CN111460723A - 一种基于粒子群算法的水下航行器内部组件分层布局方法 - Google Patents
一种基于粒子群算法的水下航行器内部组件分层布局方法 Download PDFInfo
- Publication number
- CN111460723A CN111460723A CN202010258274.6A CN202010258274A CN111460723A CN 111460723 A CN111460723 A CN 111460723A CN 202010258274 A CN202010258274 A CN 202010258274A CN 111460723 A CN111460723 A CN 111460723A
- Authority
- CN
- China
- Prior art keywords
- layout
- optimization
- layer
- optimal
- particle swarm
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于粒子群算法的水下航行器内部组件分层布局方法,建立水下航行器的分层布局优化模型,初始化上层优化中大尺寸组件布局,采用粒子群算法进行下层布局优化,确定各个上层粒子对应的大组件布局方案的历史最优方案,以及所有这些历史最优布局方案中的全局最优方案。有益效果:符合工程实际操作需求,且能够降低布局优化设计的复杂度,提高水下航行器布局优化的效率。在下层布局优化中,约束判断时采用小组件的外接球判断各组件是否干涉,可以保证在充分利用舱体空间的同时简化约束判断的复杂度,进一步提高优化效率。
Description
技术领域
本发明属于水下航行器内部组件的布局优化,涉及一种基于粒子群算法的水下航行器内部组件分层布局方法。
背景技术
水下航行器是指能够自主航行进行海洋探测、海上搜救等任务的水下机器人,具有自主性强、机动性高、适应能力强等优点,在海洋资源探测和开发中受到越来越多的重视。作为一个复杂的智能系统,水下航行器需要搭载许多组件(导航系统组件、控制系统组件、动力推进系统组件等),通过合理的组件布局,可以有效减少航行器体积,提高稳定性、平衡性,降低成本,因此本发明具有重要的应用背景。
水下航行器内部组件布局优化技术是指将已知形状的内部组件按照一定的要求(如不干涉,装填紧凑性等)合理放置在航行器的装载空间内,主要包括优化模型建立和算法研究两方面。优化模型建立是指通过选择合适的航行器以及各组件几何模型的建立方法,分析几何模型尺寸,定义布局优化的目标和约束,建立优化的数学模型;算法研究是选择合适的优化算法,并根据航行器内部组件布局特点建立优化框架。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于粒子群算法的水下航行器内部组件分层布局方法,针对一种回转体外形水下航行器的中段壳体内部布局进行优化设计,中段壳体是中空的圆柱形壳体。航行器中段壳体包含电池组件(电池组、供电控制器等)、总体控制组件(控制计算机、数据采集计算机等)、动力控制组件(尾段控制器等)、传感组件(深度传感器等)等各种组件,且各种组件大小不一、质量不等。因此,根据航行器组件的特点,结合粒子群算法,本发明提出一种分层优化框架进行航行器布局优化设计,提高航行器布局设计效率。
技术方案
一种基于粒子群算法的水下航行器内部组件分层布局方法,其特征在于步骤如下:
步骤1、建立水下航行器的分层布局优化模型:通过对航行器内部组件进行分类,根据航行器中段舱体的尺寸和内部各组件的尺寸大小将组件分为大尺寸组件和小尺寸组件两类,然后确定水下航行器布局设计过程中的变量、目标和约束,在此基础上建立水下航行器的分层布局优化模型,上层优化大组件的空间布局,下层优化小组件的布局,分层布局优化问题的数学模型描述如下:
Min L=fu(xu,xl)
xu∈Su,xl∈Sl
s.t.gj(xu,xl)≤0,j=1,...,qu
hk(xu,xl)=0,k=1,...,ru
其中:fu表示上层的优化目标函数,fl表示下层的优化目标函数;xu表示上层大组件布局优化时的设计变量,xl则表示下层小组件布局优化对应的设计变量;Su和Sl分别表示上层和下层优化的变量范围,gj和hk分别表示不等式约束和等式约束,下标j,k分别表示约束的序号,qu和ru分别表示上层优化中不等式约束和等式约束的数量,ql和rl则分别表示下层优化中不等式约束和等式约束的数量;
步骤2、上层优化中大尺寸组件布局:上层大尺寸组件的布局位置是下层小尺寸组件布局优化的前提,需要先确定上层大尺寸组件的位置。采用粒子群算法优化上层大尺寸组件的位置,位置坐标作为设计变量,上层优化目标函数作为粒子群算法的目标函数。粒子群算法优化的第一步是设定一群初始上层粒子,即许多组上层大尺寸组件的初始布局方案,每一个上层粒子位置均代表一种大尺寸组件的空间布局方案。设定粒子群的数量M和速度区间,在速度区间和设计空间内随机初始化每个粒子的速度和位置,分别表示为Vi和Xi,其中i=1,2,….,M,并初始化上层布局优化的迭代次数iter=0,初始化收敛条件满足次数num=0;
