墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
500+累计阅读
596平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
基于遗传算法求解多敏捷卫星协同多目标自主任务规划
多敏捷卫星协同多目标自主任务规划是一个复杂且具有挑战性的问题。在这个问题中，我们需要考虑多个卫星之间的协同行动，以实现多个目标的自主完成。遗传算法是一种常用的优化算法，可以用于解决此类多目标问题。在本文中，我们将介绍如何使用遗传算法来求解多敏捷卫星协同多目标自主任务规划，并提供相应的MATLAB代码。
首先，让我们定义问题的目标和约束。假设我们有N个敏捷卫星和M个任务，每个任务都有特定的优先级和时限。我们的目标是最大化完成任务的数量，同时考虑任务的优先级和时限，以便在有限的时间内完成尽可能多的高优先级任务。每个卫星都有一组可用的操作，可以在任务执行过程中选择。我们需要考虑卫星之间的调度和资源分配，以最大化任务完成率。
现在，我们将使用遗传算法来解决这个问题。遗传算法模拟了自然界的进化过程，通过不断迭代和交叉变异操作，逐步改进解的质量。
以下是使用MATLAB实现的基于遗传算法的多敏捷卫星协同多目标自主任务规划的代码：
% 参数设置
populationSize = 100; % 种群大小
maxGenerations = 遗传算法优化多卫星任务规划问题的时间窗约束——基于MATLAB的改进方法
上述代码中，initializePopulation函数用于随机生成种群，evaluateFitness函数计算种群中每个个体的适应度，selection函数根据适应度值选择父代个体，crossover函数进行交叉操作，mutation函数进行变异操作，updatePopulation函数更新种群，findBestSolution函数寻找最佳解。通过改进的遗传算法，结合MATLAB的强大功能，我们可以有效地解决带时间窗约束的多卫星任务规划问题。从选中的父代个体中进行交叉操作，生成新的个体。
多目标自主任务规划中的多敏捷卫星协同优化问题及基于MATLAB遗传算法的求解
通过建立数学模型、初始化种群、评估适应度、选择操作、交叉操作、变异操作和更新种群等步骤，我们可以通过遗传算法来搜索最优解。通过这种方法，我们可以有效地解决多敏捷卫星协同中的多目标自主任务规划问题，优化卫星系统的任务执行效果。在多敏捷卫星协同中，卫星系统需要同时执行多个自主任务，而这些任务往往具有不同的优先级和约束条件。我们的目标是通过优化设计，使得卫星系统在满足所有约束条件的前提下，达到尽可能多的任务目标。多目标自主任务规划是一项复杂的优化问题，而多敏捷卫星协同则是现代卫星系统中的关键技术。
12、每日卫星任务规划问题的不同公式
本文探讨了卫星任务规划问题的多种数学公式表示方法，包括传统的整数线性规划（ILP）模型、改进的基于路径的公式、基于集合覆盖的公式以及动态规划公式。通过案例研究比较了不同公式的求解效率和适用场景，并提供了使用Python进行实际求解的操作步骤。最后讨论了进一步优化策略及未来研究方向，旨在为解决卫星任务规划问题提供全面的理论支持和实践指导。
多目标自主任务规划遗传算法优化——附MATLAB代码
本文所提出的方法将多敏捷卫星分别视为优化问题的个体，任务规划方案则被看作是这些个体的染色体。通过进行交叉和变异操作，使得优秀的基因得以保留下来，最终可以得到一组满足多目标约束条件的任务规划方案。通过使用本文提供的遗传算法优化方法，可以更加高效地解决多敏捷卫星协同执行多目标任务规划问题，减少人工干预成本，提高任务完成效率。3.选择操作：按照适应度函数的大小，从种群中选出若干个具有较好适应度的个体，作为下一代种群的父代。4.交叉操作：将选出的父代个体按照一定的概率进行交叉操作，生成若干新的后代个体。
【信息科学与工程学】【产品体系】第十二篇 制造业生产加工05 控制算法 ——飞行（1）
航空航天控制的高级主题，包括先进飞行控制、航天器高级控制、无人机集群、航空发动机控制和飞行管理。
【信息科学与工程学】【运营科学】第二篇 C4信息与通信网络运营 (C4) ——数据中心网络运营01
