相比于有限元法,等几何法求解偏微分方程能以较少的自由度达到更高的求解精度。而多重网格法在处理大规模方程组求解方面应用广泛。为了满足流体仿真对雷诺方程求解的精度与速度的要求,对将等几何法与多重网格法相结合的方法求解雷诺方程进行了研究。文章首先对雷诺方程进行推导,建立适于等几何法的求解模型;然后研究了节点插入的细分算法,构建基于h细化的各层控制点网格之间与阶次相适应的映射矩阵,提出了基于h细化的等几何多重网格法求解模型并。通过不同计算实例发现等几何多重网格法计算效率明显优于单纯等几何法。

针对智能汽车主动避障路径规划问题,为有效提高路径规划质量、加快算法的收敛速度,提出了一种改进的自适应蚁群智能规划方法。首先,阐释了传统蚁群算法的原理和具体流程,并分析了传统算法存在的缺陷;其次,提出了信息素因子和启发因子的自适应更新算法以扩大算法的搜索范围、提高全局搜索能力,从而避免算法陷于局部最优;再者,设计了信息素挥发率和信息素浓度函数的自适应调节算法以加快算法的粒子进化速度,从而保证了算法的快速收敛。智能汽车避障实验结果表明,与传统蚁群算法相比,这里改进蚁群算法能够有效加快路径规划速度、提升算法的收敛速度并显著缩短规划的路径长度。

针对渐进最优快速扩展随机树(RRT*)应用于机器人路径规划中时存在精度低、环境适应性差等问题,提出一种基于稀疏节点与双向插值的RRT*改进算法。将目标偏向采样和稀疏节点法引入RRT*算法中,通过避免对局部区域过度的搜索,达到提高初始路径搜索效率的目的;借助三角不等原理思想,对初始路径中的冗余节点进行剔除,并基于双向插值方法对路径节点进行优化,以更短的时间获得次优路径。在多种仿真环境中的实验结果表明:相对于RRT*算法、Informed-RRT*算法和Q-RRT*算法,改进算法的初始路径规划效率提高了61%,次优路径规划效率提高了59%,且在多种环境下均具有很强的稳定性。最后,在实际的机器人路径规划实验中对所提算法的有效性进行了进一步验证。

针对轧机液压位置闭环系统存在强耦合、多变量等非线性因素,精确建模困难且不具备自我更新学习等问题,将无模型自适应迭代学习控制(MFAILC)应用于轧机液压位置闭环系统。由于MFAILC算法的误差收敛消耗时间较长,采用高阶伪偏导数估计算法改善系统的收敛速度,同时针对MFAILC算法在控制过程中的抗干扰性较差、容易产生控制偏差的问题,结合内模控制强鲁棒性、结构简单等优点,将其引入MFAILC算法,对算法的控制结构进行改进。仿真实验结果表明:改进后的无模型自适应迭代学习算法的收敛速度、控制精度都得到提高,系统的抗干扰性也能够增强。

全量补偿法的提出为部分输入未知条件下的结构参数识别以及荷载反演提供了一个很好的思路,但由于该算法在进行参数估计时没有考虑已知输入与未知输入的可信度差别,因此参数收敛过程中会产生振荡现象,收敛速度相对较慢.在此基础上,充分利用部分输入可确知而部分输入未知的激励特性,构造了一个基于加权最小二乘准则的改进算法.与原算法相比,改进算法不仅在理论上更加完备,而且其收敛特性也有质的改善.在同等的参数识别精度条件下,其所需的迭代次数仅为原算法的十分之一.

针对轧机液压位置闭环系统存在强耦合、多变量等非线性因素,精确建模困难且不具备自我更新学习等问题,将无模型自适应迭代学习控制(MFAILC)应用于轧机液压位置闭环系统。由于MFAILC算法的误差收敛消耗时间较长,采用高阶伪偏导数估计算法改善系统的收敛速度,同时针对MFAILC算法在控制过程中的抗干扰性较差、容易产生控制偏差的问题,结合内模控制强鲁棒性、结构简单等优点,将其引入MFAILC算法,对算法的控制结构进行改进。仿真实验结果表明:改进后的