dB。     

基于RIMMKF的一种传感器管理算法

以重加权交互式多模型卡尔曼滤波(RIMMKF)为基础,提出了一种传感器管理算法.首先利用RIMM对联合多目标概率的量测更新和马尔可夫转移更新求取分辨力也即信息增量,然后利用信息增量最大化来分配传感器资源.所采用的模型弥补了交互式多模型(IMM)的不足.仿真结果表明,在机动多模型环境下,与IMMKF分辨力方法相比,本文所提算法行之有效且能使传感器资源得到有效地分配.     

高校创新实验的模式研究与实践探索

基于对创新实验现状和存在问题的分析,从课程体系,导师,学生三方面入手,通过改变教学计划,建立导师制度,依靠学生社团,组织学校内部的电子竞赛等多方面来激发学生和教师参与创新实验项目的兴趣。实践证明,这些措施有益于教师、学生参与创新实验热情的激发,有益于创新实验的开展和运行机制的形成。     

双轴太阳能跟踪器的设计与实现

文中介绍了一种智能型双轴全自动太阳能跟踪器的原理及结构。该仪器采用单片机作为系统的控制核心,通过检测不同情况下硅光电池的输出电压组合来计算太阳方位,输出PWM波驱动步进电机控制机械装置。系统同时增加了断电数据保护及大风、阴天的检测功能,进一步提升了稳定性、可靠性及实用性。     

基于改进鲸鱼算法的无人机三维路径规划

无人机三维路径规划是一个比较复杂的全局优化问题,其目标是在考虑威胁和约束的条件下,获得最优或接近最优的飞行路径.针对鲸鱼算法在进行无人机三维航迹规划时,存在容易陷入局部最优、收敛速度较慢、收敛精度不够高等问题,提出了一种基于莱维飞行(Lévy flight)的鲸鱼优化算法(Levy Flight Based on Whale Optimization Algorithm,LWOA),用于解决无人机三维路径规划问题.该算法在迭代过程中加入了Levy飞行对最优解进行随机扰动;引入了信息交流机制,通过当前全局最优解和个体记忆最优解以及邻域最优解来更新个体的位置,能够更好地权衡局部收敛和全局开发.仿真结果表明,所提路径规划算法可以有效避开威胁区,收敛速度更快,收敛精度更高,且更不易陷入局部最优解.当迭代次数为300次、种群个数为50时,LWOA算法求得的成本函数值是PSO算法的91.1％,是GWO算法的92.1％,是WOA算法的95.9％,航迹代价更小.