![](https://img-blog.csdnimg.cn/20190918140145169.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
优化与控制
优化与控制
明天已在HiaHia
日拱一卒,日行一米。
展开
-
【B站UP DR_CAN学习笔记】Kalman滤波3
系统状态空间方程表述如下:其中为过程噪音(模型结果),为测量噪音(测量结果)。在过程噪音和测量噪音都不准确的情况下,如何去估计一个精确的,这就是Kalman滤波需要解决的问题。原创 2022-06-25 19:30:40 · 144 阅读 · 0 评论 -
【B站UP DR_CAN学习笔记】Kalman滤波2
当,如何使得对真实值的估计方差最小?按照卡尔曼增益的公式,如何求得使得最小?由于测量结果和相互独立,则上式,即为了使最小,则,即,解得:原创 2022-06-25 15:37:20 · 120 阅读 · 0 评论 -
【B站UP DR_CAN学习笔记】Kalman滤波1
最优化递归数字处理算法当我们在描述一个系统时,不确定性主要体现在三个方面:(1)不存在完美的数学模型(2)系统的扰动不可控,也很难建模(3)测量传感器存在误差估计真实结果,最自然的方法是多次测量取平均值。综述,当时,,,再多的测量已不再重要。另,则即当前的估计值=上一次的估计值+系数×(当前的测量值-上一次的估计值)即为卡尔曼增益。小结:只需要当前的测量值和上一次的估计值,不需要更早的数据。如果假设估计误差为,测量误差为,则当估计误差远大于测量误差时,卡尔曼增益为1,估计值为测量值;当测量误差远大于估计过程原创 2022-06-25 15:05:05 · 286 阅读 · 0 评论 -
龙格-库塔(Runge-Kutta)方法
方法标签:常微分方程 数值解简介:龙格-库塔(Runge-Kutta)方法是一种在工程上应用广泛的高精度单步算法。对于微分方程y'=f(x,y),离散化得到y(xi+1)=y(xi)+h*K1,其中:K1=f(xi,yi)。当用左端点xi处的斜率近似值K1与右端点(xi+1)处的斜率K2的算术平均值作为平均斜率K*的近似值,那么就会得到二阶精度的改进拉格朗日中值定理y(xi+原创 2016-08-07 23:37:36 · 4613 阅读 · 0 评论 -
xml可扩展标记语言
可扩展标记语言(XML),标准通用标记语言的子集,是一种用于标记电子文件使其具有结构性的标记语言。如下所示:GeorgeJohnReminderDon't forget the meeting!原创 2016-08-08 23:21:23 · 707 阅读 · 0 评论 -
算法的极端情况
通常人们有个误解,认为我们有计算机,它们应该解决我们的所有问题,甚至一些极端情况。极端情况——根据定义——只会发生在极端条件下,缺少一定的投入,用常规的方式很难处理。通过手工处理极端情况,用户可以进行人工干预,决定什么才是应付这种问题的做好做法。这样做我们可以快速的让系统上线,减少了代码编写,最终能让客户更满意。通过统计这种极端情况的发生频率,我们能够按照实际情况来决定是否值得去投原创 2016-08-23 22:16:02 · 708 阅读 · 0 评论 -
【组合优化】旅行商问题Traveling Salesman Problem(TSP)-遗传算法[GA]再分析
遗传算法中的变量是什么?function pop = create_permutations(NVARS,FitnessFcn,options)totalPopulationSize = sum(options.PopulationSize);n = NVARS;pop = cell(totalPopulationSize,1);for i = 1:totalPopulationSize pop{i} = randperm(n); end根据create生成函数可得,遗传算法中原创 2021-11-11 22:57:45 · 223 阅读 · 0 评论 -
【组合优化】旅行商问题Traveling Salesman Problem(TSP)-遗传算法[GA]
从分类角度而言,神经网络算法是启发式算法的一种。同时,也可为各种精确求解方法提供两个参考:(1)初始解;(2)对解的上界的估计。本算例采用遗传算法进行求解。能起到的作用也仅此为止。算例工况设置同前文,如下图所示,不再赘述。遗传算法迭代1000次,fval = 6.8384,得到的结果如下图所示统计结果如下:【整数线性规划方法给出的精确最优解为fval=6.288367。】 Case 算例 MaxGenerations ..原创 2021-11-11 20:35:39 · 429 阅读 · 0 评论 -
【组合优化】旅行商问题Traveling Salesman Problem(TSP)-解的最优性证明
上一节使用的求解旅行商问题的方法为:整数线性规划算法intlinprogoptions = optimoptions('intlinprog');整数线性规划算法中使用的为分支定界算法branch-and-bound algorithm。分枝界限法是由三栖学者查理德·卡普(Richard M.Karp)在20世纪60年代发明,成功求解含有65个城市的旅行商问题,创当时的记录。“分枝界限法”把问题的可行解展开如树的分枝,再经由各个分枝中寻找最佳解。output.absolutegap的含义为原创 2021-11-10 19:29:39 · 1038 阅读 · 0 评论 -
【组合优化】旅行商问题Traveling Salesman Problem(TSP)-约束定义
朴素约束最朴素的约束为:每个节点有且仅有两条边。constr2trips = optimconstr(nStops,1);for stop = 1:nStops whichIdxs = outedges(G,stop); % Identify trips associated with the stop constr2trips(stop) = sum(trips(whichIdxs)) == 2;endtsp.Constraints.constr2trips = const原创 2021-11-10 19:09:24 · 2156 阅读 · 0 评论 -
【组合优化】旅行商问题Traveling Salesman Problem(TSP)-问题基本要素
1 数据结构任意两点间距离idxs = nchoosek(1:nStops,2);dist = hypot(stopsLat(idxs(:,1)) - stopsLat(idxs(:,2)), ... stopsLon(idxs(:,1)) - stopsLon(idxs(:,2)));lendist = length(dist);idx为索引下标[1225行2列@nStops=50];如下所示 1 2 1 3 1...原创 2021-11-10 16:38:04 · 560 阅读 · 0 评论 -
【组合优化】旅行商问题Traveling Salesman Problem(TSP)-概述
概述旅行商问题Traveling Salesman Problem(TSP)是一个经典的组合优化问题。旅行商问题是这样一个问题:给定一系列城市和每对城市之间的距离,求解访问每一座城市一次并回到起始城市的最短回路。它是组合优化中的一个NP-Hard困难问题,在 运筹学和理论计算机科学 中非常重要。示意图如下图所示,需要找到一条路径穿过图中生成的所有点。一个可行解如下图所示。对于这类问题可以采用精确解、近似解、启发解等多种方式,后续文章将结合公式和代码进行说明。...原创 2021-11-10 14:36:52 · 2313 阅读 · 0 评论 -
【组合优化】旅行商问题Traveling Salesman Problem(TSP)-基准地图生成
由于将采用多种算法对此问题进行求解,需要提前明确基准地图,便于后续进行比较。由于为NP-Hard问题,为防止在某些算法进行计算时无法在可接受的有限时间内完成,取50个点。以下为MATLAB代码。后续应用中,点数可以通过nStops进行修改。load('usborder.mat','x','y','xx','yy');rng(3,'twister') % Makes stops in Maine & Florida, and is reproduciblenStops = 50; %原创 2021-11-10 15:04:42 · 494 阅读 · 0 评论