动力定位的分数阶双环自适应终端滑模控制

为了解决具有非线性和环境干扰的船舶动力定位系统的控制问题,本文提出了一种基于分数阶双环自适应快速终端滑模控制算法,证明了闭环系统的稳定性,设计了自适应控制律,计算了滑模的收敛时间。控制系统由外环位置姿态环和内环速度环构成,外环滑模控制实现自动定位于期望位置和姿态,内环滑模控制实现对速度和角速度的定位。通过切换函数的设计,对不确定性和外加干扰具有较强的鲁棒性,避免系统出现抖振现象。对双环滑模控制器进行仿真,计算出动力定位外界环境扰动的变速运动情况下的前进位置、横荡位置、艏向角度、前进速度、横荡速度、艏向角速度、前进控制力、横荡控制力和艏向控制力矩等。对外环控制率增益λ2等参数对控制性能的影响进行了比较分析。结果表明,分数阶双环自适应终端滑模控制动态响应要稍快于传统双环控制,且超调量小,调整时间更短,所设计的控制器对有非线性和环境干扰的船舶动力定位系统都具有较强的鲁棒性。本算法为不确定性系统的变结构控制提供了新的解决方案,扩展了滑模控制算法的应用领域。     

基于文化萤火虫算法的足球机器人动态路径规划

提出一种基于文化算法框架的萤火虫优化算法,结合动态避障和滑模控制求解足球机器人动态路径规划问题,并利用数学定理证明算法的收敛性.根据足球机器人在比赛中承担任务的分工不同,分别对进攻和防守两种角色进行分析讨论,进攻时结合动态避碰的方法平滑和修正规划的路径;防守时通过滑模控制跟踪足球或对手机器人的轨迹,利用CFA算法进行整定优化滑模控制的参数,计算出机器人的运行速度和角速度.以足球机器人比赛实例进行测试,实验结果证实所提出算法无论对无碰撞危险还是有多个障碍物机器人碰撞危险等不同情况,都具备有效性和高效性.考察路径采样点数、种群数量和进化迭代次数等参数变化对收敛性能的影响,并将所提出算法与PSO和ACO等进化计算算法进行性能比较,验证了算法更容易搜索到全局最优解,有更好的收敛性能.     

离散萤火虫优化算法求解概率旅行商问题

对随机组合优化问题中的概率旅行商问题(PTSP)的理论和方法进行了研究分析,采用现代进化算法中有代表性发展优势的萤火虫优化算法(FA),提出一种离散萤火虫优化算法(DFA)以求解.其中引入了新的学习机制使其相比原始的萤火虫优化算法,更容易搜索到全局最优解,有更好的收敛性能.实验中用TSPLIB中的经典实例进行测试来验证其可行性.考察了萤火虫数量和进化迭代次数对求解结果性能的影响,并将DFA与GA、PSO和ACO等其他著名的进化计算算法进行性能比较.实验结果证实了DFA无论对固定访问概率,还是访问概率为区间内随机数等不同情况,都具有良好的有效性和高效性,因此对求解随机组合优化系列问题的有效解决具有一定参考和借鉴价值.     

基于强化学习的倒立摆分数阶梯度下降RBF控制

为了提高强化学习的控制性能,提出一种基于分数梯度下降RBF神经网络的强化学习算法.通过评价神经网络和执行神经网络组成强化学习系统,利用神经网络记忆和联想,学会控制倒立摆,提高控制精度,使误差趋于零,直至学习成功,并证明闭环系统的稳定性.通过倒立摆的物理实验发现,当分数阶阶数较大,微分的作用更显著,对角速度和速度的控制效果更好,角速度和速度的均方误差和平均绝对误差较小;当分数阶阶数较小,积分的作用更显著,对倾斜角和位移的控制效果更好,因此倾斜角和位移的均方误差和平均绝对误差较小.仿真实验的结果表明,所提算法动态响应好,超调量小,调整时间短,精度高,泛化性能好.它优于基于RBF神经网络的强化学习算法和传统强化学习算法,能有效地加快梯度下降法的收敛速度,提高其控制性能.在引入适当的干扰后,所提算法能够快速地自我调节并恢复稳定状态,控制器的鲁棒性和动态性能满足实际要求.