CN110377957B - 一种鲸鱼搜索策略灰狼算法的桥式吊车神经网络建模方法 - Google Patents
一种鲸鱼搜索策略灰狼算法的桥式吊车神经网络建模方法 Download PDFInfo
- Publication number
- CN110377957B CN110377957B CN201910539255.8A CN201910539255A CN110377957B CN 110377957 B CN110377957 B CN 110377957B CN 201910539255 A CN201910539255 A CN 201910539255A CN 110377957 B CN110377957 B CN 110377957B
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- bridge crane
- individual
- wolf
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Feedback Control In General (AREA)
- Control And Safety Of Cranes (AREA)
Abstract
本发明公开了一种鲸鱼搜索策略灰狼算法的桥式吊车神经网络建模方法,属于智能建模领域。桥式吊车系统是一类典型的非线性欠驱动系统,建立高精度的桥式吊车模型是对其实现有效控制的基础。利用鲸鱼搜索策略灰狼算法对桥式吊车神经网络模型的径向基函数中心和方差进行寻优,获得相应的RBF神经网络模型。本发明的建模方法,在桥式吊车的神经网络建模实验中取得了理想的效果,也可以适用于其它复杂系统的建模。
Description
技术领域
本发明涉及一种鲸鱼搜索策略灰狼算法的桥式吊车神经网络建模方法。
背景技术
桥式吊车可以看成大型工业机器人,已经被广泛应用于完成各种场合的运输任务,为此,通常期望达到以下两点目标:首先,桥式吊车的小车需要快速准确地到达所需的位置以实现高效的运输;其次,负载的摆动应尽可能的小,防止发生意外事故。为了对桥式吊车进行有效控制,需要建立高精度的桥式吊车系统模型。
传统的机理建模方法难以满足高精度建模的需要,因此人工神经网络受到人们的关注,其中径向基函数(RBF)神经网络是一种具有三层结构的前向神经网络,具有良好的全局逼近能力。但是RBF神经网络的径向基函数中心和方差不易确定,为了获得高精度的神经网络模型,需要对RBF神经网络的径向基函数中心和方差进行优化。
灰狼优化算法(灰狼算法)是一类新型元启发式智能算法,属于群智能算法,它模拟了自然界灰狼种群的捕食行为以及灰狼种群内部的层次结构和捕猎机制,具有参数少、收敛性好等显著特点,但也存在局部搜索能力差、易早熟收敛等不足之处。
发明内容
本发明的目的是针对桥式吊车机理建模的不足和标准灰狼算法的缺点,提出了一种鲸鱼搜索策略灰狼算法的桥式吊车神经网络建模方法,从而得到了高精度的桥式吊车RBF神经网络模型。
本发明所采用的具体技术方案如下:
一种鲸鱼搜索策略灰狼算法的桥式吊车神经网络建模方法,其包括如下步骤:
步骤1:通过现场测试或实验获得二维桥式吊车系统水平方向控制输入和输出采样数据,其中输入采样数据为控制力Fx,输出采样数据为水平方向的位置x和摆角θ;
步骤2:建立桥式吊车RBF神经网络模型,采用三层网络结构,即输入层、隐含层、输出层;输入层的输入数据为当前采样时刻的控制力和当前采样时刻之前n个时刻内水平方向的位置数据和前m个时刻内的摆角数据;输出层的输出数据为模型预测的当前采样时刻桥式吊车水平方向位置和摆角;输入层与隐层之间采用高斯核函数描述非线性映射关系,隐层与输出层之间采用线性加权求和,权值由递推最小二乘法确定;
步骤3:将采样数据分为两个部分,其中一部分数据作为训练样本,另一部分作为测试样本,并将数据输入到步骤2建立的RBF神经网络模型;对训练样本和测试样本的选择方法如下:
步骤4:设置RBF神经网络模型中的隐层节点数;
步骤5:将鲸鱼搜索策略灰狼算法用于RBF神经网络的径向基函数中心与方差进行寻优,适应度函数为RBF神经网络模型的输出值和与步骤1中实际采样数据之间的均方误差,由此获得RBF神经网络径向基函数中心和方差的最优解;
步骤6:以步骤5所获得的最优解作为RBF神经网络模型的径向基函数中心,并利用测试样本检验神经网络模型。
基于上述方案,各步骤还可采用如下具体方式实现。
所述步骤2的桥式吊车RBF神经网络模型中,输入层、隐含层、输出层的具体设定如下:
设Fx(t)为t采样时刻控制力采样数据,x(t),θ(t)分别为t时刻的桥式吊车水平方向的位置和摆角数据,则输入向量X为:
[Fx(t),x(t-1),x(t-2),...,x(t-n),θ(t-1),θ(t-2),...,θ(t-m)]
