本手册主要介绍粒子滤波的基本原理和其在非线性系统的应用。同时本手册最大的优点是介绍原理和应用的同时，给出实现例子的matlab代码程序，方便读者对照公式，理解代码。因此，它是相关方面的研究者快速上手和进入研究领域的快捷工具。同时，对于有一定基础的研究者，可以在本手册提供代码的基础上，做算法进一步改进和深入研究。
2022-05-07 18:56:04
463KB
1
梯度下降、牛顿法、共轭梯度法等matlab和python程序：求一个空间曲面(3维)的极值点。
“阻尼牛顿法”的matlab和python程序；文件名：Damped_Newton.m / python_Damped_Newton.py
“蒙特卡洛全局最优”的matlab和python程序；文件名：Monte_Carlo.m / python_Monte_Carlo.py
“蒙特卡洛全局最优”算法针对Schaffer函数和Rastrigin函数的matlab程序; 文件名：Monte_Carlo
“模拟退火法全局最优”算法的matlab程序，以及其针对Schaffer函数和Rastrigin函数的matlab程序; 文件名：Simulated_Annealing
“粒子群全局最优”算法的matlab程序，以及其针对Schaffer函数和Rastrigin函数的matlab程序; 文件名：PSO
“蚁群全局最优”算法针对普通二元函数最大值、Schaffer函数和Rastrigin函数最小值的matlab程序; 文件名：AG
2022-05-07 14:04:50
18.6MB
分别用改进的粒子群优化算法和改进的差分进化算法求解柔性作业车间调度问题
问题规模以(工件J*工序P*机器M)表示，例如J20P10M10表示共有20个工件，每个工件有10个工序，总共有10个加工机器可供选择。data文件夹中的文件表示程序所用的数据，其中data_first文件的问题规模是J10P5M6，data_second文件的问题规模是J20P10M10，data_third文件的问题规模是J20P20M15。对于其中数据的解释：横向表示工序，纵向表示机器，每个数值表示机器加工工序的耗时，工序和机器都是按顺序排列的。以data_first.txt文件为例，前五行分别表示第一个工件的5个工序分别在6台机器上加工的时间，第5-10行表示第二个工件的5个工序分别在6台机器上加工的时间，以此类推。
关于编码，本项目采用的是同类问题常用的编码方式，参考论文“基于改进遗传算法的柔性作业车间调度问题研究”，与该论文所述的编码方式不同的是，本项目的编码中第一段为工序编码，第二段为机器编码。DE文件夹中的三个文件分别采用三种不同的初始化方式，其中DE_first.py采用的是完全随机的
2022-05-07 09:10:53
22KB
（matlab）基于粒子滤波的多雷达多目标检测前跟踪算法.zip（matlab）基于粒子滤波的多雷达多目标检测前跟踪算法.zip（matlab）基于粒子滤波的多雷达多目标检测前跟踪算法.zip（matlab）基于粒子滤波的多雷达多目标检测前跟踪算法.zip（matlab）基于粒子滤波的多雷达多目标检测前跟踪算法.zip（matlab）基于粒子滤波的多雷达多目标检测前跟踪算法.zip（matlab）基于粒子滤波的多雷达多目标检测前跟踪算法.zip（matlab）基于粒子滤波的多雷达多目标检测前跟踪算法.zip（matlab）基于粒子滤波的多雷达多目标检测前跟踪算法.zip（matlab）基于粒子滤波的多雷达多目标检测前跟踪算法.zip（matlab）基于粒子滤波的多雷达多目标检测前跟踪算法.zip（matlab）基于粒子滤波的多雷达多目标检测前跟踪算法.zip（matlab）基于粒子滤波的多雷达多目标检测前跟踪算法.zip（matlab）基于粒子滤波的多雷达多目标检测前跟踪算法.zip（matlab）基于粒子滤波的多雷达多目标检测前跟踪算法.zip
2022-05-06 18:06:02
46KB
闭环时滞模型参数的辨识一直是先进工业控制领域的一个重要课题。然而由于时滞的存在,被控量不能及时地反映系统所承受的扰动,从而产生明显的超调,使得控制系统的稳定性变差。本文充分利用粒子群优化算法收敛速度较快和混沌运动遍历性的优点,提出了一种基于混沌优化思想的混沌粒子群优化算法来直接辨识含有滞后环节的被控对象的闭环传递函数,而不用将其转化为状态方程。将闭环时滞系统的传递函数通过z变换转化为离散的差分方程,对于滞后环节的处理,用一阶Pade近似。利用CPSO的全局优化能力来极小化误差准则函数,从而获得模型参数的估
2022-05-06 17:20:45
828KB
1
针对红外气体传感器测量精度受环境温度影响较大的问题，提出了一种基于嵌入自适应Levy变异免疫粒子群-最小二乘支持向量机（ALIPSO-LSSVM）的温度补偿算法。ALIPSO算法引入Levy flight对子代粒子进行自适应变异，确保粒子多样性，并在每次迭代之前，采用相对基学习方法初始化粒子群，提高算法的收敛速度。通过5个基准测试函数对ALIPSO算法进行性能评价，仿真结果表明该算法收敛速度较快、精度高，且具有较强的全局搜索能力。利用ALIPSO算法对LS-SVM的参数进行优化，并将该混合算法应用于红外气体传感器温度补偿，数值仿真结果表明采用该算法可将补偿结果的相对误差控制在6%范围内。
2022-05-06 14:15:18
664KB
1