基于结构摄动的鲁棒反馈控制器设计

关于线性定常多变量系统的鲁棒性极点配置问题，提出了一个新的基于结构摄动的系统鲁棒性指标KH’ 并基于此导出了一种鲁棒极点配置控制器的设计算法．这一算法结构清晰，收敛速度快，所得闭环系统与前人的鲁棒极点配置算法相比，对于结构性扰动具有更强的抗干扰能力．     

多输入线性系统极点配置问题的算法研究

极点配置是通过一个状态反馈矩阵的选取,使闭环系统的极点配置在希望的位置,从而使系统具有较满意的性能。对于多输入线性系统,状态反馈矩阵K的解不唯一,目前常用的设计方法都没有解决K的优化设计问题。将遗传算法引入基于Sylvester方程的算法中,优化反馈矩阵,仿真结果表明,该算法求出的反馈矩阵K优于其他各种方法。     

响应率法求解二阶部分极点配置问题

给出一种求解多输入二阶控制系统的最小范数部分极点配置问题的新算法.该算法将部分极点配置问题转化为数值优化问题,使得在只有系统响应率的前提下,实现极点配置,同时保证得到的反馈矩阵的范数最小.数值实验的结果表明:该算法是可行性的.     

两种新的有效的多输入线性定常系统闭环极点配置算法

通过分析系统性质及矩阵Ａ、Ｂ的特点，提出了两种新的有效的多输入线性定常系统闭环极点配置的算法．     

鲁棒极点配置方法

研究一类线性多变量系统的鲁棒极点配置问题，提出了一种基于极点配置和目标函数优化的鲁棒极点配置方法。基本思想是，利用极点配置的参数化表示结果，以系统输出的Ｌ∞范数作为极点配置寻优的准则函数，通过解优化问题的途径确定极点配置问题中的自由参数。     

不同混沌序列对全局最优解的搜索影响

通过对Logistic映射、立方映射和无限折叠映射进行了比较,并分析了他们的混沌特性,通过实验仿真和数据统计,发现后两种映射所产的混沌序列更均匀些,加快了搜索全局最优解的速度.而混沌优化算法在解决多极点的优化问题时能够体现出它的优势.通过对传统的优化算法和混沌优化算法进行比较,并应用于求解多极点的全局最优解,得出的结论是,在解决多极点的优化问题时,混沌优化算法明显优于传统的优化算法.     

鲁棒极点配置方法

研究一类线性多变量系统的鲁棒极点配置问题，提出了一种基于极点配置和目标函数优化的鲁棒极点配置方法，基本思想是，利用极点配置的参数化表示结果，以系统输出的Ｌ∞范数作为极点配置寻优的准则函数，通过解优化问题的途径确定极点配置问题中的自由参数。     

一种新的简化粒子群优化算法

针对粒子群算法在寻优中存在早熟和收敛精度不高等问题,论文对粒子位置的更新策略以及更新公式进行改进,提出了一种新的简化粒子群优化算法(New Simple Particle Swarm Optimization,NSPSO),并将其在15个多极值基准函数进行全局最优化测试,实验结果表明,NSPSO算法收敛的精度大大提高了,而且算法收敛速度也很快,对于高、低维复杂函数的优化均适用.     

基于Matlab多输入系统极点配置的研究

多输入系统极点配置问题的求解是一个繁琐的过程,采用Matlab语言编程可以方便地实现极点任意配置.本文分析了3种常用极点配置问题的算法,并针对这3种算法给出了一个具有实用价值的Matlab通用程序.通过实例进行比较,验证方法的正确性与有效性.     

基于改进的蚁群系统的多QoS约束组播路由算法

该文提出了一种新的改进蚁群算法,加速算法收敛速度,实行多个独立QoS约束的更新策略,满足用户的QoS要求.仿真实验表明,应用这种改进型蚁群算法于多播路由问题,可以得到比现有启发式算法更好的结果.     

改进的新颖全局和声搜索算法

为了提高和声搜索算法的寻优性能,提出了改进的新颖全局和声搜索(INGHS)算法.通过差分向量范数定义和声记忆库多样性,以和声记忆库的多样性信息为指导实现位置动态更新,并结合变异操作更新和声记忆库.算法采用动态位置更新策略产生新和声,在寻优早期具有较好的全局搜索性能,在寻优后期具有较好的局部搜索性能,提高了算法跳出局部最优的能力.利用7个标准测试函数对所提算法与目前已知文献中优秀的改进HS算法进行性能测试,测试结果表明所提算法具有较好的寻优性能.     

和声搜索算法在求解最短路径问题中的应用

提出了一种改进的全局和声搜索算法来解决最短路径问题.首先,定义了动态基因突变率,并引入到和声搜索算法中,有效地阻止了算法陷入局部最优解.其次,应用动态优先值编码方案,根据和声向量中变量对应节点的优先值来构造路径,通过迭代更新和声记忆库,并最终获得最短路径.对由20～100个节点构成的网络拓扑进行仿真实验,应用三种性能指...     

