神经网络非线性预测优化控制及仿真研究

针对暖通空调等一类时变多输入多输出非线性过程控制系统，采用神经网络作为优化反馈控制器求解优化反馈解，并利用预测控制滚动优化能够克服干扰和不确定性影响的优势，采用基于Hamilton-Lagrange方法和预测滚动优化算法训练多层前向神经网络，同时对系统中某些不能直接测量且受到多种因素影响、计算复杂的时变参数也利用神经网络进行预测，以实现对象特性的实时预测。利用该控制方法对某变风量暖通空调模型进行了仿真，优化指标取舒适性指标和耗能量之和。仿真结果表明，采用此方法，在模型不确定和存在外在干扰的情况下可以得到较好的控制效果。     

基于神经网络的仿真优化算法设计

为降低传统仿真优化方法所需的仿真次数,从而缩短仿真优化时间,提出了基于广义回归神经网络(generalized regression neural network,GRNN)的仿真优化算法设计。首先,利用仿真生成一定数量的样本集,利用GRNN进行训练,得到初始回归曲面,并在该曲面上利用模式搜索算法找出全部可能的局部极小,由于可能会找到一些假局部极小点——噪声点,设计了剔除噪声点的方法,得到全部局部极小;在各局部极小点周围增补少量仿真样本,再次利用GRNN进行训练,得到新的回归曲面。重复增补样本,直到得到仿真优化的最优解。实例表明,所提方法能够有效降低所需样本的数量,实现仿真优化问题的求解。     

易腐货物配送中时变车辆路径问题的优化算法

以易腐货物配送中的时变车辆路径问题为研究对象.由于时变车辆路径问题中每条道路上的车辆行驶速度随时间变化,此类问题难以用传统的数学建模方法进行建模及实现优化求解.因此,提出应用计算机建模的方法建立此类时变车辆路径问题的仿真模型.在此基础上,设计并集成遗传算法于计算机仿真模型用于搜索问题的最优解,所提出的自适应性优化算法能够根据来自车辆驾驶员回传的实时数据动态调整后续的最优行驶路线.最后,在多智能体建模与仿真平台上实现了该算法,并以15个顾客的时变车辆路径问题为例验证了算法的有效性.     

基于深度网络的蓝军装备模型参数生成方法研究

蓝军装备的建模仿真是构建对抗仿真环境不可缺少的部分。针对蓝方系统可获取的参数有限、具有“贫信息”“小样本”特性的问题,提出一种基于深度网络的蓝军装备模型参数生成方法。通过设定信息注入蓝军装备的仿真模型,生成仿真数据,利用数据训练深度神经网络。得到的网络对该型装备的未知参数预测具有一定的泛化能力,可直接用于预测或作为迁移学习的源模型。以蓝军某型拦截弹的建模仿真为例对该方法进行应用验证,使用了多层感知机和循环神经网络2种网络对比例导引系数进行学习与预测,均获得了较好的效果。     

基于改进型能量函数和瞬态混沌神经网络的TSP问题研究

针对传统神经网络在搜索NP类问题的解时易陷于局部最优点的不足,提出了一种基于改进型能量函数(IEF)和瞬态混沌神经网络(TCNN)的优化模型,将此应用于旅行商问题(TSP)的求解,并和传统神经网络优化方法进行了比较。仿真研究结果表明,该论文所提出的方法在解的可行性以及全局最优解的获取能力方面都有很大优势,收敛速度和准确度也令人满意。     

基于粒子群优化的时变系统辨识

提出了一种基于粒子群优化的时变系统辨识方法。其基本思想是将时变系统的辨识问题转化为非线性连续函数的在线优化问题 ,然后利用粒子群优化获得系统参数的最优估计。仿真结果显示 ,该方法对于时变参数具有很强的跟踪能力 ,与采用遗传算法的系统辨识方法相比 ,有实现简单、运算量小等特点。     

