倒立摆系统的鲁棒H_∞加权混合控制

为了建立控制理论教学及开展各种控制实验的理想实验平台,研究了存在结构参数不确定性和具有干扰信号的倒立摆系统。首先将该系统分解为摆杆控制系统和小车控制系统。摆杆控制系统采用T S模糊模型来描述,利用系统的不确定性把系统表示成不确定系统的形式,采用鲁棒H_∞控制策略及LMI优化算法解算出反馈值,并设计出全局渐进稳定的模糊模型;小车控制系统则采用对位置误差和小车速度进行模糊化计算的方法,再利用模糊控制器进行处理计算,并最终得出控制量。最后再对两个系统进行加权混合控制。对倒立摆系统进行外加干扰信号、给定平移指令以及参数摄动等实验时,系统均可以在0.4 s的时间内取得良好的控制效果。实验结果表明:提出的加权控制方法具有较强的鲁棒稳定性和良好的抗干扰性能,验证了该方法的有效性。     

室内温度模糊神经控制策略研究

采用模糊神经控制器建立了室温控制系统模型,用遗传算法优化了模糊神经控制器的结构和参数,采用三段式遗传编码方式,有效地将隶属度函数和控制规则映射到遗传算法的搜索空间,实验结果表明,文中策略比一般的模糊神经控制在调节时间以及减少误差方面具有较好的性能.     

一种遗传算法优化模糊PID控制器的设计与仿真

文章提出了一种基于遗传算法优化的模糊PID控制系统,采用遗传算法优化模糊控制器中的量化和比例因子,从而优化控制规则和隶属函数使其更加合理,最后对优化后的模糊控制器进行了Matlab仿真研究,仿真结果表明:经过优化后的控制器明显地改善了控制系统的动态性能,能使系统达到满意的控制效果,对进一步应用研究具有较大的参考价值。     

火炮随动系统多目标优化控制

给出了采用X-Q自适应控制器构成的一类非线性控制器以及实现多目标优化控制系统的计算机辅助设计参数寻优方法,讨论怎样应用X-Q自适应控制器实现多目标优化控制,并给出实现多目标优化火炮随动控制系统的实例,计算机仿真校验其性能指标的结果表明,多目标优化系统的性能指标好,设计方法简单、通用、适用于工程设计。     

一种基于遗传算法的多传感器目标分配方法

针对目前海上平台多传感器目标分配在信息融合中存在目标优先级函数构建因素没有具体量化的问题,提出一种利用目标战术重要性函数量化求解目标优先级的方法,从最大信息增益准则出发,通过合理转化并利用约束条件,建立一种基于遗传算法的多传感器优化分配模型。仿真结果表明,该算法稳定性强、收敛速度快,多传感器优化分配模型具有可行性。     

神经网络优化PID控制器的暖通控制系统

PID控制器对暖通控制系统的性能起着十分关键的作用,暖通控制系统具有非平稳性、时变性,导致传统PID控制器无法获得高精度的暖通控制效果。为了解决传统控制方法存在的缺陷,以提高暖通控制精度为目标,提出基于神经网络优化PID控制器的暖通控制系统。分析暖通控制系统的工作原理,建立PID控制器的数学模型,通过神经网络对暖通控制系统的PID控制参数进行优化,不断调整控制误差,保证暖通控制效果,在Matlab平台下进行暖通控制系统的测试。结果表明,该系统获得比其他暖通控制系统更高的控制精度,而且在最短时间使系统达到平稳状态,减少了系统的调整时间,改善了暖通控制系统的工作效率,具有较高的实际应用价值。     

量子优化的氯碱电解多目标控制系统理论研究

针对氯碱电解槽的节能降耗,增加其生产效率,根据氯碱电解的复杂控制过程,设计一种氯碱电解多目标控制系统。首先,基于历史数据分析氯碱电解槽的主要影响因子,在此基础上建立氯碱电解电流效率和直流电耗的Elman神经网络预测模型;然后,利用BP神经网络控制器来提高控制精度和动态跟踪精度,并用量子优化方法对BP神经网络控制器进行优化;最后,利用Matlab进行仿真,并与改进型非劣分类遗传算法(NSGA-Ⅱ)作对比,结果表明文中所提的控制策略有效,可以为氯碱生产过程提供优化操作指导。     

