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.      

PSO-BP神经网络在露天矿卡车油耗预测中的应用

针对露天矿燃油消耗问题,利用粒子群优化算法对BP网络的权值和偏置进行优化,建立了基于粒子群优化BP神经网络的露天矿卡车油耗量预测网络模型.该方法使用由PSO优化的BP模型来拟合影响露天矿卡车油耗众多因素与油耗值之间的复杂关系.仿真结果表明:模型具有预测精度高、稳定性好等特点,适用于露天矿卡车油耗的预测,在露天矿燃油消耗预测中具一定的实用价值.     

改进粒子群算法优化的非线性模型预测控制

针对带有有界随机扰动和概率约束的非线性模型预测控制的优化控律求解问题.采用引入粒子滤波重采样步骤改进的粒子群算法,并与粒子的变异操作相结合来求解非线性模型预测控制优化控制律的方法,提高了算法的收敛速度和控制效果.对概率约束的处理,采用对不满足约束的粒子进行有效替代的方法,进而得到满足概率约束条件的优化控制律.仿真结果表明了提出的改进粒子群算法用于优化求解非线性模型预测控制的优化控制律的可行性和有效性.     

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。     

一类混合迭代算法在约束预测控制中的应用

为了改进多变量约束预测控制的滚动优化算法,对路径跟踪法和粒子群算法进行了理论研究,提出了一种将路径跟踪法和粒子群算法相结合的混合迭代算法,并用该混合算法对最具代表性的动态矩阵控制进行了滚动优化.仿真结果表明:对由于参数选择引起矩阵奇异时,路径跟踪法无法求出最优解,而基于混合迭代算法的优化算法可以得到最优解.采用路径跟踪法和粒子群算法相结合的混合迭代算法对多变量约束预测控制进行滚动优化,保证了优化算法的快速性和可行性.     

基于自适应PSO优化的空燃比神经网络预测控制

为解决空燃比传输延迟的问题,该文提出一种基于自适应扩展粒子群优化的空燃比预测控制策略.采用多粒子策略来提高算法的全局收敛性,通过对控制参数的自适应调整来加快算法的收敛速度.在多粒子策略中,每个粒子的更新受更多其他粒子的影响;在自适应策略中,控制参数随着迭代次数的增加而逐渐减小.以HQ495发动机为实验对象,仿真结果表明在节气门小范围变化时,空燃比误差低于1%;在节气门大范围变化时,空燃比误差低于2%.该方法实现了对空燃比的精确预测控制,有效地改善了汽油机过渡工况排放性能.     

大时滞系统全参数自适应预测控制策略

针对大时滞系统纯滞后时间长、参数时变的特点,提出一种基于改进的粒子群优化的自适应预测控制算法.利用改进的粒子群优化算法对时变大时滞系统模型的全部参数进行辨识,从而克服预测模型失配对系统控制性能的影响,并且将粒子群优化算法用于预测控制滚动寻优,有效解决系统存在约束条件下的最优值求解问题.仿真结果验证所提方法的有效性和优越性.     

基于量子粒子群优化PI模型的主动队列网络拥塞控制

为了解决无线传感器网络拥塞引起的丢包率高和网络吞吐率过低,从而引起网络能量有效性和服务质量QoS降低的问题,提出了一种基于改进PI主动队列管理模型和量子粒子群(Quantum-behaved particle swarm optimization,QPSO)的拥塞控制方法.首先定义了改进的PI主动队列管理模型,然后为了对PI模型进行优化,采用改进的多种群量子粒子群算法对PI主动队列管理模型中的参数优化,并对该算法进行了描述,从而得到优化的PI控制模型.最后定义了多种群量子粒子群算法和PI主动队列模型对网络拥塞进行控制的具体算法.实验结果表明:该方法能有效实现WSN的拥塞控制,与其它方法相比,具有较低的数据丢包率和较大的网络吞吐率.     

