基于APSO的模糊聚类算法

利用改进的自适应粒子群优化算法(APSO)较强全局寻优、快速收敛的特点和模糊C-均值算法(FCM)对初始值敏感、容易陷入局部最优的缺点.提出一种基于自适应粒子群优化算法的模糊聚类算法(APFM).新算法有效的克服了FCM算法的缺点,同时增强了APSO算法全局搜索和跳出局部最优的能力.实验表明:新算法与单一的FCM和APSO算法相比聚类更准确,效率更高.     

基于APSO的模糊聚类算法

利用改进的自适应粒子群优化算法（APSO）较强全局寻优、快速收敛的特点和模糊C-均值算法（FCM）对初始值敏感、容易陷入局部最优的缺点,提出一种基于自适应粒子群优化算法的模糊聚类算法（APFM）。新算法有效的克服了FCM算法的缺点,同时增强了APSO算法全局搜索和跳出局部最优的能力。实验表明：新算法与单一的FCM和APSO算法相比聚类更准确,效率更高。     

一种基于T-S模糊模型的自适应建模方法及其应用

提出了一种改进的基于T-S模糊RBF神经网络模型的辨识算法和自适应方法,采用模糊C均值聚类(FCM)算法划分输入输出数据空间,最后将该算法应用于丙烯腈收率的预报,仿真结果表明了这种基于T-S模糊模型的自适应建模方法的有效性。     

连续搅拌反应釜的自适应模糊辨识与预测控制

化工领域为保证生产安全,对温度、压强、浓度等工艺指标有严格的要求。连续搅拌反应釜属于典型的化工设备,存在较强的非线性和时滞性,传统的建模与控制方法无法满足其精度要求。针对连续搅拌反应釜系统提出一种自适应模糊辨识与预测控制的方法。首先根据模糊划分C均值聚类算法得到模糊隶属度和初始聚类中心,在此基础上采用分层遗传算法进一步优化连续搅拌反应釜T-S模糊模型的参数。其次,采用自适应机制遗忘因子递推最小二乘法来估计T-S模糊模型的后件参数。最后,基于得到的T-S模糊模型,对连续搅拌反应釜进行自适应模糊广义预测控制,仿真结果验证了该算法的有效性。     

HVAC系统的模糊预测函数控制器设计

针对暖通空调HVAC系统中由于存在高度非线性、时变特征以及扰动和不确定性等因素而难以控制的特点，提出基于Takagi-Sugeno(T-S)模糊模型的预测函数控制器设计方法。该方法通过最小二乘辨识算法建立系统的模糊T-S模型，然后基于模糊全局线性化预测模型，采用预测函数控制算法设计系统控制律。仿真实验结果表明该算法是一种跟踪性能好、鲁棒性强的有效控制方法。与常规的PID控制器相比，该方法具有超调量小、调整时间短等优良的动态性能。     

基于粒子群优化算法的分数阶PID控制器设计

分数阶PID控制器具有可变的微分和积分阶次,通过调整控制器参数可以获得更好的控制性能。本文基于粒子群优化算法设计分数阶PID控制器。首先介绍分数阶PID和粒子群优化算法,然后给出分数阶PID控制系统结构、分数阶微积分算子的近似算法和分数阶PID控制器设计的仿真流程,最后通过MATLAB/Simulink对算例进行控制器设计仿真。仿真结果表明,通过粒子群寻优能够获得满意的分数阶PID控制器参数,满足对控制性能的要求。     

弹性粒子群优化算法及其在水电优化调度中的应用

为有效避免粒子群优化算法后期收敛速度慢的问题,提高寻优能力,设计了一种以自适应方式更新粒子飞行速度的弹性粒子群优化算法,建立了水电优化调度数学模型,提出了弹性粒子群优化算法解决水电优化调度问题的实现方法,包括粒子编码设计、适应度函数设计以及弹性修正值设计,并编制了基于Matlab语言的优化程序.实例仿真结果表明:弹性粒子群优化算法是有效的;相比基本粒子群优化算法和自适应粒子群优化算法,弹性粒子群优化算法求解水电优化调度问题具有更强的全局寻优能力和更快的收敛速度.     

APSO优化变参数PID的真空钎焊炉温度控制

真空钎焊炉钎焊温度的精确控制是一个典型的非线性、时滞、惯性和耦合的控制问题,常规的PID控制很难实现对钎焊温度的精确控制,就此采用自适应粒子群优化算法(APSO)辨识和优化预测模型及控制器的PID控制参数,解决了真空钎焊炉钎焊温度精确控制的问题;仿真比较和应用结果表明,控制方法优于传统的PID控制系统,并具有良好的可靠性、适应性和鲁棒性。     

基于自适应粒子群优化算法的光伏电池参数辨识

利用双二极管等效电路模型进行光伏电池输出特性仿真,基于光伏电池的U-I数据建立了目标寻优函数,采用自适应粒子群优化算法对光伏电池参数进行了反演计算.结果表明:U-I反演曲线与实际曲线基本吻合,自适应粒子群算法与单纯形方法的参数辨识结果均与理论值相符,权重因子策略和种群规模对自适应粒子群优化算法寻优结果具有显著影响,基于自适粒子群优化算法的光伏电池参数辨识方法具有更高的求解精度和寻优效率.     

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％.