其中,H为隐层节点数,||·||表示欧几里得泛数,w1(i)和w2(i)为神经网络隐层第i个节点输出权值,神经网络权向量w1、w2由递推最小二乘法确定,ci为第i个隐层节点中心;径向基函数φ(·)采用高斯核函数,表示为:
其中,r为函数变量,σ为方差。
所述的步骤5获得RBF神经网络径向基函数中心和方差的具体步骤为:
步骤5.1:设定鲸鱼搜索策略灰狼算法的参数,包括:种群规模大小S、输入数据参数个数N、收敛因子a的最大值am、选择概率pm,最大迭代次数G。
步骤5.2:随机生成包含S个个体的种群,将径向基函数中心与方差映射为每个个体所包含的变量,每个个体的维数为H×(N+1),其代表的具体参数如下:
式中,A(k)为种群的第k个个体,ci,j为第i个隐层节点中心的第j个参数,σi为第i个隐层节点的方差;
步骤5.3:将种群中每个个体逆映射为RBF神经网络模型的径向基函数中心与方差,采用递推最小二乘法计算RBF神经网络输出节点权值向量,将不同时刻桥式吊车神经网络模型的输出值和分别与桥式吊车实际输出x和θ的采样数据间的均方误差,作为鲸鱼搜索策略灰狼算法的RBF神经网络模型参数寻优的适应度函数f,具体表达式为:
步骤5.4:计算所有个体的适应度值,选择适应度最小的前三个个体依次记为Xα、Xβ、Xδ;
步骤5.5:对每个灰狼个体,分别求其到Xα、Xβ、Xδ的距离Dα、Dβ、Dδ,并以此得到该个体可能更新的位置X1、X2、X3,求距离和更新位置的方式由随机值p∈[0,1]决定为灰狼搜索方式还是鲸鱼搜索方式,具体操作步骤为:
c)若p≥pm,该个体进行灰狼搜索操作,操作步骤为:
3)用灰狼搜索方式计算该个体的位置X到头狼位置Xl的距离Dl,l=α,β,δ,具体计算公式为:
Dl=|C·Xl-X|
4)根据Dl计算该个体可能更新的位置Xk,k=1,2,3分别对应于l=α,β,δ,具体计算公式为:
Xk=Xl-A·Dl
其中,A和C由下式计算得到:
A=2a·r1-a
C=2·r2
式中,a随着迭代的进行从am线性衰减到0,r1、r2为[0,1]中的随机值;
d)若p<pm,该个体进行鲸鱼搜索操作,操作步骤为:
3)用鲸鱼搜索方式计算该个体的位置X到头狼位置Xl的距离Dl *,l=α,β,δ,具体计算公式为:
Dl *=|Xl-X|
4)根据Dl *计算该个体可能更新的位置Xk,k=1,2,3分别对应于l=α,β,δ,具体计算公式为:
Xk=Dl *·ebl·cos(2πl)+X
式中,b为常数,l为[-1,1]中的随机值;
步骤5.6:对每个灰狼个体,实行精英保留策略,得到该个体下一代的位置X(t+1);
步骤5.7:若当前迭代满足终止规则,则获得RBF神经网络径向基函数中心与方差,否则,返回步骤5.4。
所述步骤5.6中,所述的精英保留策略具体为:
计算X1、X2、X3的适应度值,选择其中适应度值最小的作为该个体下一代的位置:
所述步骤5.7中,终止规则为迭代次数达到最大迭代次数G。
本发明受鲸鱼搜索行为启发,提出了一种鲸鱼搜索策略灰狼算法,并用于桥式吊车神经网络建模,取得了较理想的效果,适用于其他复杂非线性系统的建模。通过该方法建立的桥式吊车神经网络模型,可以在桥式吊车运输货物的过程中对其水平方向位置和负载的摆角进行精确预测,从而保证桥式吊车的高效、安全运行。
附图说明
图1为二维桥式吊车示意图;
图2为二维桥式吊车神经网络模型示意图;
图3为鲸鱼搜索策略灰狼算法流程图;
图4为桥式吊车RBF神经网络模型预测位置输出与吊车实际位置输出比较图;
图5为桥式吊车RBF神经网络模型预测摆角输出与吊车实际摆角输出比较图;
图6为桥式吊车RBF神经网络模型位置输出误差图;
图7为桥式吊车RBF神经网络模型摆角输出误差图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下,均可进行相应组合。
将鲸鱼搜索策略灰狼算法应用于桥式吊车神经网络建模中,具体实施步骤如下:
步骤1:通过某三维桥式吊车实验平台(简化为在x方向上、开环状态下的二维桥式吊车系统,如图1所示)获得二维桥式吊车系统水平方向控制输入和输出采样数据,其中输入采样数据为控制力Fx,输出采样数据为水平方向上位置x和摆角θ。桥式吊车的参数设置为台车质量M=6.5kg,m1=2kg,二级摆质量m2=0.559kg,吊绳长度l=0.75m重力加速度取g=9.8m/s2,采样时间Ts=5ms。
步骤2:建立桥式吊车RBF神经网络模型,模型采用三层结构,即输入层、隐含层、输出层,示意图见图2。输入层的输入数据为当前采样时刻的控制力和当前采样时刻之前n=3个时刻内水平方向的位置数据和前m=3个时刻内的摆角数据;输出层的输出数据为模型预测的当前采样时刻桥式吊车水平方向位置和摆角;输入层与隐层之间采用高斯核函数描述非线性映射关系,隐层与输出层之间采用线性加权求和,权值由递推最小二乘法确定。
