微粒群优化倒立摆神经网络控制器设计研究

将微粒群算法和多层前馈神经网络相结合,提出了一种利用微粒群算法代替BP算法训练多层前馈神经网络权值,以实现神经网络控制的方法,并对非线性模型的辨识问题和一级直线倒立摆的控制问题进行了仿真研究。仿真实验表明：微粒群算法在神经网络控制及非线性模型辨识方面效果良好,具有良好的应用前景。     

一种改进的微粒群算法--多步长微粒群算法

首先分析了标准微粒群算法及影响全局和局部搜索能力的主要因素。在此基础上,构造了一种改进的微粒群算法——多步长微粒群算法。实例计算表明,该算法比标准微粒群算法具有更好的性能。     

基于微粒群算法的机械优化设计

介绍了微粒群优化算法的原理、改进及算法实现过程.用数值实验验证了该算法在解决复杂机械优化问题方面的可行性与有效性.     

基于微粒群优化算法的线性系统逼近

提出一种改进的微粒群优化算法,用于求解线性系统逼近问题。该算法的改进策略是通过动态调整标准微粒群优化算法的三个可调参数一惯性权重与加速度因子c1和c2。来克服算法进化初期多样性下降太快和进化后期收敛速度太慢的缺陷。将改进的PSO算法用于典型的稳定和非稳定线性系统的仿真算例中,实验结果表明,本文提出的MPSO算法能有效地逼近线性系统。     

基于动力驱动微粒群算法的液压矫直机PID控制参数优化

为兼顾微粒群算法收敛速度与跳出局部解的能力，利用阶段性搜索方式将算法搜索过程分为前、后两个不同阶段。在算法的前期搜索阶段，当前微粒受个体最优微粒与全局最优微粒的引力作用，在算法的后期搜索阶段引入中值导向加速度，提出一种动力驱动微粒群算法。最后，针对液压矫直机PID控制的参数优化问题，考虑控制信号、上升时间和误差量的关系，建立液压矫直机PID控制参数优化模型，利用动力驱动微粒群算法优化得到更好的参数组合，实现PID控制参数优化。     

基于改进粒子群算法的神经网络PID控制研究

BP神经网络PID控制是利用BP神经网络的自学习和逼近任意非线性函数功能,对PID控制器的三个参数进行在线整定,但网络初始权值的选取困难.采用改进的PSO算法优化BP神经网络的初始权值,并对基于PAO算法的BP神经网络PID控制进行仿真实验.仿真结果表明,PSO算法使得网络初始权值的选取比较快速,系统的性能有所提高.     

基于微粒群算法的起重机主梁优化设计

针对传统起重机主梁优化算法存在局部最优和效率低的现象,将起重机主梁优化设计理论与微粒群算法相结合,建立了基于微粒群算法的起重机主梁优化设计的数学模型;并针对传统罚函数法处理约束条件而引起的病态问题,提出采用限制解在可行域内的方法与微粒群算法相结合从整个可行解空间寻找最优解。通过实例计算表明该算法能较好地解决起重机主梁优化设计问题。     

基于改进微粒群算法的起重机主梁优化设计

现阶段起重机金属结构的优化设计一般都采用传统的优化算法,但传统算法普遍存在或对目标函数有解析性要求、或易陷入局部最优、或耗时较长的问题.微粒群优化算法是一种基于群体智能的新型优化算法,它可调参数少、对解析性无要求,已成功应用于多种领域.将微粒群算法应用于起重机主梁的优化中,经实例验证,在保证优化性能的前提下,基于微粒群算法的设计方法与网格算法相比,优化速度显著提升.     

基于量子微粒群的BPNN在转炉炼钢静态模型中的应用

针对转炉炼钢静态模型终点命中率较低的问题,首先分析了影响转炉炼钢终点命中率的各种因素,确定了BP神经网络(BPNN)的拓扑结构,并依此建立了转炉炼钢静态模型.然后把量子微粒群算法(QPSO)应用于BP网络的学习中,并比较了QPSO、基本微粒群优化算法(PSO)、梯度下降法的学习性能.最后,基于某炼钢厂的历史数据进行了仿...     

