非线性优化控制算法在合成氨生产中的应用

针对合成氨生产过程控制仿真中被控参数的非线性、时变性和不确定性等特征引起的控制系统执行效率差,线性控制优化精度低等问题,提出了一种粒子群优化的非线性控制算法.首先将PID控制器控制增益与信号偏差的非线性关系进行修正,将其控制参数动态调节转化为粒子群优化问题;然后利用粒子群优化算法在控制参数的三维空间内进行非线性参数最优解搜索,得到PID控制器的最优控制参数;最后利用该非线性控制算法对合成氨生产过程控制进行仿真测试.测试表明,优化控制算法相对于传统的PID控制,具有较优的系统稳态,且阶跃响应振幅低,系统稳定性高.     

基于遗传算法的磁浮列车悬浮控制参数优化

悬浮系统本质上是不稳定的，要通过设计控制器使得闭环系统稳定。对单铁悬浮控制模型，采用基于磁通反馈的间隙PID控制算法，通过合理选取控制参数可以达到良好的控制效果。为使悬浮控制器具有良好的跟踪特性同时保证磁浮列车的乘坐舒适性，需要限定悬浮系统闭环带宽。应用遗传算法进行控制参数优化设计，对基于ITAE的适应度函数进行改进，对不满足闭环系统带宽要求的个体进行惩罚，设计基于遗传算法的悬浮控制控制参数优化算法，并通过实例计算验证了算法的有效性。     

PID控制参数优化在合成氨控制系统中的应用

在合成氨控制系统性能优化问题的研究中,由于合成氨控制系统的高阶、时变和非线性等特征,引起系统的稳定性差.为解决上述问题,提出了改进粒子群的PID控制参数优化算法.在算法中,首先对PID控制参数的粒子群优化方法进行研究,并进行粒距聚类和粒子信息熵计算;然后依据种群平均信息熵和粒子信息熵进行粒子速度权值映射,并依据粒距聚类度进行权值调整;最后将该算法应用于合成氨控制系统中的脱氧槽液位控制系统仿真.实验证明,改进算法可以较快地达到系统稳态,并具有较强的抗干扰能力,可实现合成氨控制系统的控制系统最优目标.     

PSONN在可编程控制系统PID参数优化中的应用

研究可编程控制系统优化问题,可编程控制系统具有非线性、时变性等特点,传统PID控制器优化方法难以建立精确的数学模型,使得系统参数设定困难,导致可编程控制系统的控制效果不理想。为了解决传统的PID算法所带来的问题,利用RBF神经网络非线性、自学习能力,提出一种基于粒子群神经网络的PID参数优化算法。将粒子群和神经网络相结合,形成了一种智能控制算法,并将应用于可编程控制系统。测试结果表明,粒子群神经网络提高了PID控制参数优化速度,提高了可编程控制系统可靠性和鲁棒性,具有一定的理论和实用价值。     

人工免疫粒子群算法在系统可靠性优化中的应用

为了优化舰载装备系统在其设计初期的可靠性,根据模糊优选理论,建立了基于正负理想方案的可靠性分配的多指标模糊优化模型.针对基本粒子群(PSO)算法易陷入早熟状态以及群体缺乏多样性等不足之处,将人工免疫系统(AIS)原理与改进的粒子群算法有机结合,并对粒子的飞行速度进行控制,提出一种基于人工免疫的粒子群算法(AI-PSO).将该算法应用于系统可靠性优化求解中,仿真试验结果表明,相比其他算法而言,该算法具有较强的全局搜索能力,其优化结果更为合理.     

基于改进粒子群优化算法的预测控制

在实际工业过程中预测控制算法应用广泛,但是对于多变量预测控制算法其参数较多,且各个参数之间相互耦合,故整定其参数比较复杂,鉴于此提出一种基于改进粒子群算法的预测控制参数优化算法。该算法的基本思想是将生物寄生行为机制引入到粒子群优化算法中,形成双种群粒子群优化算法,使用该改进粒子群算法对多变量预测控制算法的参数进行离线优化,从而确定预测控制算法参数的最优取值。最后,将本文算法用于冷热水系统液位和温度的控制,并通过仿真将该算法与标准粒子群优化算法相比较,仿真结果表明使用该算法对多变量预测控制的参数进行优化整定时,系统的阶跃响应具有抗干扰性能好、超调量小、调节时间短等优点。     

