基于粒子群算法的汽车悬架PID控制仿真

研究汽车悬架稳定性控制优化问题,由于PID控制器在汽车主动悬架中参数的选择决定汽车行驶的稳定性能.针对传统参数整定的方法存在盲目性,设计了一种用粒子群算法优化整定PID参数的方法.利用粒子群算法的并行全局搜索策略,以主动悬架性能指标为目标函数对PID参数进行优化设计.应用改进方法对汽车悬架主动控制系统进行仿真.仿真结果表明,用粒子群算法优化的PID控制器的汽车主动悬架相对于PID控制主动悬架及被动悬架而言,改善了车身垂向加速度和悬架动行程.同时解决了PID控制器参数整定的问题.     

一种优化神经网络的教与学优化算法

为了提高BP神经网络的输出精度,提出一种改进的教与学优化算法进行神经网络中的权值和阈值的优化调整.算法对基本的教与学优化算法的“教”阶段和“学”阶段分别进行改进,并提出一种“自学”机制来增强算法的学习能力.通过函数拟合实验和拖拉机齿轮箱故障诊断实验进行算法性能测试,结果表明,与遗传算法和基本的教与学优化算法相比,该算法具有收敛速度快、求解精度高等优势.     

车辆主动悬架优化设计与仿真分析

基于混合粒子群优化（Hybrid Particle Swarm Optimization,HPSO）算法设计了一种以降低车身加速度（BA）,悬架动行程（SWS）和轮胎动位移（DTD）为目标的车辆主动悬架线性最优控制器。建立了2自由度1/4车辆主动悬架动力学模型,运用混合粒子群优化算法对LQG控制器的权值矩阵进行优化求解,在Matlab/Simulink环境下,对不同工况下的车辆悬架进行了仿真分析。仿真结果表明,经过混合粒子群算法优化后的主动悬架在行驶平顺性和操纵稳定性上有所改善,并且优化后主动悬架性能指标BA,SWS和DTD的均方根值最大分别减少了22.56%,44.27%和19.75%。     

基于改进粒子群算法的模糊神经网络PID控制器设计

针对模糊神经网络PID控制器中参数初始值的设置对控制器性能影响大的问题,提出一种改进的PSO算法优化模糊神经网络PID控制器参数的设计方法.该方法采用实数编码的方式对控制器参数进行优化,并以ITAT指标作为改进的PSO优化算法的适应度函数.实验仿真表明:经过改进的PSO算法优化的模糊神经网络PID控制器具有良好的动静态性能,响应速度更快,超调量更小,控制精度更高.     

混沌精英池协同教与学改进的ChOA及其应用

针对黑猩猩优化算法存在全局搜索能力弱、寻优精度低、收敛速度慢等问题,提出一种混沌精英池协同教与学改进的黑猩猩优化算法（chimp optimization algorithm improved by the elite chaos pool collaborative teachinglearning,ECTChOA）。采用混沌精英池策略生成初始种群,增强初始解的质量和种群的多样性,为算法全局寻优奠定基础;引入自适应振荡因子平衡ChOA的全局探索和局部开发能力;结合教与学优化算法的教学阶段和粒子群优化算法的个体记忆思想优化种群位置更新过程,提高算法的寻优精度和收敛速度。仿真实验将ECTChOA与标准ChOA、其他元启发式优化算法和最新改进ChOA在12个基准测试函数下进行寻优对比,实验结果与Wilcoxon秩和检验p值结果均表明所提改进算法具有更高搜索精度、更快的收敛速度和更好的鲁棒性。另外,将ECTChOA应用于机械工程设计案例中,进一步验证ECTChOA在实际工程问题中的可行性和适用性。     

基于蚁群算法的机器人系统LQR最优控制研究

针对两轮自平衡机器人线性二次最优控制器(LQR)中的权参数选择问题,提出了一种基于自适应蚁群算法的权矩阵优化参数策略.利用LQR控制器,采用自适应蚁群算法对LQR权矩阵Q的各位参数进行数字寻优,将得到的数字序列进行划分,寻找到最优参数值,从而对两轮自平衡机器人的俯仰属性进行有效的系统控制.仿真实验结果表明:采用蚁群算法优化后的控制器比人工选择参数策略有更好的控制效果,验证了方法的稳定性和有效性.     