求解优化问题全局解的广义Gauss机方法

研究求解优化问题全局解的随机神经网络方法,将Gauss机模型拓展为广义Gauss机模型,使之能求解一般优化问题的全局解,算例表明该模型对求解全局最优解是有效的。     

针对机动目标的三维实时滚动优化制导策略

为解决目标机动策略未知条件下的飞行器拦截问题, 提出一种基于神经网络的三维滚动优化制导策略。首先, 针对全局最优导引律终端时刻难以确定的问题, 在滚动时域优化框架下, 引入零效脱靶量设计局部最优导引律, 并使用粒子群优化算法进行求解。其次, 为了提高制导律在线求解效率, 构建神经网络, 对优化算法滚动求解得到的若干组制导训练数据进行离线学习, 并将经过训练的网络用于制导指令在线滚动优化。仿真结果表明, 神经网络-滚动优化制导策略对采取各类机动方式的目标均具有较好的制导性能, 有效提高了制导指令在线优化效率, 可以为飞行器制导律实时滚动求解提供参考。     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

基于改进花朵授粉算法的风电预测神经网络模型

针对常规Elman神经网络容易陷入局部最优、泛化能力不足等缺点，提出一种将花朵授粉算法和Elman神经网络相结合的风电预测新方法。采用逻辑自映射函数构建混沌序列，将混沌变量映射到问题的解空间，使缺乏变异机制的花粉粒集具有较强的自适应能力，有效地防止算法后期最优解趋同的现象；利用变换系数动态收缩自变量范围，降低算法陷入局部极值的概率，使算法的搜索效率得到有效提高。结合预测需求和网络特征，对花粉粒参数进行编码，确定Elman神经网络的最佳权值和阈值。算例分析表明，所提出的风电预测神经网络模型在保证概率预测精度的条件下能达到较好的预测效果，为短中期风电功率预测提供了一种可行的解决思路。     

支持向量机控制与在线学习方法研究的进展

支持向量机以其模型结构简单、较好的推广能力和全局最优解等特点已经被用来进行智能控制的研究,主要包括采用支持向量机回归的非线性时间序列的建模与预测、系统辨识等建模方面的研究以及优化控制、学习控制和预测控制等方面的研究以及采用支持向量机的故障诊断的研究。由于现有SVMR基于二次规划的优化方法不适合控制过程的在线训练,因此出现了对SVMR在线训练算法的研究。分析了国内外这些研究内容的最新研究进展,旨在探讨归纳支持向量机在控制领域研究的主要成果和存在的问题,以便为进一步的研究提供一定的支持与帮助。     

航空弹药技术保障模拟训练智能评估

量化评估是航空弹药技术保障模拟训练的一个重要环节，为了实现模拟训练自动评估，引入智能评估技术，从中提出一种基于Sigmoid 回归的预测模型。在分析成绩指标样本数据线性关系基础上，选择特征指标子集作为预测数学模型的输入，为了避免梯度下降法陷入局部解问题，给出“梯度下降+ 粒子群”求解算法。经过成绩样本测试，求解算法能够寻找到全局最优解，而且基于Sigmoid模型预测效果没有发生过拟合和欠拟合问题。在实际应用时，可以不需要依赖主观评估成绩，发挥基于计算机技术的模拟训练自动量化评估优势。     

大规模不可分组合优化问题的双环迭代算法

对于一类大规模、不可分的非线性组合优化问题,直接求解困难很大．本文把原问题嵌入到可分的参数规划问题中,并证明了原问题的最优解包含在可分的参数规划问题的最优解集中．然后从最优解集中挑出原问题的最优解．这种算法为三级算法．本文证明了算法的收敛性并建立了其理论基础,仿真效果好．     