根据上层M个粒子的位置,得到M种大组件的空间布局方案;
步骤3、采用粒子群算法进行下层布局优化。根据上层M个粒子的位置,可得到M种大组件的空间布局方案。下层优化将在每一种确定的大组件布局方案下,优化小尺寸组件的布局,使得下层目标函数最优。首先需要根据一种特定的大组件布局方案计算下层优化的可用设计空间,利用粒子群优化算法结合外接球方法在可用设计空间内分别对下层小组件进行最优布局设计。下层优化可细分为以下步骤:
下层优化步骤:
i)建立各个小组件的外接球模型,将小组件的外接球球心坐标作为设计变量;
ii)在下层设计空间内随机初始化粒子群位置,每一个下层粒子的位置代表一种小组件的空间布局方案,并设定粒子群位置的最大更新次数为Max;
iii)根据目标函数计算每种下层小组件布局方案的适应度函数值;
iv)筛选各下层粒子的历史最优位置,即某一个粒子位置对应的下层布局方案在优化迭代过程中出现的最优方案;筛选所有下层粒子中的全局最优位置,即各个粒子对应的下层最优布局方案中的最优方案;若当前粒子群位置更新次数大于Max,则停止下层优化并继续执行步骤4,否则继续执行;
v)根据各粒子位置对应的下层布局方案在优化迭代过程中出现的最优方案以及所有这些最优方案中的最优方案,利用粒子群算法中的更新策略确定下一代粒子群的位置,然后返回第ⅲ步循环执行;
步骤4、确定上层优化中各粒子的历史最优位置,以及所有粒子的全局最优位置:
根据当前M个上层大组件布局方案以及其步骤3得到的对应的最优下层布局方案,分别计算各上层布局方案对应的目标函数值;历史最优布局是一个初始布局方案在优化迭代过程中出现的最优布局,表示为Pi,其中i=1,2,….,M;全局最优布局是各历史最优布局中的最佳布局方案,表示为G;
步骤5:若上层优化的迭代次数iter>1,则需判断当前全局最优布局设计是否满足优化收敛要求,判断式如下:
其中下标iter表示当前上层优化的迭代次数,L表示整个优化的目标。若满足上述收敛要求,则收敛条件满足次数num=num+1;若不满足,则num=0;
步骤6:判断收敛条件满足次数是否达到5次,即是否满足num等于5;若满足,则停止优化并输出当前最优布局设计;若不满足,则继续执行步骤7;
步骤7、更新当前上层大组件布局方案:根据粒子群算法中粒子位置更新方法,更新代表上层大组件布局方案的各上层粒子的速度以及位置;
步骤8:更新上层优化迭代的次数,即iter=iter+1,返回步骤3继续执行各个新的上层大组件布局方案下对应的下层布局优化。
有益效果
本发明提出的一种基于粒子群算法的水下航行器内部组件分层布局方法,建立水下航行器的分层布局优化模型,初始化上层优化中大尺寸组件布局,采用粒子群算法进行下层布局优化,确定各个上层粒子对应的大组件布局方案的历史最优方案,以及所有这些历史最优布局方案中的全局最优方案。
本发明提出的一种基于粒子群算法的水下航行器布局优化技术,相比传统的水下航行器布局设计方法来说,具有以下优势:
(1)采用分级优化的方法进行布局优化,将大组件和小组件按照不同的优先级进行布局。该方法符合工程实际操作需求,且能够降低布局优化设计的复杂度,提高水下航行器布局优化的效率。
(2)在下层布局优化中,约束判断时采用小组件的外接球判断各组件是否干涉,可以保证在充分利用舱体空间的同时简化约束判断的复杂度,进一步提高优化效率。
附图说明
图1为本发明方法的流程示意图
图2为水下航行器舱体尺寸及坐标系定义示意图
图3为具体实施方式中水下航行器布局方案示意图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
如图1所示,本发明提供了一种基于粒子群算法的水下航行器布局优化技术,其具体实施方式主要包含以下步骤:
步骤1:建立水下航行器的分层布局优化模型。通过对航行器内部组件进行分类,如图2所示,航行器中段舱体内径R,舱体内需要安装的组件数量为N,每个组件都可近似为长方体,第i个组件的长宽高分别表示为li,wi,hi,并且有li>wi>hi,大组件满足总计m个,小组件满足总计n个。优化模型的目标为组件布局所需的舱体长度最小,约束条件为各组件不发生干涉,在此基础上建立水下航行器的分层布局优化模型,上层优化大组件的空间布局,下层优化小组件的布局。
在图2所示的坐标系中,水下航行器的上层布局优化问题的数学模型描述如下:
w.r.t.xui,yui,zui
水下航行器的下层布局优化问题的数学模型描述如下:
w.r.t.xli,yli,zli
