基于粒子群优化算法的分数阶系统二次型最优控制算法

目前,利用分数阶变分法和分数阶非变分法,解决分数阶系统的二次型最优控制问题时,存在数值算法的收敛效果不够好,近似化的步骤过于繁琐,且计算耗时长,以及在使用传统的梯度迭代优化算法解决分数阶系统的二次型最优控制问题时,对于优化函数要求较高等问题。针对一类Caputo定义下的确定性线性分数阶系统,首先,设计一种状态反馈控制器,考虑从优化角度去解决分数阶系统的二次型最优控制问题,然后,利用粒子群算法(PSO)求二次型性能指标的最优值,即系统的最优控制增益,最终,得到系统的最优控制律。仿真结果表明,PSO比传统的梯度迭代优化算法收敛效果更佳,通用性更好,获得的性能指标更小,验证了该算法有效可行。     

基于分数阶位置状态的量子粒子群算法

由量子力学的概念和粒子群优化算法的结合,量子行为粒子优化算法作为粒子群算法的一个变种,具有更好的全局搜索能力.为了提高量子粒子算法的全局搜索能力,结合分数阶微积分的概念,本文提出了一种新的算法.该算法将分数阶微积分中常用的GL定义引入了量子粒子算法的更新迭代公式中,利用分数阶微积分的长时记忆特性,通过记忆量子粒子在更新迭代过程中的历史位置和历史信息,增强算法的收敛速度和收敛精度.为了全面评估算法的基本性能,本文进行了一些关于基本测试函数的功能测试.通过对于不同阶次的分数阶量子粒子算法的对比实验和与其他粒子群改进算法的对比实验,实验结果表明,该算法具有更高的收敛精度.     

分数阶线性系统初值学习的PDα型迭代学习控制

针对分数阶线性时不变系统的随机初值问题,提出了基于初值学习的PDα型分数阶迭代学习控制算法,利用λ-范数,对控制算法的收敛条件进行了严格证明,并利用仿真实验进行验证.理论分析和仿真实验表明,系统初值不论如何取值,在该算法作用下,随着迭代次数的增加,都能实现系统输出对期望输出的精确跟踪.相比传统的PDα型控制算法,该算法解决了传统控制算法要求系统初值与期望初值相同的限制,消除了随机初值对系统的影响.     

分数阶系统的迭代最小二乘辨识算法

针对等比例阶次的分数阶系统的特点,提出了一种分数阶系统频域辨识的迭代最小二乘算法,并将运算数据的实部和虚部分离计算引入辨识过程,简化了计算的复杂度。此算法是整数阶系统辨识频域最小二乘算法的推广。通过无噪声和有噪声两种情况下的仿真实验,证明了该算法的有效性。     

一种多新息分数阶的辨识算法

本文针对传统分数阶最小均方算法收敛性能较差的问题,提出了一种改进型分数阶最小均方算法。首先,利用分数阶微积分和多新息理论,从新息修正的角度提出了一种基于辅助模型多新息分数阶的最小均方算法(AM-MFLMSI)。该算法在每次迭代时既使用当前数据,又使用了历史的数据,提高了收敛速度,同时还改善了参数估计精度。其次,分析了AM-MFLMSI的收敛性。然后,通过选取不同的分数阶和新息长度,比较分析了两者对算法性能的影响。最后,通过仿真实例,将AM-MFLMSI与其他分数阶算法作比较,进一步验证了所提算法的有效性。     

单级倒立摆的分数阶PI~λD~μ控制器设计

针对单级倒立摆系统的平衡控制问题,采用基于输出反馈双回路控制方案,提出了一种分数阶PDμ控制器设计方法。在建立了系统数学模型的基础上,基于闭环系统的特征多项式和系统稳定性及各种性能指标的要求,选取了合适的闭环主导极点,通过输出反馈控制器改变控制系统的极点位置来使闭环系统具有所期望的动态特性和渐进稳定,并利用微粒群(PSO)优化算法整定分数阶控制器参数。仿真结果表明:双回路分数阶PDμ控制器较整数阶PD控制器,收敛速度快,振荡小,能取得更好的控制效果。     

基于动态组合优化的切换型离散系统最优控制

讨论了一类切换型混杂系统的最优控制问题.离散子系统切换次数固定且性能指标为二次型时,基于动态规划原理,将多级决策问题转化为易于求解的单级决策问题,得到切换离散系统最优控制的全局解析解.利用作为演化计算重要分支的遗传算法,对切换顺序和切换时刻进行全局搜索使性能指标达到极小,并给出具体求解步骤.最后用数字算例验证了该算法的有效性,仿真结果表明该算法可以解决一类切换线性系统的最优控制问题.     

