【成品论文】2024年数学建模国赛B题成品论文分享(点个关注,后续会更新)

news2024/11/14 21:38:44

您的点赞收藏是我继续更新的最大动力!

一定要点击如下的蓝色字体链接,那是获取资料的入口!

点击链接加入群聊【2024国赛资料合集】:http://qm.qq.com/cgi-bin/qm/qr?_wv=1027&k=Ce9u9pqQeBrMHgupi-R078l9TuU0RwSl&authKey=RjsYS3Piiw1bn%2F%2BZagxTvO%2FjCDpTxR57wsd%2Fq%2FMSAaRw%2BFcKLTr5zGraNJzgAAkH&noverify=0&group_code=604186428icon-default.png?t=N7T8http://qm.qq.com/cgi-bin/qm/qr?_wv=1027&k=Ce9u9pqQeBrMHgupi-R078l9TuU0RwSl&authKey=RjsYS3Piiw1bn%2F%2BZagxTvO%2FjCDpTxR57wsd%2Fq%2FMSAaRw%2BFcKLTr5zGraNJzgAAkH&noverify=0&group_code=604186428

现分享下2022年数学建模国赛B题的论文供大家参考学习下:

一、问题重述

1.1 问题背景

由于无人机集群在遂行编队飞行时, 应尽可能的避免外界干扰, 因此需要尽可能的保持电磁静默减少电磁波信号的发射.为保持编队队形, 拟采用纯方位无源定位的方法调整无人机的位置, 即由编队中某几架无人机发射信号, 其余无人机被动接收信号, 从中提取出方向信息进行定位, 来调整无人机的位置.其中, 无人机所接收到的方向信息约定为:该无人机与任意两架发射信号无人机连线之间的夹角.编队中每架无人机均有固定编号, 且在编队中与其他无人机的相对位置关系保持不变.

1.2 问题重述

本文将要解决以下几个问题:

问题一:编队由10架无人机组成, 构成圆形编队, 其中9架无人机均匀分布在某一圆周上, 令一架无人机位于圆心.无人机基于自身感知高度信息, 均保持在同一高度上飞行.建立数学模型, 解决以下问题:

1、 位于圆心的无人机和编队中另2架无人机发射信号, 其余位置略有偏差的无人机被动接收信号.当发射信号的无人机位置无偏差且编号已知时, 建立被动接收信号的无人机的定位模型.

2、某位置略有偏差的无人机接收到编号为FY00和FY01的无人机发射的信号, 另接收到编队中若干编号位置的无人机发射的信号.若发射的无人机位置无偏差, 除FY00和FY01外, 还需要几架无人机发射信号, 才能实现无人机的有效定位?

3、按编队要求, 1架无人机位于圆心, 另外9架无人机均匀分布在半径为100m的圆周上.当初始时刻无人机的位置略有偏差时, 每次选择编号为FY00的无人机和圆周上最多3架无人机遂行发射信号, 其余无人机接收通过多次调整, 最终使9架无人机均匀分布在某个圆周上.其中无人机的初始位置如题所示.

问题二:当无人即集群使其他编队队形, 例如锥形编队飞行, 其中直线上相邻两架无人机间距相等.设计纯方位无源定位情形下, 无人机的位置调整方案.

  • 问题分析

2.1 问题一思路分析

对本文提出的有关无人机定位问题,我们逐一做如下分析:

问题一主要围绕十架无人机形成圆形编队且保持同一高度飞行时, 通过若干无人机发射的信号实现纯方位无源定位的问题, 那么此时只需要考虑平面上的圆周问题就可以了.根据问题一的假设, 剩下的九架飞机尽量均匀分布在圆周上, 对于位置准确的无人机, 其位置仅与无人机的编号有关, 而对于位置略有偏差的无人机, 他们距离圆心无人机的距离以及角度都是暂时不知道的. 我们需要对下述三种情况进行分析:

  1. 当位于圆心无人机(FY00)和编队中已知编号且位置无偏差的两架无人机发射信号, 建立被动接收信号无人机的定位模型. 对该问题, 我们有两种想法进行求解, 一种是建立极坐标, 根据已知的方向信息, 按照被动无人机是否在已知无人机位置中间的情况划分, 利用平面上三角形的正弦定理, 联立方程, 得到最终的结果;另一种是利用三角测量定位法, 通过求解一个最小二乘问题求得无人机的位置.
  2. 与上一问相比, 该问题中我们无法得知除FY00和FY01外其余发射信号的无人机的编号, 无法直接利用三角测量定位法进行求解. 因此使用交叉定位方法进行求解, 我们逐一增加位置略有偏移的发射无人机的数目, 直到可以确定无人机的位置.
  3. 第三小问需要对初始时刻位置存在偏差的无人机的位置进行调整.由前两问已知实现无人机的有效定位, 至少需要圆周上两架无人机发送信号.由于发送信号的无人机位置存在偏差, 因此我们可以利用贪婪策略使得无人机每次进行位置调整的误差最小.