单级倒立摆控制系统的稳定性算法设计

为了对一级倒立摆这个非线形、强耦舍、多变量和自然不稳定系统的平衡性进行有效地控制,首先利用lagrange方程对系统进行了数学建模,设计了LQR控制器对其进行稳定性控制,并利用遗传算法优化加权矩阵,得出了比较理想的控制参数,最后利用Matlab对控制结果进行了仿真和分析。实验结果表明,LQR控制方法具有较强的鲁棒性和较好的控制效果。     

基于QoS的网络控制系统参数自适应模糊控制

针对具有时间延迟的网络控制系统,设计了基于网络服务质量(QoS)的参数自适应模糊控制器,以抑制网络时间延迟对控制性能的影响。网络时间延迟会导致控制系统性能下降甚至不稳定。因此,以反映网络实际变化情况的QoS参数为前提条件,提出了综合反映网络控制性能质量(QoP)的优化目标函数。令该函数取极小值,可以计算得到模糊控制器的最优参数。仿真结果表明,该方法能随时适应网络的变化,满足网络控制系统实际需求。     

旋转导向钻井稳定平台前馈模糊算法研究

稳定平台控制系统是调制式旋转导向钻井系统的关键,提出采用前馈模糊算法实现对稳定平台的控制,设计的二维模糊控制器可确定模糊变量的隶属度函数及控制规则,并利用MATLAB软件进行仿真。仿真试验表明稳定平台前馈模糊控制系统在钻井参数较大范围内变化,参数扰动及负载扰动都具有良好的稳定性、自适应性、鲁棒性和抗干扰能力。     

基于生态种群捕获竞争模型的多目标Memetic优化算法

本文针对复杂多目标优化问题Pareto前沿搜索难度大的特点,设计了一种结合多种群间捕获竞争、强化学习机制的多种群Memetic学习策略与进化计算模型.受种群进化、捕食种群与被捕食群体间的竞争等生态学原理的启发,提出了一种基于生态种群捕获竞争模型的多目标Memetic优化算法(Multi-Objective Memetic Algorithm based on Ecological Population Preying-competition Model,ECPM-MOMA).ECPM-MOMA算法设计并运用了捕获竞争、强化学习算子进行全局搜索,在种群进化过程中结合了Memetic搜索算子进行局部搜索.理论分析与实验结果表明,本文所提出的算法具有良好的收敛性能和分布特征,生态种群捕获竞争策略与进化计算模型对于解决复杂多目标优化问题是有效的.     

机间数据链系统的功率分配控制方法

针对想定战场中机间数据链网络通信模型的上行链路功率控制问题,采用了一种基于多目标灰狼算法(Multi-objective Grey Wolf Optimizer,MOGWO)的功率控制方法.将功率控制建模为多目标优化问题,以最小化上行链路中各节点功率、使各节点在接收机处的信干噪比值(Signal-to-In-terference plus Noise Ratio,SINR)接近目标SINR和最小化通信时截获概率为多目标优化问题建立模型,利用MOGWO求解问题模型Pareto前沿,依据系统选解准则求得最佳解.结果表明,MOGWO、多目标粒子群算法、基于分解的多目标进化算法与多目标蚁狮算法所得解对应各节点SINR的平均标准偏差分别为0.0968、0.3544、1.0900和0.3083.在恒定功率方法下最远节点处SINR已不满足正常通信需求,验证了MOGWO功率控制方法有更好的稳定性与寻优能力.     

基于改进反向传播神经网络代理模型的快速多目标天线设计

针对传统天线设计方法计算代价较大的缺陷,该文构建基于反向传播神经网络(BPNN)的新型天线代理模型。为解决BPNN训练易陷入局部最优的问题,采用粒子群优化(PSO)算法来改善神经网络初始结构参数,进而构建PSO-BPNN天线代理模型,并基于该模型提出多参数天线结构的快速多目标设计方法。设计实例表明,该方法在预测精度以及计算代价等方面优于现有的常用天线设计方法。所提方法对处理复杂高维参数空间天线设计问题具有实用价值。     

