一种辨识多变量系统结构和参数地递推算法*

本文基于Guidorzi方法,提出一种辨识多变量系统结构和参数的递推算法。本算法通过对矩阵进行分解,根据分解过程中某参数的变化情况,判断矩阵的奇异性,从而辨识出系统的结构和参数,使得原来对矩阵求逆及求行列式的运算变为简单的代数运算,大大减少了辨识过程中的计算量,数值实例表明了这种算法的有效性。     

一种多变量CAR模型结构和参数的辨识方法

本文提出了一种用于多变量系统CAR模型结构和参数估计的算法，本文法具有良好的数值计算的稳定性，估计结果的精度高，一旦确定结构后，立即得到参数估计值，没有重复计算，因此计算最小，数值仿真的结果表明本方法的有效性。     

基于改进粒子群算法的超级电容参数辨识

针对超级电容的模型参数辨识不准确问题,首先分析了超级电容单体的储能原理和性能特点,将二分支等效模型作为超级电容的模型,然后使用最小二乘算法和改进粒子群算法对模型参数进行辨识,最后通过仿真和实验比较两种算法辨识效果,证实该文所提出的改进粒子群算法更能准确地辨识出超级电容模型参数。     

基于混合算法的空间机器人运动学参数辨识

外太空环境恶劣,空间遥操作机器人结构在太空环境作业时会产生形变,而且其加工生产也存在加工误差,空间遥机器人的形变引起DH参数的误差,为了完成空间机器人系统的地而仿真预测,并且确保空间遥操作机器人完成工作任务,必须根据遥测数据准确的辨识出空间机器人系统的运动学参数.提出了混合非线性参数辨识的LM(Levenberg-Marquarat)和递推最小二乘办法的混合辨识算法.最后,给出了办法的实例仿真,说明了辨识算法的稳定性,能够完成对空间遥操作机器人的运动学参数的辨识.     

基于克隆选择差分进化算法的永磁同步电机参数辨识

针对永磁同步电机(PMSM)多参数高精度辨识的问题,提出了一种克隆选择差分进化(DE-IC-SA)算法,将其运用于永磁同步电机的多参数在线辨识.算法通过对差分进化算法与免疫克隆选择算法进行混合优化,提高了种群多样性,加强了局部和全局的搜索能力.通过仿真实验表明:相较于差分进化算法与粒子群优化(PSO)算法,所提算法能同...     

免疫协同微粒群进化算法的永磁同步电机多参数辨识模型方法

针对永磁同步电机多参数辨识问题,提出一种基于免疫协同微粒群进化(Immune co-evolution particle swarm optimization, ICPSO) 算 法的永磁同步电机(Permanent magnet synchronous motor, PMSM) 多参数辨识方法.算法由记忆种群与若干个普通种群构成, 在进化过程中普通种群中优秀个体进入记忆库种群.普通种群内部通过精英粒子 保留、免疫网络以及柯西变异等混合策略共同产生新个体,个体极值采用小波学习 加快收敛速度,免疫克隆选择算法对记忆库进行精细搜索,迁移机制实现了整个种群 的信息共享与协同进化.永磁同步电机参数辨识结果表明该方法不需要知道电 机设计参数先验知识,能够有效地辨识电机电阻、 dq轴电感与转子磁链,且能有效追踪该参数变化值.     

基于PPSO的精馏塔模型参数闭环辨识

针对粒子群优化算法(particle swarm optimization,PSO)在高维空间复杂曲面寻优时易于陷入局部最小值的问题,分组扰动粒子群优化算法(partially-perturbed particle swarm optimization,PPSO)结合问题特征,采用启发式规则,实施参数分组扰动策略,对PSO算法进行改进,从而增大了跳出局部极小的可能性。本文主要研究PPSO在精馏塔模型参数闭环辨识上的应用,分别针对模型参数可辨识性,参数的不同分组,鲁棒性进行分析验证;并在其他精馏塔模型上进行了相应的验证。仿真实验表明,PPSO辨识算法比序列近似法等其它辨识算法具有更高的辨识精度,并且具有较强的鲁棒性;在其他精馏塔模型参数辨识上PPSO算法也同样取得了很好的辨识精度。实验结果证明了PPSO算法在精馏塔模型参数闭环辨识上的可行性和有效性。     