基于混沌优化的多层前馈神经网络

BP算法是应用广泛的一种多层前馈神经网络模型,针对算法求解精度低、搜索速度慢、易于陷入局部极值点等问题,根据混沌理论的全局优化思想,提出采用"多次载波"技术将混沌优化和前馈神经网络相结合,利用已找到的近似最优解来启发搜索全局最优解的方法训练神经网络,以布尔函数识别、曲线逼近、模式识别3个典型应用对算法进行验证。研究结果表明,算法具有较好的泛化能力和快速全局收敛的性能,特别是针对中小规模的网络,混沌优化算法在训练时间、全局收敛率等指标方面优于BP算法。     

一种自适应粒子群算法的小波神经网络优化

针对传统粒子群算法易陷入局部最优解的问题,提出了一种变权重粒子群算法.该算法通过引入交叉权重因子和粒子个体状态最优权值,对传统粒子群算法进行了优化,使粒子在移动过程中利用更多的信息来调整各自的移动方向,扩大粒子在运动过程中的自我认知范围,提高了粒子群算法的收敛精度和收敛速度.最后,利用改进的变权重粒子群算法对小波神经网络控制器进行优化,有效地验证了变权重粒子群算法的精确性.     

基于改进粒子群算法的神经网络建模

文章利用粒子群算法优化神经网络的参数,提出了基于粒子群算法的神经网络建模方法。为了提高基本粒子群算法的搜索性能,采用了基于外推技巧的引导型更新公式,并在粒子的搜索过程中,不断监测各个粒子的最优位置,多次没有变化并且距离优化目标太远时,粒子跳出当前位置继续搜索,从而避免陷入局部值。最后使用改进后的粒子群神经网络算法对函数进行拟合,仿真结果表明,新的算法有较好的收敛性。     

基于粒子群优化的神经网络电机故障诊断系统

提取电机定予电流信号及转于振动信号,构成用于电机故障诊断网络的训练及测试样本.用BP神经网络建立诊断输入征兆与故障输出间的映射关系,引入改进粒子群优化的策略,对神经网络权值和阀值进行优化,提高了网络系统诊断的可靠性.仿真对比研究表明,经粒子群优化后的BP网络收敛速度显著提高,更适合于电机类故障诊断的要求.     

基于粒子群遗传优化算法的多机器人任务分配研究

在粒子群优化算法中,引入遗传算法中的克隆算子和变异算子,提出了粒子群遗传优化算法,并将多机器人系统的任务分配问题转换为在多维解空间内寻找最优解的问题,利用粒子群遗传优化算法在此空间寻找最优解,以实现对多机器人任务的协调分配.算例仿真表明,粒子群遗传优化算法不但具有粒子群优化算法所具有的易于工程实现、计算效率高等优点,还克服了粒子群优化算法易早熟、粒子群整体收敛性差等缺点,能够解决多机器人任务分配问题.     

基于CLPSO算法的结构系统识别

系统识别问题可以转化成高维多模优化问题。针对基本粒子群优化在分析此类问题时容易出现早熟收敛从而导致局部优化和产生较大误差,提出将基于综合学习策略粒子群优化算法(CLPSO)应用于结构参数识别。由于该方法能够保持群体的多样性,因此可以避免早熟收敛。利用该方法在测量数据不完备且有噪声污染的条件下,同时在没有系统质量和刚度等先验信息的情况下对结构系统进行了识别,通过数值模拟以及对某真实结构进行分析,验证了该方法对结构系统识别的有效性。     

基于粒子群算法的音圈电机参数辨识

在LED焊线机系统的基础上,分析并推导音圈电机的数学模型。在音圈电机的开环模式下,实验并采集数据。采用粒子群算法处理数据,从而得到音圈电机的各个参数。将实验数据与仿真数据对比,验证了模型的正确性。再将辨识的电机模型代入到闭环模式下,将仿真数据与实验数据对比,也验证了模型的正确性。     

基于粒子群优化算法的航天器惯性参数辨识

在地面上精确测量航天器的惯性参数是困难的,并且由于燃料的消耗、航天器的交会对接、载荷及姿态的变化等因素将会使航天器的惯性参数在轨发生变化。因而航天器的控制系统、状态估计系统将会受到航天器惯性参数变化的影响。在轨辨识出航天器的惯性参数,可以为更加优化、实时的控制航天器服务。文中提出了一种基于粒子群优化算法的航天器惯性参数辨识算法。建立了引入带有模型误差以及由于航天器惯性参数变化引起的误差的航天器姿态运动学与动力学模型,基于模型误差最小准则建立目标函数,利用改进的粒子群优化算法对模型误差进行实时估计,从而实现对航天器惯性参数的辨识,并将其应用到航天器的姿态控制中,并通过仿真实验证明了该算法的有效性以及实用性。     

基于粒子群算法液压伺服系统PID参数的优化

PID控制器在液压伺服系统中得到广泛的应用。为了有效地寻找液压伺服系统的最佳PID控制器参数,提出一种基于粒子群算法的PID参数优化策略。通过建立PSO-PID控制器参数模型,对PID控制器的参数进行实时优化;利用MATLAB对系统进行仿真,结果显示在液压伺服系统的工况相同时．新型控制器能取得满意的控制效果。