Multi-population and diffusion UMDA for dynamic multimodal problems

In dynamic environments, it is important to track changing optimal solutions over time Univariate marginal distribution algorithm (UMDA) which is a class algorithm of estimation of distribution algorithms attracts more and more attention in recent years. In this paper a new multi-population and diffusion UMDA(MDUMDA) is proposed for dynamic multimodal problems. The multi-population approach is used to locate multiple local optima which are useful to find the global optimal solution quickly to dynamic multimodal problems. The diffusion model is used to increase the diversity in a guided fashion, which makes the neighbor individuals of previous optimal solutions move gradually from the previous optimal solutions and enlarge the search space. This approach uses both the information of current population and the part history information of the optimal solutions. Finally experimental studies on the moving peaks benchmark are carried out to evaluate the proposed algorithm and compare the performance of MDUMDA and multi-population quantum swarm optimization (MQSO) from the literature. The experimental results show that the MDUMDA is effective for the function with moving optimum and can adapt to the dynamic environments rapidly.     

基于LS-SVM的机器人逆运动学建模

提出了基于最小二乘支持向量机的机器人逆运动学建模方法，阐述了基本设计思想和具体算法过程，与RBF神经网络相比，最小二乘向量机的优点在于其训练过程遵循结构风险最小化原则，不易发生过学习现象。它通过解一组线性方程组得到全局唯一最优解。其拓扑结构在训练结束时自动获得而不需要预先确定，通过对二自由度刚性机器人的仿真，结果验证了该方法的有效性和可行性。     

用于多峰函数优化的小生境人工蜂群算法

针对人工蜂群算法(artificial bee colony algorithm, ABC)在多峰优化时只能找到一个最优解,难以找到所有全局和局部最优解的问题,提出一种小生境ABC算法。利用小生境技术维持种群的多样性,使算法不再单单收敛于全局最优解;借助ABC算法具有较高寻优精度的特点精确寻找各个峰值点。对标准测试函数进行仿真,结果表明,小生境ABC算法能够准确、有效地找到多峰问题的全局和局部最优解,具有良好的多峰优化性能。     

基于神经网络的高超声速飞行器惯导系统精度提高方法

针对目前惯性系统误差补偿模型对静态误差和动态误差处理能力不足的问题,为适应高超声速飞行器长航时、高精度的惯性导航要求,基于神经网络提出一种加速度计拟合模型。在高超声速飞行器飞行前期有准确的卫星导航信息时,收集导航信息和加速度计脉冲信息,利用神经网络强大的非线性拟合能力,在飞行过程中进行在线训练,得到精确的惯性系统模型。仿真结果表明,在存在逐次通电误差和不考虑二次项误差系数的误差补偿模型方法位置导航偏差在数公里和数百米量级的情况下,相同时间内所提方法的位置导航偏差仅为数十米量级,有效提高了高超声速飞行器的导航精度。     

基于神经网络再建模的模糊PID控制器精简化研究

针对模糊控制算法的计算复杂性和实时性能差的问题,以模糊PID控制器为研究对象,利用神经网络的万能函数逼近能力,通过神经网络二次建模,精确的逼近已知的模糊PID控制器,从而减少运算量,实现实时控制.然后,给定不同的输入信号,分别用模糊控制器和等效神经网络模型控制同一个被控对象.结果表明,控制效果非常相似.因此,用精简的神经网络模型来代替模糊控制器,可减少计算的复杂性,避免维度灾难,提高实时性能.     

求解约束优化问题的内外交叉遗传算法

针对很多约束优化问题的最优解位于可行域的边界上或其附近的特点,提出了一种新的遗传算法.算法将种群中的可行解和不可行解分别存贮在两个容器中,新设计的交叉算子(内外交叉法)尽量让可行域内的可行解与可行域外的不可行解交叉,并顺着有利的方向一维搜索到可行域边界,此举既增大了个体接近全局最优解的几率, 又增强了算法的收敛速度;粒子群变异法则吸取粒子群 (PSO)算法的优点,让粒子沿粒子自身历史最优和全局最优的方向变异, 而选择算子则采取了保留固定比例不可行解的方法. 仿真结果证明了算法能够在种群规模小,迭代次数少的情况下迅速接近或找到全局最优解.