多正文体（精选三篇）
多正文体 篇1
铁道车辆在设计阶段通常在实验室内利用试验台对车辆不同部件的动态性能进行详细分析。位于澳大利亚中央昆士兰大学铁路工程中心(CRE)实验室的全尺寸铁道车辆试验台[1]就非常适合于研究货车悬挂系统的动力学性能。
实时仿真对设计阶段的任何过程都是有帮助的, 借助于实时仿真,可以在全尺寸模型试验之前对该过程中的控制器/作动器进行测试[2]。图1为一个处于设计阶段的实时货车模型。位于实验室内试验台的硬件部分通常装有力/力矩作动器[3],实体系统则借助于专业的多体仿真软件进行模拟。
业界已经利用Matlab/Simulink[4,5]和Gensys多体仿真软件[6]开发出一些铁道车辆实时模型。Matlab模型本身具有难以改变参数的固有问题,这可以通过采用铁道车辆多体仿真软件如Gensys进行简化[7]。
在实时仿真中,仿真器利用离散时间步长求解模型方程[2]。因此,有必要选择合适的时间步长,以便正确地表达系统的频率。在一个典型的时间步长内,仿真器执行下述一组任务:
(1)读取输入,生成输出;
(2)求解模型方程;
(3)与其他仿真节点交换结果;
(4)等待下一步的开始。
本文利用1个典型的三大件式转向架货车模型(图2),通过合理地简化一些参数如轨道和接触模型,摩擦单元、车钩和质量等,探讨缩短计算时间的可能性。
2研究方法
在对输出结果没有明显影响的前提下,通过减少模型不同部件的自由度,探讨了缩短计算时间的可行性。完整的货车模型(FWM)以及修改后的实时模型见2.1节和2.2节。所有的货车模型都要通过由文献 [8]所提出的货车模型验收程序(WMAP)的验收。为简便起见,本文仅第一阶段的测试按照WMAP执行, 一些测试的结果实例见图3和图4。
图4 整车模型和实时货车模型的临界速度(以上 字 别 示 车、转 架 轮,例如:axl_121表示货车1中第2 台转向架的第1条轮对,其他以此类推(包3,图3中的r表示右轮))
计算时间借助于多体软件Gensys内的一个特殊程序确定,总的计算时间由式(1)确定。
式(1)中:tlsys———相对于整体坐标系,定义局部坐标系中的位置所用的计算时间;tcoupl———用于连接单元指令的计算时间(连接单元是指将各质量块连接起来的各种单元);tfunc———模型脚本中所定义的函数计算所需的计算时间;tmass———用于质量指令的计算时间(一个质量指令在模型中创建一个惯量,例如车体、转向架、轮对等 );tconstr———用于约束 指令的计 算时间; tinteg———数值积分计算 所需要的 计算时间;tds———存储输出数据所需要的计算时间。
2.1整车模型说明
本文所考虑的典型三大件转向架货车自重16t, 总重80t,车辆定距14m。整车模型由1个车体、2个转向架构架、2个摇枕、4个侧架和4条轮对组成。各实体都被假设为6个自由度的刚体,表1给出了三大件转向架货车的质量和惯性矩参数。轮轨之间的摩擦系数取0.4。轮轨踏面外形分别采用ENS1002t32.5轮和UIC60i40轨。限于篇幅,本文只介绍空车在理想平直线路上的仿真结果。
2.2实时半实物仿真整车模型的修正
为了获取适合实时应用的模型,整车模型在以下阶段进行了简化。表2中给出了所有的修正情况。
(1)数值积分器的选择。
可用于多体软件实时仿真的数值积分 器见文献 [6]。整车模型由于模型中存在大量的摩擦单元和小质量,需要反复迭代以满足误差要求,故积分过程非常耗时。常用的积分器是采用龙格-库塔(Runge-Kutta) 积分法和变步长控制器(“heun_c”[9])。对实时模型中的简化 模型来说,选择两步 龙格-库塔数字 积分器 (“heun”[9])就可以了,因为它计算量少,计算结果相对准确[3]。
(2)简化的接触和轨道模型。
