摘要:电力巡检是保障电力设备安全与稳定的关键.传统的巡检方式以人工为主,其高风险、低效率、易漏检的缺点难以满足电力巡检要求,将机器人应用于电力巡检具有安全高效、自主分析、智能决策的优势.路径规划技术通过求解巡检路线以实现遍历巡检与自主避障,是电力巡检机器人的关键技术之一.对此,首先分析不同电力场景的巡检内容与要求;然后,综述电力单体巡检机器人路径规划技术与协同巡检机器人路径规划技术,并总结电力巡检机器人路径规划技术在发电站、变电站以及输电线路场景下的应用效果;最后,对电力巡检机器人路径规划关键技术进行展望,即未来电力巡检机器人路径规划技术将向着多源异构信息融合、深度强化学习以及云边端协同路径规划方向发展.

摘要:随着自动化和智能化攻击技术的发展,网络空间安全形势日益严峻,仅靠传统的防御机制已经无法满足当前安全防护的需求.移动目标防御(MTD)为了扭转网络攻防“易攻难守”的被动局面应运而生,通过增加网络和系统的不确定性、随机性和动态性对抗同类型攻击,通过有效降低其确定性、相似性和静态性降低攻击成功率.当前,移动目标防御的脆弱性也较少被系统分析,且移动目标防御在新场景下的具体应用较少被具体总结.鉴于此,首先阐述移动目标防御的产生背景和基础理论;其次,对移动目标防御相关研究进行综述,并分析移动目标防御的脆弱性;接着,总结移动目标防御在物理信息系统、云环境、智能电网和对抗样本防御等新兴领域的应用;最后,对移动目标防御的研究前景进行展望.

摘要:多任务粒子群优化算法(multi-task particle swarm ptimization,MTPSO)通过知识迁移学习,具有快速收敛能力,广泛应用于求解多任务多目标优化问题.然而,MTPSO难以根据种群进化状态自适应调整优化过程,容易陷入局部最优,收敛性能较差.针对此问题,利用强化学习的自我进化与预测能力,提出一种基于Q学习的多任务多目标粒子群优化算法(QM²PSO).首先,设计粒子群参数动态更新方法,利用Q学习方法在线更新粒子群算法的惯性权重和加速度参数,提高当前粒子收敛到Pareto前沿的能力;其次,提出基于柯西分布的突变搜索策略,通过全局和局部交替搜索多任务最优解,避免算法陷入局部最优;最后,设计基于正向迁移准则的知识迁移方法,采用Q学习方法更新知识迁移率,改善知识负迁移现象.与已有经典算法的对比实验结果表明所提出的$QM^2$PSO算法具有更优越的收敛性.

摘要:为充分利用问题求解过程知识,提升动态多模态优化算法的计算资源利用效率,提出一种基于知识引导的自适应动态多模态差分进化算法.首先,利用自组织映射神经网络实现种群自聚类,形成稳定的小生境;然后,通过对种群全局知识和个体邻域知识的综合学习,设计一种基于知识引导的自适应差分进化算法,在对种群进化状态进行实时监测和分析的基础上,逐层递进地引导不同种群个体自适应地选择最符合当前进化需求的变异方式,提升种群搜索效率,平衡种群多样性与收敛性;最后,针对问题动态特性,设计一种基于历史动态过程知识引导的自适应动态响应机制,通过对历史寻优经验的自适应学习,预测生成新环境下的潜在精英个体,引导种群实现精准快速的多峰定位.实验结果表明,所提出算法能够有效解决动态多模态优化问题,且在不同动态环境设置下其求解性能均优于对比算法.

摘要:进化优化具有优异的全局搜索能力,已成功应用于建筑节能设计问题.然而,由于需要借助代价高昂的建筑能耗软件不断评价个体,现有建筑节能设计进化算法普遍存在运行代价高的问题.鉴于此,提出一种面向建筑节能设计的多代理辅助多目标进化优化算法,简称MS-MOEA/D.首先,依据MOEA/D的目标分解特征同时构建多个基础代理模型;然后,针对每个待评估个体,自动选择合适的基础代理模型,并使用它们的集成结果预测该个体的目标值,达到提高其预测精度的目的.同时,在进化过程中自主确定基础代理模型的更新时机和规模,以降低代理模型的管理成本;最后,将所提出MS-MOEA/D与建筑能耗模拟软件EnergyPlus相融合,建立面向建筑节能设计的多目标进化优化仿真平台,并将该平台应用于中国北京地区常见居民和办公建筑节能设计实例中.通过与7种典型多目标进化算法进行对比,结果表明,MS-MOEA/D在显著降低计算代价的基础上能够得到高竞争力的Pareto最优解集.

