基于三群协同粒子群优化算法的区域交通控制

根据我国城市交通的特点,提出一种基于三群协同粒子群优化算法的城市区域交通自适应协调控制方法。采用两层递阶分布式结构,分阶段优化控制参数(周期、相位差和绿信比),每个阶段长10-3O分钟,周期、相位差由区域控制级每阶段优化一次,绿信比由交叉口控制级每周期优化一次。采用车辆延误为性能指标,周期、相位差和绿信比均采用三群协同粒子群算法进行优化。仿真结果表明该方法是可行而有效的。     

基于再励学习与遗传算法的交通信号自组织控制

提出一种基于再励学习和遗传算法的交通信号自组织控制方法.再励学习针对每一个 道路交叉口交通流的优化,修正每个信号灯周期的绿信比.遗传算法则产生局部学习过程的全 局优化标准,修正信号灯周期的大小.这种方法将局部优化和全局优化统一起来,克服了现有的 控制方法需要大量数据传输通讯、准确的交通模型等缺陷.     

三维城市交通微观仿真与信号优化方法

为提高城市交通干线信号配时方案的求解效率,提出微观交通环境构建和信号优化相结合的全自动信号配时生成算法.首先结合城市交通和栅格地图特点,利用图像处理技术实现干线路网自动化提取,构建微观交通仿真环境;然后通过改进车辆跟驰与换道模型,对城市交通车辆动态行为进行建模;最后提出以绿信比、相序、相位差和周期为优化参数,车辆平均时延、系统平均排队-车道长度比和系统通行能力为优化目标的改进快速非支配遗传算法NSGAⅡ优化模型.利用由多个交叉口组成的干线进行实例验证结果表明,算法能够有效地提高信号配时方案的求解效率和控制性能.     

主干道动态协调控制技术

针对主干道信号协调控制问题, 提出一种新的动态分段协调控制技术. 首先分析路段长度、交通密度以及信号周期时间对关联度的影响, 设计了基于分层结构的关联度模糊计算方法和基于关联度的控制子区划分方法; 然后提出一种子区协调控制算法, 根据一段时间内交通流信息计算子区公共信号周期、上下行相位差和各路口的绿信比. 实际应用表明, 该控制技术能有效降低主干道交通流平均旅行时间和平均停车率, 效果令人满意.

     

基于SA-FQL算法的区域交通控制方法

将模拟退火算法的Metropolis准则用于平衡模糊Q学习中探索和扩张之间的关系,提出基于Metropolis准则的模糊Q学习算法Simulated Annealing Fuzzy Q-learning（SA-FQL）。利用SA-FQL算法优化区域的公共周期,在给定周期的基础上再用SA-FQL算法优化区域中各干线相邻两路口的相位差,最后根据交通流量确定各路口的绿信比。TSIS仿真结果表明,相比基于Q学习和模糊Q学习的控制方法,该方法能显著提高学习速度和交通效率。     

干支线混合区域的协调控制方案

为解决传统区域协调控制方案因算法复杂、输入量多、非实时性导致协调效果不佳的问题,提出一套以干线为主的区域协调控制方案.首先将区域预设为若干个子区并基于周期原则动态地对子区进行合并与拆分,然后在子区内部对干线采用绿波协调控制算法,获得子区最佳周期和各交叉口最佳相位差,最后对所有交叉口采用基于饱和度估计的单点绿信比优化算法,选择出下一周期最佳绿信比方案.与传统区域协调控制方案相比,该方案计算的复杂度降低、需要的输入量变少、能实时动态地对区域进行协调控制、协调效果更好.通过算例分析和系统仿真,使用该方案后,子区内部能获得大于30％的绿波带宽度,单个交叉口的平均停车次数比传统方案减少65％.     