本实施例中,设定t为采样时刻,Fx(t)为t时刻控制力采样数据,x(t),θ(t)分别为t时刻的桥式吊车水平方向的位置和摆角数据,则RBF神经网络模型输入变量个数Nin=7,输入向量X为:[Fx(t),x(t-1),x(t-2),x(t-3),θ(t-1),θ(t-2),θ(t-3)]。输出变量个数Nout=2,输出向量为:其中为模型预测的t时刻桥式吊车水平方向的位置,为模型预测的t时刻的摆角。从输入层到输出层的映射可用以下函数表示:
其中,H为隐层节点数,||·||表示欧几里得泛数,w1(i)和w2(i)为神经网络隐层第i个节点输出权值,神经网络权向量w1、w2由递推最小二乘法确定,ci为第i个隐层节点中心;径向基函数φ(·)采用高斯核函数,表示为:
其中,r为函数变量,σ为方差。
步骤3:将样本数据分为两个部分,其中一部分数据作为训练样本,另一部分作为测试样本,并将数据输入到步骤2建立的RBF神经网络模型。其中对训练样本和测试样本的选择方法如下:
步骤4:设置RBF神经网络模型中的隐层节点数H=30;
步骤5:将鲸鱼搜索策略灰狼算法(见流程图图3)用于RBF神经网络的径向基函数中心与方差进行寻优,适应度函数为RBF神经网络模型的输出值和与步骤1中实际采样数据之间的均方误差,由此获得RBF神经网络径向基函数中心和方差的最优解。本步骤中获得RBF神经网络径向基函数中心和方差的具体步骤如下:
步骤5.1:设定鲸鱼搜索策略灰狼算法的参数,包括:种群大小S=30、输入数据参数个数N=7、收敛因子a的最大值am=2、选择概率pm=0.5,最大迭代次数G=50。
步骤5.2:随机生成包含S个个体的种群,将径向基函数中心与方差映射为每个个体所包含的变量,故每个个体的维数为H×(N+1),其代表的具体参数如下:
式中,A(k)为种群的第k个个体,ci,j为第i个隐层节点中心的第j个参数,σi为第i个隐层节点的方差。
步骤5.3:将种群中每个个体逆映射为RBF神经网络模型的径向基函数中心与方差,采用递推最小二乘法计算RBF神经网络输出节点权值向量,将不同时刻桥式吊车神经网络模型的输出值和分别与桥式吊车实际输出x和θ的采样数据间的均方误差,作为鲸鱼搜索策略灰狼算法的RBF神经网络模型参数寻优的适应度函数f,具体表达式为:
步骤5.4:计算所有个体的适应度值,选择适应度最小的前三个个体依次记为Xα、Xβ、Xδ;
步骤5.5:对每个灰狼个体,分别求其到Xα、Xβ、Xδ的距离Dα、Dβ、Dδ,并以此得到该个体可能更新的位置X1、X2、X3,求距离和更新位置的方式由随机值p∈[0,1]决定为灰狼搜索方式还是鲸鱼搜索方式,具体操作步骤为:
e)若p≥pm,该个体进行灰狼搜索操作,操作步骤为:
5)用灰狼搜索方式计算该个体的位置X到头狼位置Xl的距离Dl,l=α,β,δ,具体计算公式为:
Dl=|C·Xl-X|
6)根据Dl计算该个体可能更新的位置Xk,k=1,2,3分别对应于l=α,β,δ(例如l=β时k=2,其余类同),具体计算公式为:
Xk=Xl-A·Dl
其中,A和C由下式计算得到:
A=2a·r1-a
C=2·r2
式中,a随着迭代的进行从am线性衰减到0,r1、r2为[0,1]中的随机值;
f)若p<pm,该个体进行鲸鱼搜索操作,操作步骤为:
5)用鲸鱼搜索方式计算该个体的位置X到头狼位置Xl的距离Dl *,l=α,β,δ,具体计算公式为:
Dl *=|Xl-X|
6)根据Dl *计算该个体可能更新的位置Xk,k=1,2,3分别对应于l=α,β,δ(例如l=β时k=2,其余类同),具体计算公式为:
Xk=Dl *·ebl·cos(2πl)+X
式中,b为常数,l为[-1,1]中的随机值;
步骤5.6:对每个灰狼个体,实行精英保留策略,得到该个体下一代的位置X(t+1)。精英保留策略具体为:
计算X1、X2、X3的适应度值,选择其中适应度值最小的作为该个体下一代的位置:
步骤5.7:若当前迭代满足终止规则,即迭代次数达到最大迭代次数G时,则获得RBF神经网络径向基函数中心与方差,否则,返回步骤5.4。
步骤6:以步骤5所获得的最优解作为RBF神经网络模型的径向基函数中心,并利用测试样本检验神经网络模型,输出相应的训练误差曲线和拟合曲线,具体见图4、图5、图6、图7。
根据程序运行结果图6和图7可以看出,桥式吊车神经网络模型输出几乎分布在实际测量值所在的曲线上,两者基本重合。从图4和图5可以看出,模型输出与实际输出误差很小,故结果表明,本发明提出的鲸鱼搜索策略灰狼算法的桥式吊车神经网络建模方法具有误差小、精度高等优点,适用于非线性系统建模。