摘要:针对一类具有不确定性的连续时间非线性系统,提出一种基于单网络评判学习的鲁棒跟踪控制方法.首先建立由跟踪误差与参考轨迹构成的增广系统,将鲁棒跟踪控制问题转换为镇定设计问题.通过采用带有折扣因子和特殊效用项的代价函数,将鲁棒镇定问题转换为最优控制问题.然后,通过构建评判神经网络对最优代价函数进行估计,进而得到最优跟踪控制算法.为了放松该算法的初始容许控制条件,在评判神经网络权值更新律中增加一个额外项.利用Lyapunov方法证明闭环系统的稳定性及鲁棒跟踪性能.最后,通过仿真结果验证该方法的有效性和适用性.

摘要:金属钴被广泛用于电池和金属复合材料,草酸钴合成过程是影响产品质量的关键工序.针对草酸钴平均粒径的优化问题,提出一种基于改进的近端策略优化(PPO)算法的草酸钴合成过程优化方法.首先,根据草酸钴合成过程的优化目标及约束条件设计相应的奖励函数,通过建立过程的马尔科夫决策模型,将优化问题纳入强化学习框架;其次,针对策略网络在训练过程中出现的梯度消失问题,提出将残差网络作为PPO算法的策略网络;最后,针对过程连续状态空间导致PPO算法陷入局部最优策略问题,利用交错模仿学习对初始策略进行改进.将所提出的方法与传统PPO算法进行比较,改进的PPO算法在满足约束条件的同时,具有更好的优化效果和收敛性.

摘要:基于手部骨骼的动态手势识别是计算机视觉和人机交互领域的一个研究热点.手势涉及的关节在空间上分布更紧密,相关性更强.针对目前基于骨骼的动态手势识别存在空间特征复杂、识别计算速率缓慢等问题,提出一种注意力引导空域图卷积简单循环单元(ASGC-SRU)网络.首先,将空域图卷积嵌入至SRU的门结构中,使得具有高速并行计算能力的SRU能够对复杂手势的时域和空域信息进行建模;然后,引入一种指关节注意力引导模块,使得更重要的指关节具有更高的关注度;最后,引入一种注意力增强空域图丢弃(ASD)的正则化方法,缓解网络过拟合的弊端.为验证所提出方法的有效性,在公认的动态手势数据集SHREC'17和DHG14/28上进行大量实验,实验结果表明,所提出方法取得了较高的识别准确率,同时保持优良的计算效率.

摘要:视觉SLAM在机器人的室外作业如野外探索、定位侦察中扮演了重要角色.为了使得机器人可以更好地进行室外作业,提出一种不受词袋模型的固定词汇限制的完全在线实时双目直接法视觉SLAM算法.作为直接法视觉SLAM,所提到的系统可以利用任何具有足够强度梯度的图像像素,使其在缺少特征点的区域仍具有很强的鲁棒性.在系统算法中引入双目静态残差约束并去除遮挡的滑窗优化来增强系统的跟踪精度,增加闭环检测和位姿图优化模块,并建立在线词袋模型,使得系统在大规模且陌生的环境中依然可以进行工作.将此算法在公开的EuRoC数据集和KITTI数据集上进行性能评估,结果表明,所提出的系统的定位精度优于最先进的直接法视觉SLAM系统,且室内场景和室外场景均具有鲁棒性.

摘要:研究救援场景下的多无人机协同任务分配问题,考虑幸存者所需援助类型的不同,建立更贴合实际的组合优化模型.针对该模型,提出一种自适应遗传学习粒子群算法(adaptive genetic learning particle swarm optimiza- tion,AGLPSO).首先,根据无人机与幸存者之间的救援关系,采用一种实向量编码机制处理决策变量约束,以简化模型求解.然后,通过两层级联结构提高算法搜索能力:第1层通过遗传学习策略生成高质量的精英粒子,并对进化停滞的粒子采用精英学习策略进行更新,以跳出局部最优;第2层利用精英粒子指导种群的搜索方向,并根据粒子群的进化速度和粒子的聚集程度,采用自适应进化策略提高算法在不同进化时期的寻优能力.仿真实验表明,所提出的AGLPSO算法能快速、有效地找到合理的救援分配方案.