基于PSO优化的电动舵机自抗扰控制器设计

将自抗扰控制技术(ADRC)引入电动舵机控制系统,针对系统输出的测量噪声,使用反正切非线性函数对ARDC进行改进,并针对自抗扰控制器参数较多,整定难度大的特点,采用粒子群优化算法(PSO)优化参数.利用Matlab/Simulink对某电动舵机控制系统进行建模、实现基本自抗扰控制器得出基本ADRC控制性能数据,采用粒子群优化算法对ADRC参数进行优化,得出PSO优化ADRC控制性能数据.分析两组数据得出经过粒子群算法优化后的参数更能发挥自抗扰控制器的效能,优化过程对ADRC实际应用具有指导意义.     

基于粒子群算法的红外探测制冷系统

在红外探测制冷系统中,为了提高控制参数的准确性,采用粒子群优化算法,对传统Z-N算法得到的参数进行优化.优化过程包括适应度函数选择、参数编码以及参数提取.根据粒子群算法提取的PID控制参数,通过TEC制冷控制测试台控制红外光子探头工作.结果表明,优化后的算法能准确地控制红外探头工作在设定的温度,减少了系统的零点漂移,提高了制冷系统的稳定性.     

一种随机粒子群算法及应用

为提高粒子群算法的优化效率,在分析量子粒子群优化算法的基础上,提出了一种随机粒子群优化算法。该算法只有一个控制参数,搜索步长由一个随机变量的取值动态决定,通过合理设计控制参数的取值,实现对目标位置的跟踪。标准测试函数极值优化和聚类优化的实验结果表明,与量子粒子群和普通粒子群算法相比,该算法在优化能力和优化效率两方面都有改进。     

基于神经网络和粒子群算法的锅炉燃烧优化方法

通过对火电厂锅炉燃烧控制系统送风调节系统研究现状分析,提出一种基于粒子群优化算法的锅炉燃烧优化方法.其基本思想:首先利用燃烧特性试验数据,借助于 Matlab 软件建立了火电厂锅炉燃烧特性的神经网络模型,在此基础上利用粒子群优化算法寻找送风调节系统最佳氧量设定值,进而调节送风量,实现锅炉燃烧的整体优化.结果表明:基于粒子群优化神经的算法为锅炉燃烧优化方法优化提供一条新的途径.     

粒子群优化点匹配算法

点匹配问题一直是计算机视觉,模式识别,医学临床诊断等领域的一项重要基础性工作。本文提出了一种基于粒子群优化算法的准确、快速和鲁棒性的点匹配方法。该方法首先确定两个特征点集的点匹配问题的能量函数,通过最小化该能量函数可以同时得到点集之间的匹配矩阵和映射参数,利用粒子群优化算法求解变换参数。实验表明,该算法适用于点匹配,具有操作方便,可靠性好,不易陷入局部极值等优点。     

Bacterial Foraging Optimization Approach to Portfolio Optimization

In this paper we propose a heuristic approach based on bacterial foraging optimization (BFO) in order to find the efficient frontier associated with the portfolio optimization (PO) problem. The PO model with cardinality and bounding constraints is a mixed quadratic and integer programming problem for which no exact algorithms can solve in an efficient way. Consequently, various heuristic algorithms, such as genetic algorithms and particle swarm optimization, have been proposed in the past. This paper aims to examine the potential of a BFO algorithm in solving the PO problem. BFO is a new swarm intelligence technique that has been successfully applied to several real world problems. Through three operations, chemotaxis, reproduction, and elimination-dispersal, the proposed BFO algorithm can effectively solve a PO problem. The performance of the proposed approach was evaluated in computational tests on five benchmark data sets, and the results were compared to those obtained from existing heuristic algorithms. The proposed BFO algorithm is found to be superior to previous heuristic algorithms in terms of solution quality and time.     

