登录社区云，与社区用户共同成长
邀请您加入社区
知库工单智联系统是面向中小企业的智能办公平台，做三件事：私有知识库管理、AI 智能问答、企业化工单协同。企业知识分散：制度、流程、手册散在各种文档里，新人想查找不到工单全靠人工审：简单咨询类工单也要人盯着处理，浪费人力通用 AI 不懂企业业务：ChatGPT 不会知道你公司的 VPN 怎么配、报销走什么流程核心思路是一个对话入口统一处理：用户用自然语言提问，系统自动判断意图路由到对应能力；工单提交
本研究突破传统无人机单机自主导航的技术边界，将5G通信的低时延、大带宽、广连接特性与无人机的感知、控制、集群协同深度融合，结合你此前长期开展的无人机路径规划、多智能体协同、复杂环境避障的研究积累，构建“5G云边端协同赋能”的全新无人机技术体系，从底层通信架构到上层应用场景实现全维度创新，解决传统无人机在复杂城市空域中通信中断、算力不足、集群协同效率低的行业痛点。
本文旨在研究基于深度强化学习的有源配电网过流保护方法。传统配电网在实际运行中存在负荷数据损坏、缺失和误差等问题，可能导致过流保护失效。
基于粒子群优化(PSO)和遗传算法(GA)优化调整自动稳压器(AVR)系统的PID控制器包含：PID控制器 线性化 AVR 系统建模 遗传算法GA 粒子群优化PSO附带参考文献简介：比例-积分-微分 （PID） 控制是业界常用的算法，用于改善动态响应和减少稳态误差。像 Ziegler-Nichols 方法这样的传统调整方法通常不足以找到接近最优的参数。该项目使用粒子群优化 （PSO） 和遗传算法
它包含四个以绿色显示的作业操作操作，每个作业操作操作都有一个紫色的兼容计算机操作空间。灵活作业车间调度问题（FJSP）在现代制造业中起着至关重要的作用，广泛用于各种制造工艺，例如半导体制造，汽车和纺织品制造（Brucker和Schlie，1990，Garey等人，1976，Jain和Meeran，1999，Kacem等人，2002）。精确的方法，如数学规划，在整个解空间中寻找最优解，但由于它们的N
MATLAB强化学习-appdesigner使用好像是MATLAB2017a之后都可以使用appdesigner，来代替老的MATLAB的guide。首先在命令窗口输入：appdesigner打开它之后创建如下图所示图标添加回调函数首先选中按钮，然后在右侧的回调，输入一个回调函数的名字（自己随便取的），然后enter键进入函数位置进入的时候，已经进入函数的具体的位置了。因为加法运算，所以编辑函数，
倒立摆是一个经典的控制理论问题，其系统本身是不稳定的，需要通过控制策略来维持平衡。传统的控制方法往往需要精确的模型信息，而现实世界中往往存在模型不确定性，导致控制效果不佳。强化学习作为一种数据驱动的方法，能够在不依赖精确模型的情况下学习最佳控制策略，因此在倒立摆控制领域展现出巨大潜力。本文将详细介绍基于强化学习的倒立摆控制方法，并使用Matlab进行仿真验证。1. 倒立摆系统模型2. 强化学习方法
配电网分布式光伏、负荷的随机波动易引发节点电压越限、网络有功损耗攀升等运行问题，传统无功优化方法依赖精确电网模型，在线调控实时性不足，难以适配新能源高渗透配电网动态工况。本文以深度确定性策略梯度（DDPG）强化学习算法为核心，结合 Matpower 潮流仿真工具搭建配电网闭环调控框架，选取 IEEE33 节点标准配电网作为仿真算例，以静止无功发生器（SVG）、并联电容器组为可调无功资源，构建兼顾电
✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。🍎 往期回顾关注个人主页：Matlab科研工作室👇 关注我领取海量matlab电子书和数学建模资料🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
MATLAB强化学习五：对数取整或者保留几位小数一、取整函数1.向零取整(截尾取整)fix-向零取整（Round towards zero）；fix(3.6)ans =32.向负无穷取整(不超过x 的最大整数-高斯取整)floor-向负无穷取整（Round towards minus infinity）；floor(-3.6)ans =-43.向正无穷取整(大于x 的最小整数)ceil-向正无穷取
在TRNSYS中训练50个episode（每个episode覆盖一周），算法收敛后与固定规则对比：夏季典型周总能耗降低16.29%，室内舒适时间增加29.74%，具体到冷水机组卸载切换更合理，避免了频繁启停。在TRNSYS中构建冷源系统模型：2台离心式冷水机组并联，3台变流量冷冻水泵，3台冷却水泵，2台冷却塔。模拟运行8月典型周，设备电耗模拟值与实测值对比：冷水机组误差3.2%，水泵误差4.7%，