摘要:在环境认知的动态避障过程中,除了预期不确定性事件,移动机器人还可能会遇到非预期不确定性事件.如何高效、灵活地应对非预期不确定性事件是移动机器人动态避障中面临的一个重要挑战.目前关于这方面的研究相对较少,且基于这些研究的移动机器人普遍缺乏自主学习能力,难以快速、灵活地应对突变的外部环境. 鉴于此,首先,设计一个新的碰撞危险度指标,该指标不仅考虑障碍物的距离,同时也考虑障碍物速度对移动机器人运动的影响.模拟人脑中乙酰胆碱和去甲肾上腺素在应对环境不确定性时的反应机理,通过碰撞危险度指标引导移动机器人的注意力网络在关注预期刺激的背侧注意力网络和关注新刺激的腹侧注意网络之间切换,使得机器人灵活应对环境中的不确定性事件;然后,设计新的神经元学习率,以增强调节发育网络隐含层神经元的学习能力,提高机器人应对突变环境的快速响应能力;接着,修改突触权值更新规则,以提高移动机器人行为决策的准确性;最后,通过在两种不同场景下的仿真实验以及物理环境中的实验,验证所提出的应对环境中非预期不确定性事件的移动机器人调节发育学习方法的可行性.

摘要:针对RRT*FN算法获取路径解的速度慢,且无法应用于动态环境等问题,提出固定节点数的动态双向渐近最优快速随机扩展树算法(bidrectional RRT* fix-node dynamic, B-RRT*FND),用于解决移动机器人在二维空间内快速实时获取无碰撞路径的问题.所提出算法基于RRT*FN算法,采用双向贪婪搜索方法加快路径搜索速度,解决单向RRT算法由于随机采样的盲目性造成的搜索速度慢、在狭窄环境下难以搜索到解的问题;利用固定节点算法在规划过程中不占用过多计算量的特点,在路径迭代优化过程中,实时更新地图信息,并对被破坏的原始路径进行修复重连,以完成算法的动态规划.将所提出算法与RRT、RRT*FN等算法在3种环境下进行对比仿真,验证结果表明,所提出算法在规划速度、路径解长度以及动态规划性能方面具有较好效果.

摘要:针对多无人机动态目标协同搜索问题,提出一种组合差分进化无人机协同搜索航迹规划方法.建立动态目标协同搜索环境信息图模型及无人机运动模型.基于改进差分蝙蝠算法和自适应差分进化算法,设计基于种群数量自适应分配的组合框架,将差分进化算法中的变异、交叉和选择机制引入蝙蝠算法,构建组合差分进化算法的协同搜索算法,并对无人机动态目标协同搜索的航迹进行优化.针对待搜索目标轨迹随机多变且具有规避侦察特性的现实场景,建立可回访数字信息图和自适应目标搜索增益函数,从而提高无人机对动态目标的捕获能力.最后,通过仿真结果验证所提出的无人机动态目标协同搜索算法的有效性.

摘要:传感器网络环境中普遍存在的节点饱和、测量缺失、时滞等信息不完全现象,必然导致系统整体性能变差.研究随机饱和与测量缺失影响下非线性系统的分布式${H_\infty

摘要:针对流程工业中工况改变易导致当前样本与历史样本分布失配,传统软测量模型失准的问题,考虑工业数据时序性、动态性以及存在过程漂移等特性对建模的影响,提出一种基于迁移子空间学习的偏最小二乘回归软测量方法.首先,回归框架采用非线性迭代偏最小二乘方法,对其求解映射向量的目标函数施加基于子空间重构的域适应正则项,映射过程中保证当前工况中每个样本能够被历史工况样本线性重构.在此基础上对重构矩阵施加低秩稀疏约束,保持数据结构的同时使重构矩阵具备块状结构以应对过程漂移特性.将所提出方法在1个数值案例和3个不同的多工况数据集中进行实验,并与现有域适应回归方法进行对比分析.实验表明,所提出方法能够有效提高模型在跨工况条件下的预测精度,减少工况间数据分布差异对模型性能的影响.

