基于AEPSO优化的神经网络多步预测控制

为提高神经网络预测控制的性能,提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中,每个粒子的更新受粒子个体极值和局部极值的影响,为了提高其全局收敛性,采用多粒子策略,使每个粒子的更新受更多其他粒子的影响;为提高收敛速度,采用自适应策略,对参数c0进行自适应调整,使c0随着迭代次数的增加而逐渐减小,这样,在PSO算法的搜索过程中,随着迭代次数的增加,搜索区域会越来越小,从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化,在有限时域内对控制序列进行寻列,给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明,基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。     

基于SVR的焦炉冷鼓系统预测控制

针对焦炉冷鼓系统的强非线性,难以建立精确的数学模型等问题,提出了基于支持向量回归机(SVR,support vector regression)的预测控制策略。基于结构风险最小化的SVR可以直接反应非线性模型的特征,采用自适应权值粒子群算法(APSO,adaptive weight particle swarm optimization)对SVR的辨识参数加以优化;预测控制作为控制系统的主体,其滚动式的有限时域优化及反馈校正可有效地克服过程中的不确定性和非线性。在MATLAB仿真平台上,将此控制策略与传统的PID(proportion integration differention)相比较。仿真结果表明该控制策略具有较强的抗干扰性和鲁棒性,可保证冷鼓系统的初冷器前吸力快速、有效地稳定在工艺要求的范围内。     

基于改进PSO的智能车辆转向自适应PID控制

针对智能车辆转向系统的复杂,非线性和时变性,提出了基于改进粒子群算法的自适应PID控制,在该控制系统结构中,采用改进粒子群算法获得PID参数在线调整的信息,完成PID控制器参数的在线自整定,实现智能车辆转向的智能控制.实验结果表明,与常规的PID控制方法相比,该方法具有较高控制精度,较强的自适应性和鲁棒性,完全可适用于智能车辆转向系统的控制.     

基于改进灰色预测模型的自适应PID控制算法

针对大滞后系统提出一种基于改进灰色预测模型的自适应PID控制,采用优化背景值和初始条件的改进GM(1,1)模型作为预测模型,用预测结果代替被控对象测量值,克服了大滞后系统控制效果不能及时反馈的不足,并将二次型性能指标引入到PID控制器的整定过程中,按照性能指标的负梯度方向修改加权系数,实现了自适应PID的最优控制。仿真结果证明,该方法对大滞后系统具有较好的适应性和鲁棒性。     

积分时滞系统的内部反馈粒子群优化控制方法

传统PID控制器在控制积分过程时存在结构上的缺陷,提出一种内部反馈的粒子群优化PID控制方法,解决了积分过程难以控制的问题。火力发电厂过热蒸汽温度系统是一种较难控制积分时滞系统,蒸汽流量温度控制系统仿真结果无超调、调节时间短,表明内部反馈的粒子群优化PID控制方法的有效性和合理性。     

基于ARM7嵌入式模糊PID温度控制系统

针对温度控制系统具有非线性、时变性和时间滞后性特性,以及传统PID控制方法自适应能力差、鲁棒性不强等问题,运用模糊控制与PID相结合的方法,设计了基于ARM7微处理器的温度控制系统,研究了系统的硬件电路构成和软件的设计流程,并搭建了系统的试验平台.试验结果表明,基于ARM7嵌入式模糊PID控制具有理想的系统稳态与动态响应特性,系统抗干扰能力强、鲁棒性好,在要求高精度、快速控制温度的场合具有良好的应用前景.     

基于状态预测的无人机导航控制

基于飞行惯性对无人机路径导航实时控制和控制精度的影响,将灰色预测模型与模糊PID控制进行融合,提出了基于无人机飞行状态预测的导航控制策略.将无人机飞行状态预测信息作为系统状态调节的输入,构建灰色预测模糊PID航向控制系统,达到对无人机进行实时、准确导航飞行控制的目的.仿真实验结果表明:灰色预测模糊PID控制器可以有效提高无人机导航控制系统的鲁棒性、实时性,与传统的PID控制器相比,其控制性能更优.     