网联混合动力汽车跟驰场景的预测能量管理控制

针对网联混合动力汽车跟驰场景下能量管理控制中燃油经济性和驾驶安全性综合优化问题，利用车-车及车-路通信，设计了一种基于前车速度预测-本车速度规划的预测能量管理控制策略。前车速度预测器由长短时记忆神经网络构建，神经网络内部超参数通过粒子群优化算法离线优化确定；基于预测的前车速度，求解以跟车距离、车速度、加速度及直接影响驾驶舒适性的车辆冲击度为成本函数的优化问题获得预测域内本车的速度规划；进一步利用序列二次规划算法求解车辆燃油经济性和驾驶安全性综合优化的能量管理控制问题，得到最优功率分配控制策略。多种驾驶工况下的仿真验证了所提出的预测控制策略的有效性及车辆安全跟驰下较好的燃油经济性。     

基于自适应模型预测控制的拖拉机路径跟踪研究

自主化作业的拖拉机由于作业速度和跟踪路径曲率的不断变化,基于固定参数模型预测控制的路径跟踪器不能达到理想效果.为提高控制器的自适应性,提出基于改进粒子群优化的自适应模型预测控制算法.该算法将作业场景与粒子群算法相结合,对模型预测控制中的预测时域进行自适应调整,当作业场景发生改变时,则用粒子群优化算法选取理想预测时域参数.为提高粒子群优化算法的寻优效果,采用分段函数的方式对惯性权重进行改进.以东方红-X1304拖拉机为研究对象,对作业速度为1、2m/s和变速,跟踪路径为直线和曲线等情况进行仿真实验,并对比分析基于固定预测时域和自适应预测时域的控制器.结果表明,相对于基于三个固定时域的控制器,基于自适应预测时域控制器的跟踪精度和收敛速度分别提高了2％～44％和2％～71％.     

改进的预测控制算法用于加热炉支管温度控制

加热炉支管温度平衡系统是一个多变量、非线性、强耦合的复杂过程,当应用传统预测控制方法时,控制量的获得需要在线求解一个多变量、多约束的非线性规划问题,传统非线性规划方法求解该类问题时易收敛到非法解或局部极小。针对上述问题提出一种基于差分进化(differential evolution,DE)算法的预测控制,使用DE算法在线求解涉及的优化问题获得控制量。为了验证方法的有效性,对基于DE算法的预测控制器进行了仿真研究。仿真结果表明,所提出的方法有着很好的跟踪性能,并且对干扰有较强的鲁棒性,提高了系统的控制效果。     

基于引力搜索和粒子群混合优化算法的T-S模型辨识

提出了基于引力搜索(GSA)和粒子群(PSO)混合优化算法(GSAPSO)的T-S模型全局优化辨识方法.该方法充分整合GSA的勘探能力和PSO的开采能力,在GSA中引入PSO的个体最优值和群体最优值,同时改进惯性权重调整算法.T-S模型辨识分为结构辨识和参数辨识,采用聚类方法和GSAPSO算法同时辨识模型的结构和参数,从而实现全局优化辨识.仿真实例和比较分析证明了GSAPSO较标准的PSO和GSA有更强的全局优化能力和更高的辨识精度.     

基于混沌粒子群算法的Ad Hoc网络优化研究

基于混沌理论提出了混沌粒子群算法C-PSO（chaotic particle swarm optimization）,C-PSO算法针对Ad Hoc网络提取的优化指标进行优化处理,在网络优化过程中,C-PSO算法充分利用了混沌系统的随机性、遍历性、敏感性等特性,避免了PSO算法“早熟”现象的出现,避免了陷入局部最优区,增强了全局收索能力。基于网络模拟器NS-3仿真系统对C-PSO算法和PSO算法进行了仿真实验测试,通过对丢包率、网络生命周期和网络吞吐率3个网络性能指标的对比分析和评估,结果表明C-PSO算法优于PSO算法,从而验证了C-PSO算法对Ad Hoc网络优化的有效性与可靠性。实现了对Ad Hoc网络优化。      

一种基于PSO思想的改进量子遗传算法

文章提出一种基于PSO思想的改进量子遗传算法.将PSO中的合作机制和记忆功能引入到QGA中,构造种群个体与当前最优解的距离参量,根据每个个体与当前最优解距离大小智能地控制旋转角的大小,使旋转角能够根据个体的进化差异选择不同旋转角的自适应调整进化过程,从而使算法始终保持合适的搜索网格,加快算法收敛,同时也可以保证能够收敛...     