步骤2:初始化上层优化中大尺寸组件布局。上层大尺寸组件的布局位置是下层小尺寸组件布局优化的前提,需要先确定上层大尺寸组件的位置。采用粒子群算法优化上层大尺寸组件的位置,位置坐标(xu,yu,zu)作为设计变量,舱体长度L作为粒子群算法的目标函数。粒子群算法优化的第一步是设定一群初始上层粒子,即许多组上层大尺寸组件的初始布局方案,每一个上层粒子位置均代表一种大尺寸组件的空间布局方案。设定粒子群的数量M和速度区间,在速度区间和设计空间内随机初始化每个粒子的速度和位置,分别表示为Vi和Xi,其中i=1,2,….,M,并初始化上层布局优化的迭代次数iter=0,初始化收敛条件满足次数num=0。
步骤3:采用粒子群算法进行下层布局优化。根据上层M个粒子的位置,可得到M种大组件的空间布局方案。下层优化将在每一种确定的大组件布局方案下,优化小尺寸组件的布局,使得目标函数,即所有组件占用舱体长度L最短。首先需要根据一种特定的大组件布局方案计算下层优化的可用设计空间,利用粒子群优化算法结合外接球方法在可用设计空间内分别对下层小组件进行最优布局设计。下层优化可细分为以下步骤:
i)建立各个小组件的外接球模型,将小组件的外接球球心坐标(xl,yl,zl)作为设计变量;
ii)在下层设计空间内随机初始化粒子群位置,每一个下层粒子的位置代表一种小组件的空间布局方案,并设定粒子群位置的最大更新次数为Max;
iii)根据目标函数计算每种下层小组件布局方案的适应度函数值;
iv)筛选各下层粒子的历史最优位置,即某一个粒子位置对应的下层布局方案在优化迭代过程中出现的最优方案。筛选所有下层粒子中的全局最优位置,即各个粒子对应的下层最优布局方案中的最优方案;若当前粒子群位置更新次数大于Max,则停止下层优化并继续执行步骤4,否则继续执行。
v)根据各粒子位置对应的下层布局方案在优化迭代过程中出现的最优方案以及所有这些最优方案中的最优方案,利用粒子群算法中的更新策略确定下一代粒子群的位置,然后返回第ⅲ步循环执行。
步骤4:确定上层优化中各个上层粒子对应的大组件布局方案的历史最优方案,以及所有这些历史最优布局方案中的全局最优方案。根据当前M个上层大组件布局方案以及其对应的最优下层布局方案(由步骤3得到),分别计算各上层布局方案对应的目标函数值。历史最优布局是一个初始布局方案在优化迭代过程中出现的最优布局,表示为Pi,其中i=1,2,….,M。全局最优布局是各历史最优布局中的最佳布局方案,表示为G。
步骤5:若上层优化的迭代次数iter>1,则需判断当前全局最优布局设计是否满足优化收敛要求,判断式如下所示:
其中下标iter表示当前上层优化的迭代次数,L表示当前最优布局组件所占据舱体的轴向长度。若满足上述收敛要求,则收敛条件满足次数num=num+1;若不满足,则num=0。
步骤6:判断收敛条件满足次数是否达到5次,即是否满足num等于5。若满足,则停止优化并输出当前最优布局设计;若不满足,则继续执行步骤7。
步骤7:更新当前上层大组件布局方案。即更新代表上层大组件布局方案的各上层粒子的速度以及位置,更新公式如下:
Vid(iter+1)=ω×Vid(iter)+c1×random(0,1)(Pid-Xid(iter))+c2×random(0,1)(Gd-Xid(iter))
Xid(iter+1)=Xid(iter)+Vid(iter+1)
其中iter表示粒子进化的代数,Vid和Xid分别表示第i个粒子的第d维速度与位置分量;Pid分别表示第i个粒子历史最优位置的第d维位置分量,Gd则表示全局最优位置的第d维分量。ω为惯性因子,通常取1;c1和c2为学习因子,通常取c1=c2=2;random(0,1)表示[0,1]之间的随机数。
步骤8:更新上层优化迭代的次数,即iter=iter+1,返回步骤3继续执行各个新的上层大组件布局方案下对应的下层布局优化。
Claims (1)
1.一种基于粒子群算法的水下航行器内部组件分层布局方法,其特征在于步骤如下:
步骤1、建立水下航行器的分层布局优化模型:
MinL=fu(xu,xl)
xu∈Su,xl∈Sl
s.t.gj(xu,xl)≤0,j=1,...,qu
hk(xu,xl)=0,k=1,...,ru
其中:fu表示上层的优化目标函数,fl表示下层的优化目标函数;xu表示上层大组件布局优化时的设计变量,xl则表示下层小组件布局优化对应的设计变量;Su和Sl分别表示上层和下层优化的变量范围,gj和hk分别表示不等式约束和等式约束,下标j,k分别表示约束的序号,qu和ru分别表示上层优化中不等式约束和等式约束的数量,ql和rl则分别表示下层优化中不等式约束和等式约束的数量;
步骤2、上层优化中大尺寸组件布局:采用粒子群算法优化上层大尺寸组件的位置,位置坐标作为设计变量,上层优化目标函数作为粒子群算法的目标函数;
设定一群初始上层粒子,即许多组上层大尺寸组件的初始布局方案,每一个上层粒子位置均代表一种大尺寸组件的空间布局方案;
设定粒子群的数量M和速度区间,在速度区间和设计空间内随机初始化每个粒子的速度和位置,分别表示为Vi和Xi,其中i=1,2,….,M,并初始化上层布局优化的迭代次数iter=0,初始化收敛条件满足次数num=0;
根据上层M个粒子的位置,得到M种大组件的空间布局方案;
步骤3、采用粒子群算法的下层布局优化:在每一种确定的大组件布局方案下,优化小尺寸组件的布局,使得下层目标函数最优;
