抗干扰动态自寻优控制

将动态极值搜索法用于控制系统的寻优控制。该控制方法采用阶跃信号作为探索信号叠加在对象的输入信号上 ,根据输出数据辨识输出稳态值的变化 ,从而确定寻优方向 ,逐步向系统的最优点逼近。寻优控制器的寻优算法对噪声具有抑制作用 ,并对系统参数变化有一定的适应能力。该算法所需信息量不大 ,具有较好的快速性。且算法具有搜索精度高 ,抗干扰能力强等特点 ,具有一定的实用价值     

一种求解Packing问题概率控制搜索行为的启发式算法

研究一种求解圆形和圆形与矩形混合Packing问题的启发式算法.借鉴Agent概念,赋予待布物具有跳跃、交换、旋转、移动和容器缩放等5种搜索行为,在寻优过程中以概率机制控制上述各搜索行为,并给出寻优过程中启用该搜索行为的时机及其操作顺序,该概率控制机制的适应性控制参数由待布物之间干涉信息决定.该法纯用上述搜索行为寻优,不辅以其他优化方法.该Packing问题数值实验结果表明,算法是可行和有效的.     

并行混沌优化算法在分包商选择中的应用

为了提高工程优化问题的寻优效率,提出一种用于求解优化问题的改进并行混沌优化算法。根据当前解中精英个体的分布情况从优化变量的定义域中划分出精搜索空间。在优化过程中,精搜索空间不断缩小,搜索概率不断增加,这可保证算法具有较快的收敛速度。同时,算法始终以一定概率保持对原搜索空间进行混沌搜索,这可保证算法始终具有全局寻优能力。函数优化以及分包商选择等组合优化问题可利用该算法进行有效求解。仿真实验结果表明:对于相同的优化问题,改进的并行混沌优化算法可以求得更好的优化解,从而证明该方法具有良好的寻优性能。     

基于正弦载波的粒子群算法

针对传统粒子群算法(Traditional Particle Swarm Optimization,TPSO)存在的易陷入局部最优、收敛速度慢等缺点,提出了一种基于载波的粒子群算法(carrier-wave Particle SwarmOptimization,CWPSO)。根据正弦函数具有的自变量连续变化而值域不变的特点,该算法设计了以载波自变量变化确定粒子搜索位置的新方法,从而极大地提高了全局搜索能力。同时对于搜索到的可能极值点,通过载波扩展的方法进行局部寻优,以进行精确搜索。对一系列测试函数的寻优结果表明:CWPSO算法不仅都能找到最优值,且寻优时间仅为TPSO算法和惯性权值线性下降的改进PSO算法(Line-WPSO,LWPSO)的1/3~1/5;同时,CWPSO具有对寻优问题维数不敏感的优点,大大扩展了该算法的适用范围。     

一种混沌优化的双模糊控制器--倒立摆系统的设计

将单级倒立摆的4维输出分解为2个2维模糊控制器的输入量，与倒立摆组成双闭环控制，内环调节摆杆的角度，外环控制小车的位移。采用混沌算法优化控制器的参数，首先将混沌因子引入模糊控制器参数域的优化搜索中并在全局范围内直接寻优，当获得全局近似最优解后，再缩小寻优区间，在近似最优解的附近继续寻优。时倒立摆系统在不同情况下进行仿真，结果表明；该方法能提高搜索效率，能较快搜索到全局最优解，为解决多输入快速系统的模糊控制器优化设计提供了一种较好的实现方法。     

基于单增量和全局维度学习策略的萤火虫算法

萤火虫算法的搜索过程较依赖于最优萤火虫，而最优萤火虫并不进行有导向的寻优移动，算法易陷入局部最优.为此，提出了一种基于单增量和全局维度学习策略的萤火虫算法.在萤火虫个体移动时，该算法并不叠加萤火虫个体的当前位置，而是将累加的位置增量作为新的搜索方向，用于更新萤火虫的位置.该算法大大降低了萤火虫当前位置对搜索过程的影响，有利于算法更快的跳出当前局部最优，进行更大范围的寻优；其次，对最优萤火虫进行一定次数的单维度学习，将学习后的萤火虫引导种群进化.在基准测试函数上的实验结果表明，该算法优于其他几种改进的群智能优化算法，具有良好的跳出局部最优的能力.     