基于改进PSO的高分子材料降解模型参数优化

为提高可降解高分子材料降解模型仿真的准确程度,结合高分子材料降解的实际原则和所要考虑的各种因素,建立了适合优化的参数优化模型,并将粒子群优化算法(PSO)用于模型的求解.针对标准粒子群算法存在的一些不足,提出了一种改进的粒子群优化算法来求解最优值,改进的算法引入了动态自适应惯性权重和异步时变学习因子.采用5个标准测试函数对改进的粒子群算法进行了测试,并将算法应用于参数优化模型的求解.测试与试验结果表明:新算法有效地避免了过早陷入局部最优,提高了收敛速度和收敛精度,并且采用优化所得参数显著地提高了高分子材料降解模型仿真的精准度,有利于揭示降解机理的科学意义和指导实际医用器件的设计与生产.     

集装箱码头班轮船期准班率的优化

为提高集装箱码头班轮船期准班率,提出基于动态泊位分配的优化数学模型.在考虑桥吊分配前提下,该模型以船舶离港实际开航时间与船期表要求开航时间的平均绝对时间差最小为优化目标,分别应用微粒群算法(PSO)和遗传算法(GA)求解该数学模型.仿真结果表明:两种算法均可使船期延误时间减少40%;PSO算法较GA算法具有更快的收敛速度.     

微粒群优化在Job-shop调度中的应用

Job-shop调度问题是典型的NP-难问题，利用微粒群优化的全局搜索能力和高搜索效率以及模拟退火算法的局部搜索能力，发展了一种快速、且易于实现的新的混合启发式算法，并将其应用于求解标准Job-shop调度问题，计算结果以及与其他算法的比较说明，该算法是一种求解Job-shop调度问题的可行且高效的方法。     

基于模型预测控制的快速路网匝道调节方法

探索了基于模型预测控制(MPC)的匝道调节方法.提出了匝道MPC调节的非线性动态时间离散最优控制模型及其解法.最优控制模型采用动态网络交通流模型作为过程模型,采用遗传算法求解.考察了匝道MPC调节的效果和鲁棒性,并将其效果与经典的ALINEA匝道调节方法相比.针对三起点三终点快速路网的仿真案例显示,匝道MPC调节能明显缓解拥堵,改善路网总体运行效率,较之ALINEA调节能够更连续平稳地调节交通流,在存在预测误差的情况下控制效果依然很好,其路网总耗时改善率明显高于ALINEA调节,具有很好的鲁棒性和应用前景.     

A Computationally Efficient Aggregation Optimization Strategy of Model Predictive Control

Model Predictive Control(MPC) is a popular technique and has been successfully used in various industrial applications.Howver,the big drawback of MPC involved in the formidable online computational effort limits its applicability to relatively slow and/or small processes with a moderate number of inputs.This paper develops an aggregation optimization strategy for MPC that can imporove the computational efficiency of MPC.FOr the regulation problem.an input decaying aggregation optimization algorithm is presented by aggregating all the original optimized variables on control horizon with the decaying sequence in respect of the current control action.     

基于PSO算法的多巡飞器任务分配方法

为使多个巡飞器协同完成针对地面多个目标攻击任务,从巡飞器载荷较小的特点出发,基于PSO算法对其任务分配方法进行了研究.根据巡飞器两种任务介入方式的不同,分别建立了布撒方式任务分配问题模型以及陆基发射方式任务分配问题模型.根据模型的复杂程度,分别选择使用基本PSO全局优化算法以及考虑资源消耗情况下对PSO整数规划算法进行改进后的算法,求解两种任务分配问题.仿真结果表明,算法可解决任务分配问题,任务分配方法合理,适应巡飞器协同需求.