动压缸电液伺服压力系统自适应差分进化辨识

根据轨道路基测试装置工作原理,建立了动压缸电液伺服压力系统AMESim模型,理论推导出该系统传递函数。针对标准差分进化算法早熟问题,构造了一种可以自动调节变异因子、变异算子和交叉因子的自适应差分进化算法。设计了基于该系统AMESim模型的参数辨识方案,进行了自适应差分进化算法与其他算法的对比仿真,验证了该算法具有良好的辨识精度和收敛性,给出了动压缸负载开环传递函数辨识参数,并通过自适应差分进化算法获得了伺服阀系统开环传递函数辨识参数。最后给出了动压缸电液伺服压力系统传函参数,通过与该系统AMESim模型对比仿真,验证了该辨识参数的有效性。     

压电作动器非对称迟滞模型的建立和参数辨识

现有的众多基于传统Bouc-Wen改进的压电陶瓷非对称迟滞模型存在参数冗余,降低了模型参数辨识的准确性,而且常用的粒子群算法(PSO)在辨识压电陶瓷非对称迟滞模型参数方面收敛慢且容易陷入局部最优值。为此,首先提出了一种归一化的非对称迟滞模型,采用两个多项式达到非对称效果,利用归一化Bouc-Wen消除参数冗余;然后采用参数和变异策略自适应的差分进化算法进行迟滞参数辨识;建立了相应的测试系统,对压电陶瓷作动器进行了实验研究。结果表明,相比于传统的Bouc-Wen模型,所提出的模型能更精确地描述压电陶瓷实际电压位移曲线,而且消除了参数的冗余,降低了参数辨识的难度。相比于粒子群算法和传统差分进化算法,自适应差分进化算法能更快更精准地找到最优参数值。     

ESD模型参数识别的差分进化方法

提出了一种以差分进化算法对静电放电模型进行参数辨识的新方法。以基于Heidler雷电流方程的静电放电模型参数为辨识对象,分别以仿真和实验数据验证了该方法的可行性,并从电流波形整体和局部两方面对拟合效果进行了评估。结果表明,与遗传算法相比,差分进化算法的执行速度更快,所得的辨识参数精度更高,对电流波形的整体和局部关键点的拟合度均高于遗传算法。因此,差分进化算法比遗传算法更适用于解决静电放电模型参数辨识问题。从实例可以看出,差分进化算法不需要过多的初始参数值先验知识,而只需提供一个较宽的初始参数搜索范围即可获得良好的辨识结果。此外,本文还以差分进化算法对Bruce-Golden和Gaussian函数静电放电模型进行参数辨识,验证了该方法的适用性。     

改进DE算法求解混合流水车间负荷平衡问题

为解决混合流水车间不相关并行机负荷平衡排产优化问题,建立了混合流水车间负荷平衡优化问题数学模型,以并行工位加工时间负荷平衡代价与总工位等待时间加权求和之值作为负荷平衡评价指标。全局优化算法采用双种群自适应差分进化算法,该算法设计了新的双种群结构和协同进化方式,并引入随停止代数自适应调整进化参数的策略,以增强跃出局部极值、保持进化活力的能力。为进一步提高算法搜索最优解效率,设计了一种基于负荷平衡选择概率的初始种群建立方法,以提高初始种群中初始解的质量、缩小有效解空间。基于汽车生产中的实例数据,将双种群自适应差分进化算法与遗传算法、差分进化算法、自适应差分进化算法进行仿真比较,结果表明,双种群自适应差分进化算法的负荷平衡评价指标有显著的降低。     

基于MSADE-IT2FNN模型的软测量建模方法及应用

针对复杂工业过程某些关键参数无法有效、实时在线检测的问题，提出一种基于多策略、自适应差分进化算法(MSADE)优化的区间二型模糊神经网络(IT2FNN)软测量建模方法。首先，为了解决差分进化算法采用单一策略、固定缩放因子和交叉概率导致后期搜索能力不足的问题，提出一种多策略、自适应的差分进化算法(MSADE),该算法利用IT2FNN模型的均方根误差(RMSE)作为适应度函数，通过搜索不同规则数下的RMSE值，从而确定IT2FNN的结构(规则数)和初始参数；然后，IT2FNN模型的参数利用梯度下降法进行学习。最后，将所提模型应用到Mackey-Glass混沌时间序列的预测和酿酒过程淀粉利用率的软测量建模问题中，仿真结果验证了提出方法的有效性和优越性。     