下层优化步骤:
i)建立各个小组件的外接球模型,将小组件的外接球球心坐标作为设计变量;
ii)在下层设计空间内随机初始化粒子群位置,每一个下层粒子的位置代表一种小组件的空间布局方案,并设定粒子群位置的最大更新次数为Max;
iii)根据目标函数计算每种下层小组件布局方案的适应度函数值;
iv)筛选各下层粒子的历史最优位置,即某一个粒子位置对应的下层布局方案在优化迭代过程中出现的最优方案;筛选所有下层粒子中的全局最优位置,即各个粒子对应的下层最优布局方案中的最优方案;若当前粒子群位置更新次数大于Max,则停止下层优化并继续执行步骤4,否则继续执行;
v)根据各粒子位置对应的下层布局方案在优化迭代过程中出现的最优方案以及所有这些最优方案中的最优方案,利用粒子群算法中的更新策略确定下一代粒子群的位置,然后返回第ⅲ步循环执行;
步骤4、确定上层优化中各粒子的历史最优位置,以及所有粒子的全局最优位置:
根据当前M个上层大组件布局方案以及其步骤3得到的对应的最优下层布局方案,分别计算各上层布局方案对应的目标函数值;历史最优布局是一个初始布局方案在优化迭代过程中出现的最优布局,表示为Pi,其中i=1,2,….,M;全局最优布局是各历史最优布局中的最佳布局方案,表示为G;
步骤5:若上层优化的迭代次数iter>1,则需判断当前全局最优布局设计是否满足优化收敛要求,判断式如下:
其中下标iter表示当前上层优化的迭代次数,L表示整个优化的目标;若满足上述收敛要求,则收敛条件满足次数num=num+1;若不满足,则num=0;
步骤6:判断收敛条件满足次数是否达到5次,即是否满足num等于5;若满足,则停止优化并输出当前最优布局设计;若不满足,则继续执行步骤7;
步骤7、更新当前上层大组件布局方案:根据粒子群算法中粒子位置更新方法,更新代表上层大组件布局方案的各上层粒子的速度以及位置;
步骤8:更新上层优化迭代的次数,即iter=iter+1,返回步骤3继续执行各个新的上层大组件布局方案下对应的下层布局优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010258274.6A CN111460723B (zh) | 2020-04-03 | 2020-04-03 | 一种基于粒子群算法的水下航行器内部组件分层布局方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010258274.6A CN111460723B (zh) | 2020-04-03 | 2020-04-03 | 一种基于粒子群算法的水下航行器内部组件分层布局方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111460723A true CN111460723A (zh) | 2020-07-28 |
CN111460723B CN111460723B (zh) | 2022-04-08 |
Family
ID=71684440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010258274.6A Active CN111460723B (zh) | 2020-04-03 | 2020-04-03 | 一种基于粒子群算法的水下航行器内部组件分层布局方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111460723B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052517A (zh) * | 2020-08-13 | 2020-12-08 | 中国人民解放军军事科学院国防科技创新研究院 | 基于吉布斯原理的组件布局随机采样方法 |
CN112464367A (zh) * | 2020-11-21 | 2021-03-09 | 西北工业大学 | 一种自主水下航行器的外形和结构两层设计优化方法 |
CN115243536A (zh) * | 2022-09-22 | 2022-10-25 | 深圳鸿芯微纳技术有限公司 | 静电防护单元的位置确定方法、装置、设备及存储介质 |
CN116090109A (zh) * | 2023-03-31 | 2023-05-09 | 中国人民解放军国防科技大学 | 航天器组件多样化布局优化方法及系统、设备、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632000A (zh) * | 2013-11-25 | 2014-03-12 | 中国船舶重工集团公司第七〇五研究所 | 水下航行器楔环结构有限元建模方法 |