摘要:针对一类执行器及传感器同时发生故障的非线性系统,综合鲁棒滑模重构观测器及自适应滑模容错控制器设计技术,提出一体化跟踪主动容错控制方案.首先,将系统增维变换为广义系统,运用广义约束逆引入辅助矩阵,采用线性矩阵不等式设计观测器系数矩阵,综合自适应律给出广义鲁棒滑模观测器设计程式;在此基础之上,通过设计鲁棒滑模微分器估计输出向量微分,结合广义鲁棒滑模观测器状态估计结论,实现执行器及传感器故障同时重构.其次,基于故障重构及状态估计结论,提出自适应滑模的跟踪主动容错控制律设计程式.最后,通过开展飞行模拟转台伺服系统数值仿真,检验一体化跟踪主动容错控制器设计方法的有效性.

摘要:弓网滑动电接触的接触状态对电力机车的平稳运行有着直接的影响,为了判断一定工况条件下弓网滑动电接触是否失效,提出一种基于平衡数据集训练的改进麻雀算法优化核极限学习机失效诊断模型.首先,通过浸金属碳滑板与铜导线的对磨实验模拟机车运行,得到载流稳定系数与离线率随滑动速度、压力波动幅度、压力波动频率和接触电流的变化规律.其次,通过自适应综合过采样法对实验所得数据中的少数类样本进行扩充,将生成的平衡数据集用于训练核极限学习机失效诊断模型.同时,采用改进麻雀算法对模型的参数进行优化.针对基本麻雀算法存在的不足,将混沌镜向初始化策略、旋转搜索策略和柯西交叉变异策略应用于麻雀的位置更新,得到改进的麻雀算法.通过测试函数对其进行仿真测试,结果表明改进麻雀算法具有更好的稳定性和收敛精度.最后,通过将所提出模型与其他诊断模型进行对比,进一步表明了在不平衡数据集下该模型的有效性与改进算法的优越性.

摘要:实际多模态化工过程通常由于产品需求等调整而产生新模态,现有基于深度学习的故障诊断方法存在未充分利用现有模态设计经验、小样本下难以训练模型等局限.针对上述问题,提出一种基于元学习(meta learning, ML)和网络结构搜索(neural architecture search, NAS)的新模态故障诊断方法MetaNAS.首先,利用NAS自动获取现有模态性能最优的网络模型;然后,利用ML从现有模态的NAS过程中学习故障诊断模型的设计经验;最后,当新模态产生时,在已学习设计经验基础上进行梯度更新,即在小样本条件下快速得到新模态故障诊断模型.通过数值系统和田纳西伊斯曼(Tennessee Eastman, TE)化工过程的仿真实验充分验证所提出方法的有效性和可行性.

摘要:为了提高半被动双足机器人在水平地面上行走的稳定性,研究一种脉冲推力作用下半被动双足机器人的行走动力学行为.以最简单的特殊行走模型为动力学模型,采用支撑腿脚后跟脉冲推力作为双足机器人行走动力源.鉴于系统模型的高度非线性,将连续阶段的非线性微分方程线性化;利用角动量守恒和脉冲推力构造一个二维离散映射;采用离散映射的不动点及其特征值分析系统周期步态的存在性和稳定性;接着讨论系统的倍周期分岔.在理论分析的基础上,通过Matlab软件对半被动双足机器人的行走动力学进行仿真实验. 仿真结果表明,在水平地面上行走的半被动双足机器人具有稳定的周期-1步态和周期-2步态.

摘要:建设源荷协调、灵活互动的综合能源系统是构建新型电力系统的有效路径.在综合能源系统下,通过价格、补贴等激励手段合理调节用户侧需求响应机制可以促进综合能源系统的经济高效运行.为制定合理的需求响应激励机制,首先充分考虑源侧可再生能源出力和负荷侧多类能源需求的不确定性,提出随机场景生成策略;然后提出计及用户需求响应的综合能源系统博弈优化框架,分别以园区综合能源系统运营商和综合能源用户效益最大化为目标,建立双主体博弈优化调度模型,并提出快速高效的求解算法;最后,基于某实际园区综合能源系统开展多场景算例仿真分析,制定合理有效的需求响应价格激励方案.调度结果表明,所提出方案可以有效提升综合能源系统运行商和用户的效益.