基于GA的系统冗余可靠性设计多目标优化模型

系统冗余可靠性多目标设计是一个复合最优化问题。传统的用于解决此类问题的方法，如拉格朗日乘子法、动态规划法、直接寻查法等，在系统单元较多的情况下存在着计算量大、难以获取全局最优解等问题。针对此问题，本文建立了基于遗传算法（GA）的系统冗余可靠性设计的多目标优化模型，该模型可在系统可靠性约束条件下，使系统的成本费用、体积、重量等指标达到最优设计。     

微电网多目标鲁棒优化运行

解决微电网中新能源出力存在的随机性与波动性是微电网优化运行的前提和关键。文中将鲁棒优化理论引入到微电网的运行优化中,以运行成本和环境成本为目标构建了含有风力发电、微型燃气轮机、配电网和蓄电池的微电网多目标鲁棒优化模型,并采用基于自然选择粒子群算法对模型进行求解。仿真结果表明,与传统确定性优化相比,鲁棒优化虽然牺牲了经济性,但换取微电网运行的可靠性,平衡了成本与风险的关系;同时多目标优化平衡了微电网的经济性和环保性,为微电网的优化运行提供了参考。     

遗传算法在和差波束印刷天线中的应用

讨论比较了四种现代化方法的基本原理和内容，据此选择遗传算法建立了一种耦合渐变槽线天线的多目标优化模型，用于设计单脉冲系统的和差波束印刷天线，详细讨论了应用遗传算法的具体步骤，经计算得出的天线性能达到了预期的优化目标，并得到实测数据的验证。     

多目标猫群优化算法支持下的云计算任务调度

针对云环境下任务调度易出现多目标冲突的问题,提出一种改进的基于猫群的多目标优化算法。该算法模拟猫的行为模式,采用基于线性混合比率的猫行为选择方式来提高全局搜索和局部寻优能力;并在迭代过程中结合任务完成时间和任务费用支出,引入一个可调节的多目标集成效用函数,实现了资源与任务的智能调度。实验结果表明,所提算法不仅求解质量高,且在求解速度和调度消耗方面均优于多目标遗传算法和多目标粒子群算法。     

k-out-of-m system availability with minimum-costallocation spares

An optimization method for determining the number of spare units that should be allocated to a k-out-of-m system to minimize the system-spares cost yet attain the specified system availability is presented. The objective function for optimization is a nonlinear integer type. The optimization method is a variation of the simplex search technique used for continuous functions. The optimization problem is cast in a form that minimizes the system-spares cost, with the required system availability as an inequality constraint. Results obtained by using the proposed optimization technique, as well as the computation time required for optimization, are compared to those for methods developed specifically for dealing with nonlinear integer problems. The method is simple, easy to implement, and yet very effective in dealing with the spare allocation problem for k-out-of-m:F systems     

MOMS-GA: A Multi-Objective Multi-State Genetic Algorithm for System Reliability Optimization Design Problems

A custom genetic algorithm was developed and implemented to solve multiple objective multi-state reliability optimization design problems. Many real-world engineering design problems are multi-objective in nature, and among those, several of them have various levels of system performance ranging from perfectly functioning to completely failed. This multi-objective genetic algorithm uses the universal moment generating function approach to evaluate the different reliability or availability indices of the system. The components are characterized by having different performance levels, cost, weight, and reliability. The solution to the multi-objective multi-state problem is a set of solutions, known as the Pareto-front, from which the analyst may choose one solution for system implementation. Two illustrative examples are presented to show the performance of the algorithm; and the multi-objective formulation considered for both of them is the maximization of system availability, and the minimization of both system cost, and weight.     

基于相关分析的多目标优化Pareto优劣性预测

昂贵多目标进化算法中,目标向量评估所需计算时间或实验成本高昂,大量昂贵评估必然导致成本灾难.本文根据多目标优化Pareto优劣性取决于各目标分量的序关系这一关键性质,提出一种序拟合方法进行Pareto优劣性预测.在分析样本数据决策空间与目标空间序相关性的基础上,通过线性相关的假设条件,建立低成本的序关系预测方程,并用预测的序关系确定Pareto优劣性.然后对典型多目标优化问题进行Pareto优劣性预测对比实验,结果表明所提方法显著提高了Pareto优劣性的预测精度.最后,将该预测方法集成到NSGA-II算法中,可以避免进化过程中的模型重构,有效减少昂贵目标向量的评估次数.