在空地一体化移动边缘计算场景中，无人机凭借机动灵活、部署便捷、覆盖范围广的优势，可作为移动边缘服务节点，搭载算力设备对地面分布式终端用户的计算任务进行实时卸载与就近处理，有效解决传统地面固定边缘基站覆盖盲区大、部署成本高、应急响应能力弱的问题。然而在复杂野外、陌生城市、动态干扰环境下，多无人机协同作业面临飞行障碍物规避、动态环境自适应、终端服务优先级差异化、多机无冲突协同等多重约束。
二维平面下的UWB与IMU紧耦合定位导航系统仿真框架。该系统采用扩展卡尔曼滤波(EKF)进行多源信息融合。仿真结果表明，该紧耦合结构能有效实现定位导航，通过直接融合原始UWB测距数据避免了松耦合结构的分步定位误差。系统在20秒仿真中测试了圆周和直线组合运动轨迹，并提供了位置RMSE、最大误差等多项评估指标。该适用于室内定位和GNSS拒止环境下的机器人导航等场景，采用MATLAB实现。
介绍MDP是Markov decision process马尔科夫决策过程的缩写。本示例在马尔科夫决策过程中训练一个智能体。问题定义MDP = createMDP(8,["up";"down"]);createMDP函数的用法为：SyntaxMDP = createMDP(states,actions)8为states的个数；“up”、“down”为两个可能的动作；在createMDP中通过.T和
在现代无人机应用中，多无人机协同作业已成为提升任务效率和拓展应用范围的关键手段。然而，多无人机在共享空间中飞行时，路径规划与防撞问题至关重要。基于多智能体 Q - Learning 强化学习的方法为解决这些问题提供了有效途径。该方法借助 Q - Learning 算法的优势，让每架无人机通过维护独立的 Q 值表进行学习，并通过奖励函数的巧妙设计实现协同防撞，从而在复杂环境中实现高效的协同路径规划。
机器人路径规划是机器人学领域的核心问题之一，旨在寻找一条从起始点到目标点的安全、高效的路径。传统的路径规划方法，如A*算法、Dijkstra算法等，虽然在静态环境下表现良好，但在动态、不确定性环境中则显得力不从心。强化学习 (Reinforcement Learning, RL) 作为一种有效的解决不确定性问题的方法，近年来在机器人路径规划领域得到了广泛应用。
一、多车辆系统加速度控制的核心需求与传统方法局限在智能交通系统（如自动驾驶车队、智能公交调度、港口无人集卡编队）中，多车辆系统的加速度控制是保障行车安全、提升通行效率的关键环节。其核心目标是通过协同调整各车辆的加速度，实现 “安全距离保持、速度同步、冲突规避” 的统一，同时适应动态变化的交通环境（如前车加减速、突发障碍物、道路曲率变化）。然而，传统加速度控制方法在复杂多车辆交互场景下存在明显局限，
强化学习多臂赌博机完整代码，包运行；可提供运行操作视频！适合小白！
💥💥💞💞❤️❤️💥💥博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️行百里者，半于九十。📋📋📋🎁🎁🎁。
一、无人机导航的核心痛点：从 “被动执行” 到 “主动决策”无人机导航路径规划的核心诉求是自主避障、最优路径、动态适应，但传统导航方案（如 GPS + 预设路径、人工势场法）存在明显局限：预设路径无法应对突发障碍物（如飞行中的鸟类、临时施工区域）；传统算法在复杂环境（如城市峡谷、森林）中易陷入局部最优，且对动态环境的适应性不足。
交直流混合微电网通过互联变换器实现交流子网与直流子网的耦合，可高效整合可再生能源、储能系统及各类负荷，是未来分布式能源利用的核心架构之一。源荷扰动（可再生能源出力随机波动与负荷不确定性变化）易导致系统功率失衡，引发频率偏差，若偏差超出允许范围，将严重影响电能质量甚至导致系统失稳。传统负荷频率控制方法高度依赖精确的系统数学模型，难以适配交直流微电网多源异构、拓扑多变、参数时变的特性，且对随机性源荷扰
机器人路径规划是机器人学领域中的一个核心问题，其目标是为机器人找到一条从起始点到目标点的安全、高效且最优的路径，避免与障碍物发生碰撞。传统的路径规划算法，例如A*算法、Dijkstra算法等，依赖于对环境的精确建模，然而在实际应用中，环境往往是动态且不确定的。强化学习 (Reinforcement Learning, RL) 作为一种解决不确定性环境下决策问题的新兴方法，为机器人路径规划提供了新的