基于改进差分进化算法优化的塔机防摆控制研究

针对欠驱动四自由度塔式起重机定位防摆控制问题,建立了未经线性化的塔式起重机动力学模型,提出了一种基于改进差分进化算法优化的防摆控制器.通过严格理论分析证明了闭环系统的渐近稳定性;在传统差分进化算法研究的基础上,对变异策略进行了改进,采用自适应策略动态更新交叉概率,并应用于塔式起重机防摆控制器的参数整定过程中,提高了控制...     

基于RLS-DE算法的多变量径向磁轴承系统辨识

磁轴承的系统模型是提高其控制精度、稳定性及可靠性的基础,为了准确获取多变量径向磁轴承的系统模型,提出一种基于"递推最小二乘-差分进化"算法的辨识方法。该方法在剔除与转子转速同频的不平衡量的基础上,首先采用递推最小二乘法对径向磁轴承系统模型进行初步辨识,之后在初步辨识得到的模型参数的小范围内初始化差分进化算法的种群,通过反复进行差分进化算法的变异、交叉和选择操作,直至得到系统模型的最优参数。对该方法进行了仿真和试验验证,仿真结果表明,在递推最小二乘法辨识的基础上,通过差分进化算法小范围搜索得到的辨识模型输出误差的方差下降了92.86%;试验结果表明输出误差的方差能下降80.13%。验证了该方法高精度辨识径向磁轴承系统模型的有效性。     

未知负载转矩下机械臂关节参数在线辨识及控制参数在线研究

机械臂运行过程中,关节伺服系统的负载转动惯量和阻尼系数呈现时变特性,现有方法在未知负载转矩的情况下无法完成转动惯量和阻尼系数同时辨识。提出一种基于离散模型参考自适应算法在线同时辨识负载转动惯量和阻尼系数的方法,通过对关节伺服系统电机的机械方程离散化得到含有转动惯量和阻尼系数的模型自适应参考模型,采用朗道离散时间递推参数辨识机制推导模型自适应率进行参数辨识;利用参数辨识结果和设定的误差阈值在线优化控制参数。此方法能在线同时辨识转动惯量和阻尼系数并根据辨识结果优化速度环PI控制器参数值,提高速度的动态响应性能。仿真结果证明了参数辨识方法和控制器参数在线优化方法的有效性。     

基于差分进化Takagi-Sugeno模糊神经网络的电网故障诊断模型

为有效处理电网故障中存在的不确定性，提出一种基于改进差分进化Takagi-Sugeno模糊神经网络的电网故障诊断模型。该模型基于分布式并行处理的思路，根据配置的继电保护和断路器对每个元件而非整个电网建立相应故障诊断模型。为提高诊断模型的准确性，对差分进化算法的缩放因子和交叉率进行自适应改进，并将改进算法用于优化各模型的前件参数和后件参数。仿真结果表明，与其他神经网络相比，该模型能够成功诊断存在拒动、误动的复杂故障，提高了电网故障诊断的容错性。     

自适应差分进化改进云资源调度

为了解决云制造资源调度与实际制造场景不符、易陷入局部最优和收敛速度过慢的问题,提出了一种基于自适应多目标差分进化的制造资源调度方法。该方法考虑了实际云制造平台资源调度特点,建立了一个具有时序约束及成本约束的多目标优化资源调度模型。针对云制造资源调度特点,对传统差分进化进行改进,提出自适应变异率和交叉率,实现了寻优过程中变异率与交叉率的动态调整,均衡了多目标差分进化全局搜索与局部搜索能力,提高了最优解搜索的精度与速度。实际算例证明了该方法的有效性和可行性。     

基于MRAI的伺服系统转动惯量辨识及改进研究

针对伺服系统控制参数自整定所需转动惯量参数的辨识问题,对基于模型参考自适应辨识(MRAI)思想的转动惯量辨识方法进行了研究。根据离散递推辨识机制构建了自适应辨识律,并通过分析辨识增益大小对惯量辨识响应的影响,提出了一种辨识增益自适应调整的改进算法;基于惯量辨识结果评价标准,建立了分段函数以实现辨识增益的动态调整;在仿真模型和实际系统中对不同辨识增益对惯量辨识的影响进行了对比测试。研究结果表明:改进的惯量辨识方法可以解决惯量辨识响应快速性和稳定性的矛盾,能够快速跟踪系统转动惯量的变化,可用于伺服控制参数的自整定。     