基于教与学和逐维柯西变异的鲸鱼优化算法

基本鲸鱼优化算法在面对复杂优化问题时仍然存在易陷入局部极值、收敛速度慢和计算精度低等问题，为此提出一种基于教与学和逐维柯西变异的鲸鱼优化算法TCWOA。首先，选用Sobol序列对鲸鱼种群进行初始化操作，可使种群分布更均匀；其次，引入教与学算法中的教学策略替换鲸鱼优化算法中的随机搜索策略，避免搜索的盲目性，提高算法的收敛速度；再次，采用带惯性权重的逐维柯西变异对鲸鱼最优个体进行变异扰动，助其跳出局部最优解，增强算法的全局搜索能力；最后，与多种优化算法在10个标准测试函数上的对比分析，以及用TCWOA先优化BP网络参数，再预测波士顿房价的应用研究结果，表明了该优化算法的有效性和准确性。     

基于ACA优化的自适应电动机控制器设计

研究了一种使用改进的蚁群算法(ACA,Ant colony algorism)对模糊PID控制器进行优化的设计方法;针对模糊PID控制器难以应对电机高性能速度跟踪以及控制精度不高且鲁棒性差的缺点,提出了一种新的自适应电机控制器设计方法;首先建立永磁同步电机的数学模型和优化后的控制器模型,然后引入改进的ACA算法对PID控制器3个比例参数进行全局优化,并定义了优化的具体算法以实现对参数的优化整定;为了验证文中方法的有效性,通过Matlab仿真工具对电机控制实例进行仿真验证,结果表明,文中控制器能克服模糊PID控制器的不足,具有很强的鲁棒性和快速响应性能,能很好地适应负载的变化.     

基于差分算法的反渗透海水淡化优化调度

以系统运行费用为目标的反渗透海水淡化优化调度是一类带有约束的非线性优化问题。针对这一问题,提出一种改进的差分进化算法。该算法对基本差分进化算法中的变异因子和交叉因子进行改进;定义约束违反度函数,将约束优化问题转化为无约束的优化问题。以24小时为一个周期,通过改进的差分进化算法对系统模型进行优化调度。仿真结果表明,改进的算法可以对机组进行优化操作,有效的降低了系统的生产成本。     

基于改进粒子群优化算法的PID控制器参数整定

针对标准粒子群优化算法优化PID控制器参数存在的早熟以及陷入局部最优等问题,引入粒子二阶振荡环节、反向学习、自适应惯性权重,并结合设计的惯性权重动态调整策略、粒子越界随机反射墙,提出一种新型分阶段迭代的改进粒子群优化算法。在6个标准测试函数上进行测试,其性能相比于一些已有的改进粒子群优化算法更加优秀。将这些算法用于自动电压调节器系统的PID控制器参数整定,仿真结果表明,所提出的改进粒子群优化算法整定的PID控制器的控制效果更好。     

多策略的郊狼优化算法

郊狼优化算法（coyote optimization algorithm,COA）是最近提出的一种群智能优化算法,具有独特的搜索结构和较好的优化性能。为了进一步提高COA的优化性能,提出了一种多策略的郊狼优化算法（multi-strategy COA,MSCOA）。首先,对于组内最优郊狼,采用一种全局最优郊狼引导的成长策略提高其社会适应能力,对于组内最差郊狼,采用一种最优郊狼引导强化策略强化最差郊狼的能力;其次,对于组内其他郊狼采用一种动态调整信息交流的组内成长策略提升组内郊狼之间的信息共享程度,并将这种组内成长策略与一种改进的迁移策略融合,更进一步提升搜索能力;最后采用动态分组策略减少参数手动设置,提高算法的可操作性。以上多种策略的使用更好地平衡了探索与开采,使算法的性能最大化。大量来自CEC2014测试集的复杂函数实验结果表明,与COA相比,MSCOA具有更强搜索能力、更快的运行速度和更高的搜索效率,与其他优秀优化算法相比,具有更明显的优势。     

混沌优化方法及其应用*

利用混沌运动的遍历性、随机性、“规律性”等特点，本文提出了一种混沌优化方法（ＣＯＡ）。用混沌优化方法对一类连续复杂对象的优化问题进行优化，其效率比一些目前广泛应用的随机优化方法如ＳＡＡ，ＣＡ等要高得多，而且使用方便。     

一种新的遗传混沌优化组合方法

在分析了遗传算法与混沌优化方法的优缺点的基础上, 提出了一种新的遗传混沌优化组合方法. 该算法能克服混沌优化在大范围内失效的缺点, 并能提高遗传算法的局部搜索能力和搜索精度. 同时证明该算法能以概率 1收敛到全局最优值. 应用该方法对 6个测试函数进行优化计算得到了比较满意的结果.     