城市区域交通信号的混沌模糊Q学习控制

提出了一种解决城市区域交通协调控制问题的混沌模糊Q学习（C-FQL）方法。在模糊Q学习的过程中添加混沌扰动,以改进传统的Agent选择动作的方式,并通过遗忘因子以平衡模糊Q学习中探索和利用之间的关系。将该算法应用于城市区域交通协调控制中优化各信号交叉口的周期、绿信比和相位差。利用TSIS交通仿真平台,建立典型的城市区域交通网络并进行仿真。仿真结果表明该方法可以大大提高区域交通的整体效率。     

城市交通过饱和状态下干线信号的多目标仿真优化研究

针对城市交通过饱和状态下的干线信号优化问题,分析了交通控制目标对车辆排队的影响,提出以绿信比、相序、相位差和周期为优化参数,以车辆平均时延、系统平均排队-车道长度比和系统通行能力为优化目标的交通信号仿真优化模型。构建了优化模型的实施框架,该框架采用自主构建的微观交通仿真环境来获取信号方案评价指标,改进多目标优化算法NSGAII中的重复个体问题,完成对干线各交叉口信号配时方案的同时优化。最后,利用采集的交通数据对由3个交叉口组成的干线进行实例验证,验证结果表明,在过饱和状态下,所提出的信号优化方法不仅可以有效控制车辆排队长度,均衡车辆分布,同时在系统通行能力、车均时延方面表现更佳。     

改进粒子群优化的关联交叉口协调控制

提出了基于改进粒子群优化的关联交叉口协调控制方法。建立了关于排队长度的交通流模型和协调控制目标函数,利用改进粒子群算法对各交叉口绿信比和考虑双向绿波的相位差进行求解,实现了关联交叉口的最优控制。以实际采集的几个关联交叉口的交通数据仿真表明,相比单向绿波控制和感应控制,所提方法可有效减少延误和平均排队长度。     

基于双向并行灾变粒子群优化算法的城市环路交通协调控制系统

根据我国部分城市道路网包含多条环路的特点，设计了一种双向并行灾变粒子群优化算法的城市环路交通协调控制系统。该系统以路网中的闭合环路作为控制子区，采用三层递阶分布式结构和双向并行灾变粒子群优化，分阶段优化控制周期、相位差和绿信比，并对不同闭合环路进行协调控制形成预选方案。通过系统设定的面控率进行判断、选择，最终确定信号控制方案。示例验证结果表明该控制系统能有效减少区域车辆总延误，减少停车次数。     

一种基于改进遗传算法的模糊神经网络控制器及其在烧结终点控制中的应用

针对烧结过程这一复杂、多参数耦合的高度非线性系统,融合遗传算法、神经网络和模糊控制的优点,提出一种基于改进遗传算法的模糊神经网络控制方法,并应用于烧结过程终点控制．首先采用遗传算法对给定的模糊神经网络控制器结构参数进行离线优化,然后利用BP算法较强的局部搜索能力和对对象的适应能力,进一步进行参数的在线调整．同时,为解决传统遗传算法早熟和收敛速度慢的问题,从交叉和变异算子、适应度函数选取等方面对遗传算法进行改进．采用精英保留策略,提高了全局搜索性能和收敛速度．仿真结果表明,所提出的控制器优于常规的模糊神经网络控制器(Fuzzy Neural Network Controller, FNNC)．算法的实际应用效果良好,为解决烧结终点控制问题提供了一条新的途径．     

一类Takagi-Sugeno模糊控制器的自适应遗传优化设计

提出了一类Takagi-Sugeno模糊控制器的自适应遗传优化设计方法。采用实数编码方式,并由自适应交叉和变异概率来控制遗传操作,有效地提高了参数优化的精度和算法的寻优效率。在优化过程中引入对称性参数约束条件,大大减小了算法的搜索空间。将该算法用于倒立摆T-S模糊控制器的设计,实现了控制器参数的快速自动整定。仿真结果表明,获得的T-S模糊控制器具有优良的性能。     

采用遗传优化自适应模糊PID控制球杆系统

为解决球杆系统动态、静态性能不高的问题,提出了遗传算法优化自适应模糊PID控制器的控制方法.该模型在拉格朗日方程建立球杆系统数学模型的基础上,采用遗传算法优化模糊控制规则、隶属函数和自适应PID参数.在GBB1004系统中建立了遗传算法优化后的自适应模糊PID控制器以及控制模型,并对该控制器进行实验验证.实验结果证明了遗传算法优化后的模糊控制器有效地减小了系统的超调量,缩短了系统的调节时间,能够较好地控制球杆系统.     

