基于混合表达图形的二维不规则排样构造算法

提出了一种基于矢量图与像素图混合表达的二维不规则排样构造算法.在算法的初始阶段,零件信息采用矢量方式输入,在寻找最优排样姿态阶段则采用像素化表达,最后为了消除零件之间的缝隙并输出精确的排样图,零件恢复为矢量图表达.算例分析表明,该算法具有复杂度低、执行速度快和排样效果好的优点,有望推广为一种新型三维不规则排样构造算法,并基于图形处理器(GPU)的并行计算技术对其进行性能升级.     

考虑网联汽车信息安全的交通流短时预测方法

针对智能网联汽车因网络攻击或干扰造成的信息安全及数据缺失问题,提出一种基于数据补全的交通流状态短时预测方法。首先,基于边缘计算任务卸载模型,对智能网联汽车V2X通信过程的异常数据动态辨识;其次,提出一种具有数据补全机制的图嵌入长短期神经网络模型,实现网联汽车缺失数据补全;再次,通过补全后的完整数据集构建神经网络模型,完成短时交通流状态预测;最后,选取北京市典型路段进行实验验证。结果表明,该模型应用后交通流状态短时预测效果显著提高,与其他方法相比预测误差最大降低87.4%,预测效果与实际交通流状态相比准确率达到95％,为智能网联环境下车辆信息安全与交通资源动态优化提供理论支持和技术方案。     

一种新型不规则三维排样构造算法

基于最小势能原理,提出了一种新型不规则三维排样构造算法(HAPE3D)：容器内部均匀分布多个离散排样点,零件依次平移至每个排样点,然后绕x、y、z轴旋转,最终找到使零件重心最低的最优排样姿态.文中还提出了一个多面体重叠检测算法,令HAPE3D摆脱了临界多面体束缚.算例表明,HAPE3D能够处理任意形状的多面体零件,并可以考虑零件旋转,同时具备孔洞填充功能.HAPE3D的速度也较快,使其与现代启发式算法混合成为可能.     

基于最小势能原理的不规则零件排样算法

提出了一种基于最小势能原理的不规则零件排样算法(HAPE),揭示了排样问题的物理意义:零件总是试图通过平移和旋转运动尽量降低零件的重心高度,从而得到更加紧密的排列.为了寻找最优排样姿态使零件重心最低,需要在母材上均匀布置一些点,让零件在每个点间隔一定的角度进行旋转.算例表明,HAPE是可靠的,且物理意义明确,不需要计算...