基于速度补偿算法的多机器人编队控制研究

为解决传统领航-跟随算法在多机器人系统编队控制中算法复杂及普通编队控制律较难完成多机器人圆形编队的问题,通过对传统的领航-跟随算法进行改进,将多机器人的编队问题转化为机器人之间的跟踪控制问题,提出了一种基于位置信息的速度补偿算法,并将其用于多机器人编队.首先建立了速度补偿算法机器人编队控制模型,利用跟随机器人与虚拟机器...     

一种基于遗传算法的功率控制方法

利用遗传算法强有力的全局搜索和优化能力,提出了一种基于遗传算法的功率控制方法,该方法有效地提高了CDMA蜂窝移动通信系统中功率控制的收敛速度。仿真结果表明:与现有算法相比,该算法能够迅速寻找到功率控制问题的最优解,有效地提高功率控制的收敛速度,降低了计算的复杂度。     

一种机器人逆运动学求解的神经网络方法

研究了机械手控制的逆运动学问题,提出了一种克服Hopfield网络的局部极值问题的网络参数扰动算法,通过数字模拟分析了该算法的性能,并将该算法成功地应用于机械手控制的逆运动学问题。计算机仿真表明,这种神经网络控制方法不仅具有较快的速度,而且大大提高了对机械手的控制精度。     

基于DSP无刷直流电机的BP神经网络调速系统

针对无刷直流电机速度调节系统中存在的控制不精确性,以及单一使用传统PID算法不能满足大范围调速和抑制超调等方面的问题,提出以TMS320LF2407数字信号处理器(DSP)为硬件控制核心,同时在算法实现上,采用非线性预测模型BP神经网络PID的控制算法,硬件和算法相结合,解决了系统中PWM信号的生成、电机速度和电流反馈等问题,仿真结果表明:系统的响应速度快、稳定性能好,提高了无刷直流电机的可控性.     

基于粒子群算法的火电厂机组负荷优化分配

通过研究粒子群(PSO)优化算法的基本原理,分析了该算法中各个参数的不同取值对算法搜索能力和收敛速度的影响,并将PSO优化算法应用于电厂机组负荷优化分配问题的研究。通过在3台机组系统的应用,验证表明较之遗传算法等传统优化算法,PSO优化算法在优化结果、搜索区间控制以及收敛速度等方面具有较好的特性,能更好地达到或接近全局最优解。     

基于改进自适应小生境遗传算法的机械臂逆运动学求解

逆运动学求解对机械臂位姿控制和轨迹规划具有重要意义,针对逆运动学求解存在多解及通用性差的问题,提出了一种基于改进自适应小生境遗传算法的逆运动学求解算法。适应度函数融合位姿误差和"最柔顺"原则,不存在多解及奇异解问题;引入减法聚类分析,提升算法通用性;对遗传算法进行改进,提升了算法收敛速度及精度。利用六自由度机械臂进行仿真实验,结果表明该算法收敛快、精度高,可求得唯一解。     

基于混合遗传免疫粒群优化的网络拥塞控制方法

微粒群优化算法具有搜索速度快、易于实现等优点,然而在解决实际问题中它容易陷入局部最优.笔者通过给出一种混合的策略——遗传免疫粒群算法,将遗传算法,免疫算法引入到微粒群算法中,既能提高全局搜索能力,避免在搜索过程中陷入局部最优,又使算法保留了种群多样性的特点,提高算法的收敛速度.将该算法应用于网络拥塞控制中,提出一种基于混合遗传免疫粒群优化的网络拥塞控制方法来解决网络拥塞问题,通过仿真研究,验证了该方法的可行性.     

自适应差分进化算法的研究及其在聚丙烯牌号切换优化中的应用

针对常规差分进化算法易"早熟"的问题,提出了自适应的差分进化算法,该算法在计算过程中自适应地调整变异率,使得种群在初期保持个体多样性,避免早熟,到后期保留优良信息,加快全局搜索速度;同时该算法还引入了扰动交叉算子,有助于在搜索过程中保持群体的多样性.测试表明,新算法的寻优性能有明显改善,并成功地应用于聚丙烯牌号切换优化问题.     

自组织神经网络在发酵过程建模 与控制中的应用

将改进的自组织神经网络的辨识算法,与预测控制理论相结合,应用于发酵过程的建模与控制中.改进的建模方法大大提高了算法的收敛速度,基于该算法的预测控制方案在发酵过程的非线性控制中,获得了良好的响应特性.     

改进粒子群算法在空调水系统中的应用研究

粒子群算法优化PID控制在空调系统中应用越来越广泛.针对传统粒子群算法在优化过程中存在寻优速度不足和容易陷入局部最优的问题,提出了采用正交试验机制和模仿染色体变异机制的突变策略优化传统粒子群算法,通过引入正交试验机制提升了寻优速度和效率,引入突变策略改进了算法的极值传递过程,避免了过早发生聚集现象,解决了陷入局部最优的问题.仿真实验结果证明:改进粒子群算法在系统超调量、调节时间、稳态误差和抗干扰性上均有显著提高.     

