基于故障程度的自适应优化容错控制

来源 :计算机工程与应用 | 被引量 : 0次 | 上传用户:kaida111
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
为了解决故障严重程度等级划分缺乏依据、传统经验直接划分可靠度不高局限明显等问题,提出一种结合间隙度量方法的故障程度等级度量标准.引入间隙度量的相关方法定义一种新的故障等级划分方法,通过这种故障等级划分方法可以直观便捷地确定故障的严重程度.根据不同的故障情况,结合预设的最优容错控制措施对故障系统进行容错控制,有效地提升了系统的鲁棒性和稳健性.设计了两种不同形式的基于故障程度的自适应优化容错控制器,并对容错控制的效果进行了对比分析,仿真实验验证了该方法的有效性,与常规容错方法相比更加灵活高效.
其他文献
情感分类一直是自然语言处理任务中重要的研究热点,并在电子商务评论、热点论坛、公共舆论等众多场景中广泛应用.如何提高情感分类模型性能仍是情感分析领域的重点研究问题.集成学习是通过联合若干分类器达到提高模型总体效果的有效方法.基于粒计算和三支决策思想,并结合集成学习的优势,构建了结合集成学习的多粒度序贯三支决策模型.通过N-gram语言模型构建文本多粒度结构,形成序贯三支情感分类基础;在每一粒度下,集成三个分类算法以提高在该粒度下的分类效果;通过4个数据集对所提出方法进行了实验验证.结果证明,该方法不仅可以提
由于传统车间调度方法实时响应能力有限,难以在复杂调度环境中取得良好效果,提出一种基于深度Q网络的深度强化学习算法.该方法结合了深度神经网络的学习能力与强化学习的决策能力,将车间调度问题视作序列决策问题,用深度神经网络拟合价值函数,将调度状态表示为矩阵形式进行输入,使用多个调度规则作为动作空间,并设置基于机器利用率的奖励函数,不断与环境交互,获得每个决策点的最佳调度规则.通过与智能优化算法、调度规则在标准问题集上的测试对比证明了算法有效性.
为了求解同时实现空间协同和时间协同的多无人机时空协同问题,提出了基于分布式模型预测控制的多无人机在线协同航迹规划的方法.建立了由MPC(Model Predictive Control,)控制器、空间协同模块和时间协同模块组成的多无人机分布式时空协同航迹规划框架结构.MPC将时空协同问题转化为滚动优化问题,优先级的方法实现了空间协同和时间协同的解耦,同时改进了碰撞冲突消解规则,并设计了时间冲突消解规则,解决了分布式时空协同问题的动作一致性问题.仿真实验表明,该方法可以有效地实现多无人时空协同航迹规划.