动态小生境遗传算法在多模函数优化中的应用

提出一种基于动态小生境技术的自适应遗传算法．算法的进化过程中，通过物种的辨识和保存过程确定小生境的峰值，引入个体趋向于高适应度的方向这一控制参数控制搜索的方向，采用自适应调整种群距离的方法控制搜索的范围，大大提高了搜索效率．仿真试验表明，该算法能够很好地保持解的多样性，同时具有很高的全局寻优能力和收敛速度，适合求解复杂多峰函数优化问题．     

混合遗传算法在CSTR中应用

针对遗传算法（GA）收敛速度慢,不利于在实时控制中应用这一问题,构造出一种快速收敛的混合遗传算法（HGA）,该算法利用遗传算法的全局搜索能力,并采用Nelder—Mead单纯形法来加强算法的局部搜索能力,加快了算法的收敛效率．将基于该混合遗传算法的模型参考自适应控制方法引入连续搅拌反应釜（CSTR）这一复杂的非线性系统,根据参考模型的输出,通过混合遗传算法对控制系统的PID参数进行在线寻优和在线调整,以达到参考模型所要求的控制效果,仿真结果表明了该方法的良好控制性能．     

基于精英反向学习的逐维改进蜻蜓算法

针对蜻蜓算法(DA)寻优精度不高、收敛速度慢及后期搜索活力不足等问题,提出了基于精英反向学习的逐维改进蜻蜓算法(EDDA).首先,利用精英反向学习策略初始化种群,以增强种群多样性,提高搜索效率;其次,利用逐维更新策略对蜻蜓个体进行更新,减少维间干扰,有效提高了算法的寻优能力;最后,充分利用当前解的信息双向搜索,提升了解的搜索活力.通过9个测试函数的实验结果表明,该算法相比较于标准蜻蜓算法,寻优精度更高、收敛速度更快及后期搜索活力更强,与其他改进算法相比也具有一定的竞争优势.     

参数寻优LSSVM的机载火控雷达工作模式判定中的应用

针对机载火控雷达工作模式判定问题，本文应用一种基于网格搜索和交叉验证的参数寻优最小二乘支持向量机（LSSVM）算法，实现对四种典型空空工作模式的自学习判定。首先，从非合作雷达信号中提取特征参数并构建雷达信号特征库作为训练样本；然后通过网格搜索进行参数寻优模型训练，实现样本范围不确定条件下的模型调整；最后应用K-fold交叉验证方法进行训练性能评价，减小样本随机性导致的模型误差，提高泛化能力。仿真结果表明，该方法对速度搜索模式、边搜索边测距模式、边扫描边跟踪模式和单目标跟踪模式的判定准确率达97%，具有应用价值和理论指导意义。     

一种改进的粒子群优化算法

针对粒子群优化算法中粒子容易聚集和收敛速度慢，提出一种改进的粒子群优化算法。该算法同时考虑到粒子进化的成功率和多样性程度对算法寻优性能的影响，当粒子集聚程度较高时，增大惯性权值，提高算法的全局搜索能力。为平衡算法全局和局部寻优能力，当进化速度较快时，提高算法局部搜索能力，以免错过较好的位置。在速度更新中，引入较差粒子，避免算法再次去搜索这些较差的位置，降低算法的搜索效率。将该算法用于优化6个经典测试函数，实验表明：该算法不仅可以平衡局部和全局的搜索能力，而且可以提高算法的搜索效率和精度。
     

基于反馈学习粒子群算法的极值搜索控制

将基于反馈学习的粒子群 (Feedback Learning Particle Swarm Optimization,FLPSO) 算法引入极值搜索控制中,并且应用经典跟踪参考信号的方法,进一步改善极值搜索控制的性能.仿真结果显示,算法使系统控制输出平稳,并且系统性能输出快速渐进收敛到最优值,改善了基于格拉姆矩阵设计的极值搜索控制算法中存在的输出震荡问题.     