电力系统无功优化中PSO算法的改进研究

针对电力系统无功优化中的PSO算法的特点,采用的信息拓扑结构为环形结构,对PSO算法中的变异算子进行研究.针对环形拓扑结构的PSO算法,其后期收敛精度差是一个常见问题,提出了一种称之为"球面变异"的变异算子,充分利用粒子群迭代后期种群的信息,对变异的方向与速度进行引导,进而建立了变异算子与当代种群适应度之间的关系,明显地提高了算法收敛速度与精度.最后,对陷入局部收敛等问题进行相应的改良,诸如无法达到最优解等问题.使用IEEE14节点系统作为算例进行测试,结果达到优良.     

求解矩形包络问题的量子行为粒子群优化算法

介绍了一种利用量子行为粒子群算法（QPSO）求解矩形包络的方法。矩形包络是将二维不规则形状样片用它们的最佳包络矩形来代替，是服装排料的第一步。实验结果表明量子行为粒子群算法比粒子群算法，遗传算法能更好地解决求二维不规则形状样片的矩形包络的问题。     

用于函数优化的最大引力优化算法

提出一种基于牛顿万有引力定理的函数优化方法──最大引力优化算法。该算法通过“引力分组”和“引力淘汰”过程更新搜索体。文中给出4个引理来描述算法的数学基础,同时也给出算法的收敛性证明。此外还对该算法进行改进。最后与粒子群算法、差分算法、郭涛算法进行比较,数值结果显示该算法在解决连续函数优化问题具有较高的性能。     

基于粒子群优化算法的系统可靠性优化

系统可靠性优化问题是典型的NP难题,建立了可靠性冗余优化模型,采用粒子群优化算法对其进行求解。通过对其它文献中仿真实例的计算和结果对比,表明了算法对求解可靠性优化问题的可行性和有效性。     

改进聚合树的高维多目标降维优化算法

对于高维多目标优化问题,降维优化算法通过去除或融合冗余目标的方法解决算法耗时过多的问题,但同时也会导致算法分布性能下降。聚合树算法定义非参数秩冲突从而可以快速计算出各目标间冲突度,但聚合树算法鲁棒性有待提高,且需要用户自行决策去除冗余目标。针对这些问题,提出数组叠加机制并定义冲突趋势和冲突度误差,以提高算法鲁棒性;通过合并冲突度较低的冗余目标的方法来进行目标降维,并定义降维截止冲突度;与NSGA-III算法结合,以达到对高维多目标问题进行完整降维优化的目的。为检验该算法性能,与其他经典高维算法进行对DTLZ测试函数集的优化对比,实验结果表明,该算法在耗时更少的同时,也具有较为优秀的分布性能和收敛性能。     

电力系统无功优化的柯西粒子群算法

针对传统粒子群算法易陷入局部最优解、收敛速度慢的缺点,提出了柯西粒子群算法,并首次将其应用于电力系统无功优化问题.柯西粒子群算法是基于柯西分布的期望和方差均不存在的原理,对每一代粒子的全局极值进行柯西变异,以此来增加种群的多样性,扩大全局最优粒子的搜索区域,以尽快获得适应度更优的个体,从而可以避免算法陷入局部最优解,同...     

Hierarchical Cluster-Based Multispecies Particle-Swarm Optimization for Fuzzy-System Optimization

This paper proposes a hierarchical cluster-based multispecies particle-swarm optimization (HCMSPSO) algorithm for fuzzy-system optimization. The objective of this paper is to learn Takagi–Sugeno–Kang (TSK) type fuzzy rules with high accuracy. In the HCMSPSO-designed fuzzy system (FS), each rule defines its own fuzzy sets, which implies that the number of fuzzy sets for each input variable is equal to the number of fuzzy rules. A swarm in HCMSPSO is clustered into multiple species at an upper hierarchical level, and each species is further clustered into multiple subspecies at a lower hierarchical level. For an FS consisting of $r$ rules, $r$ species (swarms) are formed in the upper level, where one species optimizes a single fuzzy rule. Initially, there are no species in HCMSPSO. An online cluster-based algorithm is proposed to generate new species (fuzzy rules) automatically. In the lower layer, subspecies within the same species are formed adaptively in each iteration during the particle update. Several simulations are conducted to verify HCMSPSO performance. Comparisons with other neural learning, genetic, and PSO algorithms demonstrate the superiority of HCMSPSO performance.