基于遗传优化的张力模糊控制

针对张力系统实时性的要求, 同时为了保证控制系统可靠性, 提出了在线和离线遗传优化的张力系统模糊控制方法. 首先, 离线部分采用遗传算法优化输入输出量的隶属度函数, 获得控制量输出表, 供在线调用. 然后, 在线部分采用超代遗传算法(HGGA)优化输入量化因子和输出比例因子, 缩短算法运行时间, 加快收敛速度. 同时为了补偿系统的时滞, 调整了被调量的当前误差和误差变化率. 最后在张力平台上验证了上述算法. 结果表明, 上述控制方法实现了张力实时控制.     

Synchronization of general chaotic systems using neural controllers with application to secure communication

The main contribution of this paper is to propose a nonlinear robust controller to synchronize general chaotic systems, such that the controller does not need the information of the chaotic system’s model. Following this purpose, in this paper, two methods are proposed to synchronize general forms of chaotic systems with application in secure communication. The first method uses radial basis function neural network (RBFNN) as a controller. All the parameters of the RBFNN are derived and optimized via particle swarm optimization (PSO) algorithm and genetic algorithm (GA). In order to increase the robustness of the controller, in the second method, an integral term is added to the RBF neural network gives an integral RBFNN (IRBFNN). The coefficients of the integral term and the parameters of IRBFNN are also derived and optimized via PSO and GA. The proposed methods are applied to the famous Lorenz chaotic system for secure communication. The performance and control effort of the proposed methods are compared with the recently proposed PID controller optimized via GA. Simulation results show the superiority of the proposed methods in comparison to the recent one in improving synchronization while using smaller control effort.     

一种改进的模糊免疫反馈PID控制器

针对P型免疫反馈控制器不能克服动态干扰和消除静态误差的问题,利用模糊控制系统的非线性逼近能力,提出了一种将P型免疫反馈控制器同常规PID控制器进行混合联结的模糊免疫PID控制器的设计方法。该控制器通过免疫反馈控制规律和模糊控制规则在线调整控制器的参数。为了选择一组较优的控制器参数,用免疫算法在全局范围内对控制参数进行离线优化。仿真结果表明,该控制器较常规控制器具有更好的动态、静态特性。     

Design of a Proportional-Integral-Derivative Controller for an Automatic Generation Control of Multi-area Power Thermal Systems Using Firefly Algorithm

Essentially, it is significant to supply the consumer with reliable and sufficient power. Since, power quality is mea sured by the consistency in frequency and power flow between control areas. Thus, in a power system operation and control, automatic generation control (AGC) plays a crucial role. In this paper, multi-area (Five areas: area 1, area 2, area 3, area 4 and area 5) reheat thermal power systems are considered with proportional-integral-derivative (PID) controller as a supplemen tary controller. Each area in the investigated power system is equipped with appropriate governor unit, turbine with reheater unit, generator and speed regulator unit. The PID controller parameters are optimized by considering nature bio-inspired firefly algorithm (FFA). The experimental results demonstrated the comparison of the proposed system performance (FFA-PID) with optimized PID controller based genetic algorithm (GA PID) and particle swarm optimization (PSO) technique (PSO PID) for the same investigated power system. The results proved the efficiency of employing the integral time absolute error (ITAE) cost function with one percent step load perturbation (1% SLP) in area 1. The proposed system based FFA achieved the least settling time compared to using the GA or the PSO algorithms, while, it attained good results with respect to the peak overshoot/undershoot. In addition, the FFA performance is improved with the increased number of iterations which outperformed the other optimization algorithms based controller.      

Speed control of SRM supplied by photovoltaic system via ant colony optimization algorithm

This paper proposes a speed control of switched reluctance motor supplied by photovoltaic system. The proposed design of the speed controller is formulated as an optimization problem. Ant colony optimization (ACO) algorithm is employed to search for the optimal proportional integral (PI) parameters of the proposed controller by minimizing the time domain objective function. The behavior of the proposed ACO has been estimated with the behavior of genetic algorithm (GA) in order to prove the superior efficiency of the proposed ACO in tuning PI controller over GA. Also, the behavior of the proposed controller has been estimated with respect to the change of load torque, variable reference speed, ambient temperature and radiation. Simulation results confirm the better behavior of the optimized PI controller based on ACO compared with optimized PI controller based on GA over a wide range of operating conditions.