通过在模型中直接输入线性化的轨道模型,实现了轨道模型的简化,而整车模型则通常通过调用输入库的一个文件来输入轨道模型,这会增加计算时间。 整车模型中的轮轨接触子程序则利用查表法加以简化,该方法已在文献[7]中讨论过。这样就减少了货车整车模型(FWM)中大量的质量、函数和连接单元。
(3)单元的减少。
除了简化子程序,所有连接单元中的刚度单元和阻尼单元都可以用更少的等效刚度单元和等效阻尼单元替代。摩擦单元的模拟非常耗时,可以采用修改摩擦单元或移除摩擦单元的办法来缩短计算时间。例如,整车模型包括20个摩擦连接,其中16个与斜楔相关。如果斜楔在一系悬挂中可以用等效阻尼系数来代替,那么计算时间就会大大缩短。
(4)通过网络数据减少存储和/或发送计算结果。
在整车分析时,需要估计车辆测试的不同种类的数据。对于实时仿真来说,在一个时间步长的计算中还涉及数据接收和发送过程,这是很常见的[6]。此外, 在实时模拟方法中,输出将被直接用于控制器以执行一个控制机构,与整车模型相比,就有可能缩短存储数据所需的时间。在实时模型中,所有数据存储指令都被暂停以换取计算时间的缩短。
3实时模型的验证
关于整车模型与实时模型的验证分2个阶段进行———垂向轮轨接触力测试和临界速度。
(1)垂向轮轨接触力测试用于检测实时模型的稳定性。
实时模型只有4条轮对在轨道上运行,而且代表了货车的全部质量。这一阶段非常重要,更多详细信息可参见文献[10]。已发现接触力能在很短的时间内稳定。
(2)临界速度。
针对实时模型进行了临界速度的测试,车辆的初速度从100km/h以1 (km/h)/s的速度下降,从而获得临界速度。与整车模型的临界速度约80km/h相比,实时模型的货车临界速度大约是77km/h。在临界速度的测试过程中,对车体施加激振,这也证明了实时模型的稳定性(图5)。
4结果
整车模型总的计算时间大约是7.4ms,而实时模型计算步长为1ms,总的计算时间下降为0.9ms(图6)。当所有存储变量被停用,计算时间又可以缩短约0.1ms。这里所给出的计算时间对应的计算机配置为IntelCoreTMi7-3770 CPU @ 3.40 GHz,RAM 8 Gb。同时也观察到模型中的连接、函数、质量和积分器消耗了大部分计算时间,由此可见,仔细选择连接、 函数、质量和积分器可以缩短总的计算时间。
通过采用本文所介绍的方法,计算步长为1 ms, 总的计算时间可缩短到6.5 ms。连接单元在缩短计算时间中成为最具有影响性的参数,大约占计算时间缩短总数的48%(图6)。
5讨论
货车整车模型转换成实时模型需要在所要求的运行条件下进行详尽的模拟。在保证临界速度大致相等的前提下,本文提出了缩短计算时间的简单方法。如果使用更高性能的计算机,则可以进一步缩短计算时间。诸如文献[11]中介绍的减少连接单元的简单模型,也可以在多体仿真软件中采用,以获得实时模型。
轨道不平顺和曲线线路的引入将会改变转换参数,这就要求对模型做进一步的修正,以取得与货车整车模型相似的结果。
在模拟中缩短计算时间,就有望增加一个根据取得的仿真结果运行的硬件控制器。对于典型的机械车辆系统而言,时间步长一般介于1ms~10ms之间[2]。 对刚性系统而言,可能需要一个更小的时间步长。当摩擦单元数量众多时,时间步长就要更小,如100μs~ 500μs。本文建立的实时模型,在时间步长为1ms时表现稳定,可满足利用振动试验台对货车动力学进行试验的要求。
应当指出,在CRE高级实验室车辆振动试验台上使用的作动器,每0.1s需要一个输入信号,该时间值是由作动器的特性决定的,在振动试验台上作动器的力作用于车体,再现车辆真实的运行条件。这样,就可以在振动试验台上结合实时模型,在一个可能实际发生的物理车辆系统中,使作动器能够模拟车辆的不同输入条件。
6结论
体外排精弊端多 篇2
体外排精就是在正常性生活时，当男方进入性高潮，即将射精的瞬间中断房事、将精液排在女方生殖道外，使精子不能与卵子相遇，达到避孕目的。这是一种简单的自然避孕方法，然而也是一种不可靠的方法，现已不主张推广、采用，其缘由如下：
