一类具有控制时滞非线性系统在任意初值下的开环PD型迭代学习控制

在迭代学习控制理论的收敛性分析中,常见的初始条件是迭代初值与期望初值一致,或者迭代初值固定,给出了一类含控制时滞非线性时变系统在任意初值条件下采用开环PD型迭代学习控制算法时的收敛条件.迭代学习采用控制输入与初值同时学习的算法,其中控制输入利用了给定超前法,该算法解决了控制时滞和初值问题.运用算子理论证明了收敛条件,给出了间歇非线性控制时滞过程仿真实例,研究结果说明了该算法的有效性.     

基于面积投影的图像配准方法

针对低分辨率图像之间的配准精度问题,直接影响到超分辨率图像的重建质量.通常图像之间的平移和旋转,采用基于泰勒级数展开的迭代配准算法以及频域配准算法.传统的泰勒级数展开的迭代配准算法的配准精度取决于图像的低阶逼近误差及迭代过程中图像的插值近似运动变换所造成的误差.采用泰勒级数展开的配准算法进行了改进,以面积投影变换来替代原有迭代算法中的图像插值变换,这种图像变换算法更加符合图像的成像原理,仿真结果表明,算法能够有效提高低分辨率图像间平移和旋转角度的配准精度.     

基于迭代粒子群算法的间歇过程优化

针对无状态和终端约束的间歇过程动态优化问题,将迭代思想与粒子群优化算法相结合,提出了迭代粒子群算法.算法首先将控制变量离散化,用标准粒子群算法搜索离散控制变量的最优解,并在随后的迭代过程中不断收缩控制变量的搜索域,使优化性能指标和控制轨线不断趋于最优解.为使优化轨线光滑平稳,算法采用三点线性平滑算子对每次迭代结果进行平滑滤波.算法简洁,可行,高效,特别是在系统梯度信息不可得的情况下更具实用性.对一个间歇过程的仿真结果证明了迭代粒子群算法可以有效地解决不含状态和终端约束的间歇过程动态优化问题.     

线谱对参数预测多级矢量量化联合优化算法

提出了一种线谱对参数预测多级矢量量化联合优化算法.该算法对预测系数和多级矢量量化采用渐进闭环设计,通过迭代实现预测系数和多级矢量量化设计的联合优化.在多级矢量量化设计过程中,采用迭代优化实现多级码本的联合优化.采用语音线谱对参数对量化算法进行测试.测试结果表明,与传统算法相比,该量化算法可以减小线谱对参数量化失真.提高编码语音质量.     

非最小相位系统的基函数型自适应迭代学习控制

针对重复运行的未知非最小相位系统的轨迹跟踪问题, 结合时域稳定逆特点, 提出了一种新的基函数型自适应迭代学习控制(Basis function based adaptive iterative learning control, BFAILC)算法. 该算法在迭代控制过程中应用自适应迭代学习辨识算法估计基函数模型, 采用伪逆型学习律逼近系统的稳定逆, 保证了迭代学习控制的收敛性和鲁棒性. 以傅里叶基函数为例, 通过在非最小相位系统上的控制仿真, 验证了算法的有效性.     

基于密度峰值聚类的高斯混合模型算法

由于存在大量服从高斯分布的样本数据,采用高斯混合模型(Gaussian Mixture Models,GMM)对这些样本数据进行聚类分析,可以得到比较准确的聚类结果.通常采用EM算法(Expectation Maximization Algorithm)对GMM的参数进行迭代式估计.但传统EM算法存在两点不足:对初始聚类中心的取值比较敏感;迭代式参数估计的迭代终止条件是相邻两次估计参数的距离小于给定的阈值,这不能保证算法收敛于参数的最优值.为了弥补上述不足,提出采用密度峰值聚类(Density Peaks Clustering,DPC)来初始化EM算法,以提高算法的鲁棒性,采用相对熵作为EM算法的迭代终止条件,实现对GMM算法参数值的优化选取.在人工数据集及UCI数据集上的对比实验表明,所提算法不但提高了EM算法的鲁棒性,而且其聚类结果优于传统算法.尤其在服从高斯分布的数据集上的实验结果显示,所提算法大幅提高了聚类精度.     