基于该方法建立的RBF神经网络模型,可以在桥式吊车运输货物的过程中,根据当前时刻输入的控制力大小预测其水平方向位置和负载的摆角,从而保证桥式吊车的高效、安全运行。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (5)
1.一种鲸鱼搜索策略灰狼算法的桥式吊车神经网络建模方法,其特征在于,包括如下步骤:
步骤1:通过现场测试或实验获得二维桥式吊车系统水平方向控制输入和输出采样数据,其中输入采样数据为控制力Fx,输出采样数据为水平方向的位置x和摆角θ;
步骤2:建立桥式吊车RBF神经网络模型,采用三层网络结构,即输入层、隐含层、输出层;输入层的输入数据为当前采样时刻的控制力和当前采样时刻之前n个时刻内水平方向的位置数据和前m个时刻内的摆角数据;输出层的输出数据为模型预测的当前采样时刻桥式吊车水平方向位置和摆角;输入层与隐层之间采用高斯核函数描述非线性映射关系,隐层与输出层之间采用线性加权求和,权值由递推最小二乘法确定;
步骤3:将采样数据分为两个部分,其中一部分数据作为训练样本,另一部分作为测试样本,并将数据输入到步骤2建立的RBF神经网络模型;对训练样本和测试样本的选择方法如下:
步骤4:设置RBF神经网络模型中的隐层节点数;
步骤5:将鲸鱼搜索策略灰狼算法用于RBF神经网络的径向基函数中心与方差进行寻优,适应度函数为RBF神经网络模型的输出值和与步骤1中实际采样数据之间的均方误差,由此获得RBF神经网络径向基函数中心和方差的最优解;
步骤6:以步骤5所获得的最优解作为RBF神经网络模型的径向基函数中心,并利用测试样本检验神经网络模型。
2.根据权利要求1所述的鲸鱼搜索策略灰狼算法的桥式吊车神经网络建模方法,其特征在于所述步骤2的桥式吊车RBF神经网络模型中,输入层、隐含层、输出层的具体设定如下:
设Fx(t)为t采样时刻控制力采样数据,x(t),θ(t)分别为t时刻的桥式吊车水平方向的位置和摆角数据,则输入向量X为:
[Fx(t),x(t-1),x(t-2),...,x(t-n),θ(t-1),θ(t-2),...,θ(t-m)]
其中,H为隐层节点数,||·||表示欧几里得泛数,w1(i)和w2(i)为神经网络隐层第i个节点输出权值,神经网络权向量w1、w2由递推最小二乘法确定,ci为第i个隐层节点中心;径向基函数φ(·)采用高斯核函数,表示为:
其中,r为函数变量,σ为方差。
3.根据权利要求1所述的鲸鱼搜索策略灰狼算法的桥式吊车神经网络建模方法,其特征在于所述的步骤5获得RBF神经网络径向基函数中心和方差的具体步骤为:
步骤5.1:设定鲸鱼搜索策略灰狼算法的参数,包括:种群规模大小S、输入数据参数个数N、收敛因子a的最大值am、选择概率pm,最大迭代次数G;
步骤5.2:随机生成包含S个个体的种群,将径向基函数中心与方差映射为每个个体所包含的变量,每个个体的维数为H×(N+1),其代表的具体参数如下:
式中,A(k)为种群的第k个个体,ci,j为第i个隐层节点中心的第j个参数,σi为第i个隐层节点的方差;
步骤5.3:将种群中每个个体逆映射为RBF神经网络模型的径向基函数中心与方差,采用递推最小二乘法计算RBF神经网络输出节点权值向量,将不同时刻桥式吊车神经网络模型的输出值和分别与桥式吊车实际输出x和θ的采样数据间的均方误差,作为鲸鱼搜索策略灰狼算法的RBF神经网络模型参数寻优的适应度函数f,具体表达式为:
步骤5.4:计算所有个体的适应度值,选择适应度最小的前三个个体依次记为Xα、Xβ、Xδ;
步骤5.5:对每个灰狼个体,分别求其到Xα、Xβ、Xδ的距离Dα、Dβ、Dδ,并以此得到该个体可能更新的位置X1、X2、X3,求距离和更新位置的方式由随机值p∈[0,1]决定为灰狼搜索方式还是鲸鱼搜索方式,具体操作步骤为:
a)若p≥pm,该个体进行灰狼搜索操作,操作步骤为:
1)用灰狼搜索方式计算该个体的位置X到头狼位置Xl的距离Dl,l=α,β,δ,具体计算公式为:
Dl=|C·Xl-X|
2)根据Dl计算该个体可能更新的位置Xk,k=1,2,3分别对应于l=α,β,δ,具体计算公式为:
Xk=Xl-A·Dl
其中,A和C由下式计算得到:
A=2a·r1-a
C=2·r2
式中,a随着迭代的进行从am线性衰减到0,r1、r2为[0,1]中的随机值;
b)若p<pm,该个体进行鲸鱼搜索操作,操作步骤为:
1)用鲸鱼搜索方式计算该个体的位置X到头狼位置Xl的距离Dl *,l=α,β,δ,具体计算公式为:
Dl *=|Xl-X|
2)根据Dl *计算该个体可能更新的位置Xk,k=1,2,3分别对应于l=α,β,δ,具体计算公式为:
Xk=Dl *·ebl·cos(2πl)+X
式中,b为常数,l为[-1,1]中的随机值;
步骤5.6:对每个灰狼个体,实行精英保留策略,得到该个体下一代的位置X(t+1);