2.2 问题二的思路分析

问题二是一个动态规划问题.与问题一不同的是, 问题二的无人机一定在同一高度飞行, 因此, 我们需要利用动态规划模型, 寻找使得无人机在调整过程中偏差尽可能小的方案.

三、模型假设

    针对本文提出的问题,我们做了如下模型假设:

假设1:题目中的无人机略有偏差时, 还大体在理想位置, 不存在偏离超

过XX范围的无人机;

假设2:假设每架无人机标号都是固定的, 且明确知道哪些无人机发射信号;

四、符号说明

    本文常用符号见下表, 其它符号见文中说明

符号

符号意义

z

复数域内的自变量

w

复数域内的自变量

f(z)

C→C的复变函数

五、建模与求解

5.1 问题一的建模与求解

5.1.1 使用极坐标求解具体位置

假设圆周的半径为R

, α=2π/9

.以无人机FY00为极点, 以FY00为端点且经过FY01的射线为极轴建立极坐标系.不失一般性, 假设在圆周上的其中一架发射信号无人机为FY01, 转化为极坐标后, 其对应的极坐标为 (R,0

). 由于发射信号的无人机都是位置准确的, 所以另一架发射信号无人机的位置是根据编号固定的, 编号为FY0K, 由于理想状态下, 所有无人机均匀分布在圆周上, 则其对应的坐标为 (R,  (k-1)α)

, 其中K≠0,1

接着, 假设接受信号的无人机ρ

的极坐标位置为 (x, θ)

, 由于剩下无人机的位置略有偏差, 所以两个参数都需要进行确定. 接着, 我们去假设它与三架发射信号的无人机的夹角. 假设ρ

与FY00、FY01之间的夹角为α1

, ρ

与FY00、FY0K之间的夹角为α2

, ρ

与FY01、FY0K之间的夹角为α3

.接下来需要通过已知信息来确定出相应接收信号无人机的极坐标(x, θ)

.

我们将略有偏差的无人机与确定的无人机位置相连, 利用正弦定理, 通过联立方程组来解得极坐标 (x, θ)

. 下面由于牵扯到角度, 还需要对K的不同值进行分类讨论:

情况i)当K=2时, 两个外围确定的无人机之间没有其他无人机:分布情况可视化如下图5.1所示:

图5.1 两个外围确定的无人机之间没有其他无人机分布图

由上图5.1可知:若α1≤α2

(绿色所示位置), 我们考察FY00、FY01、FY0K构成的三角形与FY00、FY02、FY0K构成的三角形, 根据正弦定理可得: 

sin(α1)R=sin(π-θ-α1)xsin(α2)R=sin(π-(θ-(k-1)α+α2))x

sin(α1)R=sin(π-θ-α1)xsin(α2)R=sin(π-(θ-(k-1)α+α2))x

,              (5-1)

由式(5-1)解得:

θ=arctan(sin(α1)*sin(α2)-sin(α1)*sin(α2-(k-1)α)sin(α1)*cos(α2-(k-1)α)-sin(α2)*cos(α1))x=sin(θ+α1)*Rsin(α1)

;    (5-2)

根据图5.1可知:若α1>α2

(蓝色所示位置), 我们考察FY00、FY01、FY0K构成的三角形与FY00、FY02、FY0K构成的三角形, 根据正弦定理可得:

sin(α1)R=sin(π-θ-α1)xsin(α2)R=sin(π-((2π-θ)+(k-1)α+α2))x

,            (5-3)

由式(5-3)解得:

             θ=arctan(sin(V)*sin(α2)+sin(α1)*sin(α2+(k-1)α)sin(α1)*cos(α2+(k-1)α)-sin(α2)*cos(α1))x=sin(θ+α1)*Rsin(α1)

;    (5-4)

情况ii)当K=3,4,5时, 我们需要根据α3

的大小判断有偏差的无人机是否夹在两个确定位置的无人机中间:分布情况可视化分析如图5.2所示

图5.2 情况ii无人机分布情况可视化分析

图5.2中:若α3<π2

 且α2=α3+α1时,

此时无人机并不处于两架飞机之间, 和上一种情况一致, 列出方程为:

sin(α1)R=sin(π-θ-α1)xsin(α2)R=sin(π-(θ-(k-1)α+α2))x

                (5-5)

解得:       

θ=arctan(sin(α1)*sin(α2)-sin(α1)*sin(α2-(k-1)α)sin(α1)*cos(α2-(k-1)α)-sin(α2)*cos(α1))x=sin(θ+α1)*Rsin(α1)

