6、网络物理系统工程中的多模型与协同仿真及软件测试挑战

网络物理系统工程中的多模型与协同仿真及软件测试挑战

1. 网络物理系统中的多模型与协同仿真

在网络物理系统(CPS)中,传感器的实际输出和模拟输出存在差异,这种差异体现了“设计状态”和“实际构建状态”之间的不同。以两个传感器为例,会有四种可能的输入情况。从控制器的角度来看,传感器输入和执行器输出(到车轮)之间存在着适当的关系。由于这里使用的是基本的Bang - Bang控制器,接收简单的传感器输入,所以很容易看出四种可能输入和输出之间有高度的对应关系。

在新的协同仿真编排版本中,实时数据流会被输入到不同的功能模型单元(FMU)中,但不会直接发送给接收的FMU,而是与FMU预测的数据进行比较。如果差异过大,目的是支持人类操作员做出决策。

项目 说明
传感器输入情况 两个传感器有四种可能输入
控制器类型 基本的Bang - Bang控制器
新协同仿真编排 实时数据与FMU预测数据比较

在决策支持方面,以简单的低摩擦机器人(LFR)为例,虽然难以想象复杂的决策,但可以设想智能控制器。例如,当任何传感器出现故障时,能支持系统进入降级模式,这种改变可能可以自主进行。然而,当有许多替代解决方案可供选择,且没有一个特别有优势时,让人类参与最终决策

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值