改进的Q学习算法在轨迹规划中的应用

为解决 Q 学习算法易陷入局部最优解问题, 改进了传统贪婪策略, 提出了一种分段渐近搜索策略。该策略通过动态调整策略参数, 使 Q 学习算法在学习过程中实现探索鄄学习鄄利用 3 个阶段的渐近跳转。 同时将该搜索策略应用于 Q 学习算法中, 使改进的 Q 学习算法能更快速地逼近全局最优解。 将改进算法应用于机械臂轨迹规划中, 其仿真结果表明, 该算法能稳定地引导机械臂沿最优轨迹快速到达目标位置。     

一类非线性广义系统的精确线性化和极点配置一步设计

针对非线性广义系统控制问题,将非线性系统的精确线性化、极点配置一步设计和Zubov＇s方法应用于非线性广义系统控制问题.首先给出非满秩阵化为满秩阵的方法,进而得到非线性广义系统的状态空间实现的算法,然后利用Zubov＇s方法,通过解一个拟线性偏微分方程,完成该状态空间实现的精确线性化、极点配置一步设计,从而得到非线性广义系统的精确线性化、极点配置的一步控制.该方法回避了苛刻的对合条件,使问题化繁为简,化难为易.将该方法应用于Logistic增长的SIS传染病数学模型的一步控制,其目的为控制消除该传染病.仿真数据表明：该方法行之有效.     

基于改进哈里斯鹰优化算法的配电网动态重构

针对风光荷不确定性的配电网重构问题,建立分布式电源和负荷出力模型,以系统运行成本和电压偏移构建多目标函数。提出一种改进粒子群算法融合K-means(improved particle swarm optimization and K-means, IPSO-Kmeans)聚类算法来划分典型日负荷曲线,将改进哈里斯鹰优化(improved Harris hawk optimization, IHHO)算法应用于配电网重构,进行寻优计算。为了改善哈里斯鹰优化(Harris hawk optimization, HHO)算法种群分布不均、无法完整搜索到最优解空间范围、易于陷入局部收敛等问题,引入佳点集生成种群初始化,提高种群搜索空间的均匀性。将麻雀搜索算法中的探索者位置更新公式与哈里斯鹰优化算法探索阶段的位置更新公式结合,以提高算法的全局搜索能力。利用柯西-高斯变异扰动策略跳出局部最优解。最后在IEEE33节点配网系统仿真,结果表明所提方法的有效性。     

兼顾参数辩识精度的自校正控制器

本文研究了一类基于闭环误差传递函数零极点配置的自校正控制算法,针对实际中出现的参数辨识精度不易保证这一问题,提出一种在二次性能指标中兼顾参数辨识精度的自校正控制算法,增强自适应控制系统的适应能力。计算机仿真结果及温度控制实验表明,本文提出的自校正控制算法有较强的自适应能力和满意的控制效果。     

求解全局优化问题的改进灰狼算法

灰狼算法是一种高效的优化技术,但其在一些问题上存在求解精度不高、收敛速度较慢和易于陷入局部最优的缺点.因此,提出了一种改进的灰狼优化算法(MGWO).该算法引入了3种改进策略:平衡算法全局搜索性和局部开发性的指数规律收敛因子调整策略、提高算法求解精度的自适应位置更新策略和修订动态权重策略.通过两组在10个基准测试函数上...     

基于平均位置学习的改进粒子群算法研究

针对粒子群算法在求解复杂的多维多峰问题时,存在着局部搜索精度不高和易陷入局部最优等不 足,提出了一种基于平均位置学习的改进粒子群算法。 该算法在学习策略上采用比粒子自身适应值更好的邻 近粒子为学习对象,将该算法分两个阶段用不同更新速度公式,阶段一在更新速度公式中引入整个种群所有粒 子位置的平均位置;阶段二在速度更新公式中引入新平均位置,采用贪心策略选择,通过粒子每次更新后选择 的个体比种群历史最优适应值更优,且储存对应个体历史最优位置,在阶段一结束后开始求它们的平均位置。 将平均位置作为学习对象,可增强粒子间的信息交流,同时可平衡算法的局部开发性能与全局搜索能力。 在 CEC2017 测试函数实验中,实验结果显示所提改进算法与另外 4 个算法相比有一定的优势。     

基于δ算子的广义预测极点配置控制器

研究δ算子描述的线性离散系统的广义预测极点配置问题。综合利用δ算子、预测控制极点配置的特性，提出基于δ算子的广义预测极点配置控制器（DGPP），克服了q算子广义预测控制的某些不足，并给出系统参数的选择方法。仿真结果表明本文算法的有效性。     

求解物流配送问题的混合粒子群算法

为了加快粒子群算法(PSO)在解决限定车辆配送问题时的收敛速度和减少时间花费,采取先验判断粒子个体最优位置与全局最优位置的距离决定粒子的更新方式,提出一种混合策略,设计鱼群-粒子群算法(AFSA-PSO),并通过对函数极值的求解进行验证.实验结果表明:该方法能够得到正确解,并具有收敛快、寻优佳的特点.