步骤5.7:若当前迭代满足终止规则,则获得RBF神经网络径向基函数中心与方差,否则,返回步骤5.4。
5.根据权利要求3所述的鲸鱼搜索策略灰狼算法的桥式吊车神经网络建模方法,其特征在于所述步骤5.7中,终止规则为迭代次数达到最大迭代次数G。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910539255.8A CN110377957B (zh) | 2019-06-20 | 2019-06-20 | 一种鲸鱼搜索策略灰狼算法的桥式吊车神经网络建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910539255.8A CN110377957B (zh) | 2019-06-20 | 2019-06-20 | 一种鲸鱼搜索策略灰狼算法的桥式吊车神经网络建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110377957A CN110377957A (zh) | 2019-10-25 |
CN110377957B true CN110377957B (zh) | 2020-10-20 |
Family
ID=68249133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910539255.8A Active CN110377957B (zh) | 2019-06-20 | 2019-06-20 | 一种鲸鱼搜索策略灰狼算法的桥式吊车神经网络建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110377957B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409206A (zh) * | 2021-06-11 | 2021-09-17 | 西安工程大学 | 一种高精度的数码印花颜色空间转换方法 |
CN114895206B (zh) * | 2022-04-26 | 2023-04-28 | 合肥工业大学 | 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015175702A (ja) * | 2014-03-14 | 2015-10-05 | 株式会社東芝 | ミッション支援装置およびプログラム |
CN105260556A (zh) * | 2015-10-28 | 2016-01-20 | 浙江大学 | 发夹变异操作rna遗传算法的桥式吊车建模方法 |
CN105302966A (zh) * | 2015-11-02 | 2016-02-03 | 浙江大学 | 发夹变异操作rna遗传算法的桥式吊车神经网络建模方法 |
CN108205698A (zh) * | 2017-06-15 | 2018-06-26 | 广东工业大学 | 一种基于正余混沌双弦鲸鱼优化算法的云资源负载预测方法 |
-
2019
- 2019-06-20 CN CN201910539255.8A patent/CN110377957B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015175702A (ja) * | 2014-03-14 | 2015-10-05 | 株式会社東芝 | ミッション支援装置およびプログラム |
CN105260556A (zh) * | 2015-10-28 | 2016-01-20 | 浙江大学 | 发夹变异操作rna遗传算法的桥式吊车建模方法 |
CN105302966A (zh) * | 2015-11-02 | 2016-02-03 | 浙江大学 | 发夹变异操作rna遗传算法的桥式吊车神经网络建模方法 |
CN108205698A (zh) * | 2017-06-15 | 2018-06-26 | 广东工业大学 | 一种基于正余混沌双弦鲸鱼优化算法的云资源负载预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110377957A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657868B (zh) | 一种任务时序逻辑约束的概率规划识别方法 | |
CN110377957B (zh) | 一种鲸鱼搜索策略灰狼算法的桥式吊车神经网络建模方法 | |
Hou et al. | Knowledge-driven deep deterministic policy gradient for robotic multiple peg-in-hole assembly tasks | |
