细菌生存优化在非线性模型辨识中的应用

提出了一种新的基于细菌生存优化(Bacterial Foraging Optimization BFO)的非线性模型辨识方法.它是利用群集智能仿生BFO算法对一类Hammerstein系统进行辨识,从而估计出它的参数模型.通过对这类输入非线性模型进行辨识,并用仿真实验说明BFO算法的参数设置与选择方法.比较基于粒子群优化(Particle Swarm Optimization PSO)的非线性模型辨识算法,特别是对有色噪声的鲁棒性、模型的辨识精度、辨识收敛速度进行对比分析,以得出BFO辨识算法的优缺点及其有效性.     

一种快速收敛的改进粒子群优化算法

采用离散线性系统的状态方程,根据系统稳定性理论,推出了保证牡子群优化算法收敛性的参数设置压域。在收敛性理论分析的基础上,提出了一种快速收敛的改进粒子群优化算法,它是基于二阶系统按最佳胆尼比的思恕来设定粒子群速度更新公式中的惯性权重。通过标准测试函数的性能测试,验证了改进粒子群优化算法的收敛性和快速性,并和惯性权重线性递减的标准粒子群优化算法进行了比较。仿真结果表明,该算法具有可靠的收敛性能和更快的收敛速度。     

鲁棒自适应输出跟踪控制在船舶操纵中的应用

针对带有未知控制增益、常参数不确定性以及外部扰动的船舶运动非线性模型，将自适应逆推技术与Nussbaum增益方法相结合，提出一种新的非线性自适应鲁棒控制策略，实现了船舶运动航向渐近跟踪控制。在所得控制器作用下的系统性能不仅能够通过设计参数而得到保证，且可克服控制器奇异值问题。设计过程及数字仿真结果均表明，所设计的自适应非线性跟踪控制器对不确定性具有良好的适应性及鲁棒性。