这是运营的物理和逻辑对象。C4.11xx 传输资源：光纤、微波、卫星链路；频谱资源（Sub-6GHz， 毫米波）。C4.12xx 节点资源：核心路由器、交换机、基站（gNB）、数据中心服务器。C4.13xx 虚拟化资源：由NFV生成的虚拟网络功能（VNF）、容器、虚拟机和网络切片实例。这是实现智能、灵活运营的核心技术集。C4.21xx 软件定义与虚拟化：软件定义网络 (SDN)：控制平面与数据平面分离，实现集中、可编程的网络控制。网络功能虚拟化 (NFV)：将传统专用硬件设备的功能以软件形式运行在通用硬件上
DELL服务器BIOS下配置RAID阵列
dell服务器配置raid阵列
Score Matching（得分匹配）
Score Matching（得分匹配）是一种统计学习方法，用于估计概率密度函数的梯度（即得分函数），而无需知道密度函数的归一化常数。这种方法由Hyvärinen在2005年提出，主要用于无监督学习，特别是在密度估计和生成模型中。
WSL2部署Cadence Virtuoso IC25.1：Ubuntu 26.04排障实录
WSL2以轻量虚拟机结合完整Linux内核，为Windows桌面环境提供了原生级Linux运行能力，解决了传统虚拟机资源开销大、双系统切换低效的问题。对于依赖X11图形协议、FlexNet许可服务和特定动态库的EDA工具链而言，利用WSL2部署Linux发行版需要关注系统集成、显示通路与许可连通性。从技术原理看，图形层X Server的配置、动态库依赖的补齐以及license服务的主机名解析，共同构成EDA工具在WSL2中稳定运行的关键环节。在芯片设计场景中，设计工程师常需在Windows办公机与Linux
告别MATLAB！用Python的PYPOWER搞定电力系统潮流计算（附Case30完整代码）
本文介绍了如何从MATLAB迁移到Python，使用PYPOWER工具包进行电力系统潮流计算。通过详细的环境准备、数据接口兼容性实践、潮流计算实现及最优潮流计算进阶，帮助工程师和学生无缝过渡到Python生态。文章还展示了结果处理与可视化技巧，并附有Case30完整代码示例。
航空电子系统标准全景图：ARP4754A、ARP4761、DO-178C、DO-254 的协同作用
通过 ARP4754A、ARP4761、DO-178C 和 DO-254 的相互配合，确保航空电子系统的安全性和功能性在开发过程中得到充分保障。每一个文件在不同层面发挥作用，共同构成了一个完整的、系统的开发和验证框架，确保航空电子设备达到适航要求。这些标准不仅帮助开发人员有条理地开发复杂的航空系统，还确保所有系统组件（软件和硬件）在整个生命周期内都能满足最严格的安全和可靠性要求。
【yolo】YOLOv8模型导出完全指南：从PT到ONNX及其他格式的完整实践
摘要：本文全面介绍了YOLOv8模型从PT格式导出为ONNX等部署格式的完整流程与最佳实践。重点解析了关键参数（如format、imgsz、simplify）的作用机制，特别强调输入尺寸imgsz会自动继承训练尺寸的特性，并提供了ONNX、TensorRT等格式的典型导出配置方案。文章还总结了常见问题解决办法，推荐使用simplify优化模型性能，同时分享了通过C#实现模型重命名的实用技巧。最后指出"训练决定能力，导出定义接口"的核心原则，帮助开发者高效完成模型部署转换。
20、七鳃鳗繁殖与早期生活史：从水质到养殖的全面解析
本文全面解析了七鳃鳗的繁殖与早期生活史，重点探讨了水质对幼体生存的影响、养殖密度与生长关系、变态过程的时间与大小特征，以及人工繁殖在濒危物种恢复和入侵物种控制中的应用。同时，文章分析了大规模养殖面临的挖掘基质需求、空间限制、清洁管理、疾病防控及微生物环境等挑战，并强调实验室养殖对科学研究和种群管理的重要意义。随着技术进步，未来有望扩展更多物种的繁殖研究，揭示七鳃鳗生物学的进化奥秘，实现资源的可持续利用。
[QMT量化交易小白入门]-二十八、有了回测年化收益好的策略，如何在QMT量化实盘呢（附python代码解析）
本专栏主要是介绍QMT的基础用法，常见函数，写策略的方法，也会分享一些量化交易的思路，大概会写100篇左右。QMT的相关资料较少，在使用过程中不断的摸索，遇到了一些问题，记录下来和大家一起沟通，共同进步，自己淋过雨了，希望大家都有一把伞。
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
344
扫一扫