基于LMI方法的保性能迭代学习算法设计

研究基于性能的迭代学习算法设计与优化问题.首先定义了迭代域二次型性能函数,然后针对线性离散系统给出了迭代域最优迭代学习算法;基于线性矩阵不等式(LMI)方法,针对不确定线性离散系统给出了保性能迭代学习算法及其优化方法.对于这两类迭代学习算法,只要调整性能函数中的权系数矩阵,便可很好地调整迭代学习收敛速度.另外,保性能迭代学习算法设计及优化过程,可利用MATLAB工具箱很方便地求解.     

弹道导弹基本诸元的快速装订算法研究

采用机动平台发射的弹道导弹,发射诸元随发射点纬度和射向、射程的变化而变化.实现不同发射点、不同目标点的发射诸元的快速装订是一个重要的研究课题.传统的射表拟合方法和解析方法在解算速度和精度上都存在很大的不足.根据牛顿迭代原理,采用了一种形式简洁的迭代算法来解决发射诸元的计算问题,推导了算法的公式,给出了算法的流程,并通过拟合算法得出了发射诸元的解析算式,该算式既可用作诸元参数的估算,也可作为迭代算法的初值以加快求解速度.仿真结果表明,算法在精度和收敛性上都达到了满意的效果.     

基于改进Landweber算法的静电传感器研究

由于静电层析成像信息量少且本身为严重病态导致图像重建分辨率很低,为了提高图像重建质量,提出了一种改进的Landweber图像重建算法.采用线性反投影(LBP)算法重构的图像作为Landweber 迭代算法的初始值,再以Landweber算法重构最终图像.仿真实验表明:采用改进的Landweber迭代算法较之单独使用LBP算法和Landweber算法有较好的成像效果,可提高成像精度,较准确地判断管道内电荷的分布情况.     

基于曲率圆的平面参数曲线求交算法

主要讨论了平面参数曲线求交的迭代算法,提出了迭代过程中迭代可信度的概念,并给出了计算方法.在此基础上,改进了MAF求交算法,给出了曲率圆迭代算法,即使用二次曲线对参数曲线的局部形状进行近似,进行迭代交点和迭代步长的计算.     

基于参数方程处理等式约束优化的粒子群算法

针对目前已有的粒子群优化算法求解有等式约束优化问题时对收敛速度和解的精度的影响,提出了一种新的基于参数方程的粒子群优化算法.它是粒子群在初始化和选代进化过程中使用求解参数方程的方法处理等式约束设计出的粒子群优化算法.数值实验结果表明,新算法是有效的.它不仅提高了收敛速度和解的精度,而且是一种通用的智能算法.     

Aero-structural optimization using adjoint coupled post-optimality sensitivities

A new subspace optimization method for performing aero-structural design is introduced. The method relies on a semi-analytic adjoint approach to the sensitivity analysis that includes post-optimality sensitivity information from the structural optimization subproblem. The resulting coupled post-optimality sensitivity approach is used to guide a gradient-based optimization algorithm. The new approach simplifies the system-level problem, thereby reducing the number of calls to a potentially costly aerodynamics solver. The aero-structural optimization of an aircraft wing is performed using linear aerodynamic and structural analyses, and a performance comparison is made between the new approach and the conventional multidisciplinary feasible method. The new asymmetric suboptimization method is found to be the more efficient approach when it adequately reduces the number of system evaluations or when there is a large enough discrepancy between disciplinary solution times.     

一种求解非线性约束优化全局最优的新方法

本文提出了一种求解非线性约束优化的全局最优的新方法—它是基于利用非线性互补函数和不断增加新的约束来重复解库恩-塔克条件的非线性方程组的新方法。因为库恩-塔克条件是非线性约束优化的必要条件,得到的解未必是非线性约束优化的全局最优解,为此,本文首次给出了通过利用该优化问题的先验知识,不断地增加约束来限制全局最优解范围的方法,一些仿真例子表明提出的方法和理论有效的,并且可行的。     

基于离散微粒群算法求解背包问题研究

微粒群算法(PSO)是一种新的演化算法,主要用于求解数值优化问题.基于离散微粒群算法(DPSO)分别与处理约束问题的罚函数法和贪心变换方法相结合,提出了求解背包问题的两个算法:基于罚函数策略的离散微粒群算法(PFDPSO)和基于贪心变换策略的离散微粒群算法(GDPSO).通过将这两个算法与文献[7]中的混合微粒群算法(Hybrid_PSO)进行数值计算比较发现:对于求解大规模的背包问题,GDPSO非常优秀,其求解能力优于Hybrid_PSO和PFDPSO,是求解背包问题的一种非常有效的方法.     