融合代理模型和差分进化算法的并行机动态调度方法

针对目前进化计算求解并行机动态调度中的局部搜索能力不足、计算周期长等问题,引入问题分解思想和估计评价策略,提出一种基于差分进化算法与代理模型相融合的快速求解方法。采用基于机器编码的差分进化算法对上层设备选择问题进行粗搜索。分析下层单机问题的关键性特征,构建能够预测调度性能指标优劣的代理模型,利用估计近似值取代费时的精确求解,降低繁冗评价过程带来的计算代价。在最佳分配方案的指导下,基于工件编码和多变异策略的差分进化算法确定设备上工件加工的前后顺序,实现设备分配与工件排序两个决策层的同步优化。通过仿真实验表明,该方法优于传统的并行机求解方法,尤其对于大规模并行机调度问题的求解质量更好。     

改进差分进化算法在转向梯形机构优化中的应用

研究了基于萤火虫变异机制的双种群差分进化算法(IGDE)对断开式转向梯形机构的优化设计。针对基本差分进化算法(DE)在寻优处理过程中经常出现收敛速度较慢甚至早熟等弊端,提出了一种基于萤火虫变异机制的双种群差分进化算法。该算法通过模仿萤火虫吸引机理,同时结合自适应柯西扰动策略求解优化最优解。通过梯形机构优化测试结果表明:与Matlab遗传算法工具箱(GA)、基本差分进化算法(DE)、随机变异差分进化算法(RMDE)和多种群自适应差分进化算法(ADEMP)相比,IGDE最优适应度值分别降低了36.08%、29.05%、17.34%和15.19%。     

基于工业机器人动力学模型的差分力矩偏差碰撞检测方法

针对工业机器人的碰撞检测问题,提出一种基于工业机器人动力学模型的差分力矩偏差碰撞检测方法。采用基于惩罚函数的自适应遗传算法计算动力学参数辨识中的最优激励轨迹;采用自适应学习率的单层神经网络实现机器人动力学参数辨识,得到机器人动力学模型;利用该动力学模型和工业机器人自身携带传感器及驱动电流信号等计算预测力矩和实际力矩的力矩偏差,对力矩偏差进行向后一阶差分和向后二阶差分,从而将工业机器人碰撞区分为有意碰撞和无意碰撞,实现机器人碰撞检测并触发相应的避撞机制,避免造成设备及人员损坏。用6R工业机器人进行实物碰撞检测验证,实验结果表明碰撞检测算法能够有效区分无碰撞、无意碰撞和有意碰撞,提高了工业机器人协同作业的安全性。     

基于病态参数分离的机器人运动学标定测量构型优化

针对一种高灵巧性机器人及其连杆参数高敏感性与高定位精度需求,为解决机器人运动学标定随机测量构型存在绝对 定位精度低、参数辨识效果及标定结果鲁棒性较差的问题,提出一种病态参数分离与 DETMAX-改进差分进化(DETMAX-IDE) 算法的机器人运动学标定测量构型分步优化方法。 首先,建立机器人位置误差模型。 其次,建立一种可观性综合指标,评价不 同机器人标定测量构型的总体可观测性和灵敏度。 最后,分离机器人运动学位置误差模型的病态参数,建立测量构型优化目标 函数和约束条件,提出一种基于 DETMAX 算法与改进差分进化算法结合的分步迭代优化算法(简称为 DETMAX-改进差分进化 算法,简写为 DETMAX-IDE 算法),开展机器人运动学标定测量构型分步迭代优化。 通过机器人运动学标定仿真与实验,验证 了所提方法的有效性。 实验结果表明,与随机测量构型相比,所提方法对应的机器人绝对定位精度的平均值和均方差分别降低 了 62. 09% 和 62. 45% 。     