船用汽轮机变工况的遗传粒子群优化智能控制方法研究

为提升船用汽轮发电机组大幅变工况时的控制精度和鲁棒性,以船用汽轮机调节系统各部件的模块化数学模型为基础,建立汽轮机组数字电液(digital electric hydraulic,DEH)闭环模糊比例、积分、微分(proportion integration derivative,PID)控制模型;融合遗传算法的选择、交叉、变异和自适应递减权重法,提出遗传粒子群智能优化算法,并结合标准测试函数验证提出算法具有较高的收敛速度和精度;基于遗传粒子群智能优化算法建立汽轮机变工况自适应智能模糊PID控制模型,实现模糊PID的量化因子与比例因子最优化设计,进而开展船用汽轮发电机组大幅变工况动态特性及扰动因素影响分析,结果表明本文建立的自适应智能模糊PID控制模型具有更好的控制稳态性能与鲁棒性,为船用汽轮机组大幅度变工况智能控制优化设计提供了有力的技术支撑。     

基于LM-PSO算法和BP神经网络的非线性预测控制

针对非线性系统,提出了一种基于BP神经网络的预测控制方法。以BP神经网络建立多步预测模型并预测系统输出值,用LM(Levenberg-Marquardt)算法和PSO(Particle Swarm Optimization)算法组合的混合算法对目标性能指标函数进行滚动优化求解,得到非线性系统的最优控制量;利用误差修正参考输入法实现反馈矫正。通过将粒子群算法引入LM算法,克服了LM算法依赖初值和粒子群算法过早收敛于局部极值的问题,提高了求解的运行速度和精确度。通过对单变量非线性系统仿真实验,证明了该控制系统具有良好的稳定性、自适应性和鲁棒性。该方法可在数学模型不确定的情况下设计出有效的预测控制器。     

基于粒子群算法的二次再热机组主蒸汽温度优化控制

针对二次再热机组主蒸汽温度控制中,被控对象通常具有严重的非线性、滞后性、时变性等特点,采用传统的串级PID控制很难得到满意的动态响应特性这一问题,分析了二次再热机组热力系统,提出基于粒子群算法整定的主蒸汽温度优化控制方法,实现对串级控制系统主回路PID控制器参数的快速优化。基于Matlab/Simulink平台,对被控对象模型进行阶跃响应实验,仿真结果表明,经粒子群算法优化之后调节回路的控制性能较ZN整定方法明显提高。该优化控制方法不仅保留了串级控制系统抗内扰能力强的优点,同时有效地解决了主蒸汽温度控制系统中稳定性与准确性之间的矛盾,增强了系统对不确定因素的适应性,对工程应用具有一定指导意义。     

基于粒子群寻优的汽车自适应巡航预测控制

为进一步提升多目标自适应巡航系统预测控制精度,提出一种基于粒子群寻优的汽车自适应巡航预测控制算法.首先建立一种包含前车加速度扰动的自适应巡航系统车间纵向运动学模型,并对其线性离散化;其次综合车距误差、相对车速、自车加速度和冲击度,设计二次型多目标优化性能指标函数和多参数约束条件,构建自适应巡航预测控制优化命题;最后为便于问题求解,将目标函数和约束条件推导转化为以预测控制增量为优化变量的规范形式,并基于粒子群优化算法求解自适应巡航预测控制的最优控制律.通过Matlab/Simulink多工况仿真结果表明,粒子群算法求解的最优控制律能够控制自车保持更好的跟踪性和自适应性.      

改进的灰狼算法在电动汽车充电调度中的应用

针对灰狼优化算法（grey wolf opotimizer, GWO）易早熟收敛和陷入局部最优的缺点,提出一种基于精英反向学习的混合灰狼算法（grey wolf optimizer based on particle swarm optimizer,PSO-GWO）。首先,利用精英反向学习机制初始化种群,使种群保持多样性;然后提出一种非线性控制因子策略,增加算法的搜索能力,提高算法的收敛速度;最后基于差分进化和粒子群思想更新了位置方程,从而提升算法的收敛性能。采取10个基准测试函数将本文提出的改进的算法与差分进化算法、粒子群算法、传统灰狼算法、其他学者提出的改进灰狼优化算法进行对比。实验结果表明,本文提出的算法与其他算法相比,在求解多峰函数问题上效果显著,可以搜索到最优解0,同时求解最优非0解函数的效果也体现地较优越;同时运用改进的算法在实际电动汽车充电调度上进行了对比分析,发现也取得了不错的效果。     

双目标区域化 PSO 热风炉均压滑模控制

目的 针对热风炉冷风均压控制中存在的大惯性、大滞后和超调量大等问题,提出一种基于双目标区域化粒 子群算法的热风炉冷风均压滑模控制策略。 方法 所提策略将冷风流量作为控制量,将冷风压力设为被控量,将滑 模控制算法与粒子群优化算法相结合,选取常规滑模算法并对其进行改进,运用指数趋近律降低外部扰动对系统 产生的影响,并加入双目标区域化粒子群算法对滑模切换增益系数和指数趋近系数进行寻优,通过粒子平均排名、 环境检验参数等指标作为寻优条件,以求取最优滑模控制律对冷风压力进行调控,进而实现均压优化控制效果。 结果 仿真结果表明:所设计控制策略在适配条件下于 58. 2 s 时达到稳定,超调量为 4. 1%,在失配且加入干扰条件 下于 72. 4 s 时达到稳定,超调量仅为 17. 6%,与串级 PID 控制和常规滑模控制相比,策略拥有良好的超调和快速达 到稳定的能力。 结论 工程应用表明:冷风压力波动偏差仅为±6. 48 Kpa,所提控制策略拥有稳定性高、响应快和超 调量小的特点,能够较好应用于实际生产中热风炉冷风均压工况要求。     

