基于改进粒子群算法的约束隐式广义预测控制

针对大多数工业系统的控制输入输出都存在约束的情况,提出了一种基于改进粒子群算法的广义预测控制算法.广义预测控制算法采用隐式算法,用最小二乘法直接辨识控制增量表达式中的参数,避免求解丢番图方程;为避免粒子群算法陷入早熟,提高精度,在广义预测控制算法的滚动优化环节采用速度变异的粒子群优化算法,克服了受约束优化问题处理的缺陷,更快更准确地寻到最优目标函数值.仿真结果表明了该方法的有效性和良好的控制性能.     

基于粒子群优化的非线性预测控制算法的特性分析与仿真研究

介绍了基于粒子群优化的非线性预测控制算法(PSO-NPC)的基本原理和算法流程。通过仿真实验,分析了预测控制和粒子群算法参数对PSO-NPC控制性能的影响。针对基于预测误差的单目标优化的PSO-NPC常规算法不足之处,提出了粒子群多目标优化的非线性预测算法。仿真结果表明,提出的算法是正确有效的。     

基于微粒群优化和模拟退火的约束广义预测控制算法

提出一种基于微粒群优化和模拟退火的约束广义预测控制算法,将微粒群优化和模拟退火引入到广义预测控制的滚动寻优过程中,增强对约束边界的搜索能力,并将约束条件构成约束违反度函数和适应度函数一起判断最优解的优劣,该算法可以有效地提高广义预测控制处理约束的能力.通过对一个工业对象的仿真,验证了该算法的可行性和有效性.     

转向系统背压加载的广义预测控制

针对转向系统背压加载的时变、非线性、多变量耦合等过程特性,研究了一种基于最小二乘支持向量机(least square support vector machine,LS-SVM)的广义预测控制算法.采用LS-SVM辨识方法对系统进行建模,并用粒子群算法对LS-SVM的参数进行寻优,为控制器的设计奠定基础;对于时变的特点,采用基于在线LS-SVM的广义预测控制混合算法,实时修改模型参数.转向系统背压加载的控制实验结果表明,基于LS-SVM的广义预测控制混合算法是有效的,能准确地跟踪设定的加载压力,对扰动有较强的鲁棒性,具有实际工程应用价值.     

基于广义预测算法的焦炉立火道温度控制系统

一般焦炉立火道温度控制采用传统的PID算法,PID算法存在控制精度不高,鲁棒性差等缺点。广义预测控制应用"多步预测、滚动优化、反馈校正"的思想,其算法鲁棒性好,控制效果佳。采用广义预测控制方法对立火道的温度进行控制,并通过计算机仿真说明其控制算法的有效性。     

基于PSO与LMI优化的非线性模型预测控制

将微粒群算法(PSO)与线性矩阵不等式(LMI)用于输入受限非线性预测控制器的设计,提出了基于PSO与LMI联合优化的非线性预测控制算法。算法采用双模控制策略,利用LMI离线优化确定终端不变区域,以扩大非线性优化的求解范围,降低算法的保守性。利用PSO在线优化求解非线性预测控制输入,以避免求解非线性规划问题,同时对算法的稳定性进行了分析。仿真结果表明了该算法是有效的、可行的。     

基于神经过程-粒子群算法的移动机器人路径规划

针对传统粒子群算法在移动机器人路径规划过程中早熟引起的局部最优问题,将运动过程预测思想集成到粒子群优化算法中,构造神经过程-粒子群混合算法。主要思路是在粒子群个体进行下一次迭代时,利用神经过程预测个体位置,增加了迭代后期粒子群体的多样性,避免过早陷入局部最优,从而提高算法优化能力。实验结果显示,改进算法用于解决机器人路径规划问题,整体性能优于传统的粒子群优化算法。     

QDPSO滚动优化的LS-SVM预测控制研究

针对非线性强时滞系统,传统的预测控制算法难以建立精确模型,其控制精度不高。提出一种基于最小二乘支持向量机(LS-SVM)的非线性模型预测控制算法,该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习,构建其离线的预测模型,然后运用量子粒子群优化(QDPSO)算法来完成整个滚动优化的过程。仿真结果表明基于LS-SVM的非线性模型预测控制比动态矩阵控制具有更好的控制品质。     

基于AEPSO优化的神经网络多步预测控制

为提高神经网络预测控制的性能，提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中，每个粒子的更新受粒子个体极值和局部极值的影响，为了提高其全局收敛性，采用多粒子策略，使每个粒子的更新受更多其他粒子的影响；为提高收敛速度，采用白适应策略，对参数c0进行白适应调整，使c0随着迭代次数的增加而逐渐减小，这样，在PSO算法的搜索过程中，随着迭代次数的增加，搜索区域会越来越小，从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化，在有限时域内对控制序列进行寻列，给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明，基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。     

基于PSO-RNN的光伏发电功率预测研究

针对光伏发电功率预测对电力系统的安全稳定和经济运行问题,本文提出了基于粒子群算法优化脊波神经网络的光伏功率预测模型。采用脊波函数作为隐含层激励函数的神经网络,即脊波神经网络,同时采用粒子群算法优化脊波神经网络的权值,并以实际光伏发电站的历史光伏发电数据和气象数据作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络预测模型相比,基于粒子群算法优化脊波神经网络预测模型的日平均绝对误差和日最大绝对误差均有所降低,证明粒子群算法优化脊波神经网络的预测模型具有较高预测精度,不仅加快了脊波神经网络收敛速度,而且避免了陷入局部最优解,具有一定的实用性及可行性。该研究为光伏发电功率预测提供了理论参考。     

基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.     