;       (5-6)

图5.2中:若α3<π2

 且α3=α2+α1时,

此时无人机并不处于两架飞机之间, 和上一种情况一致, 列出方程为:

sin(α1)R=sin(π-θ-α1)xsin(α2)R=sin(π-((k-1)α-θ+α2))x

(待更新... ...)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1789012.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

Flutter开发效率提升1000%,Flutter Quick教程之定义Api(三)

将tab键切换到Response&#xff0c;会出现这么一个界面 这是添加api返回的json数据。比如我们添加一个json数据。 添加完json数据后&#xff0c;右上角有一个删除按钮。要换json数据的话&#xff0c;可以点击清除再重新输入。 这时候&#xff0c;左边的面板上还会显示出 这个的…

代理记账公司的五大问题及其解决方案

代理记账公司是现代企业管理中不可或缺的一部分&#xff0c;它为企业的日常运营提供了专业、高效的服务&#xff0c;随着行业的发展和竞争的加剧&#xff0c;代理记账公司的面临的问题也日益突出&#xff0c;这些问题主要表现在以下几个方面&#xff1a; 业务流程不规范 许多代…

CodeBlocks官方主题颜色更换及方法

文章目录 一、前言二 、用工具导入配置文件2.1 运行 cb_share_config.exe文件2.2 替换文件2.3 设置主题 三、配置主题3.1 步骤13.2 步骤23.3 步骤3 四、设置光标4.1 配置字体4.2 展示 行号 五、设置左边行号区域部分六、设置完后的效果七、下载地址 一、前言 Codeblocks 默认的…

【全开源】同城跑腿系统源码小程序(FastAdmin+ThinkPHP+Uniapp)

让生活更便捷的一站式服务 一款基于FastAdminThinkPHPUniapp开发的同城跑腿小程序&#xff0c;支持帮取、帮送模式&#xff0c;包含用户端、骑手端、运营后台&#xff0c;支持一键接单/抢单&#xff0c; 为跑腿团队提供技术解决方案&#xff0c;无加密源码&#xff0c;可私有化…

.Net 基于.Net8开发的一个Asp.Net Core Webapi后端框架

1.项目结构 该项目是基于.net8开发的Asp.Net Core WebApi后端服务,集成了Efcore,Autofac,Jwt,AutoMapper,Serilog,Quartz,MiniExcel等组件。该框架简单易上手&#xff0c;没有额外的学习成本; 该项目采用了多层结构设计&#xff0c;有利于解耦&#xff0c;包含公共层&#xff0…

AI绘画SD入门教程:ControlNet篇-Canny边缘检测预处理器

大家好&#xff0c;我是向阳 在本篇中&#xff0c;我来讲讲如何使用预处理器和辅助模型&#xff0c;分别都有些什么作用。 &#x1f4a1; 这里说明一下当你调用预处理器而辅助模型显示为无的几种原因&#xff1a; 当已载入SD1.5的模型时&#xff0c;CannyXL的辅助模型不会显示…

ch5链路层和局域网

回顾TCP/IP参考模型,明确链路层和物理层在整个模型中的地位,简要提出链路层要解决的问题是单段链路的数据传输,物理层解决的是数字信号与电气信号之间的相互转换。 链路层概述 节点:主机和路由器(包括网桥和交换机) 链路:沿着通信路径连接相邻节点的通信信道 有线链路 无…

Redis缓存(笔记一:缓存介绍和数据库启动)

目录 1、NoSQL数据库简介 2、Redis介绍 3、Redis(win系统、linux系统中操作) 3.1 win版本Redis启动 3.2 linux版本Redis启动 1、NoSQL数据库简介 技术的分类&#xff1a;&#xff08;发展史&#xff09; 1、解决功能性的问题&#xff1a;Java、Jsp、RDBMS、Tomcat、HTML、…

【面试干货】什么是内连接、外连接、交叉连结、笛卡尔积?

【面试干货】什么是内连接、外连接、交叉连结、笛卡尔积&#xff1f; 1、内连接&#xff08;Inner Join&#xff09;2、左外连接&#xff08;Left Outer Join&#xff09;3、右外连接&#xff08;Right Outer Join&#xff09;4、全外连接&#xff08;Full Outer Join&#xff…

被斯坦福抄作业了?在线体验下:国产大模型确实越来越棒啦!