WO2014116314A2 (en) * | 2012-11-02 | 2014-07-31 | University Of Washington Through Its Center For Commercialization | Using supplemental encrypted signals to mitigate man-in-the-middle attacks on teleoperated systems |
CN107515994A (zh) * | 2017-09-11 | 2017-12-26 | 西北工业大学 | 一种自主水下航行器的壳体结构多保真度设计优化方法 |
EP3367106A1 (en) * | 2017-02-28 | 2018-08-29 | King Abdullah University Of Science And Technology | Rainbow particle imaging velocimetry for dense 3d fluid velocity imaging |
CN110316340A (zh) * | 2019-06-25 | 2019-10-11 | 西北工业大学 | 一种低速运动的高稳定性水下航行器流体动力布局 |
-
2020
- 2020-04-03 CN CN202010258274.6A patent/CN111460723B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014116314A2 (en) * | 2012-11-02 | 2014-07-31 | University Of Washington Through Its Center For Commercialization | Using supplemental encrypted signals to mitigate man-in-the-middle attacks on teleoperated systems |
CN103632000A (zh) * | 2013-11-25 | 2014-03-12 | 中国船舶重工集团公司第七〇五研究所 | 水下航行器楔环结构有限元建模方法 |
EP3367106A1 (en) * | 2017-02-28 | 2018-08-29 | King Abdullah University Of Science And Technology | Rainbow particle imaging velocimetry for dense 3d fluid velocity imaging |
CN107515994A (zh) * | 2017-09-11 | 2017-12-26 | 西北工业大学 | 一种自主水下航行器的壳体结构多保真度设计优化方法 |
CN110316340A (zh) * | 2019-06-25 | 2019-10-11 | 西北工业大学 | 一种低速运动的高稳定性水下航行器流体动力布局 |
Non-Patent Citations (3)
Title |
---|
HUANGCHAO DONG ET AL: "Surrogate-Based Optimization for Autonomous Underwater Vehicle"s Shell Design", 《IEEE》 * |
何衍儒 宋保维 曹永辉: "基于Pareto最优的翼身融合水下滑翔机结构优化设计", 《水下无人系统学报》 * |
郭奋 等: "Savonius后置导流板的数值仿真", 《华中科技大学学报(自然科学版)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052517A (zh) * | 2020-08-13 | 2020-12-08 | 中国人民解放军军事科学院国防科技创新研究院 | 基于吉布斯原理的组件布局随机采样方法 |
CN112052517B (zh) * | 2020-08-13 | 2021-12-03 | 中国人民解放军军事科学院国防科技创新研究院 | 基于吉布斯原理的组件布局随机采样方法 |
CN112464367A (zh) * | 2020-11-21 | 2021-03-09 | 西北工业大学 | 一种自主水下航行器的外形和结构两层设计优化方法 |
CN115243536A (zh) * | 2022-09-22 | 2022-10-25 | 深圳鸿芯微纳技术有限公司 | 静电防护单元的位置确定方法、装置、设备及存储介质 |
CN115243536B (zh) * | 2022-09-22 | 2022-12-09 | 深圳鸿芯微纳技术有限公司 | 静电防护单元的位置确定方法、装置、设备及存储介质 |
CN116090109A (zh) * | 2023-03-31 | 2023-05-09 | 中国人民解放军国防科技大学 | 航天器组件多样化布局优化方法及系统、设备、存储介质 |