无人机的稳定飞行依赖于精确的控制，比例 - 积分 - 微分（PID）控制器因其结构简单、鲁棒性强等优点，广泛应用于无人机的姿态和位置控制。然而，传统的 PID 参数整定方法往往依赖经验或试错，难以在复杂多变的飞行环境中实现最优控制。强化学习作为一种强大的机器学习技术，能够通过智能体与环境的交互学习，自动优化控制策略。将强化学习应用于无人机 PID 参数的调整，有望实现无人机在不同飞行条件下的自适应
介绍在MATLAB强化学习工具箱的大部分demo中，都有对随机数种子的重置。在【MATLAB深度学习工具箱】学习笔记--体脂估计Body Fat Estimation_bear_miao的博客-CSDN博客介绍本示例展示一个函数拟合神经网络如何根据解剖学测量结果估计体脂。【注：关键词：多维数据 函数拟合 神经网络】问题描述在本例子中根据如下13种身体特征评估体脂。【注：具体的属性特征对学习此解决问
六轴机械臂凭借多自由度灵活操作的特性，在工业装配、物流分拣、精密加工等领域应用广泛。其路径规划的核心需求是：在复杂环境（如含固定设备、工件、动态障碍物）中，从起点姿态平稳移动至目标姿态，同时避免与环境或自身关节的碰撞（即自主避障）。传统路径规划方法（如 A*、RRT*）虽能生成无碰撞路径，但在高维关节空间、动态障碍物场景中，存在计算效率低、鲁棒性不足等问题。
直流电机凭借转矩特性优良、调速范围宽、控制精度高的核心优势，至今仍是工业伺服驱动、机器人关节执行器、高精度运动平台等场景的核心动力部件。在实际工业运行环境中，直流电机调速系统始终面临多重不确定性挑战：负载转矩随机扰动、电枢电阻与电感随温度漂移、系统建模存在未建模动态、外部供电电压波动，传统固定参数的PID控制器在工况变化时极易出现超调量大、抗扰能力弱、动态性能劣化的问题，难以满足现代高端装备对运动
1 引言无线传感器网络（WSN）是由一组空间上分散的传感器节点组成的网络，这些节点通过无线通信技术相互连接 [1]。如图 1.1 所示，传感器节点（亦称“mote”）是一种电子设备，其组成包括处理器、存储单元、收发器模块、单个或多个传感器、模数转换器（ADC）以及电源（通常为电池）；该节点还可选配定位单元和/或移动单元。传感器节点利用其内置传感器来测量周围环境中的实时状态变化。这些测量值经 ADC
MATLAB 是一款广泛应用于数学计算、数据分析、算法开发、工程仿真、科学研究以及人工智能等领域的专业软件。随着的发布，MATLAB 在编程体验、数据分析、可视化、机器学习、深度学习以及工程工具箱等方面进行了进一步优化，同时持续增强与 Python 等其他编程语言之间的协作能力，为用户提供更加完善的工程计算与开发环境。
数学建模国赛的评阅风向，这几年已经发生了微妙但确定的变化。早几年，一套清晰的逻辑、一组说得通的假设、一份工整的论文，就足够拿到省一甚至国奖。但到了2026年，评委的阈值被大幅拉高——因为AI辅助建模工具已经普及，基础模型（线性回归、简单遗传算法、普通神经网络）几乎成了“标配”，甚至可以被ChatGPT级别的工具在五分钟内生成。那什么才是真正拉开差距的地方？答案是进阶算法的工程化落地能力。具体来说，
采用栅格法建立机器人工作环境模型,并用MATLAB语言随机产生栅格中障碍物的位置及数量,应用遗传算法完成机器人路径规划,对遗传算法的插入和删除操作进行了改进,提高了遗传算法的搜索速度,并采用序号编码的方法,减小编码长度,简化遗传算法程序,缩短程序执行时间。仿真结果表明了该方法的有效性及可行性。
1 简介采用栅格法建立机器人工作环境模型,并用MATLAB语言随机产生栅格中障碍物的位置及数量,应用遗传算法完成机器人路径规划,对遗传算法的插入和删除操作进行了改进,提高了遗传算法的搜索速度,并采用序号编码的方法,减小编码长度,简化遗传算法程序,缩短程序执行时间。仿真结果表明了该方法的有效性及可行性。2 部分代码clcclearclose allglobal liantong_point num_
同时定位与地图构建（SLAM）是移动机器人领域的关键技术，扩展卡尔曼滤波器（EKF）常被用于解决 SLAM 问题。然而，基于 EKF 的 SLAM 系统中存在不一致性问题，影响其定位和建图的准确性。从可观测性角度深入分析这一问题，有助于理解系统状态可观测性与不一致性之间的关系，为改进基于 EKF 的 SLAM 算法提供理论依据。本文将详细阐述相关概念，并探讨基于可观测性分析解决不一致性问题的方法。
matlab
——matlab
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit AI 社区
2048 AI社区
天工造物局
DAMO开发者矩阵
亚马逊云科技技术品牌专区
