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．     

基于矩阵运算的改进单纯形寻优方法

为解决单纯形法优化容易陷入局部极值的问题,通过随机设置若干初始点,利用矩阵进行多点并行搜索方法,可搜索到全部极大(极小)值点,达到全局最优化目的. 与常规的重复设置单初始点循环搜索的方法相比,该方法明显减小了初始值设置对单纯形法寻优的影响,提高了搜索速度并获得全局最优值,优化效率大幅提高. 仿真结果表明:该改进的寻优方法不仅可应用于函数极值搜索,而且应用在控制系统PID参数寻优中,能获得满意的调节效果.     

格雷码混合加速遗传算法及其性能分析

通过在格雷码遗传算法进化过程中加入单纯形法学习算子,并利用格雷码遗传算法和单纯形法所得到的优秀个体群,作为变量新的变化范围,逐步缩小搜索空间,自动向最优解收缩,提出了求解非线性规划问题全局解的一种快速算法--格雷码混合加速遗传算法(GHAGA).为了在可行域内能得到全局最优解,在参数的定义域内投放了大量的均匀随机初始点作为初始群体.给出了GHAGA算法实施的详细步骤,建立了GHAGA相应的收敛定理,并分析了该算法的全局优化性能.理论分析和数值模拟表明,GHAGA具有精度高、收敛速度快的特点,是一种既可以较大概率搜索全局最优解,又能进行局部细致搜索的较好的非线性规划方法.     

非线性材料本构模型结构和参数的耦合进化识别

在引入进化思想的基础上,利用进化算法全局最优搜索特点,结合非线性力学分析方法,提出了材料非线性本构模型结构和参数的耦合进化识别算法,对复杂的非线性材料本构模型进行全局识别·复合材料非线性本构模型的识别结果表明了该方法的科学性,为非线性材料的研究提供了一条新途径     

基于改进蚁群算法的HMM参数估计

针对隐马尔可夫模型(HMM)的传统参数估计方法容易陷入局部最优,对初始参数值要求较高且会出现过耦合现象,为了提高模型的鲁棒性和识别性能,提出一种基于改进蚁群算法的HMM参数训练估算法(HMM-ACO).该算法根据信息素的变化实现全局搜索,较好地解决了迭代算法易发生的局部陷阱问题.与其他全局优化算法相比,该算法识别精度有较大提高.实验表明,利用HMM-ACO算法训练的隐马尔可夫模型具有较好的分类识别性能.     

基于SCEM-UA算法和全局敏感性分析的水文模型参数优选不确定性研究

 针对复杂非线性水文模型参数识别及不确定性分析问题,引入基于马尔可夫链蒙特卡罗思想的SCEM-UA算法,以岷江流域为研究实例,对降雨径流模型的参数优选问题进行了分析,并探讨了该算法在推求参数后验分布的搜索性能和效率。结果发现,SCEM-UA算法能快速有效地推求出参数后验概率分布。同时,开展基于SCEM-UA算法取样的参数全局敏感性分析,对比参数敏感性和后验分布,表明两者密切相关,敏感性强的参数其边缘后验概率密度分布存在明显峰值,相反,敏感性弱的参数其后验概率分布较为平坦且无规律可循,从而导致模型参数的不确定性大大增强。     

采用改进二进制蝙蝠算法的任务调度算法

针对海服务系统环境中任务完成时间过长的问题,提出一种基于改进二进制蝙蝠算法(IBBA)的任务调度算法。该算法通过在二进制蝙蝠算法(BBA)寻优过程中引入非线性惯性权重因子,平衡全局搜索和局部搜索能力;利用2个不同的邻居蝙蝠算子构成扰动项,避免算法陷入局部最优;利用自适应学习因子调整全局最优算子和邻居蝙蝠算子的权重,控制整个寻优过程由全局搜索为主向局部搜索为主过渡。实验结果表明:IBBA可以稳定地搜索到全局最优值,与现有的基于二进制粒子群算法(BPSO)和二进制蝙蝠算法的任务调度算法相比,在任务数较多时,基于IBBA的任务调度算法能避免过早收敛,使任务完成时间显著减少。在海服务网络中,将该算法应用于任务调度,可提高处理大粒度服务的效率。     

应用改进小生境遗传算法优化BLDCM调速系统的PI参数

本文以无刷直流电动机的转速控制器作为研究对象,应用改进的小生境遗传算法（INGA）对其PI参数进行了优化设计,该算法针对常规遗传算法很难搜索到全局最优解的缺点,通过将单纯形法与小生境遗传算法相结合形成了一种全局优化算法,并使用MATLAB软件进行了动态跟随性能的仿真实验,结果表明采用该算法确能优化调速系统的性能。     

