基于免疫粒子群算法的汽车半主动悬架系统研究

为了提高汽车操纵稳定性和乘坐舒适性,对汽车半主动悬架系统进行研究.建立了三自由度1/4车体悬架的数学模型,该模型包含了悬架系统侧向位移简化模型, 推导出悬架动力学方程和状态方程.提出了一种全新的免疫粒子群混合算法,设计出免疫粒子群控制器,并将该控制方法 用于悬架系统的控制中.与模糊控制结果 进行对比,免疫粒子群控制方法 使车身垂直加速度、悬架动行程、车轮相对动载和车身侧位移的最大峰值分别降低了38.64 %、20.53 %、60.60 %和23.39 %,趋于稳定的时间分别缩短了0.45 s、0.6 s、0.4 s和0.6 s.仿真结果 表明,免疫粒子群控制算法在改善被控过程的动态和稳态性能、提高抗干扰能力以及参数时变的鲁棒性等方面均优于模糊控制方法 ,同时有效地提高了半主动悬架系统的减震性能.     

基于PSO粒子群算法的PID参数整定优化

PID控制器是一种广泛应用于工业上的一种控制器,但由于传统的PID参数整定过程中一般需要经验丰富的工程技术人员来完成,既耗时又费力,加之实际系统千变万化,对于一些复杂系统存在一定的滞后性、非线性等因素,从而使得PID参数整定有一定的难度。本文基于对PSO粒子群优化算法的研究,对PID参数整定进行设计,考虑种群的规模与速度等因素合理构建系统模型,并且通过Matlab仿真证明了该算法在PID参数整定上的优越性,具有很好的工程应用前景。     

基于粒子群优化算法的PID液位控制

文章针对双水箱液位串级控制系统,为其主调节器设计了一种基于粒子群优化算法的参数自整定PID控制器,并在过程控制试验平台上利用MCGS组态软件加以实现;实验结果表明,新的控制器较常规PID控制器响应速度快,超调小且调节时间短,系统的性能得到明显改善.     

基于粒子群优化算法的模糊神经分数阶PID电子节气门控制器设计

针对汽车电子节气门的精确跟踪控制问题, 建立了面向控制器设计的非线性模型,分析了摩擦非线性以及LH 非线性对电子节气门位置的影响.采用模糊神经分数阶PID 控制方法设计了电子节气门非线性控制器,并利用粒子群优化算法对控制器参数进行优化.最后将扰动考虑在内进行了仿真实验,仿真实验表明基于模糊神经分数阶PID的控制方法能够很好地实现电子节气门控制.     

基于粒子群优化的升降机驱动装置控制策略

针对由于施工升降机驱动装置存在非线性因素,导致吊笼驱动装置运动精度低和响应慢的问题,提出了一种基于粒子群优化的比例、积分和微分(proportional integral derivative, PID)控制策略。首先,建立异步电机的矢量变频控制模型,基于MATLAB/Simulink通过偏差耦合控制策略实现三电机同步控制模型搭建,并设计了粒子群PID控制器以及模糊PID控制器;然后在ADAMS软件中建立驱动装置的虚拟样机,通过ADAMS的Controls接口模块与MATLAB实现机电联合仿真;最后根据施工升降机实际运行工况进行联合仿真验证并分析控制策略可行性。研究结果表明：粒子群PID控制器提升了吊笼位置控制精度与响应速度,粒子群优化PID系统响应时间相较于PID控制系统提升38%,相比模糊PID提升6%,系统稳态误差分别提升62%、98%,满足实际运行需求。     

基于免疫粒子群算法的网络拥塞控制策略

为避免Internet路由器主动队列管理中PID参数整定试凑法的盲目性,提出免疫杂交粒子群算法用于PID控制器参数优化,构造一种基于免疫杂交粒子群的智能主动队列PID算法.仿真结果表明,基于免疫杂交粒子群的PID主动队列管理算法能够适应动态变化的网络环境,具有较好的网络控制性能.     

自适应粒子群算法的整定模糊PID控制器的参数优化

提出了一种基于自适应粒子群算法(APSO)优化模糊PID控制器隶属函数的方法以及基于模糊控制规则的权值来消减规则数目的参数优化方法.仿真实验表明,该方法相比传统方法能得到具有更快响应速度和更小的超调量的模糊PID控制器.     

基于多目标粒子群算法的主动座椅悬架滑模控制器设计

为提高汽车的乘坐舒适性和行驶稳定性,对车辆主动座椅悬架提出一种基于多目标粒子群算法的滑模控制器设计方法。首先,在建立三自由度1/4车辆主动座椅悬架系统模型的基础上设计了满足李雅普诺夫稳定性理论的滑模控制器;其次,基于滑模控制到达条件和滑模面的稳定条件结合Hurwitz稳定判据选择合适的滑模面参数;然后,以汽车悬架动挠度、轮胎动载荷和控制器控制力输出为约束,形成以座椅质心垂直加速度、座椅悬架动行程以及轮胎动位移为控制目标的多目标优化问题,对滑模控制器参数进行优化设计;最后,在MATLAB环境下基于多目标粒子群算法进行求解,并进行数值仿真模拟。仿真结果显示,经过多目标参数优化后各目标值明显减小,表明基于多目标粒子群算法的滑模控制器参数优化显著地改善了汽车的乘坐舒适性和行驶稳定性,为汽车主动座椅悬架系统的研究提供了理论依据。     

基于粒子群优化的主动稳定杆系统自抗扰控制

为了提高车辆的抗侧倾能力,设计了液压马达驱动式主动稳定杆控制系统,提出了基于粒子群优化（PSO）算法的分层控制策略。上层自抗扰控制器（ADRC）计算出整车所需反侧倾力矩,整车所需要的反侧倾力矩经过分配器分配到前后轴,下层三闭环比例-积分-微分控制器（PID）接收到所要提供的反侧倾力矩后计算出控制电流输入到伺服阀,从而驱动马达输出轴旋转并通过稳定杆产生主动力矩,实现车辆的主动防侧倾控制。为了使控制器有更好的控制效果,采用PSO算法整体优化上、下层控制,优化后的ADRC和PID参数再输入到整车模型中,为了使仿真接近实际效果,把实验测得的横向稳定杆扭转刚度也代入到模型中。在C级路面上采用蛇形和双移线工况进行仿真,通过将PSO优化的自抗扰系统与被动系统、PID控制系统和未优化的自抗扰控制系统对比进行仿真验证。仿真数据表明：侧倾角的大小直接影响车辆侧倾稳定性,采用PSO算法优化的分层控制策略能显著降低车辆的侧倾角,有效抑制过度的车身侧倾运动带来的不稳定性;主动控制的稳定杆比传统被动式稳定杆能更好地给车辆提供所需要的反侧倾力矩,提高了车辆抗侧倾能力;优化后的ADRC控制器比被动系统和未优化的ADR...     

车辆主动悬架的模糊PID控制器仿真分析

通过建立某型汽车主动悬架系统的动力学方程和路面输入模型,融合PID控制和模糊控制的优点,设计了主动悬架模糊PID控制策略.在Matlab/Simulink环境中对此控制器进行的仿真结果证明,相对传统的被动悬架,本方法在降低乘员座椅垂直加速度、改善行驶平顺性和乘坐舒适性方面效果良好.     

基于偏好的多目标粒子群优化的结晶器预测控制

针对结晶器出口温度和液位控制问题,提出了一种基于改进的偏好多目标粒子群优化的非线性预测控制算法（IMPSO-NPC）。改进的偏好多目标粒子群优化算法（IP-MPSO）将参考点偏好算法和参考区域偏好算法融合在一起,在参考点和参考区移动过程中动态调整参考区,控制解集的偏好范围。另外,为了选取粒子群全局最优粒子,提出一种球扇占优的策略,提高了粒子群的搜索能力。将改进算法应用于结晶器的控制过程,仿真结果证明了其有效性和可行性。     

基于樽海鞘群与粒子群混合优化算法的特征选择

针对现有特征选择方法中存在的收敛速度慢和计算效率低等问题,提出了一种基于樽海鞘群与粒子群优化的混合优化(hybrid optimization of salp swarm algorithm and particle swarm optimization,HOSSPSO)特征选择方法,该方法在樽海鞘群算法(salp swarm algorithm,SSA)的基础上,引入粒子群优化(particle swarm optimization,PSO),提高了SSA的收敛速度,改进了探索和开发步骤的效率,增加了解空间更多的灵活性和多样性,使得方法能够迅速获得全局最优值.为了验证算法的性能,在2个实验序列上进行了测试:第一个实验序列使用基准函数,将HOSSPSO与标准SSA、PSO进行了比较;第二个实验序列采用不同的UCI数据集,通过提出的算法确定最佳特征集.实验结果表明,相比于其他优化算法,HOSSPSO的性能更具优势,在多项评估指标中获得较好的效果,能以极少量的特征获得最大的分类精度.     

一种基于量子粒子群算法的模糊c-均值聚类

把QPSO算法与模糊c-均值（FCM）算法相结合提出一种混合模糊聚类算法（QPSO—FCM）,将FCM算法中基于梯度下降的迭代过程用新算法进行替代,能够在一定程度上克服FCM算法易陷入局部极小的缺陷,降低FCM算法的初值敏感度．通过典型的Wine的数据实验结果证明,改进后的新算法具有良好的收敛性,聚类效果也有一定的改善．     

基于自适应搜索的免疫粒子群算法

经典粒子群算法由于多样性差而陷入局部最优,从而造成早熟停滞现象.为克服上述缺点,本文结合人工免疫算法,提出一种基于自适应搜索的免疫粒子群算法.首先,该算法改善了浓度机制;然后由粒子最大浓度值来控制子种群数目以充分利用粒子种群资源;最后对劣质子种群进行疫苗接种,利用粒子最大浓度值调节接种疫苗的搜索范围,不仅避免了种群退化现象,而且提高了算法的收敛精度和全局搜索能力.仿真结果表明该算法求解复杂函数优化问题的有效性和优越性.     

基于模糊聚类的粒子群优化算法

粒子群优化算法(PSO)的基础上,提出了基于模糊C-均值聚类(FCM)算法的粒子群优化算法.该算法在每次迭代过程中首先通过FCM算法把粒子群体分成若干个子群体,然后粒子群中的粒子根据其个体极值和子群中的最优粒子更新自己的速度和位置值.通过典型复杂函数测试表明,基于模糊C-均值(FCM)的粒子群优化算法的优化性能和效率远远超过基本粒子群优化算法.     

基于粒子群优化的船舶PID自动舵的改进

受生物免疫反馈过程的启发,利用模糊逻辑的适应性,提出一种模糊免疫PID控制策略,并以此对传统的PID型航向自动舵进行改进.用一种模糊控制器来模拟免疫系统中的反馈机理,以航行的经济性为目标,采用线性递减权值策略的全局PSO算法,对控制器进行参数优化.并对比2种采用免疫PID控制器的系统组成方案,指明适用于船舶航向控制的控制系统形式.实验仿真结果表明:该控制器能很好地根据船舶动态特性的变化,自动地进行适应性免疫调节,具有跟踪速度快、航向控制超调小以及抗扰性强等优点.     

基于粒子群优化的结构系统识别

研究了使用粒子群优化(PSO)算法进行结构系统识别的方法,该方法的基本思想是将结构系统识别问题描述成一个多峰值非线性非凸的优化问题,通过PSO算法发现系统参数的最优估计.利用该方法在输入输出数据不完备且噪声污染条件下,同时在没有系统质量、刚度等先验信息的情况下对结构系统进行了识别,并与基于遗传算法(GA)的结构系统识别方法进行了比较.数值算例及比较结果表明:PSO方法易于实现且计算时占用资源低,并可以成功地对结构系统进行识别,识别效能十分优越.     

粒子群优化算法在非线性模型预测控制中的研究应用

提出了一种基于粒子群优化算法(PSO)的非线性模型预测控制（NMPC）。作为NMPC重要组成的滚动优化部分对控制效果的好坏起着关键的作用,因而寻求一种可靠的优化算法十分必要。PSO算法是一种群集智能方法,通过粒子之间的合作与竞争及进化实现对多维复杂空间的高效搜索,属于一类随机全局优化技术,已成功应用于各科学和工程领域。本文在滚动优化部分应用粒子群优化算法来求解预测控制律,对非线性系统施加优化控制,此外,对常规线性递减加权因子ω策略进行了讨论,提出了非线性递减策略,可进一步缩短优化时间和优化精度。仿真实验效果良好,验证了这种优化算法的正确性和有效性。     

一种新型的简化群优化粒子滤波算法

针对粒子滤波的粒子退化和贫化问题,将新兴的简化群优化(SSO)算法引入到粒子滤波的重采样阶段.SSO算法结构简单,在保留优良粒子的基础上,增加一项粒子随机运动过程,以提供粒子多样性.实验结果表明,新算法不仅有效提高了对非线性系统状态的估计精度,而且具有更高的运算速度.