分数阶线性时滞系统PDα型迭代学习控制的鲁棒性

针对一类具有外部有界噪声干扰的分数阶线性时滞系统,利用卷积的推广Young不等式,讨论了PD~α型分数阶迭代学习控制算法(FOILC)在Lebesgue-p(L~p)范数意义下的鲁棒性,获得其鲁棒收敛的条件。理论分析表明,若选取适当的学习增益矩阵,在系统受到外部有界噪声干扰时,随着迭代次数的增加,该算法能够保证系统的跟踪误差一致收敛有界。数值仿真验证了该算法的可行性和理论的正确性。     

线性离散时不变系统的分数阶相位校正迭代学习控制

针对带有随机干扰的线性离散时不变系统,提出一种分数阶相位校正迭代学习控制算法.设计一种新型相位超前校正与分数阶迭代学习控制相结合的迭代学习控制(ILC)学习律.基于频域分析方法,得到分数阶相位校正迭代学习控制在算法开、闭环两种情况下的频域收敛条件.结果表明:文中算法显著提高了ILC跟踪误差的收敛速度和收敛精度,具有先进性和有效性.     

离散系统线性二次型最优控制的算法仿真

采用积分型性能中的一种二次型性能指标,以状态空间表达式描述线性系统,求导出对应的最优控制序列,实现线性系统的最优控制,并给出了最优控制序列的计算算法和计算实例．     

求解扩展Levine-Athans方程组的直接迭代算法

特定信息结构下大型线性系统无时限最优控制有解的必要条件是存在一组矩阵变量 { K,P,V} (P,V对称正定 )满足相应的扩展 L evine- Athans方程组 ,因而求解该方程组成为协调控制器设计中最为关键的一环。对此 ,论文提出了一种新的算法——直接迭代法 ,它在选择搜索方向、初始反馈增益矩阵和迭代缩放因子等方面具有独特之处。文中给出了算法的详细计算步骤并对其收敛性进行了严格的数学证明 ;一个典型 4机两区域电力系统分散与协调控制器的设计实例表明 ,新算法与传统的一阶梯度算法相比 ,具有收敛速度快 (快 3个数量级 )、精度高等优点     

带子矩阵约束的二次逆特征值问题的最小二乘埃尔米特广义斜哈密顿矩阵迭代解

针对带子矩阵约束的二次逆特征值问题的最小二乘埃尔米特广义斜哈密顿结构矩阵解问题,给出了一种共栀梯度迭代算法.首先提出了带子矩阵约束的二次逆特征值问题的最小二乘问题及其最佳逼近问题;然后分别给出了基于共轭梯度的迭代算法,证明了算法的收敛性.对于任意初始约束矩阵,在不存在舍入误差的情况下,用该迭代算法可以在有限步迭代中得到...     

基于分支定界和有效集的信号检测算法

大规模多输入多输出（multi-input multi-output,MIMO）系统中,随着天线数量的增多,现有传统信号检测算法在高阶调制时不能很好地平衡系统的检测性能和算法复杂度。为了解决以上问题,基于二次规划（quadratic programming,QP）检测器应用了有效集法和具有可变二分法的深度优先分支定界算法,提出了一种适用于大规模MIMO高阶调制系统的低复杂度检测算法,并提出了一种修剪策略和引入了近似因子,改善了系统性能,在复杂度和性能之间进行了更好地折中。复杂度分析表明,所提出算法复杂度比QP算法和二阶QP算法高,但比传统分支定界算法要低。仿真分析结果表明,在收发天线均为32的大规模MIMO场景下;在256QAM调制、误码率（bit error ratio,BER）为10^-4时,比传统分支定界算法提升了约3 dB的性能增益,验证了算法对高阶调制的适应性。     