基于Kriging代理模型的注塑产品翘曲优化

针对传统的基于CAE的注塑产品工艺优化方法精度不高、效率低,提出了Kriging模型与自适应粒子群算法相结合的集成优化策略.Kriging模型代替CAE分析作为粒子群算法迭代过程中的适应函数,大大减少了优化算法的计算量;同时,通过在粒子群算法中引入自适应惯性权系数,加快了粒子群算法的收敛速度.算例表明,基于Kriging模型与自适应粒子群算法的优化策略可以在小样本情况下获取较高的求解精度,并通过与标准遗传算法做比较,表明该优化策略同时具有较高的计算效率.     

基于工况与粒子群优化的增程汽车能量管理策略开发

为了进一步提高增程式电动汽车(extended range electric vehicle,EREV)的燃油经济性,在满足驾驶性能和车辆动力要求的前提下,根据低速、中速、高速典型工况下发动机功率分布分析,提出一种基于自适应权重粒子群算法(adaptive weighted particle swarm optimization,AW-PSO)优化的三点式最优功率控制策略。为验证其经济性能,基于MATLAB/Simulink开发动力系统模型以及整车能量管理策略。基于驱动成本理论,在多种国际标准工况下进行仿真对比,结果表明：相比功率跟随策略而言,基于工况的三点式功率控制策略实现平均12.95%的成本节省,而AW-PSO优化策略下平均节约成本提升到21.44%。     

基于PSO优化算法的模糊PID励磁控制器设计

针对优化发电机励磁控制器控制问题,研究模糊理论及人工智能控制方法,建立数学模型分析励磁控制器,找到将粒子群算法与模糊PID相整合的励磁控制途径,并设计了适用于低压水轮发电机的励磁控制器.粒子群优化算法优化控制系统的初始参数,模糊PID完成对系统的动态控制.仿真结果表明,改进的控制器算法相比传统PID控制和模糊控制PID,响应速度较快(上升时间少于1s),超调量小(超调量少于5%).能够满足控制器快速、准确和稳定的要求,是一种先进的控制方法.     

邻域自适应的微分变异约束分数阶粒子群优化

分数阶粒子群算法（FOPSO）是一种具有路径记忆的改进型粒子群优化算法。在多峰约束优化问题中,针对FOPSO易于早熟和依赖于初始参数的问题,文中提出了一种邻域自适应的约束分数阶粒子群优化方法（NAFPSO）。在算法中,依据进化状态来动态调整邻域拓扑从而更新粒子位置和速度,以提高可行解的全局寻优能力和收敛速度;采用带惩罚因子的罚函数约束处理技术,迫使粒子趋向可行区域;设计了微分变异策略以增加种群多样性,增强粒子逃脱局部最优的能力。用9个约束优化基准函数实验验证了NAFPSO的有效性和收敛性能,并应用于2个约束工程设计问题,结果表明,提出的算法寻优能力强、收敛快、精度高、稳定性好,可用于有效地解决复杂的约束工程设计优化问题。     

基于扰动的自适应粒子群优化算法

【目的】针对标准粒子群优化算法在应用中暴露出的缺点,如在迭代后期收敛速度慢、搜索精度不高、容易陷入局部最优等,提出一种基于扰动的自适应粒子群优化算法。【方法】该算法将扰动因子加入速度更新公式中,使种群搜索范围扩大;采用自适应的惯性权重,以起到平衡全局和局部寻优能力的作用;对最优粒子进行自适应的柯西变异,拓展最优粒子的搜索空间,降低粒子陷入局部最优的可能性;最后对算法进行仿真实验。【结果】新算法能够增强全局搜索能力,有效避免局部最优,具有更快的收敛速度。【结论】新算法克服了标准粒子群优化算法的缺点,为进一步研究粒子群优化算法的改进和应用提供科学依据。     

基于PSO优化的LCL型三相VSR改进无源控制策略

以LCL滤波器的三相电压源脉冲宽度调制整流器为载体,通过建立具有耗散的端口受控哈密顿模型,构建基于互联和阻尼分配无源控制算法的无源控制策略,利用粒子群算法对控制参数进行离线优化,并对控制系统进行仿真试验。结果表明,优化后的控制系统抗扰动能力及暂态性能均有明显提高,具有较好的稳定性和鲁棒性,利用无源控制策略能有效降低其网侧电流的谐波含量和抑制谐振现象,使脉冲宽度调制整流器的整体性能得到有效提升。