摘要:在市场全球化的进程中,延迟仍然是当今企业降低供应链风险的一种有效策略.然而,当前对延迟的研究往往是基于预先已固定好的产品族架构,较少关注到产品族设计与延迟制造过程决策间存在的内在固有耦合关系.鉴于此,提出对这二者的一种主从关联优化方法.首先,通过构建二者间的主从交互评价机制,建立以产品族设计为上层优化、延迟制造过程决策为下层优化的非线性双层规划模型:模型上层为设计产品族架构和决策延迟产品模块类型,从而最大化单位成本的顾客效用;下层分别为非延迟和延迟产品模块决策最优的制造方式以及为终端产品决策最优的组装方式,从而最小化工程成本.然后,设计一种嵌套式遗传算法对模型进行求解,以智能冰箱产品族延迟制造案例验证所提出模型和算法的可行性.最后,通过设计一种嵌套GAPSO算法对嵌套式遗传算法进行改进,并对比分析两种算法的计算过程和结果.

摘要:面对高维连续状态空间或稀疏奖励等复杂任务时,仅依靠深度强化学习算法从零学习最优策略十分困难,如何将已有知识表示为人与学习型智能体之间相互可理解的形式,并有效地加速策略收敛仍是一个难题.对此,提出一种融合认知行为模型的深度强化学习框架,将领域内先验知识建模为基于信念-愿望-意图(belief- desire-intention, BDI)的认知行为模型,用于引导智能体策略学习.基于此框架,分别提出融合认知行为模型的深度Q学习算法和近端策略优化算法,并定量化设计认知行为模型对智能体策略更新的引导方式.最后,通过典型gym环境和空战机动决策对抗环境,验证所提出算法可以高效利用认知行为模型加速策略学习,有效缓解状态空间巨大和环境奖励稀疏的影响.

摘要:增大国内装备制造业的研发投入和引入国外产品带来的研发溢出可提升国内装备制造业科技水平,但同时带来了企业的研发成本负担和国外产品抢占国内市场的问题,因此政府在其中的研发补贴和关税政策调控显得尤为迫切.探究政府研发补贴和关税政策对存在研发溢出的国外装备制造商和国内装备制造商进行序贯博弈时的市场份额、利润和研发水平的影响问题.进一步分析政府以社会福利最大为目标时,政府的最优决策并对关键因素进行敏感性分析.最后通过数值扩展验证结论的稳健性.研究发现:研发补贴系数或关税增大都会提高(降低)国内制造商(国外制造商)的产量、利润和研发水平;政府以社会福利最大进行决策时,随着两种产品竞争强度的增大,总的研发补贴会减小,而单位研发补贴先减后增,关税先增后减.研发成本系数越高,关税和单位研发补贴会越高,但总的研发补贴会减少.

摘要:Owen线性生产博弈假设生产技术和资源的边际贡献固定不变,但实际上,生产技术和资源边际贡献并非固定不变而是随生产改变.基于此,为了刻画具有模糊性和动态性的生产过程,提出模糊DEA线性生产博弈.首先构建2种合作水平(同时共享技术和资源、仅共享资源)、3种资源类型(最低资源、最佳资源、有效资源)和2种收益角度(乐观、悲观)构成的复杂生产模型,并通过上述3种因素解释合作生产具有互利性,资源带来的收益具有“先增后平”的变化趋势以及可能获得的最大收益区间;然后,利用α-核心求解此博弈,在特定情况下无需利用对偶理论即可得到α-核心分配,从而简化了计算步骤;最后,通过解决云服务虚拟机转化过程中建模和收益分配问题表明所提出模型和方法的实际意义与理论价值.

摘要:以异构多无人机协同执行复杂的耦合多任务为背景,提出一种求解分布式任务分配问题非死锁的顺序扩展一致性包算法.首先,建立考虑任务载荷资源、任务时序、威胁区等约束条件的时序多任务分配模型;其次,对一致性包算法的任务包构建过程和冲突消解规则进行扩展,并设计一种基于有向图深度优先搜索的方法进行任务方案的死锁检测和修正,以实现无冲突和无死锁的任务分配;然后,将关联任务之间的时序约束转化为软时间窗约束,利用顺序分层的策略进行求解;最后,为了提高任务分配结果的可靠性,采用Dubins曲线路径将航路规划耦合到任务分配中.仿真实验表明,所提出的算法能够快速有效地求解异构多无人机分布式耦合多任务分配问题,具备良好的最优性和时效性.

