排序方式: 共有28条查询结果,搜索用时 15 毫秒
1.
2.
郭丹丹 《计算机测量与控制》2014,22(12)
云模型控制理论是智能控制学科的新兴领域,因此如何扩展云模型的应用范围并使其走向工程化和实用化成为其研究重点;针对船舶运动模型具有不确定性和外部扰动随机性等特点,尝试将云模型应用于船舶动力定位的控制过程中;由于云模型控制器存在参数难以整定的问题,提出了基于粒子群算法的优化设计方法;针对标准粒子群优化算法容易出现早熟收敛的问题,引入自适应粒子群优化算法;仿真研究表明云模型控制及粒子群优化的可行性和有效性。 相似文献
3.
In wireless sensor networks (WSNs), data gathering is the main concern, since it directly affects the network lifetime and data latency. Rendezvous Point Selection Scheme (RPSS) is a mobile sink node approach; it offers superior performance than its preceding mobile sink schemes like Rendezvous Design for Variable Track (RD‐VT), RD‐VT with Steiner Minimum Tree (RD‐VT‐SMT), and Weight Rendezvous Planning with Steiner Minimum Tree (WRP‐SMT). However, a more uniform distribution of the rendezvous node leads to less energy consumption in WSNs. The more optimum path offers less data latency. In the proposed approach, we use particle swarm optimization (PSO) to find the optimum rendezvous point and adaptive PSO (APSO) to find an optimum path by solving the travelling salesman problem. By rigorous simulation, we prove that modified RPSS (M‐RPSS) increases the network lifetime by more than 10% and decreases the data latency. 相似文献
4.
5.
提出了用自适应粒子群优化算法求解自激脉冲喷嘴结构参数模型,以打击力输出最大为优化目标,对其喷嘴结构参数进行优化。通过试验验证了模型和算法的性能,给出了较为精确的模型和边界约束条件。试验结果表明:所建模型是合理的,自适应粒子群优化算法求解结果与试验结果能够较好地吻合,解决了自激脉冲喷嘴设计和制造边界条件不易定性表达的问题。 相似文献
6.
得到性能接近香农极限的LDPC好码的难点在于非规则LDPC码度分布对的优化。文章将自适应微粒群优化(APSO)算法和高斯近似(GA)算法相结合,用GA算法得到AWGN下近似门限值。用加特殊约束的APSO算法进行度分布对的优化。这种优化方法计算量小,且优化得到的度分布对性能接近于香农限.这对于在无线通信系统和光通信系统中如何构造好的LDPC码具有重要的指导意义。 相似文献
7.
8.
针对油料加热输送过程中具有大时滞非线性特点的流动加热控制问题,提出了一种智能预测控制方法。该方法采用自适应粒子群优化算法(APSO)辨识和优化预测模型及控制器的PID控制参数,克服油料流动加热控制模型的失配及系统的不确定性。通过对已知模型的仿真,以及与自整定PID控制的比较表明,该方法具有较好的控制效果。 相似文献
9.
提出了一种基于自适应型粒子群优化算法(APSO)的自动发电控制(AGC)机组调配方案。该方案针对考虑机组调节容量、调节速率等约束条件的AGC机组调配的数学模型,提出了一种改进的APSO。介绍了算法的基本原理.分析了不同参数取值对算法收敛性的影响。算例表明,该方法不仅可以克服整数规划法可能得不到最优解的缺点,而且与遗传算法比较,具有收敛性好、收敛速度快的优点。 相似文献
10.
该文提出一种量子自适应粒子群优化算法,该算法中,粒子位置的编码采用量子比特实现,利用粒子飞行轨迹信息动态更新量子比特的状态,并引入量子非门实现变异操作以避免陷入局部最优。用该算法训练神经网络,实现了径向基函数(RBF)神经网络参数优化,建立了基于量子自适应粒子群优化RBF神经网络算法的网络流量预测模型。对真实网络流量的预测结果表明,该方法的收敛速度和预测精度均要优于传统RBF神经网络法、粒子群-RBF 神经网络法、混合粒子群-RBF 神经网络法和自适应粒子群-RBF 神经网络法,并且预测效果不易受时间尺度变化的影响。 相似文献