抄袭&#xff1f; 这里不做评价了&#xff1a; 官方仓库 地址&#xff1a;miniCPM-Llama3-V-2_5 免费在线体验地址 链接&#xff1a;Llama3-V-2_5 模型能力&#xff1a; 模型实际体验 问他什么模型&#xff1a;&#xff08;可能用了它的数据集吧&#xff09; 图片分析…

CrossPrefetch: Accelerating I/O Prefetching for Modern Storage——论文泛读

ASPLOS 2024 Paper 论文阅读笔记整理 问题 目前计算设备和存储设备之间的性能差距仍然很大。因此&#xff0c;主内存缓存和缓冲区被广泛用于操作系统、用户级文件系统[32]和I/O运行时&#xff0c;在隐藏性能差距和减少I/O瓶颈方面发挥关键作用[23&#xff0c;26&#xff0c;3…

1. lvs负载均衡

lvs负载均衡 一、集群技术概述1、集群技术类型2、负载均衡技术3、高可用技术 二、负载均衡 LVS1、LVS介绍2、负载均衡策略/算法3、LVS设计模式3.1 NAT模式的注意事项 三、LVS nat模式的实现1、确认后端服务器网关正确2、安装ipvsadm软件3、开启路由转发4、创建虚拟服务5、添加后…

EasyV开发人员的使用说明书

在可视化大屏项目时&#xff0c;开发人员通常需要承担以下任务&#xff1a; 技术实现&#xff1a;根据设计师提供的设计稿&#xff0c;利用前端技术&#xff08;如HTML、CSS、JavaScript等&#xff09;和后端技术&#xff08;根据具体项目需求&#xff0c;可能是Java、Python、…

冯喜运:6.5今日黄金原油行情怎么看及日内操作策略

【黄金消息面分析】&#xff1a;周三&#xff08;6月5日&#xff09;亚市早盘&#xff0c;现货黄金窄幅震荡&#xff0c;目前交投于2328.13美元/盎司附近。黄金价格周二下跌超过1%&#xff0c;原因是美元在本周晚些时候美国就业数据公布前趋于稳定&#xff0c;该数据可能为美联…

【数据结构】图论中求最短路径——迪杰斯特拉算法(Dijkstra)、弗洛伊德算法(Floyd)

目录 最短路径 (*)迪杰斯特拉算法&#xff08;Dijkstra&#xff09;迪杰斯特拉算法&#xff08;Dijkstra&#xff09;的算法原理&#xff1a; 弗洛伊德算法&#xff08;Floyd&#xff09;弗洛伊德算法&#xff08;Floyd&#xff09;的算法原理&#xff1a;弗洛伊德算法的&#…

Ubuntu server 24 (Linux) 普通用户不能sudo 也不能使用root登录 忘记root密码 修复解决方案

一 普通用户无法sudo&#xff0c;同时也没有其他用户可用 #test用户使用sudo报错&#xff0c;没有权限 testtest:~$ sudo vi /etc/sudoers [sudo] password for test: test is not in the sudoers file. 二 关闭ubuntu 服务器&#xff0c;重新开机 按下ESC 键 1 出现GRUB…

LLM推理加速原理(一)

1.大语言模型的基本结构 transfomer block: 输入--->正则化-->qkv三个矩阵层(映射到三个不同空间中)---->q,k,v之后self attention进行三0合一---->线性映射,正则化。 2.大语言模型的推理 目前主流的语言大模型都采用decoder-only的结构,其推理过程由两部分…

线性代数|机器学习-P2 A的列向量空间

文章目录 1. Ax矩阵的形式2. ACR 矩阵分解2.1 rank1 矩阵分解2.2 rank2 矩阵分解2.3 ACMR,求M 3. Ax 向量 1. Ax矩阵的形式 假设我们有如下矩阵A&#xff1a; A x [ 2 1 3 3 1 4 5 7 12 ] [ x 1 x 2 x 3 ] \begin{equation} Ax\begin{bmatrix} 2&1&3\\\\ 3&1&am…

【Redis数据库百万字详解】数据持久化

文章目录 一、持久化1.1、什么是持久化1.2、持久化方式1.3、RDB优缺点1.4、AOF优缺点 二、RDB持久化触发机制2.1、手动触发2.2、自动触发 三、RDB持久化配置3.1、配置文件3.2、配置查询/设置3.3、禁用持久化3.4、RDB文件恢复 四、RDB持久化案例4.1、手动持久化4.2、自动持久化案…

【计算机网络】对应用层HTTP协议的重点知识的总结

˃͈꒵˂͈꒱ write in front ꒰˃͈꒵˂͈꒱ ʕ̯•͡˔•̯᷅ʔ大家好&#xff0c;我是xiaoxie.希望你看完之后,有不足之处请多多谅解&#xff0c;让我们一起共同进步૮₍❀ᴗ͈ . ᴗ͈ აxiaoxieʕ̯•͡˔•̯᷅ʔ—CSDN博客 本文由xiaoxieʕ̯•͡˔•̯᷅ʔ 原创 CSDN 如…