准时制生产模式下预制构件订单间调度与订单内调度的联合优化

在预制构件实际生产过程中，通常一个订单中包含多个工件。为满足客户交货期和方便管理，来自同一订单的工件需要连续生产，就需要解决订单间调度与订单内调度的联合优化问题(JOP＿IOSIOS)。该问题是比传统流水线调度问题更为复杂的问题，是典型的NP-hard问题。为解决该问题，通过对工序约束、订单间、订单内约束等的深入分析，基于准时制生产模式，以最小化总提前和拖期惩罚费用为目标建立了混合整数规划模型。鉴于问题的复杂性，基于分解与协同进化框架，提出一种有效的协同进化混合遗传—离散差分进化算法(CoHGA-DDE)。其主要思想是首先构造订单间调度种群和订单内调度种群，然后对两个种群分别采用离散差分进化策略和遗传进化策略，并通过两个种群之间的交互作用来提高各自性能。为验证协同进化框架和CoHGA-DDE的有效性，设计了协同进化遗传算法(CoGA)、协同进化离散差分进化算法(CoDDE)、遗传算法(GA)、离散差分进化算法(DDE)、和迭代贪婪(IG)算法。对不同规模订单进行测试，计算结果显示，与GA,DDE和IG相比，协同进化方法具有更好的求解质量和鲁棒性，而在协同进化方法中，CoHGA-DDE具...     

并联机构位置正解的自适应差分进化算法

根据杆长约束条件,建立求6自由度一般6-SPS并联机构位置正解的无约束优化模型,再应用差分进化(Differential evolution,DE)算法求解该问题。针对基本DE算法可能出现进化停滞或陷入局部极值区域的缺点,提出一种引入新个体的自适应策略,以增强算法全局优化性能。将引入新个体的自适应策略融入DE算法,并使用混合变异算子及基于三角函数扰动的缩放因子和交叉因子,形成自适应差分进化(Adaptive DE,ADE)算法。数值结果表明,对于一般6-SPS并联机构正运动学分析问题,ADE算法能以较少计算开销求出全部高精度位置正解。通过与基本DE算法、自适应变异粒子群算法和改进人工蜂群算法比较,验证了ADE算法的收敛精度和计算稳健性指标优于对比算法。     

动态物流网络多目标优化模型及求解算法

针对动态物流网络优化问题,构建了多阶段三级物流网络模型。为了同时保证物流网络的效益和效率,以产品供应总成本最小和供应总时间最短为目标建立多目标优化模型。针对该模型多目标、多约束且存在时变参数的特点,提出了动态自适应多目标差分进化算法(DSMODEA)对模型进行求解。DSMODEA算法为元启发式智能优化算法,通过比较种群个体的Pareto支配关系和拥挤度距离来判断个体优劣,采用差分进化策略不断迭代收敛。同时,提出了环境变化检测算子、环境变化响应策略和自适应策略以保证算法能很好地求解动态优化问题。算例表明,DSMODEA算法能够求得各阶段物流网络的最佳可行供应方案,且所采用的响应策略和自适应飞行策略大大提高了算法的性能。     

极限工况下无人驾驶车辆运动规划策略研究

针对无人驾驶车辆在极限工况下的运动规划问题,提出一种适应极限工况的无人驾驶车辆运动规划策略。首先,建立了准确描述车辆运动的动力学模型,并采用修正的非线性轮胎模型反映轮胎与不同路面之间的动力学特性;其次,提出一种基于安全制动距离的自适应势场模型,以适应极限工况下外界条件与车辆参数的变化;再次,考虑到车辆在极限工况下易发生横向失稳,设计出横向稳定性指标(Lateral stability index,LSI)作为关键优化参数,并展开车辆横向稳定性分析;然后,基于模型预测控制方法(Model predictive control,MPC),将极限工况下的运动规划问题转化为多目标优化问题;最后,构建出PreScan-Simulink-CarSim联合仿真平台,并在冰雪路面等多种极限工况下对所提出的运动规划策略进行了验证。仿真结果表明,该策略有效提升了无人驾驶车辆在极限工况下的安全性与稳定性。     

面向生产线仿真模型的优化技术研究

针对复杂生产线控制参数的优化问题,提出了一种基于遗传算法的仿真优化方法,该方法在传统遗传算法的基础上,采用小生境种群生成技术、整体与局部交叉繁殖策略和自适应变异算子,在实际测试中大大地提高了优化的效率.最后给出了算法的求解实例及与同类软件的比较结果.