PID型广义预测控制算法在EPA中的应用

在分析PID算法和广义预测控制算法(GPC)的基础上,将广义预测控制算法的性能指标构造成PID形式,并推导了改进的PID型广义预测控制算法(PIDGPC).通过工业实时以太网(EPA)实验装置的模型仿真,在时域内分析了PID型广义预测控制算法控制器的参数选择对控制性能的影响,说明了PID型广义预测控制算法比基本广义预测控制算法具有更好的控制性能,将会有较好的工程应用前景.     

基于BP神经网络的广义预测控制算法在一级倒立摆控制中的应用

提出了一种基于BP神经网络的广义预测控制算法,其实质是利用BP神经网络来求取广义预测控制的最优控制律,该算法对广义预测控制算法进行了简化,可以应用于快速系统的控制.以倒立摆系统作为研究的对象,将新算法应用于一级倒立摆的控制,仿真结果证实了该算法的有效性和实用性.     

基于蝙蝠算法的PID控制参数优化技术与仿真研究

PID参数整定是PID控制中的一个重要环节,传统的PID参数整定方法已经不能完全适用。为提高PID参数优化精度,解决传统PID参数整定时产生的误差较大问题,将蝙蝠算法引入控制系统中优化PID控制参数。通过MATLAB仿真,比较蝙蝠算法、粒子群优化算法和增量式PID控制算法对控制参数优化的性能。实验结果表明：在函数寻优测试中,与遗传算法、粒子群优化算法相比,蝙蝠算法能防止陷入局部最优,使种群更加稳定并达到更好的收敛速度和寻优精度;在PID控制参数优化中,与粒子群优化算法、增量式PID控制算法相比,蝙蝠算法优化PID控制参数的实际输出曲线最贴近理论输出曲线,稳定性更好。     

具有完全学习策略的量子行为粒子群癌症基因聚类算法

为提高癌症基因表达数据聚类的准确性和效率,对具有完全学习策略的量子行为粒子群优化（CLQPSO）算法和广义回归神经网络（GRNN）进行了研究,实现了一种CLQPSO癌症基因聚类算法. GRNN能充分利用多条相似基因隐含的规律,对基因表达缺失值的预测有较高的可信度;CLQPSO算法在迭代更新时能充分利用各粒子当前最佳位置和粒子群所提供的社会合作信息,避免过早收敛于局部最优解. 实验表明,综合使用GRNN和CLQPSO算法对癌症基因表达数据进行聚类,比K-Means、谱聚类、离散粒子群算法具有更好的聚类性能和全局收敛性.     

改进粒子群优化BP神经网络的目标威胁估计

为了提高目标威胁估计精度,提出一种运用改进粒子群算法优化BP神经网络的方法。为了避免陷入局部极值,将变异过程引入粒子群算法中,并对相关参数进行优化,形成改进粒子群算法,对BP神经网络的初始权值和阈值进行优化。利用样本数量不同的训练集对网络进行训练,并用60组测试集数据对网络进行验证。实验结果表明,改进粒子群优化BP神经网络目标威胁估计算法具有更高的预测精度,在训练样本数量较小时能够获得较好的预测能力,可以有效地完成目标威胁估计。     

改进粒子群算法优化RBF的交通流预测研究

为了实时准确地预测交通流量,本文采用一种改进的粒子群算法对径向基函数(radical basis function,RBF)神经网络进行优化,RBF神经网络隐层中心向量由最近邻聚类确定,使用适度值择优的原理对离子群算法进行改进,将改进的粒子群算法用于最近邻聚类半径的优化,合理确定了粒子群的隐层结构。同时,运用Matlab仿真软件建立新的RBF模型,并对交通流进行预测和分析。仿真结果表明,粒子群优化RBF的相对平均误差为3.94,改进粒子群优化RBF相对平均误差为2.67,通过误差对比,改进的RBF神经网络算法具有更好的预测效果,在预测速度和精度上均优于粒子群优化RBF神经网络交通流预测算法。该研究应用前景广阔。     

改进粒子群算法在空调水系统中的应用研究

粒子群算法优化PID控制在空调系统中应用越来越广泛.针对传统粒子群算法在优化过程中存在寻优速度不足和容易陷入局部最优的问题,提出了采用正交试验机制和模仿染色体变异机制的突变策略优化传统粒子群算法,通过引入正交试验机制提升了寻优速度和效率,引入突变策略改进了算法的极值传递过程,避免了过早发生聚集现象,解决了陷入局部最优的问题.仿真实验结果证明:改进粒子群算法在系统超调量、调节时间、稳态误差和抗干扰性上均有显著提高.     

基于BP神经网络变参数设计的广义预测控制

针对广义预测控制算法中控制参数整定困难这一缺陷,提出了一种基于BP神经网络变参数设计的广义预测控制算法,实现了广义预测控制中的输出柔化系数α和控制增量加权系数λ的在线调整。仿真结果表明,该算法无论在跟踪性能、控制精度及鲁棒性上,均优于固定参数设计的广义预测控制算法,并对干扰有一定的抑制作用。     

基于广义粒子群优化模型的工艺规划方法研究

在广义粒子群优化模型基础上,结合工艺规划问题的特性,设计了求解工艺规划问题的改进广义粒子群优化算法.该算法采用当前粒子与个体极值库、种群极值库进行交叉操作的方式,使粒子能够从个体极值和种群中获取更新信息,引入变邻域搜索算法作为粒子的局部搜索策略.实例测试结果显示,与其他算法相比,本文算法在求解工艺规划问题时具有更高的求解效率和更好的稳定性.