改进萤火虫算法及其收敛性分析

萤火虫算法因具有结构简单、控制参数少、易于实现的特点而得到广泛的关注和应用,但其易陷入局部最优导致过早收敛,从而影响寻优精度。针对这一问题,本文在位置更新规则中加入随机扰动因子,并剔除了冗余的随机项,以提高算法搜索能力;引入位置置换变异和差分进化算法中的最优变异策略,在保持种群多样性的同时,增强算法跳出局部最优的能力。采用马尔可夫过程证明了算法以概率1收敛到全局最优。利用基准函数和装箱问题对算法进行仿真测试,结果表明,改进后的算法能够有效跳出局部最优,对给出的所有问题均能找到理论最优解,寻优精度和成功率有明显提升。     

一种6DOF并联机器人的远程控制仿真

提出一种基于Internet的六自由度并联平台的实时远程控制框架。该框架结构主要包括控制台和远程操作器，以及控制流、指令的传送机制和相应的控制流管理器。针对Internet上数据传输时间延迟的不确定性等难题，引入控制流管理器以提高系统实时能力并减小延迟抖动。系统仿真结果显示，提出的控制框架能够有效提高远程操作的实时能力。     

基于LMI的网络控制系统时延补偿策略

网络控制系统中由于通讯网络的引入而导致的网络时延对控制系统的性能带来很大的负面影响,针对一类具有时变网络诱导时延和噪声污染的不确定网络控制系统,研究了一种可以对时变时延进行补偿的鲁棒H∞控制器的设计问题。通过引入两个附加的松弛矩阵使Lyapunov矩阵和系统矩阵得到分离,得到了一个新的时延补偿鲁棒H∞性能判据,并基于该判据给出了不确定系统的鲁棒H∞状态反馈控制器的设计方法。设计的控制器不但保证闭环系统的二次稳定性,同时使系统的H∞范数小于一个给定的衰减水平γ。并且设计了一个迭代算法来得到问题的优化解。通过一个算例验证了所提出的时延补偿策略的可行性和优越性。     

弹性高超声速飞行器智能控制系统设计

针对气动舵受限下的弹性高超声速飞行器控制问题, 提出一种基于神经自适应的智能控制方案。在速度子系统的设计过程中, 为了降低对模型参数的依赖程度, 应用强化学习算法在线调整比例积分微分(proportional integral derivative, PID)控制参数, 给出智能PID控制策略。对于高度子系统, 考虑气动舵的动态特性, 利用神经自适应方法对模型未知函数及不确定项进行逼近。为了处理气动舵的约束问题, 以非线性模型预测控制为优化分配模板生成大量样本数据集, 经离线训练得到深度神经网络代替求解复杂优化问题和控制分配的过程。此外, 通过引入自适应超螺旋微分器处理外部扰动, 增强了系统的鲁棒性。利用Lyapunov方法证明了所设计控制器的稳定性, 并通过仿真验证了所设计控制方案能够快速计算控制指令, 实现高精度跟踪控制。