蚁群算法在变风量空调控制系统中的应用研究及仿真

变风量空调系统是一个具有大惯性、大滞后的复杂系统。通常对于变风量空调系统采用常规的PID控制,但是常规PID控制具有系统超调量大、动态响应速度慢等问题。将基于蚁群算法的PID控制应用到变风量空调控制系统中。通过MATLAB仿真,得到基于蚁群算法的PID控制具有响应速度快,超调量小的结论。     

神经元PID控制在变风量空调室温控制中的应用研究

针对变风量空调系统的延迟,非线性和模型不确定性,本文提出将神经元P I D控制器应用于变风量空调系统中。该控制器综合了神经网络和P I D调节各自的有点,具有神经网络的学习和适应能力,同时具备P I D控制的广泛的适应性。仿真实验表明该控制器控制结果优于传统的P I D控制器。     

粒子群算法在汽包锅炉水位控制系统中的应用研究

锅炉汽包水位控制系统是一种典型的过程控制系统,水位过高容易烧坏过热器,水位过低会造成水冷壁破裂,因此汽包水位的控制是锅炉控制的一个难点。由于锅炉水位控制系统的不确定性和非线性,传统的PID控制方法很难得到满意的控制效果,将利用粒子群算法对PID控制器参数进行优化,通过MATLAB工具,进行仿真研究,利用粒子群算法能够极大地缩短调节时间,减小超调量,增加结果准确度,对过程控制系统的参数优化提供一定的理论指导意义。     

智能控制在变风量空调中的应用研究

智能控制在变风量空调系统中的应用有利于其中控制技术方面问题的解决。本文介绍了以模糊控制和神经网络控制为代表的智能控制研究概况,并指出了今后的发展趋势。     

人工免疫粒子群算法在系统可靠性优化中的应用

为了优化舰载装备系统在其设计初期的可靠性,根据模糊优选理论,建立了基于正负理想方案的可靠性分配的多指标模糊优化模型.针对基本粒子群(PSO)算法易陷入早熟状态以及群体缺乏多样性等不足之处,将人工免疫系统(AIS)原理与改进的粒子群算法有机结合,并对粒子的飞行速度进行控制,提出一种基于人工免疫的粒子群算法(AI-PSO).将该算法应用于系统可靠性优化求解中,仿真试验结果表明,相比其他算法而言,该算法具有较强的全局搜索能力,其优化结果更为合理.     

基于混合粒子群算法的PID参数寻优

提出一种将单纯形法SM与粒子群算法PSO结合的混合粒子群算法HPSO。通过对3种常用测试函数进行优化和比较．结果表明HPSO比PSO和SM都更容易找到全局最优解。然后用HPSO优化算法对某涡扇发动机PID控制中的参数进行优化并将结果与混合遗传算法HGA的结果进行比较，结果表明HPSO在找寻最优解效率上好于HGA。且算法实现简单，具有很高的可靠性，是一种PID控制参数寻优的有效方法。     

变风量空调系统末端智能控制器研究

针对影响变风量空调系统末端控制的诸多因素,设计一种PID控制与模糊控制相结合的控制器,解决了变风量空调系统滞后大、惯性大、随机干扰多及非线性等问题.经验证,与传统的控制器相比较,系统的动态响应和稳态精度明显改善,并且具有较强的鲁棒性.     

粒子群优化算法在桁架结构优化中的应用

介绍了粒子群优化(PSO)算法的一种改进算法:用于约束优化问题的启发式粒子群优化(HPSO)算法.针对HPSO算法在桁架结构优化中速度较慢的问题,将HPSO算法的约束处理策略与另一种适用于粒子群算法的约束处理方法结合,并将改进后的算法应用到1个桁架结构截面优化设计算例中,同时与HPSO算法进行对比分析.对于此算例,改进算法和HPSO算法都运行了多次,从多次运行的统计分析中可以看出,改进算法的优化效果和稳定性好于HPSO算法,且结构分析的次数减少了一半左右,从而整个程序运行的速度比HPSO算法提高了将近一倍.     