一是体外排精很不容易控制和掌握。众多男子均不能准确果断地把握时机，往往在性高潮来临时难以自制，导致射精最开始的那一小部分精液排入女方生殖道内。恰好，这一小部分精液中的精子数目最多，极易受孕。
其次，精子并不仅仅在射精开始后才排出男方体外，在射精正式开始以前，性兴奋的男子可能由附属性腺的分泌液，排出少量残存在排精子通道内的精子，足以导致避孕失败。
再有，体外排精是对正常性反应的干扰，如果多次反复进行，会影响阴茎的正常勃起功能，造成性功能障碍，同时也使神经处于高度警惕、戒备状态，久而久之会出现神经衰弱的症候。临床中因体外排精患早泄、阳痿者屡见不鲜。因为强行抑制射精，可导致中枢神经和腰骶部射精中枢的功能障碍，由此造成射精功能障碍。某些功能性不射精病例就是由这种情况引起的。
基于模糊多智能体的决策算法设计 篇3
0 引言
在工业生产、现实生活、行政管理和科研实践中, 我们经常在多智能体系统中采用水平决策的协作类型, 即在协作团体中的每一个智能体都能独立解决问题, 通过使用不同智能体的知识和数据进行推理或采用不同的推理机制得出不同的决策方案, 之后通过智能体之间的相互作用, 来大大提高解的可信度[1]。多智能体系统中的多个智能体会产生多种不同的决策方案, 在这种情景下, 对他们进行分出优劣的排序将是不可避免的, 之后才能进一步进行系统中多个智能体间的相互作用、协作, 以得出可信度更高的解。通过对不同的智能体作出的决策进行评价、考察和区分, 我们排定了他们的优劣顺序[2]。不同的领域不同的行业对决策方案优劣排序的研究在近二十年进入了一个全新的发展阶段, 并取得了相当多的成果。
在下述三种应用场景中, 仍然有许多困难阻碍着我们对决策方案进行科学的优劣排序:
1) 决策方案有些特征并不能完全显露出来。
2) 方案的优劣本身就很难客观的判断。
3) 不同群里或其中的独立个体通常会有截然不同的态度以及观点, 不同的决策方案会带来完全不同的预期以及结果、利益。
综合对以上种种情况进行考虑后, 我们引入了模糊理论进入多智能体决策这一领域以解决上述问题。
1 问题描述
由多个评选专家, 通过多个指标考察, 对多个智能体所作出的备选决策方案优劣进行排序。
设集合Z为评选专家集, 元素代表每一个评选专家, 共个, 记作:
设集合P为已经通过初选的决策方案集 (通过初选即视为合格的智能体作出的) , 元素代表每一个合格的方案, 共有个, 记为:
1个评选专家, 记为:
设集合M为评选指标集, 元素代表每一个评选指标, 共g个, 记作:
我们通过上述个在某种程度上来说互相独立的决策评价指标对所有智能体做出的决策方案实行考察, 上述G个指标共同构成一个决策评价指标体系。集合M中的每一个评价指标都是由k个子决策评价指标构成的, 其中,
在决策行为的实际操作过程中, 为了决策者们更加方便、贴切地反映自身的看法和期待, 通常会采用更加口语化、模糊化的语言来描述对事物、决策的评价, 所以不再要求决策专家对方案的评价为一个定量的确切值, 也不再要求方案的属性十分确定。通常借助于自然语言的手段, 或者数学中区间的概念, 以及模糊数学的思想来进行表达。所以我们可以将决策方案适应性矩阵中的元素使用自然语言进行描述, 比如, 我们可以将之前对事物喜好程度的百分之评分, 转化为七个等级, {憎恶、厌恶、讨厌、无感、喜欢、爱、极爱}, 这些术语都可以用模糊理论中的模糊数来表达。之后, 可以确定模糊隶属函数的形式, 比如, 梯形隶属函数。
2 方案初选
3 模糊隶属度的计算
在多智能体系统决策的过程中, 决策评价专家组的专家们需要对比不同智能体决策方案在决策评价指标体系下的优劣, 表达出对不同智能体决策方案的偏好关系。如何有效的衡量、比较专家组中不同专家对决策方案评价的优劣, 是多智能体决策系统亟待解决的核心问题。在这里引入模糊隶属度的概念用以表达和衡量决策专家组对不同智能体所做出的备选决策方案评价的偏好程度。模糊隶属度属于模糊评价函数的一种变种, 模糊隶属度是有效的全面评价多种外在、内在因素影响下的事物的方法。定义如下:
若对论域 (研究的范围) U中的任一元素x, 都有一个数与之对应, 则称A为U上的模糊集, A (x) 称为x对A的隶属度。当x在U中变动时, A (x) 就是一个函数, 称为A的隶属函数。隶属度A (x) 越接近于1, 表示x属于A的程度越高, A (x) 越接近于0表示x属于A的程度越低。用取值于区间0, 1的隶属函数A (x) 表征x属于A的程度高低[4]。
模糊隶属度具有以下特征:
设S为某一集合U中的模糊二元隶属关系, 并称为u和v的隶属度, 对, 满足以下性质:
这里我们把模用一个符号来表示, 记作。该模为二元运算, 且满足交换律, 也满足单调性和结合律, 有性质
接下来我们对“无差异”和“控制”两个概念进行了解, 只有了解了这些排列模糊数字的基础概念, 我们才能够在此基础上进行创新, 提出有效、独特的创新方法。
为了方便说明这两个概念, 我们先假定两个模糊数字:和, 那么, 当和有某些重叠的面积时, 因为重叠部分完全相同, 那么我们定义重叠部分为“无差异”的;当和有不重叠的部分时, 这些不重叠的部分可以分为两种情况, 一种是“控制”, 如图1中阴影部分所示;另一种是“控制”, 如图2中阴影部分所示所示。
当这两个模糊数字之间没有重叠的部分时两者的所有面积都为相互控制的, 我们定义为:
1) 模糊数字控制模糊数字的面积:模糊数字面积内的部分, 并且处于模糊数字边界的右边;或者是模糊数字面积内的部分, 并且处于模糊数字边界的左边。
2) 模糊数字控制模糊数字的面积:模糊数字面积内的部分, 并且出在模糊数字边界的右边;或者模糊数字面积内的部分, 并且处于模糊数字边界的左边。
当模糊数字a和模糊数字b的面积有重叠事, 我们定义:
1) 模糊数字a控制模糊数字b的面积:
a) 模糊数字a面积内的部分, 并且处在模糊数字和模糊数字b无差异部分边缘的右侧, 记作:
b) 模糊数字b面积内的部分, 并且出在模糊数字和模糊数字b无差异部分边缘的左侧, 记作:
2) 模糊数字b控制模糊数字a的面积:
a) 模糊数字a面积内的部分, 并且处在模糊数字和模糊数字b无差异部分边缘的左侧, 记作:
b) 模糊数字b面积内的部分, 并且出在模糊数字和模糊数字b无差异部分边缘的右侧, 记作:
根据模糊隶属度的定义, 以及模糊数的上述重要概念, 本文提出一种全新的在决策问题中计算隶属度的方法, 以测度决策专家的偏好隶属度, 这里我们称之为决策偏好隶属度。
决策偏好隶属度计算方法:
设两个专家用在同一决策评价指标体系下评价同一个决策方案得到了两个不同的结果分别为模糊数字a和模糊数字b, 二者皆可以语言的形式表述出来, 则这模糊数字a和模糊数b字之间的的模糊隶属度为:
作为一种很好的对模糊隶属度的测度, 满足以下性质:
我们同样可以利用前文给出的公式计算同一专家基于某一评价指标体系对两个不同的智能体所作出的决策方案彼此之间的模糊隶属度。因为与前文内容类似, 此处不再赘述。
4 基于模糊隶属度的多智能体决策
根据上一节给出的多智能体决策方案之间的模糊隶属度计算的方法, 决策者可以进一步建立基于模糊隶属度的多智能体群决策模型, 从而对通过初选的决策方案进行分类和排序。
经过上述步骤, 我们得出了每一名专家对各个经过初选的智能体决策方案综合模糊隶属度的评价。显然, 各个决策专家对同一问题的看法可能不同, 所以各个决策专家对所给出的综合模糊隶属度可能有很大的差异。实际操作中, 我们没有必要也没有能力使决策专家组中的专家们给出完全一致的综合模糊隶属度, 所以十分需要建立一个集结所有专家的决策综合模糊隶属度的模型, 通过这个模型的集结后, 使决策专家组内各个专家的决策综合模糊隶属度得出最大的一致性。之前有大量的研究人员对此进行了广泛而深入的研究:在这里我们采用模糊大多数的思想, 利用算子 (ordered weighted averaging, 有序加权平均) 来集结决策组专家对同一决策方案的模糊隶属度。