He et al. | Integrated moment-based LGMD and deep reinforcement learning for UAV obstacle avoidance | |
Nicola et al. | A LSTM neural network applied to mobile robots path planning | |
Gao et al. | Adaptive integral backstepping control for a 3-DOF helicopter | |
CN108955689A (zh) | 基于自适应细菌觅食优化算法的rbpf-slam方法 | |
Velagic et al. | Identification and control of 2DOF nonlinear helicopter model using intelligent methods | |
CN105976029B (zh) | 一种布谷鸟行为rna-ga的桥式吊车神经网络建模方法 | |
Wang et al. | A collision avoidance method for intelligent ship based on the improved bacterial foraging optimization algorithm | |
CN114638358A (zh) | 消光系数转颗粒物浓度方法、设备以及计算机存储介质 | |
Aissa et al. | Neural Networks Trained with Levenberg-Marquardt-Iterated Extended Kalman Filter for Mobile Robot Trajectory Tracking. | |
Abiyev | Fuzzy wavelet neural network for prediction of electricity consumption | |
Jacinto et al. | Navigation of autonomous vehicles using reinforcement learning with generalized advantage estimation | |
Chen et al. | Adaptive fuzzy PD+ control for attitude maneuver of rigid spacecraft | |
CN105260556B (zh) | 发夹变异操作rna遗传算法的桥式吊车建模方法 | |
Guo et al. | Learning pushing skills using object detection and deep reinforcement learning | |
Al-Mahasneh et al. | Evolving general regression neural networks for learning from noisy datasets | |
Fu et al. | Adaptive dynamic programming with balanced weights seeking strategy | |
CN109598345B (zh) | 具有对象年龄特征膜计算的桥式吊车神经网络建模方法 | |
Yu et al. | Robot hand-eye cooperation based on improved inverse reinforcement learning | |
Li et al. | Covid-19 Epidemic Trend Prediction Based on CNN-StackBiLSTM | |
Renzaglia et al. | Multi-robot 3d coverage of unknown terrains | |
Kumar et al. | Longitudinal aerodynamic parameters estimation using machine learning with neuro artificial bee colony fusion algorithm (NABC) | |
Li et al. | Learning a skill-sequence-dependent policy for long-horizon manipulation tasks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |