基于改进微粒群算法的非线性系统模型参数估计

将改进微粒群优化算法用于非线性系统模型参数估计,并通过对三种典型的非线性系统模型参数估计进行验证。实验结果表明:改进微粒群优化算法参数估计精度高,是一种有效的参数估计方法。     

多重时滞非线性系统的自适应预测控制

针对NARX模型中一步时滞控制算法不完全适用于多重时滞的情形,提出一种在工作点处用线性的动态切平面逼近一般的非线性系统的方法,结合一种准则函数和预测器算法,提出一种自适应预测控制算法,给出了该模型下具有遗忘因子的递推最小二乘非线性参数估计算法.仿真结果表明:该控制算法品质好,参数估计算法几乎无偏,验证了自适应预测控制算法和递推参数估计算法的有效性.     

基于组合混沌策略自适应量子微粒群的Volterra核辨识算法

针对非线性Volterra泛函级数的参数辨识问题,提出了一种基于组合混沌策略自适应量子微粒群算法(CCSAQPSO算法)的Volterra时域核辨识方法.该方法在量子微粒群算法(QPSO)的基础上,采用混沌策略分两个阶段对QPSO进行优化,在初始化时以混沌序列初始化种群,在搜索过程中则引入混沌变异机制,利用混沌变异算子空间遍历特性对个体进行变异操作,同时按照各微粒适应度的优劣程度对其进化过程中的收缩扩张系数进行自适应调节,有效避免了早熟收敛现象的发生,提高了算法的全局寻优能力,保证了算法的准确性和精度.最后将该Volterra核辨识方法与基于标准微粒群算法(PSO算法)和QPSO算法的Volterra核辨识方法进行了对比分析.仿真结果表明,提出的方法具有参数辨识精度高、抗噪声能力强等优点,且在全局优化能力和快速收敛能力上都有较大提高.     

一种基于聚类分析的小生境微粒群优化算法

为了寻找多峰函数的多个极值点,在标准微粒群优化算法的基础上,提出一种基于聚类分析的小生境微粒群优化算法.采用基于密度的聚类分析方法辨识和构造小生境微粒子群,通过这种多子群方法,可以保持种群多样性,直接搜索到所有的局部/全局最优点.实验测试结果表明,该算法对一元函数优化和多元函数优化都有很好的效果.图6,参10.     

小生境微粒群优化算法

将小生境技术引入到微粒群优化算法之中,设计出一种小生境微粒群优化算法。该算法除了始终赋予微粒生命力,还将位置重叠的差适应值微粒在搜索空间重新启动。通过对4个常用测试函数进行优化计算,仿真结果表明小生境微粒群优化算法比基本微粒群优化算法具有更好的优化性能。     

基于改进PSO算法的岩石蠕变模型参数辨识

微粒群优化(PSO)算法是一类随机全局优化技术,具有收敛速度快、规则简单、易于实现的优点.针对岩石蠕变本构模型参数的辨识问题,本文利用FLAC软件自带的fish语言实现了改进PSO算法对本构模型参数的辨识.该方法从岩石本构模型参数的随机值出发,以蠕变过程中试件变形的实验值与计算值的误差大小作为适应度函数来评价参数的品质,利用改进PSO算法规则实现模型参数的进化,搜索出全局最优的模型参数值,从而实现了岩石蠕变本构模型参数的自适应辨识.利用该方法对页岩蠕变实验进行了仿真研究,实验结果表明:改进的PSO算法用于岩石蠕变模型的参数辨识是有效的.     

基于即时学习算法非线性系统多模型自适应控制

针对可获得大量输入输出数据的非线性系统，提出一种改进的即时模型辨识方法，并与自校正的极点配置控制算法相结合，设计多模型自适应控制器。所提出的建模方法和相应的多模型自适应控制器能较好地逼近非线性系统的动态特性，使系统的动态响应品质得到了有效的改善。     

基于自适应粒子群算法的重油热解模型参数估计

通过构造一个合适的目标函数,将化工模型参数估计问题转化为一个多维数值优化问题,然后提出一种参数自适应调整和维变异的改进粒子群优化算法来求解该问题。该算法首先利用佳点集方法初始化种群以保证粒子的多样性。惯性权重和学习因子随进化过程自适应调整,从而协调算法的全局和局部搜索能力。为了避免算法陷入局部最优,对收敛度最小的维进行变异。几个标准测试问题的实验结果表明该算法具有较强的全局寻优能力。最后将改进粒子群算法应用到重油热解模型参数估计中,并与基本遗传算法（SGA）和粒子群优化算法（SPS0）进行比较。研究结果表明：本文得到的平均相对误差为5．62％,比SGA和SPSO分别低1．08％和0．50％。     

非线性BP算法在系统辨识中的应用

研究利用非线性ＢＰ算法训练多层前馈神经网络,对非线性动力系统进行建模,给出了基于非线性ＢＰ算法的系统辨识计算步骤,通过仿真计算表明,基于非线性ＢＰ算法的系统辨识至少可以获得与常规ＢＰ算法同样的效果,因为不需要计算神经元激活函数的导函数,文中的结果可以更小的代价实现基于神经网络的控制器。     

非线性确定性系统的鲁棒自适应控制器

NARX模型的最小预报误差自适应控制器算法，存在着控制输入偏离以原点为收敛域中心的收敛问题，严重时将出现数值发散现象，系统是BIBO不稳定的。针对这种情况，提出了一种改进的控制输入准则函数和各样自适应控制策略，给出了NARX模型基于该准则函数的一种最小预报误差自适应控制器算法，及使系统无稳态偏差选取准则函数的限制条件，解决了系统存在稳态偏差的问题，同时给出了仿真结果。     

生态遗传算法在模糊系统辨识中的应用

给出一类模糊系统的模糊神经网络模型 .提出一种实用的生态算子 ,构建的生态遗传新算法有效解决了基本遗传算法的“早熟”问题 .采用新算法实现模糊神经网络模型的辨识 ,提高了辨识精度 .实例仿真结果验证了新算法在模糊系统辨识中的有效性     

一种新颖的串行小生境粒子群算法

提出了一种新颖的自适应串行小生境粒子群优化算法(ASNPSO),它使用多个子群能够串行发现多个最优解.在此算法中,使用了山谷函数以决定如何改变当前运行的子群中粒子的适应度函数,算法具有很强的自适应搜索能力.经使用几个标准测试函数证明了ASNPSO算法在没有任何先验知识的情况下能够有效地发现多个最优解.     

基于自适应遗传算法的PID参数寻优

针对工业过程中常见的二阶大滞后对象的PID参数调节问题,采用自适应遗传算法对PID控制进行参数寻优,并将结果与常用的PID参数寻优方法进行比较,仿真实验结果表明,在PID参数的寻优问题中,自适应遗传算法采用自动改变变异概率的方法,提高了控制系统的自适应性.     

基于自适应遗传算法的PID参数寻优

针对工业过程中常见的二阶大滞后对象的PID参数调节问题,采用自适应遗传算法对PID控制进行参数寻优,并将结果与常用的PID参数寻优方法进行比较,仿真实验结果表明,在PID参数的寻优问题中,自适应遗传算法采用自动改变变异概率的方法,提高了控制系统的自适应性。     

基于Iterative映射和非线性拟合的鲸鱼优化算法

为解决鲸鱼优化算法中收敛速度慢和寻优精度低等问题,提出一种基于Iterative映射和非线性拟合的鲸鱼优化算法（NWOA）。首先,该算法利用了Iterative映射对鲸鱼种群初始化,保证初始种群的多样性;其次,采用非线性拟合的策略对收敛因子和惯性权重进行改进,以平衡算法的全局勘测能力和局部开发能力。通过对13种函数进行仿真实验,从均方差和平均值的角度分析,改进后算法寻优精度显著提高,且稳定性较强。实验结果表明NWOA与传统的鲸鱼优化算法相比,收敛速度明显加快。     

基于均值的云自适应鸟群优化算法

针对鸟群算法(bird swarm algorithm,BSA)在求解高维复杂优化问题时,存在收敛速度慢、寻优精度低等缺点,提出了一种基于均值的云自适应鸟群优化算法(a cloud adaptive bird swarm optimization algorithm based on mean,CAMBSA)。通过云理论引入惯性权重修正鸟群觅食策略,同时引入"均值"的概念,修改鸟群觅食策略中的"认知部分"和"社会部分",有利于协调种群全局搜索能力,避免算法陷入早熟;为了使算法在迭代后期具有较好的多样性,采用混沌扰动。仿真试验表明,所提出的算法具有较好的收敛速度和寻优精度。     

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.     

基于自适应算法的电力系统可靠性评估

针对电力系统可靠性评估中Monte Carlo方法存在的计算效率低下的问题,提出应用自适应算法对系统状态进行概率分析。该算法采用变分运算分析和区间拟合的方法,实现在最优密度函数下抽样,降低计算方差。应用该方法对IEEE-RTS标准系统的发电部分进行了可靠性评估,并与采用常规抽样方法和重要抽样方法的评估结果做了比较,表明该算法在保证计算精度的前提下分别减少了87%和68%的抽样次数,对大型电力系统可靠性评估具有实用价值。