OWA算子可描述如下:
其中:是与F相关联的加权平均向量, 且满足:
OWA算子具有单调性和幂等性等十分适合于集结类运算的数学特性, 通过调整加权平均向量V, 我们可以获得由小到大不同的运算关系, 包括但不限于最小值、中间值、最大值等。加权平均向量的各个分量V需要在对问题进行考察和评估后进行定义。
在经过前面的计算得出综合隶属度后, 我们使用, OWA算子法来集结决策专家组不同专家的意见:
在上述公式中, 理想最优方案P*的任一个指标都优于或至少不劣于任何一个其他通过初选的决策方案的对应指标;同样, 通过初选的所有决策方案中的任一个指标都优于或至少不劣于理想最差方案的P*对应指标。接下来, 我们就通过计算集合P中各个决策方案与理想最优方案P*以及理想最差方案P*的综合隶属度, 用以比较各个已经通过初选的决策方案的优劣[5]。
将各个通过初选的决策方案与理想最优方案P*的模糊隶属度按照由大到小的顺序排列, 之后将各方案与理想最差方案P*的模糊隶属度按照从小到大的顺序排列排列。如果前后两次得出相同的排列次序, 则这个次序可以作为最终的决策方案排序。
但是如果两次排序得到了不同的顺序, 以上方法就不能得出最终的方案优劣排序。此时, 我们采用双基点法来对方案进行排序:即同时以理想最优方案P*和理想最差方案P*为基点, 计算双基点模糊隶属度, 接下来对隶属度由大到小排序:
系统的整体架构如图3所示。
5 决策实施步骤
决策工作按以下步骤进行。
1) 决策的执行者按照3.1节中的决策评价指标体系构建步骤给出本次决策行为中的各个决策评价指标, 同时给出用以反应各决策评价指标重要与否的决策指标体系加权向量
2) 对各个智能体所作出的决策方案进行初选, 并且由决策专家给出各个经过初选的决策方案的适应性矩阵。
3) 根据经过初选的决策方案, 计算出虚拟方案:理想最优方案P*和理想最差方案P。
6) 将各个方案与理想最优方案P*的模糊隶属度按照由大到小的顺序排列, 之后将各方案与理想最差方案P*的模糊隶属度按照从小到大的顺序排列排列。如果前后两次得出相同的排列次序, 则这个次序可以作为最终的决策方案排序。
7) 如果步骤6) 中得出了两个不同的排列顺序, 则根据给出的双基点法公式计算各方案的值, 并由大到小排列出各方案的序列。
6 结论
本文引入了模糊偏好关系隶属度的概念, 给出了一种全新的在决策问题中计算隶属度的方法, 定义为“决策偏好隶属度”, 并且详细的描述了基于模糊隶属度的多智能体群决策算法, 阐述了决策算法的实施步骤。
摘要：在实际生产、实验环境中, 决策系统有着广泛的应用前景。一些方面的研究, 依然比较欠缺。本文首先提出了模糊偏好隶属度的概念, 然后给出了一种全新的在决策问题中计算隶属度的方法, 定义为“决策偏好隶属度”, 接下来详细的描述了基于模糊隶属度的多智能体决策算法, 最后阐述了决策算法的实施步骤。
关键词：计算机应用,多智能体,模糊,决策
参考文献
[1]寇晓雨.CAXA数控车床自动编程注意要点及难点解析[J].软件, 2012, 33 (5) :84-85
[2]徐泽水.直觉模糊偏好信息下的多属性决策途径[J].系统工程理论与实践, 2007, 27 (11) :62-71.
[3]杨海杰, 刘星燕, 顾润香, 等.声像预报解说词用语库的设计与应用[J].软件, 2013, 34 (3) :45-47
[4]周明, 任建文, 李庚银, 等.基于多智能体的电网调度操作票指导系统研究与实现[J].中国电机工程学报, 2004, 24 (4) :58-62.