基于混合遗传算法的时滞和参数的在线辨识

针对遗传算法应用于时变时滞和参数在线辨识时，存在无法兼顾收敛速度与辨识精度的缺点，提出一种遗传算法和单神经元有机结合的混合遗传算法。利用GA的全局最优性在整个空间搜索可能的极值，而用单神经元的误差梯度下降特性在极值点附近快速搜索，从而达到全局最优与快速搜索的有机结合，提高了收敛速度和辨识精度。并对混合遗传算法进行了改进，使之更适用于在线辨识。仿真结果表明，改进的混合遗传算法用于在线辨识有效且实用。     

基于改进遗传算法的线性离散系统辨识

介绍了一种基于遗传算法辨识线性离散系统参数的方法，为了提高算法的优化能力，将基率遗传算法和梯度法结合起来。仿真结果表明．改进的遗传算法辨识系统参数收敛到全局最优．且速度快，精度高．鲁棒性强。     

基于遗传算法的时变纯滞后系统的在线辨识与控制

本文介绍了一种基于遗传算法的大滞后时变系统的在线参数辨识和控制方法。将基于遗传算法的时滞系统参数辨识和时滞系统的Smith预估控制结合起来，试验证明本方法对于参数在较大范围内改变的大滞后系统的控制是有效的。     

一种基于改进遗传算法的新型小波神经网研究

提出了一种基于改进遗传算法（Improved Genetic Algorithm , IGA）的新型BP小波神经网络，并通过异或问题和非线性辨识问题进行仿真实验。实验结果表明，基于改进遗传算法的BP小波网络不仅具有小波分析良好的局部特性以及神经网络的学习、分类能力，而且具有遗传算法全局快速寻优的特点，与简单遗传算法相比，在收敛快速性和稳定性方面都有了明显的改善。     

基于动态补偿参数和改进的自适应遗传算法的系统辨识方法

该文提出了一种基于动态补偿原理和改进自适应遗传算法的大惯性系统辨识方法。易于实时在线处理,便于在过程控制等工业控制中应用。由于该算法综合考虑了“快速收敛”和“全局最优”两个要求,因此它不仅保证了算法的运算速度,而且能得到较好的辨识结果。仿真结果表明,该方法是有效的。     

T-S模型全局优化辨识

T-S模型把一个非线性系统当做多个线性子系统与其权重乘积之和,能够逼近任意非线性系统。提出基于遗传算法和支持向量机的T-S模型全局优化辨识方法,利用遗传算法同时辨识T-S模型的结构和参数,以结构风险最小化作为辨识的评价指标,综合考虑模型复杂度和辨识误差,辨识精度高,泛化能力强,仿真结果证明了算法的有效性。     

遗传算法技术在控制系统模型辨识中的应用

综述了基于遗传算法的控制系统模型辨识的基本方法。分析了传统系统模型辨识技术上的特点和遗传算法能够克服这些缺点的依据。简要介绍了遗传算法在模型辨识应用中的分类，一般步骤和操作，肯定了它的效率和前景。     

T-S模型的遗传算法和支持向量机辨识

基于非线性系统的输入输出数据,辩识对象的T-S模型.提出基于遗传算法和最小二乘支持向量机的辨识方法,利用遗传算法聚类进行结构辨识,每个类代表一条规则,规则数等于类数量,类中心作为该规则的隶属度函数中心类数;同时考虑模型辨识精度,实现全局优化;参数辨识采用基于结构风险最小化的最小二乘支持向量机方法,综合考虑模型复杂度和辨识误差.仿真结果证明了算法的有效性,辨识精度高,泛化能力强.     

基于遗传算法的控制系统的系统辨识

研究了自动控制系统的系统辨识，并给出了基于遗传算法辨识系统的结构参数的各个要素和软件实现。     

基于遗传算法的系统辨识方法可靠性分析

本文研究了基于遗传算法的系统辨识的可靠性.首先,分析了基于响应曲线拟合的系统辨识方法及各种模型的拟合精度对模型参数摄动的敏感度.然后,对比分析了几种遗传算法应用于此类系统辨识方法的可靠性及效率,并给出了提高系统辨识效率及可靠性的改进遗传策略.实验结果表明基于改进遗传算法的系统辨识方法的可靠性及有效性.