基于粒子群算法优化的T-S型模糊神经网络控制器

粒子群优化(PSO)算法是一种新颖的演化算法,该算法通过粒子间的相互作用在复杂搜索空间中发现最优区域,其优势在于简单而功能强大。提出一种T-S型模糊神经网络控制器,采用PSO算法对模糊神经网络的前件参数和后件参数进行寻优,从而实现了模糊规则的自动调整、修改和完善。通过对非线性和时变被控对象的仿真研究,结果表明采用粒子群优化算法可以实现参数的全局快速寻优,而且优化后的T-S型模糊神经网络控制器能获得良好的控制性能。     

PID控制器的粒子群多目标优化设计

提出一种基于粒子群优化算法的PID控制器设计方法,该方法定义一个包含系统超调量、上升时间和稳态误差指标项的适应度函数,根据控制系统的实际要求对各指标项进行适当加权。采用带收缩因子的粒子群算法对PID进行多目标寻优,实现了PID控制器的自动参数整定。应用该方法得到的PID控制器综合性能优于常规方法得到的PID控制器。     

一种新的改进粒子群算法研究

为克服粒子群优化(PSO)易早熟的缺点,提出了一种改进的粒子群优化(MPSO)算法.该算法使整个粒子群按照变异率产生变异粒子,变异的粒子不再朝群体最优解方向飞行,而是朝反方向运动.MPSO提高了种群的多样性,扩大了搜索的空间,提高了粒子群算法摆脱局部最优解的能力.仿真实验表明,改进的粒子群优化算法显著提高了PSO算法的全局搜索能力,且其性能也明显优于遗传算法.     

利用BFO算法优化PID参数的机械臂控制设计分析

提出了一种基于细菌觅食(BFO)算法优化PID控制器参数的机械臂控制设计分析,用于不确定的2自由度旋转棱镜(RP)机械臂有效的轨迹跟踪和参数鲁棒性.提出的方法将BFO算法与PID控制器相结合,通过BFO算法在线对PID控制器的3个参数进行优化.最终,传统的动抗干扰抑制(ADRC)设计问题被转换成用于寻找最优控制器调谐参数的特殊优化问题.仿真结果表明,与传统方法相比,提出的方法能有效提高机械臂跟踪控制的快速性和准确性,具有更优越的控制品质和较强的抑制干扰能力.     

基于混合粒子群优化的巡航导弹低空突防航迹规划

将模拟退火算法嵌入到粒子群优化（partical swarm optimization, PSO）算法中,并对PSO产生的最优适应值进行重新评价,以此构成混合粒子群优化算法（PSO-SA）. 将PSO-SA 算法应用于巡航导弹的航迹规划,不仅可以避免PSO陷入局部最优,而且能快速有效地完成离线和在线规划任务,获得理想的三维航迹. 仿真结果验证了该算法的有效性,且对同一起始位置所规划出的航程较PSO算法短,可有效节约导弹燃料.     

一种改进的粒子群算法

上海理工大学计算机工程学院陈家琪由Eberhart和Kennedy等于1995年提出的粒子群优化算法(Particle Swarm Optimization,PSO)是一种基于种群搜索的自适应进化计算技术,它源于对鸟群和鱼群群体觅食运动行为的模拟.与其他生物进化算法类似,PSO算法是一种基于迭代过程的优化方法.PSO作为一种并行优化算法,可以用于解决大量非线性、不可微和多峰值的复杂问题的优化.目前,在函数优化、神经网络训练、工业系统优化及控制、游戏设计等领域均取得了非常好的效果.     

一种基于混合差分策略的改进差分进化算法

对启发式优化算法中的差分进化算法进行改进,在进化过程中并行交叉采用DE/rand/1/exp和DE/best/1/exp差分策略,应用聚集度因子进行种群重构,缩小了种群重构后的搜索范围,有效避免了种群重构的随机性.仿真结果表明,改进算法与使用单一差分策略的差分进化算法及PSO算法相比,寻优能力得到了显著提高.     

基于PSO-LQR的二级旋转倒立摆控制系统设计

二级倒立摆是一个典型的多变量、非线性、强耦合的不稳定系统,其系统模型的建立及控制方法的设计在控制工程领域具有重要意义.针对所设计的二级旋转倒立摆采用拉格朗日方程法建立了系统动力学模型;然后根据此动力学模型,设计了一种基于粒子群优化算法的线性二次型控制器(PSO-LQR)对系统进行稳定控制;最后分别采用LQR控制器及PSO-LQR控制器对旋转二级倒立摆系统的稳定控制进行了仿真验证.仿真结果表明,两种控制方法都能对该系统进行良好控制,且基于PSO-LQR方法的控制器能够获得更好的控制效果.     

基于遗传算法的模糊滑模控制在永磁直线电机位置控制中的应用

针对永磁直线电机控制中的推力扰动及参数变化问题,设计了一种改进的自适应模糊滑模变结构控制器(AF-SMC).利用遗传算法优化模糊变量的隶属度函数曲线.仿真和实验结果表明,与经典PID算法和一般模糊滑模控制算法相比较,新的算法具有更好的响应性能和抗干扰能力,抖振降低.     