一种求解约束优化问题的新粒子群算法

结合外点法具有局部搜索能力强、处理约束条件简单的特点,把违反约束的粒子用外点法处理以满足约束设计出一种新的粒子群算法求解约束优化问题.实验结果表明,新算法性能优于现有其它算法,是一种通用、高效、稳健的智能算法.它兼顾粒子群算法和外点法的优点,既有较快的收敛速度,又能以非常大概率求得约束优化问题的全局最优解,同时还提高了解的精度.     

A hybrid surrogate and pattern search optimization method and application to microelectronics

A hybrid method for robust and efficient optimization process is developed by integrating a new response surface method and pattern search algorithm. The method is based on: (1) multipoint approximations of the objective and constraint functions, (2) a multiquadric radial basis function (RBF) for the zeroth-order function approximation and a new RBF plus polynomial-based moving least-squares approximation for the first-order enhanced function approximation, and (3) a pattern search algorithm to impose a descent condition and applied adaptive subregion management strategy. Several numerical examples are presented to illustrate accuracy and computational efficiency of the proposed method for both function approximation and design optimization. To demonstrate the effectiveness of the proposed hybrid method, it is applied to obtain optimum designs of a microelectronic packaging system. A two-stage optimization approach is proposed for the design optimization. The material properties of microelectronic packaging system and the shape parameters of solder ball are selected as design variables. Through design optimization, significant improvements of durability performances are obtained using the proposed hybrid optimization method.     

一类动态非线性约束优化问题的新解法

动态非线性约束优化是一类复杂的动态优化问题,其求解的困难主要在于如何处理问题的约束及时间（环境）变量。给出了一类定义在离散时间（环境）空间上的动态非线性约束优化问题的新解法,从问题的约束条件出发构造了一个新的动态熵函数,利用此函数将原优化问题转化成了两个目标的动态优化问题。进一步设计了新的杂交算子和带局部搜索的变异算子,提出了一种新的多目标优化求解进化算法。通过对两个动态非线性约束优化问题的计算仿真,表明该算法是有效的。     

一种新的FMS混合调度算法

在综合一种新的Petri网模型以及另一种新的混合优化策略的基础上,提出了一种具有全局优化特征的PMS调度算法,最后,仿真结果验证了该算法的有效性以及良好的研究与应用前景。     

A poly-hybrid PSO optimization method with intelligent parameter adjustment

This paper presents results on a new hybrid optimization method which combines the best features of four traditional optimization methods together with an intelligent adjustment algorithm to speed convergence on unconstrained and constrained optimization problems. It is believed that this is the first time that such a broad array of methods has been employed to facilitate synergistic enhancement of convergence. Particle swarm optimization is based on swarm intelligence inspired by the social behavior and movement dynamics of bird flocking, fish schooling, and swarming theory. This method has been applied for structural damage identification, neural network training, and reactive power optimization. It is also believed that this is the first time an intelligent parameter adjustment algorithm has been applied to maximize the effectiveness of individual component algorithms within the hybrid method. A comprehensive sensitivity analysis of the traditional optimization methods within the hybrid group is used to demonstrate how the relationship among the design variables in a given problem can be used to adjust algorithm parameters. The new method is benchmarked using 11 classical test functions and the results show that the new method outperforms eight of the most recently published search methodologies.     

System design by constraint adaptation and differential evolution

A simple optimization procedure for constraint-based problems is described which works with a simplified cost function or even without one. The simplification of the problem formulation makes this method particularly attractive. The new method lends itself to parallel computation and is well suited for constraint satisfaction, constrained optimization, and design centering problems. A further asset is its self-steering property which makes the new method easy to use