基于模拟退火算法的最优控制问题全局优化

参数化后的最优控制问题是一类高维非光滑非线性约束优化问题,传统的非线性规划算法求解时存在着收敛性差、局部收敛等问题。针对上述问题,该文采用多重参数化方法处理最优控制问题,非可微精确罚函数方法处理约束条件,引入了具有良好全局收敛性的模拟退火算法求解参数化后的最优控制问题。典型的时间最优和燃料最优控制问题的求解结果表明：模拟退火算法有着可靠的全局收敛性,优于遗传算法以及序列二次规划等经典优化算法。     

基于分数信号处理的变步长自适应振动主动控制方法研究

针对自适应振动主动控制系统中次级通道的辨识精度严重影响振动控制效果的问题,分析了常规的次级通道在线辨识算法存在的问题,提出一种基于分数信号处理的双步长两阶段变步长策略的次级通道在线辨识方法。该方法使用基于分数信号处理的自适应算法代替传统的最小均方(least mean square, LMS)算法进行次级通道的在线辨识,同时给出了一种双步长的两阶段变步长策略,在次级通道辨识环节收敛前后应用不同的变步长策略以提高辨识精度和降低辨识环节的波动。仿真结果表明,与现有方法比较,该方法的次级通道辨识收敛速度更快,系统收敛后的波动更小,次级通道的辨识精度和系统的稳定性都有了明显的提升。经验证,该方法有效解决了常规的次级通道在线辨识算法收敛速度慢、辨识精度低和辨识环节波动大等问题,具有更好的振动控制效果。     

邻域自适应的微分变异约束分数阶粒子群优化

分数阶粒子群算法（FOPSO）是一种具有路径记忆的改进型粒子群优化算法。在多峰约束优化问题中,针对FOPSO易于早熟和依赖于初始参数的问题,文中提出了一种邻域自适应的约束分数阶粒子群优化方法（NAFPSO）。在算法中,依据进化状态来动态调整邻域拓扑从而更新粒子位置和速度,以提高可行解的全局寻优能力和收敛速度;采用带惩罚因子的罚函数约束处理技术,迫使粒子趋向可行区域;设计了微分变异策略以增加种群多样性,增强粒子逃脱局部最优的能力。用9个约束优化基准函数实验验证了NAFPSO的有效性和收敛性能,并应用于2个约束工程设计问题,结果表明,提出的算法寻优能力强、收敛快、精度高、稳定性好,可用于有效地解决复杂的约束工程设计优化问题。     

自动化立体仓库固定货架拣选路径问题研究

为提高自动化立体仓库拣选效率,以存取时间最短为目标,针对单巷道固定货架拣选作业过程,构建了解决拣选作业路径优化问题的数学模型,提出结合模拟退火算法的混合粒子群算法.该算法在求解过程中用粒子群算法初始化种群,提高了优化效率,缩短了搜索时间;在迭代过程中采用模拟退火算法,利用其概率突跳能力,以避免基本粒子群算法迭代过程中陷入局部最优和早熟收敛.通过实例验证,该算法比标准粒子群算法所用时间短、收敛速度快、迭代次数少.     

分布式HDP领导-跟随者系统最优一致控制研究

为研究行为未知的非线性多智能体系统领导-跟随者最优一致控制问题,针对智能体动态方程未知的情况,设计神经网络辨识器学习智能体动力学行为;构造以多智能体系统局部误差为输入的性能指标函数,将多智能体系统领导-跟随者一致性问题转换为求解智能体局部性能指标函数最优值的优化控制问题;结合自适应动态规划思想设计分布式迭代算法求解该优化问题,并讨论了算法的收敛性;设计基于神经网络的评价-执行结构分布式控制器来近似局部性能指标函数,通过神经网络学习迭代寻找局部性能指标函数的最优解,实现多智能体系统的最优一致控制策略。设计的分布式控制器能够根据智能体状态数据自适应产生控制策略,使多智能体系统趋于一致。