基于遗传双映射神经网络的机械臂运动控制研究

讨论了一种基于双映射神经网络的机械臂运动控制器.并采用遗传进化算法对该控制器网络拓扑结构和参数进行了优化,实现了机械臂的轨迹跟踪控制.计算机仿真表明该控制器具有较高的控制精度和响应速度,可以满足机械臂工作要求.     

一种单神经元PID控制器

提出了一种单神经元自适应PID控制器，给出了控制模型，探讨了单神经元自适应PID控制学习算法，通过修改神经元控制器连接加权系数w(k)和神经元比例系数K的选取，构成了自适应PID控制器，并基于MATLAB／SIMULINK对其进行仿真．结果证明单神经元PID控制器是一种具有自学习，自适应，鲁棒性强，适用的控制器。     

认知无线电中基于Shapley值的自适应加权协作感知算法

认知无线电作为一种先进的技术,它可以通过有效利用未被主用户使用的频谱来提高频谱的利用效率.现有的线性加权协作频谱检测算法在一定程度上提高了频谱检测的性能,然而当单节点频谱检测性能急剧下降时会引起全局检测性能的恶化.基于此,我们提出了一种基于Shapley值的自适应加权的合作频谱检测算法来提高全局检测性能,并在加性高斯信道(AWGN)和瑞利衰落(Rayleigh)信道下对该算法进行了仿真验证.结果表明,该算法比传统检测算法性能提高20%以上,具有很好的应用前景.     

框架结构主动控制的综合设计研究

为减少框架结构振动主动控制所需控制能量,把结构设计与控制器设计相结合进行综合考虑,在保证框架结构基本性能和控制效果的前提下重新修改原结构以达到降低控制能量的目的.并把系统的稳定性、可控性等方面的因素作为约束条件,随机选择一组结构尺寸和材料常数通过系统降阶、控制率设计进而求得系统的控制能量,借助于改进的遗传算法进行随机寻优达到降低控制能量的目的.最后给出计算实例来表明此方法的有效性.     

基于自适应权重的粒子群和K均值混合聚类算法研究

针对K均值聚类算法存在的缺点,提出了一种基于自适应权重的粒子群优化(PSO)和K均值混合聚类算法.该算法在运行过程中通过引入非线性动态惯性权重系数,提高了混合聚类算法全局搜索能力和局部改良能力,并根据群体的适应度方差来确定K均值算法操作时机,增强算法局部搜索能力的同时缩短了收敛时间.将该算法与K均值聚类算法、基本PSO聚类算法和基于传统的粒子群K均值聚类算法进行比较,表明该算法不仅能有效地克服陷入局部最优,而且全局收敛能力和收敛速度都有所提高.     

遗传算法在PID自整定控制中的应用

提出了一种基于遗传算法和单神经元的自整定PID控制器的设计方法，该控制器首先利用遗传算法对PID的3个参数作离线优化，搜索到一组准最优的PID参数，作为PID控制器参数的初始值，然后利用改进后的单神经元梯度下降法在线调节PID参数，以使系统获得最优的动态性能和稳态性能．仿真结果表明：与传统PID控制算法比较，该控制方法响应速度快，具有更好的控制效果．     

有模糊目标的可靠性设计一个混合遗传算法

给出了求解带有模糊目标的可靠性设计问题的一个混合遗传算法．该方法利用模糊集隶属函数的特性将各子目标函数模糊化处理为能够反映各子目标相对重要程度、具有加权指数的协调满意度函数形式；通过加权函数再将各子目标的协调满意度函数综合成统一的单目标优化模型，然后用遗传算法求解模型，用Hooke-Jeeves方法改进遗传算法的群体，得到一个混合遗传算法，最后给出实例验证该方法的有效性．     

两种非线性鲁棒PID控制器

针对非线性船舶航向保持系统,给出一种基于精确反馈线性化和闭环增益成形算法的非线性鲁棒PID控制器,该非线性PID控制器由非线性函数项和鲁棒PID控制器组成。另外,还给出一种完全基于闭环增益成形算法的非线性鲁棒PID控制器,其包含了具有定时功能的开关元件,两种非线性PID控制器在提高系统鲁棒性能的基础上,简化了控制器设计,从仿真结果可以看出,航向保持效果良好。     

基于神经网络的机械臂自适应输出反馈控制设计

研究了机械臂的位置跟踪问题,提出了基于神经网络的自适应输出反馈控制方法. 该方法无需系统精确的数学模型,适用于具有非线性不确定性和外界干扰的机械臂控制系统. 设计的控制器由三部分组成：基于动态补偿器的输出反馈控制项、神经网络自适应控制项和鲁棒控制项. 神经网络的权值自适应学习率由Lyapunov稳定性理论得出. 仿真结果表明设计的控制器能驱动机械臂精确跟踪期望的位置,验证了该控制方法的有效性.