一种改进的算术优化算法及其在水文地质参数智能反演中的应用

水文地质参数的高效、准确、智能化获取对地下水资源科学管理和地下工程安全建设具有重要意义,因此提出一种新的水文地质参数智能反演方法.首先,提出了改进的算术优化算法(Chaotic Simplex Arithmetic Optimization Algorithm, CSAOA),在搜索空间中使用混沌理论初始化粒子位置,引入随机优化的超参数自适应调整策略,同时使用单纯形法优化粒子位置更新法则,进一步提高算法的局部开发能力和勘探能力,减小算法陷入局部最优的概率.其次,选取8个基准函数进行数值实验,结果表明CSAOA算法在前期勘探收敛速度和后期局部开发收敛精度方面优于其他对比算法.再次,将传统的人工配线法转化为基于优化算法的全局最优化问题,构建基于CSAOA算法的水文地质参数反演模型,提出了基于CSAOA算法的水文地质参数智能反演方法.最后,将该方法应用于泰斯和汉图什井流模型参数反演实例进行验证,快速准确反演得到了水文地质参数,实现了水文地质参数智能识别.结果证实了该方法的可靠性与先进性,为解决水文地质参数反演问题提供了一种新的方案.     

QBSO算法在PID参数优化的应用

为解决PID控制参数求解过程中所存在的求解精度不高的问题,提出一种量子天牛群算法.通过结合PSO算法的全局搜索能力、BAS算法的局部搜索能力以及量子策略的随机能力,使得算法的全局搜索能力以及搜索精度得到有效提高,并通过两类经典函数对其寻优能力进行验证.进一步,将QBSO算法应用于PID参数优化中,并对一阶与二阶延时和非延时系统进行PID控制参数求解.通过仿真实验以及计算结果表明,基于QBSO的PID控制的控制系统具有更加优良的动态性能与抗扰动能力.     

基于改进多种群粒子群算法的光伏组件参数辨识

针对光伏组件参数辨识问题,本文首先通过调整光伏单二极管超越方程重构出低计算复杂度的目标函数,又预估计模型参数对搜索空间进行优化,再结合多种群粒子群算法与单纯形算法的优点,构造出N-MPSO混合新算法用于光伏组件模型参数的精确稳定辨识。最后利用多种实际光伏组件测量数据对所提方法进行检验。结果表明N-MPSO算法相较于传统算法能够更加准确、快速且稳定地辨识出任意环境条件下光伏组件的模型参数,对于光伏组件及光伏电站的设计、测试与诊断具有实际意义。     

大型凸极同步电机参数辨识的混合算法

提出了大型凸极同步电机参数辨识一种新方法：改进禁忌方法和有限元方法相结合的混合算法，为克服现有组合优化禁忌算法易于陷入局部极值点的不足，对禁忌算法进行了改进，某台300MW凸极同步电机参数辨识结果验证了本方法的正确性。     

基于模型参数在线辨识技术的SOC估算方法

针对遗传算法(genetic algorithm,GA)存在收敛速度慢、易陷入局部最优以及难以实现在线应用的问题,面向如动力电池等效电路模型一类非线性较强、实时性要求高的模型辨识问题,提出一种能够快速缩小搜索空间,且有效避免陷入局部最优的在线快速搜索的优化辨识框架,实现电动汽车动力电池等效电路模型参数在线快速辨识,扩展全局搜索优化算法的应用范围.进一步,将此算法应用于电池剩余荷电状态(SOC)估算问题,提出基于改进GA参数辨识技术的无迹粒子滤波SOC估算方法(IGA-UPF).并将此SOC估算方法与基于最小二乘参数辨识技术的无迹粒子滤波的SOC估算算法(LS-UPF)作比较,结果验证了本文提出的在线快速参数辨识框架具有更好的模型参数辨识精度.     

基于PSO_MP算法的电力线信道模型参数识别方法

针对低压电力线信道模型的多参数识别问题,提出了一种基于粒子群优化的匹配追踪算法(particle swarm optimization_ matching pursuit, PSO_MP)。匹配追踪算法(matching pursuit, MP)实现过程简单,但是计算复杂、计算量比较大;粒子群优化算法(particle swarm optimization, PSO)具有全局搜索能力强、收敛快等优点;将两者结合使用不仅可以提高信道模型参数辨识精度,而且还可以提高系统收敛速度。针对传统的高斯原子数目较大的问题,设计了一种新的原子结构。仿真实验表明,基于PSO_MP的模型参数识别精度高,验证了该算法的可行性和优越性。     