基于改进粒子群算法的网络计划工期--费用优化

本文提出了一种改进粒子群优化算法。在进化中增加了个体间的协作机制，这种改进后的学习行为更符合自然界生物的学习规律，更有利于粒子发现问题的全局最优解。最后将该方法用于PERT网络工期一费用模型求解，数字仿真表明了算法的有效性。     

一种新的遗传混沌优化组合方法

在分析了遗传算法与混沌优化方法的优缺点的基础上,提出了一种新的遗传混沌优化组合方法.该算法能克服混沌优化在大范围内失效的缺点,并能提高遗传算法的局部搜索能力和搜索精度.同时证明该算法能以概率1收敛到全局最优值.应用该方法对6个测试函数进行优化计算得到了比较满意的结果.     

若干新型群智能优化算法的对比研究

随着计算机技术的发展,算法技术也在不断交替更新。近年来,群体智能算法受到了广泛的关注和研究,并在诸如机器学习、过程控制、工程预测等领域取得了进展。群智能优化算法属于生物启发式方法,广泛应用在解决最优化问题上,传统的群智能算法为解决一些实际问题提供了新思路,但是也在一些实验中暴露出不足。近年来,许多学者相继提出了很多新型群智能优化算法,选取了最近几年国内外提出的比较典型的群智能算法,蝙蝠算法（Bat Algorithm,BA）、灰狼优化算法（Grey Wolf Optimization,GWO）、蜻蜓算法（Dragonfly Algorithm,DA）、鲸鱼优化算法（Whale Optimization Algorithm,WOA）、蝗虫优化算法（Grasshopper Optimization Algorithm,GOA）和麻雀搜索算法（Sparrow Search Algorithm,SSA）,并进一步通过22个标准的CEC测试函数从收敛速度、精度和稳定性等方面对比了这些算法的实验性能,并对比分析了其相关的改进方法。最后总结了群智能优化算法的特点,探讨了其今后的发展潜力。     

灰狼优化与差分进化的混合算法及函数优化

灰狼优化(Grey Wolf Optimization,GWO)算法是近年被提出的一种新型智能优化算法,具有收敛速度快和优化精度高的特点,但对于一些复杂优化问题易陷入局部最优。差分进化(Differential Evolution,DE)算法的全局搜索能力强,但其性能对参数敏感,且局部搜索能力不足。为了发挥二者各自的优点并弥补存在的缺陷,提出了一种灰狼优化与差分进化的混合优化算法。首先使用嵌入趋优算子的GWO算法搜索,以便在更短的过程中获得更高的优化精度和更快的收敛速度;然后采用自适应调节参数的差分进化策略来进一步提高算法对复杂优化函数的寻优性能,从而获得一种高性能的混合优化算法,以便能更高效地解决各种函数优化问题。对12个高维函数的优化结果表明,与标准GWO,ACS,DMPSO及SinDE相比,新的混合优化算法不仅具有更好的收敛速度和优化性能,而且具有更好的普适性,更适用于解决各种函数优化问题。     

生物地理学优化算法理论及其应用研究综述

生物地理学优化算法（Biogeography-Based Optimization,BBO）是Simon提出的一种基于生物地理学理论的新型智能优化算法,具有良好的收敛性和稳定性。从BBO算法提出的背景出发,介绍了算法的基本理论、算法特点以及算法流程。总结了BBO算法的研究进展,包括BBO算法的理论分析、算法的改进、算法与其他优化算法的混合算法以及BBO算法在函数优化、电力系统、图像处理、机器人路径规划以及调度优化等领域的典型应用。对BBO算法有待解决的问题和未来研究方向进行了总结。     

基于人群搜索算法的PID控制器参数优化

关于PID控制器在工业控制领域应用优化问题,PID参数优化成为工业自动化研究的热点.PID参数优化对于系统的稳定性、可靠性和快速响应等特性有着重要的意义.为了改善和优化PID控制器性能,提出一种人群搜索算法(SOA),以PID三个参量为搜寻队伍,以误差绝对值和控制输入平方项的时间积分作为优化目标,经过迭代寻优计算得到系统最优控制量.通过对比遗传算法和粒子群算法PID参数优化,仿真结果表明,改进算法提高了系统的控制精度,系统响应速度快,鲁棒性好,为控制系统PID参数整定提供了参考.     

自适应中心引力优化算法

针对函数全局优化问题,提出了一种自适应中心引力算法,以平衡全局探测能力和局部搜索能力。首先定义粒子的适应值函数,然后根据与平均适应值的比较,更新粒子运动时间,并引进交叉操作更新当前粒子位置,从而提高算法的收敛速度。最后选择8个典型测试函数进行测试,并与中心引力优化算法和其他粒子群优化算法进行比较。结果表明,该算法得到的结果十分精确,鲁棒性强,优于其他算法。