求解物流配送中心选址问题的改进鸽群算法

为了提高鸽群优化算法求解物流配送中心选址问题的优化效果，减少物流配送成本，提出了一种改进的鸽群优化算法。该算法在基础鸽群优化算法上，引入灰狼优化算法在寻优过程中的捕食策略，能够有效地提高鸽群优化算法的局部搜索能力、增强算法的寻优性能。由函数测试实验可得，该算法在求解测试函数最优值上具有寻优速度快、收敛精度高的特点。最后，将其应用到求解物流配送中心选址问题中，实验结果表明：改进的鸽群优化算法更适合求解高维物流配送中心选址问题。     

基于自适应混沌变异粒子群算法的地震参数反演

提出了一种改进的基于自适应混沌变异的粒子群优化算法来解决地震参数反演问题.该算法提出自适应飞行策略,根据搜索能力对粒子群进行划分,增强了子群间的协同能力,使算法具有良好的全局寻优能力;两阶段混沌变异策略能够在粒子进化的不同阶段进行自适应性搜索,使算法具有较高的搜索精度.实验结果表明,该算法可有效避免标准PSO算法的早熟收敛,具有寻优能力强、搜索精度高、稳定性好等优点.首次将该算法应用于地震参数反演问题,结果表明该算法提高了反演精度且不受初始模型影响,能够较好地解决地震参数反演问题.     

融合混沌和捕食搜索的混合粒子群算法

针对标准粒子群算法在处理复杂函数时存在的收敛速度慢、易陷入局部最优的缺点,提出了新的混合粒子群算法.该算法利用混沌运动的遍历性、对初始条件的敏感性等特性进行群体的混沌初始化,且捕食搜索策略可以通过调节限制级别的控制粒子群的搜索空间,从而平衡全局搜索和局部搜索.测试结果表明,新算法具有更快的收敛速度和更强的全局寻优能力.     

基于IBASIF算法的电压电流双环控制器的参数整定

电压电流双环控制器作为逆变器的重要组成部分,其参数的设置决定系统信号输出的稳定性.提出基于加入感性适应度的改进天牛须搜索(the improved beetle antennae search with inductive fitness,简称IBASIF)算法的电压电流双环控制器的参数整定方法.引入Halton序列、改进超限回收机制,以提高算法的寻优精度和效率.采用稳定适应度及感性适应度双目标寻优,解决传统人工试凑法参数整定效率低、精度低的问题.通过M atlab仿真对4种算法的性能进行比较,结果表明:IBASIF算法能快速准确对控制参数进行整定,所整定参数能满足系统信号输出稳定性的要求.     

SN比梯度搜索水平迭代法

在参数设计中，迄今后介绍的各种寻优方法，都建立在逐轮正交试验基础上，均未能解决搜索求解的方向问题。该文应用梯度理论建立的ＳＮ比梯度搜索水平迭代法，明确给出了试验结果，迅速改善的搜索寻优方向，即ＳＮ比梯度方向，并给定了沿该方向逐步进行搜索失代的具体算法，计算机实验验证证实，该法寻优方向明确、效率高、结果好。     

贪婪光线寻优算法的局部收敛性分析

光线寻优算法局部搜索能力弱和收敛性理论完善困难的问题, 提出一种贪婪光线寻优算法, 并通过理论推导证明了该算法的局部收敛性. 数值实验结果表明, 对于单极值非线性标准测试函数, 与粒子群算法和模拟退火算法相比, 贪婪光线寻优算法具有更高的收敛精度和稳定性.     

基于神经网络的全局寻优自适应BP学习算法

根据梯度算法中网络权值的演化规律，并基于终端吸引子，提出一种能全局寻优自适应的快速BP算法，该算法的基本思想足最小二乘算法，采用梯度搜索技术，以期使网络的实际输出值与期望值的误差的均方值为最小．同时，进行BP学习算法的稳定性和快速收敛问题分析研究．并进一步给出改善BP算法学习率修正、假饱和现象消除等训练结果的措施．     

混合自适应蚁群算法及其应用研究

针对已有蚁群算法在复杂问题应用中寻优前期信息素匮乏、收敛速度慢的不足，通过引入信息权重因子和信息量均衡算子对蚁群的选择概率和信息素浓度进行自适应调节，提出了混合自适应蚁群算法。算例结果表明，该算法具有较快的寻优速度和更好的全局搜索能力，同时增加了解的多样性，减小了陷入局部极值的几率。