基于双层自适应遗传算法的机器人参数辨识

激励轨迹的选取和优化是机器人动力学参数辨识的重要基础。为了提高机器人动力学参数的辨识精度,以SCARA机器人为研究对象,设计了基于双层自适应遗传算法的机器人激励轨迹优化方案。运用Newton-Euler法建立了机器人的动力学模型,并对机器人的动力学模型进行线性分离,得到了机器人的最小惯性参数集和对应的观测矩阵。分析机器人的参数辨识方程,确定了观测矩阵条件数最小的优化目标。针对传统遗传算法进行改进,提出了双层自适应机制,提升了算法的全局搜索能力和搜索效率。最后利用MATLAB和ADAMS进行联合仿真实验,使用递推最小二乘法计算机器人的最小惯性参数集。实验结果表明,使用改进的双层自适应遗传算法得到的激励轨迹可以保证机器人动力学参数的辨识精度。     

基于改进遗传算法的四旋翼无人机参数辨识

为克服传统遗传算法在参数辨识过程中收敛速度慢的问题,提出了一种基于改进遗传算法的四悬翼无人机参数辨识方法。该方法引入梯度算子为遗传进化提供指示性的方向,利用遗传算法的全局搜索性保证算法的全局收敛,并根据简化四旋翼无人机数学模型设计了优化函数。利用四悬翼无人机实飞数据进行了实验测试,实验结果验证了本文方法的有效性和快速收敛性。     

基于单纯形局部搜索的自适应差分进化算法

针对标准的差分进化（DE）算法在高维复杂的函数优化中易早熟收敛,进而导致搜索精度低甚至优化失败的问题,提出一种基于单纯形局部搜索的自适应的差分进化算法（SSADE）．将DE算法的快速全局搜索能力与单纯形的强局部寻优能力有机结合起来,进一步提高了解的精度．参数自适应变化有效地维持了种群的多样性,自适应的变异策略扩大了个体的搜索范围,增强了算法寻优效果,仿真实验验证了新混合算法的有效性．     

基于引力搜索和粒子群混合优化算法的T-S模型辨识

提出了基于引力搜索(GSA)和粒子群(PSO)混合优化算法(GSAPSO)的T-S模型全局优化辨识方法.该方法充分整合GSA的勘探能力和PSO的开采能力,在GSA中引入PSO的个体最优值和群体最优值,同时改进惯性权重调整算法.T-S模型辨识分为结构辨识和参数辨识,采用聚类方法和GSAPSO算法同时辨识模型的结构和参数,从而实现全局优化辨识.仿真实例和比较分析证明了GSAPSO较标准的PSO和GSA有更强的全局优化能力和更高的辨识精度.     

基于模拟退火布谷鸟算法的直流伺服系统静态摩擦参数辨识

针对非线性摩擦对直流伺服系统性能的影响,提出一种基于模拟退火布谷鸟算法提高摩擦参数辨识精度的方法。采用LuGre摩擦模型建立伺服系统静摩擦参数与力矩的关系表达式,并分析其稳态特性,以此构建参数辨识的目标函数。引入模拟退火中的Boltzmann选择机制,结合迭代全局最优值对布谷鸟算法发现概率的自适应性进行了增强,以改善算法的寻优效果,通过分析比较得知改进算法的时间复杂度与原算法一致。在相同摩擦参数设置下,改进布谷鸟算法的辨识精度优于传统方法,利用其辨识结果补偿伺服系统运行的非线性摩擦力矩,得到了良好的控制效果。实验结果表明,该方法可以使摩擦参数的辨识适应度值提高2~3个数量级,有效改善了系统的控制性能。     

基于改进黑猩猩算法的解析Preisach模型参数辨识

解析Preisach模型解决了Preisach模型因离散 Everett 函数造成的测量误差大,数值不稳定的问题,但是解析Preisach模型同时存在参数多,辨识复杂的问题。针对上述问题,本文提出一种融合多策略的改进黑猩猩优化算法,来实现对解析Preisach 模型的参数快速、精确辨识。该算法首先应用改进的logistic映射和动态反向学习策略进行种群初始化;其次提出一种新的动态非线性递减收敛因子平衡全局搜索和局部开发能力;再次将差分变异引入到种群个体位置更新中,增加种群多样性、扩大搜索范围;最后使用随机变异策略对全局最优位置进行扰动更新,跳出局部最优。结合实验数据,分别使用遗传算法、黑猩猩算法与本文所提算法对解析Preisach 模型参数进行辨识,并基于辨识结果对取向硅钢片的磁滞回线进行模拟。通过磁滞回线拟合度、迭代次数与适应度值等三方面的结果对比可得,本文所提算法在解析Preisach 模型的参数辨识上兼具辨识精度高、收敛速度快的优点。
关键词:解析Preisach模型;Everett函数;参数辨识;改进黑猩猩优化算法;磁滞回线