自组织神经网络在发酵过程建模与控制中的应用

将改进的自组织网络的辨识算法,与预测控制理论相结合,应用于发酵过程的建模与控制中,改进的建模方法大大提高了算法的收敛速度,基于该算法的预测控制方案要在发酵过程的非线性控制中,获得了良好的响应特性。     

改进布谷鸟算法用于阵列天线方向图优化

针对目前群智能优化及进化计算算法在解决直线形阵列天线辐射方向图的旁瓣电平抑制和零陷控制问题时易出现求解精度不高及收敛速度较慢的问题,提出了一种基于扩散变异策略的布谷鸟搜索算法。该算法首先利用聚集扩散策略来提高算法的全局搜索性能,然后引入遗传算法中的基因突变策略,用以提高种群的多样性,进而提高算法的局部搜索能力。仿真结果表明,所提算法在抑制直线形阵列天线方向图的旁瓣电平和控制零陷方面与萤火虫算法、粒子群算法、传统布谷鸟搜索算法、金斑蝶优化算法和蚯蚓优化算法相比,具有更快的收敛速度和更高的求解精度。     

适于高速加工的五次参数样条曲线插补及其速度生成算法的研究

为适应高速高精加工,针对传统插补算法和速度控制方式在进给过程中存在柔性冲击的问题,提出了一种五次参数样条曲线插补方法及其速度生成算法.该算法采用二阶连续可导的五次样条和近弧长样条参数提高了进给运动的连续性;速度控制算法保证机床在高速运行过程中加加速度(加速度的变化率)的二次连续、加速度、速度和位移与时间关系的高阶连续变化,并且保证在各自的约束范围内,从而使机床的运动平稳,避免产生大的冲击和振动,同时有利于提高加工质量,减少加工时间.通过仿真验证,表明了这种算法能有效地保证高速加工机床运行过程中进给速度的连续性和运动轮廓的平滑性.     

基于力位混合控制的机器人充电枪装配寻孔算法

针对电动汽车充电枪装配问题,提出一种基于速度环的力位混合控制快速寻孔算法.在位置控制空间,考虑到双目视觉系统初始定位不精准,设计了一种基于梯形速度规划的阿基米德螺线轨迹配合向心力引导的寻孔算法.在控制器响应确定的情况下,通过速度规划保证了充电枪与充电枪座之间的接触力恒定和运动稳定性;通过引入充电枪座对充电枪指向装配方向...     

基于改进人工蜂群优化算法的PID参数整定

针对传统的PID控制器参数整定方法中存在的整体效率低、控制效果差等问题,提出了一种改进的人工蜂群算法,在标准算法的搜索方程中引入差分进化算法的变异算子,并添加自适应调整参数,提升算法的收敛速度、增强局部寻优效果的同时,平衡了算法的全局探索和局部开发能力。实验表明,改进后的算法对PID控制器的参数整定优化有明显效果。     

多传感器交叉提示技术在目标检测中的应用

针对多传感器交叉提示技术在目标检测中的应用问题展开研究,将交叉提示分为"信息提示"和"任务提示"2种类型,建立以"信息提示"为基础的传感器效能模型以及目标检测概率计算模型、传感器资源能耗计算模型,为求解"任务提示"中的传感器——目标分配方案问题,设计基于博弈论的多传感器交叉提示分布式算法,该算法中,传感器博弈策略的更新以最优反应动态为原则,随后从理论上分析了算法的收敛性和有效性.仿真实验表明,与合同网算法、拍卖算法等分布式算法相比,该算法具有较快的计算速度,与粒子群算法等集中式算法相比,该算法具有较好的求解质量,充分说明了该算法的有效性、先进性.     

基于改进PID算法的动态模拟目标控制研究

在动态目标模拟系统中,为降低环境噪声、电机推力波动及端部效应时伺服直线电机控制精度的影响,依次进行了一阶低通滤波算法、电机推力波动补偿算法、重复控制算法与常规PID算法复合的控制算法研究.最后分别用常规PID算法和改进后的算法,对直线电机进行了给定速度为50mm/s和157mm/s的控制实验.实验结果表明:相对于常规的PID算法,改进后的算法大大降低了伺服直线电机速度控制的平均误差与标准偏差,并在很大程度上提高了伺服直线电机控制器的控制性能.     

一种基于多种群分层的粒子群优化算法

为解决粒子群优化(PSO)算法收敛速度慢,易于早熟的不足,采用控制理论的分层思想,提出了多种群分层PSO算法(HSPPSO).在第1层采用多种群粒子群并行计算.第2层把每个种群看成一个粒子,种群的最优值作为当前粒子的个体最优值,进行第2层粒子群优化.并把优化结果返回到第1层.在PSO算法的运行过程中,对有集聚倾向的粒子进行速度变异处理,重新初始化速度.最后对4个典型的测试函数进行了测试,研究结果表明,与基本微粒群算法比较,作者提出的算法提高了算法的收敛速度和收敛精度,改善了算法的性能.本算法对大规模系统的优化问题求解提供了一个新的思路.     

交通信号实时优化模型的算法研究

对交通信号动态优化模型的求解算法进行了研究,给出了目标函数中复杂的分段函数及积分上限中含有未知量的方程的数值处理方法,并针对问题特点,提出了该模型的遗传算法求解方法.为检验模型和算法,进行了一定规模的数值仿真计算.计算结果表明,所设计算法具有较快的收敛速度而模型具有良好的控制效果.     

求解自动化药房储位优化问题的GA-PSO混合粒子群算法

通过对自动化药房快速发药系统的储位优化所受约束条件和目标函数的分析,基于静态存储理论,建立了该问题的数学模型,提出了利用GA-PSO混合粒子群算法来解决此问题.该算法引入了遗传算法的搜索机制形成初始粒子群,并引入"交叉"和"变异"的概念形成离散粒子群算法.在优化的过程中,采用精英策略和进化逆转操作提高了搜索能力和寻优速度.对陷入局部最优的粒子群进行变异,使粒子群在新的引导下改变方向,继续寻找问题最优解,从而避免了粒子重复收敛于一点的现象.仿真试验结果表明,该策略是有效的,在求解速度和求解质量上得到了很大提高.