城市高层建筑智能火灾多感监测系统研究

针对城市高层建筑火灾的监测困难与预警准确度低的现状,以ZigBee-WiFi为基础通信网络,给出了多感监测系统网络结构与节点硬件设计。构建基于PSO-ELM的高层建筑智能火灾多感监测模型,完成了实验室条件下的PSO-ELM仿真验证,采用多传感器的100次实验数据样本的训练对该模型进行分析与测试验证。仿真结果表明,使用PSO-ELM优化算法时能够提高监测计算的速度和准确度,而且降低了训练样本数和隐含层节点数变化对训练结果的影响,通过实验仿真得到PSO-ELM的预测结果更接近实际值,而且最大相对误差只有0.6%,其预测效果优于SVR算法和BP神经网络算法。     

基于PSO-HJ算法的多无人机协同航迹规划方法

针对多无人机协同航迹求解计算量大、难以收敛等问题,提出了一种基于粒子群优化和Hook-Jeeves (PSO-HJ)搜索算法相融合的多无人机时间协同三维航迹规划方法。首先,建立了单无人机航迹规划求解模型。然后,通过对适应度评价函数值低的粒子引入Hooke-Jeeves搜索算法,提高了粒子多样性,改善了航迹规划算法收敛性;对不满足约束的粒子引入约束违反度函数,基于比较准则提出了一种新的粒子评价机制,促进粒子搜索位于约束边界的最优解,加快了航迹规划算法的计算效率。最后,设计了一种多无人机时间协同航迹规划求解算法,利用PSO-HJ算法先分别求解单无人机航迹信息,通过多无人机集中航迹规划层协调到达时间实现协同航迹规划。仿真结果表明,PSO-HJ算法的精度比量子粒子群(QPSO)算法精度提高了20.85%,比PSO算法精度提高了58.14%,更适用解决实际复杂的多机协同规划问题。