摘要:考虑处于市场竞争的两个OEM的互补性技术策略选择问题,每个OEM只掌握一种互补性技术,且二者研发能力存在异质性,而产品的生产需两种互补性技术的结合.针对各自缺乏的技术,构建OEM的外包、自研和交叉授权3种技术策略选择模型,通过比较3种情形下的均衡结果,识别出OEM的最优技术策略选择.研究表明:具有技术优势的OEM进行技术外包时,始终存在创新抑制,然而如果它拥有极强的研发能力,外包比自研更有利;当强势方的授权程度较低并且弱势方授权程度适中时,两个OEM偏好独立研发,将放弃交叉授权;相比技术外包,技术领先的OEM对交叉授权的态度更积极,反之亦然;OEM的技术策略偏好取决于技术研发能力差异和交叉授权效应,仅有自研或交叉授权可能成为OEM的共同最优策略.

摘要:考虑低碳和回收补贴政策,对供应链中上游制造商碳减排和再制造,下游零售商低碳宣传共同提高产品低碳商誉的现实问题展开分析.将低碳商誉水平作为状态变量,构建非协同和协同情形下的微分博弈模型.通过对比分析,设计利润共享-低碳宣传成本共担的协调机制.研究表明:各情形下的低碳商誉水平均会随着时间逐渐达到稳定状态;双重补贴不仅能够激励制造商的低碳行为,还能有效提高产品低碳商誉和成员绩效,但是不会影响零售商的低碳宣传水平;非协同情形导致供应链效率的损失,协调时保持低碳宣传成本分担比例高于利润分享比例可有效改善低碳商誉水平.此外,制造商适当提高其成本分担比例有利于成员利润的改善.

摘要:在碳限额与交易机制和消费者对低碳产品存在偏好的背景下,考虑由一个资金约束的制造商与一个资金充裕的零售商构成的供应链,针对银行贷款(BF)、提前支付折扣(APD)和提前支付回购(APB)3种融资方式,构建制造商主导的以企业利润最大化为目标的博弈模型,研究不同融资方式下低碳供应链的减排与定价决策,以及制造商的融资方式选择问题.研究表明:1)在3种融资方式下,减排投资成本系数的增加会降低制造商的最优单位产品碳减排量.2)提前支付下制造商的最优单位产品碳减排量始终高于BF方式.当碳交易价格较高或减排投资成本系数较高时,APB方式下制造商的碳减排量最高;否则,APD方式下制造商的碳减排量最高.3)与BF方式相比,提前支付更能提升制造商的利润,且制造商在APB方式下获利最多.

摘要:为了考虑过程变量与质量变量的相关性,解决间歇过程的时序性和动态特性导致预测精度不高的问题,提出一种基于改进时空注意力-长短时记忆神经网络(improved spatial and temporal attention long short-term memory,ISTA-LSTM)的模型进行间歇过程质量预测.首先,对间歇过程的三维数据按变量方向展开成二维矩阵,对二维数据采用Min-max方法归一化;然后,使用偏最小二乘(PLS)方法对原始数据降维,提取数据的特征信息,基于时间注意力和空间注意力构建编码-解码器结构的双层LSTM网络,利用注意力机制自适应地学习神经网络参数,关注每一个过程变量对质量变量的重要性并分配相应的注意值,从而保留所有输入的必要信息,采用带交叉验证的网格搜索算法对预测模型进行超参数寻优,并建立预测模型;最后,在青霉素发酵仿真平台上进行实验验证,实验结果验证了所提模型对间歇过程质量预测的可行性和有效性.

摘要:针对潜水器在水下运行时会受到洋流、参数摄动等多种干扰因素影响和潜水器的过驱动问题,设计一种基于干扰观测的反步控制器和基于神经网络二次规划的推力分配器的双层控制结构.首先,建立潜水器系统在洋流影响下的动力学模型;其次,将潜水器受到的干扰分为由洋流产生的干扰和由其他因素引起的干扰两部分,分别使用洋流观测器和非线性干扰观测器进行估计,并基于干扰观测信息利用反步法设计运动控制器;然后,针对潜水器的过驱动特性以及推进器的推力受限问题,提出一种基于神经网络二次规划的推力分配方法;最后,使用Matlab进行数值仿真,验证所提控制方法的有效性和优越性.结果表明,基于干扰精细估计与神经网络推力分配的潜水器运动控制系统具有干扰估计更加准确、推进系统的耗能最优,以及避免推进器的推力超限等优势.