粒子群优化算法在桁架结构优化中的应用

介绍了粒子群优化（PSO）算法的一种改进算法：用于约束优化问题的启发式粒子群优化（HPSO）算法。针对HP-SO算法在桁架结构优化中速度较慢的问题,将HPSO算法的约束处理策略与另一种适用于粒子群算法的约束处理方法结合,并将改进后的算法应用到1个桁架结构截面优化设计算例中,同时与HPSO算法进行对比分析。对于此算例,改进算法和HPSO算法都运行了多次,从多次运行的统计分析中可以看出,改进算法的优化效果和稳定性好于HPSO算法,且结构分析的次数减少了一半左右,从而整个程序运行的速度比HPSO算法提高了将近一倍。     

一种随机粒子群算法及应用

为提高粒子群算法的优化效率,在分析量子粒子群优化算法的基础上,提出了一种随机粒子群优化算法。该算法只有一个控制参数,搜索步长由一个随机变量的取值动态决定,通过合理设计控制参数的取值,实现对目标位置的跟踪。标准测试函数极值优化和聚类优化的实验结果表明,与量子粒子群和普通粒子群算法相比,该算法在优化能力和优化效率两方面都有改进。     

粒子群算法在PERT网络优化问题中的应用

针对项目工程PERT网络计划的费用一优化问题,本文提出了一种改进的粒子群算法。该算法引入了可行性优先的约束处理技术,不需要罚因子,对问题依赖小。仿真实验表明了该算法的可行性和有效性。     

基于改进型粒子群算法的PID神经网络控制系统

针对传统的PID神经网络(PIDNN)应用范围受限及积分误差规则难以获取的问题.为实现对非线性多变量系统的有效控制,拓展神经网络控制系统的应用范围,提出了基于改进型粒子群算法在PID神经网络控制系统设计中的解决方案,取代了传统的BP反向传播算法.仿真结果表明,与传统的PIDNN相比,系统的稳定性、鲁棒性及精确性都有了明...     

基于改进粒子群优化算法的PID控制器参数优化

针对PID控制器参数整定问题,提出一种基于改进粒子群优化算法的优化方法。该方法在实数编码及设定参数搜索空间的基础上,采用基于指数曲线的非线性惯性权值递减策略,以较大幅度地提高算法的收敛速度和精度;嵌入基于差分进化算法变异算子的局部搜索策略,以有效提高粒子个体的适应性和群体的多样性,改善解的质量,同时增强算法全局空间探索和局部区域改良能力的平衡。仿真结果表明,该方法与传统和智能算法相比较,所得到的控制器参数能够使控制系统获得更好的动态响应特性和满意的控制效果。     

解多目标优化问题的新粒子群优化算法

通过定义的粒子序值方差和U-度量方差,把对任意多个目标函数的优化问题转化成为两个目标函数的优化问题。继而把Pareto最优与粒子群优化(PSO)算法相结合,对转化后的优化问题提出了一种新的多目标粒子群优化算法,并证明了其收敛性。新方法用较少计算量便可以求出一组在最优解集合中分布均匀且数量充足的最优解。计算机仿真表明该算法对不同的试验函数均可用较少计算量求出在最优解集合中分布均匀且数量充足的最优解。     

粒子群优化算法研究

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的,用于解决优化问题的一类新兴的随机优化算法。本文首先介绍PSO算法的基本原理和工作机制;然后介绍粒子群优化算法的优化策略,包括提高收敛速度﹑算法离散化﹑提高总群多样性;最后对其将来的发展进行了展望。     

微粒群算法的发展及应用

介绍了1995年以来微粒群算法的开发过程,分析了算法原理、算法流程,并将微粒群算法与其他演化算法进行了比较,最后介绍了一些已经开发和在将来有希望的领域中的应用。     

基于改进粒子群算法在加热炉温度控制中的应用

加热炉温度具有强非线性、多时变以及大滞后等特点,常规PID控制很难达到良好的控制效果,采用了一种改进型粒子群算法(IPSO)来优化PID参数,再结合CMAC(小脑模型关联控制器)共同对加热炉温度进行控制。通过对实际加热炉温度系统的仿真表明,该算法具有良好的控制效果。     

基于粒子群算法的红外探测制冷系统

在红外探测制冷系统中,为了提高控制参数的准确性,采用粒子群优化算法,对传统Z-N算法得到的参数进行优化.优化过程包括适应度函数选择、参数编码以及参数提取.根据粒子群算法提取的PID控制参数,通过TEC制冷控制测试台控制红外光子探头工作.结果表明,优化后的算法能准确地控制红外探头工作在设定的温度,减少了系统的零点漂移,提高了制冷系统的稳定性.