CN116090109B (zh) * | 2023-03-31 | 2023-08-18 | 中国人民解放军国防科技大学 | 航天器组件多样化布局优化方法及系统、设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111460723B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460723B (zh) | 一种基于粒子群算法的水下航行器内部组件分层布局方法 | |
Zhen et al. | Rotary unmanned aerial vehicles path planning in rough terrain based on multi-objective particle swarm optimization | |
Cao et al. | Toward optimal rendezvous of multiple underwater gliders: 3D path planning with combined sawtooth and spiral motion | |
CN106773741A (zh) | 一种无人船动力定位系统及方法 | |
CN108897338B (zh) | 基于pio的圆轨道航天器编队重构型防碰撞路径规划方法 | |
CN110543727B (zh) | 一种基于改进粒子群算法的全向移动智能轮椅机器人参数辨识方法 | |
CN110609556A (zh) | 一种基于los导航法的多无人艇协同控制方法 | |
CN115509251A (zh) | 基于mappo算法的多无人机多目标协同跟踪控制方法 | |
Xin et al. | Overview of research on transformation of multi-AUV formations | |
CN113467478A (zh) | 一种变质心无人搬运车轨迹跟踪控制方法 | |
CN114779645A (zh) | 一种有向固定通信拓扑下胸鳍拍动式机器鱼编队控制方法 | |
Farhood | Neural network based control system for robots group operating in 2-d uncertain environment | |
Chen et al. | A population randomization-based multi-objective genetic algorithm for gesture adaptation in human-robot interaction | |
CN112464367B (zh) | 一种自主水下航行器的外形和结构两层设计优化方法 | |
Gao et al. | Motion control of non-holonomic constrained mobile robot using deep reinforcement learning | |
Gao et al. | Constrained path-planning control of unmanned surface vessels via ant-colony optimization | |
CN112016162A (zh) | 一种四旋翼无人机pid控制器参数优化方法 | |
CN104317197A (zh) | 一种针对auv布放任务负载后模型变化的多模型切换控制方法 | |
Li et al. | Dynamics and workspace analysis of a multi-robot collaborative towing system with floating base | |
CN113848982B (zh) | 一种四旋翼无人机栖停机动轨迹规划、跟踪控制方法 | |
CN115933633A (zh) | 基于量子绸鱼优化机制的机船协同任务分配方法 | |
CN115357050A (zh) | 一种基于分层粒子群算法的无人机路径规划方法及其应用 | |
Kang et al. | Fuzzy logic based behavior fusion for multi-AUV formation keeping in uncertain ocean environment | |
Gong et al. | A path planning method based on improved particle swarm optimization algorithm | |
Wang et al. | Stepwise Cooperative Trajectory Planning for Multiple BUVs Based on Temporal-Spatial Bezier Curves |
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 |