遗传算法与蚂蚁算法的融合

遗传算法具有快速随机的全局搜索能力，但对于系统中的反馈信息利用却无能为力，当求解到一定范围时往往做大量无为的冗余迭代，求精确解效率低．蚂蚁算法是通过信息素的累积和更新收敛于最优路径上，具有分布式并行全局搜索能力，但初期信息素匮乏，求解速度慢，算法是将遗传算法与蚂蚁算法融合，采用遗传算法生成信息素分布，利用蚂蚁算法求精确解，优势互补，仿真表明取得了非常好的效果。  

智能控制的新进展(Ⅰ)

对模糊智能控制的主要研究方向进行了较详细的分析和论述，包括模糊模型与基本控制算法，非线笥系统的模糊建模与控制，模糊预测控制，模糊控制系统的稳定性分析等。对它们的在智能控制中的地位和作用进行讨论，并对模糊智能控制的发展做了展望。  

鲁棒控制基准设计问题:倒立摆控制

1　系统概述本系统由水平移动的小台车及由其支撑的单节倒立摆构成 .控制输入量是拖动小台车的直流伺服电机的电枢电压 ,被控制量是摆的偏角和小台车的位移 .系统的构成示意如图 1.图 1　系统示意图2　系统的运动方程2 .1驱动电机记电枢电压和电流分别为v(t) (V)和ia(t) (A) ,则电机的动态方程为Raia(t) +Ladiadt(t) +KEω(t) =v(t) ,(1)τ(t) =KTia(t) . (2 )其中Ra(Ω)和La(H)分别为电枢电阻和电枢电感 ,KE(Vs/rad)为反向电势系数 ,KT(Nm/A)为力矩系数 ,一般可取KE =KT.ω(t) (rad/s)表示电机的转子的角速度 ,τ(t) (Nm)为电机…  

工业锅炉的加权预测自校正控制

本文介绍了加权广义预测自校正控制器在工业锅炉上的应用,实际运行结果显示了这种 控制器有很好的鲁棒性.  

Sugeno模糊模型的辨识与控制

提出了一种新的Sugeno模糊模型辨识算法和对非线性系统进行并行化设计的方 法.在Sugeno模糊模型辨识中,应用模糊聚类方法可将其前提结构和结论参数的辨识分开进 行,减少了计算量;对于非线性系统的控制,Sugeno模糊模型实际上是动态系统的局部线性 化,可采用并行设计的方法设计控制器,然后通过模糊推理得到全局控制量.最后通过倒立摆 系统的控制说明了本文算法的有效性.  

基于阻尼最小二乘法的神经网络预测偏差补偿自校正控制器

本文提出一种神经网络预测偏差补偿自校正控 制器，用线性模型的预测控制去控制非线性系统，其预测偏差用神经网络进行补偿．线性模 型的辨识和神经网络的学习均采用阻尼最小二乘法．仿真结果表明，用这种控制器能有效地 控制非线性系统，并具有超调小，鲁棒性好的特点．  

一种改进的遗传算法及其在系统辨识中的应用

提出一种基于遗传算法的大惯性系统辨识方法。该方法将动态补偿和遗传算法相结合 ,实现了系统的参数辨识。为避免遗传早熟而进入局部最优 ,对交换和变异操作进行了改进 ,提出一种防止近亲繁殖的交换策略 ,在不明显增加基因操作计算量的前提下 ,有效地避免了基因缺失。仿真结果表明 ,该方法对过阻尼系统的辨识是有效的。  

基于神经网络的非线性预测控制综述

基于神经网络的非线性预测控制是智能控制中的重要前沿课题，在工业过程控制领域有着非常大的应用前景。从预测方式、控制律求解方法和典型应用等几个角度对基于神经网络的非线性预测控制做了综述。对其中的关键技术做了深入阐述。并指明了今后的发展方向。  

智能控制的新进展(Ⅱ)

对神经网络和遗传算法在控制和优化中的应用进行综述，着重讨论了模糊推理和神经网络的内在关系，并对智能控制的发展做了展望。  

遗传算法与蚂蚁算法融合的马尔可夫收敛性分析

遗传算法具有快速随机的全局搜索能力,但不能很好地利用系统的反馈信息.蚂蚁系 统是一种并行的分布式正反馈系统,但初始求解速度慢.遗传算法与蚂蚁算法的融合,优势互 补.基于上述思想,提出遗传算法与蚂蚁算法融合的模型与方法,对该方法的收敛性进行了马尔 可夫理论分析,并证明其优化解满意值序列是单调不增的和收敛的.且对NP-hard问题中的30 城市TSP和中国CHNl44城市TSP两个实例进行了实验分析,仿真数据表明该方法不仅是一 个逐步收敛的过程,而且求解速度和求解效果都非常好.