基于PSO算法的微生物间歇发酵动力学参数辨识

主要根据微生物间歇培养过程的特征、动态行为及实验数据,建立了能够更好反映间歇发酵过程的简化的多阶段参数辨识模型,然后证明了该模型中最优参数的存在性;最后结合模型特点构造了一种改进的粒子群优化（PSO）算法求得最优参数,并利用所得的参数进行过程仿真。结果表明该模型和算法大大减少了实验数据和计算数值之间的误差,能够更好地模拟微生物间歇发酵过程。     

水下机器人参数辨识的量子粒子群算法

水下机器人动力学模型参数辨识是水下机器人运动状态控制、路径跟踪、状态监测、故障诊断及容错系统开发的基础,是水下机器人研究的核心内容之一.针对Falcon开架缆控水下机器人的动力学模型,将量子粒子群优化算法引入到水下机器人动力学模型参数辨识之中,提出基于量子粒子群优化算法(Quantum-behaved PSO,QPSO)的水下机器人动力学模型参数辨识,并将其辨识结果与粒子群优化算法(Particle Swarm Optimization,PSO)及遗传算法(GA)的辨识结果进行比较.仿真结果表明应用QPSO算法的参数辨识结果明显优于其它对比方法,说明了算法的有效性与合理性.     

基于粒子群算法的神经网络短期降水预报建模研究

用多样性粒子群算法优化神经网络的网络结构和连接权，获得神经网络集成个体；进一步用二次规划方法，计算各集成个体的最优非负权系数进行组合集成，生成神经网络集成的输出结论，进行短期降水预报建模研究．以广西全区的月降水量实例分析，结果表明该方法能有效提高系统的泛化能力．     

粒子群优化算法的概率特性分析及算法改进

群体多样性的丧失是导致粒子群优化（PSO）出现早期收敛的重要原因,鉴于此,对PSO运动方程进行概率特性分析,指出了方程中学习参数的概率分布及参数问的相依性与群体多样性丧失之间的关系,并提出了一种白适应学习的PSO算法．该算法通过调整学习参数的概率特性来保持种群多样性,同时设计了随进化状态白适应变化的学习参数来协调粒子的...     

求解约束优化问题的动态邻域粒子群算法*

粒子群算法(PSO)求解约束优化问题存在较严重的早熟收敛现象,为了有效抑制早熟收敛,提出了基于改进的约束自适应方法的动态邻域粒子群算法(IPSO)。算法采用动态邻域策略提高算法的全局搜索能力,设计了一种改进的自适应约束处理方法,根据迭代代数线性增加搜索偏向系数,在早期偏向于搜索可行解,在后期偏向于搜索最优解,并引入序列二次规划增强算法的局部搜索能力。通过基准测试函数实验对比分析,表明该算法对于约束优化问题具有较好的全局收敛性。     

基于SQP 局部搜索的混沌粒子群优化算法

提出一种基于序贯二次规划(SQP)法的混沌粒子群优化方法(CPSO-SQP).将混沌PSO作为全局搜索器,并用SQP加速局部搜索,使得粒子能够在快速局部寻优的基础上对整个空间进行搜索,既保证了算法的收敛性,又大大增加了获得全局最优的几率.仿真结果表明,算法精度高、成功率大、全局收敛速度快,明显优于现有算法.将所提出的算法用于高密度聚乙烯(HDPE)装置串级反应过程的乙烯单耗优化,根据工业反应机理以及现场操作经验分析可知,所提出的算法是可行的.     

并行定向扰动的混合粒子群优化算法

针对全向变异易使粒子失去已有的有利搜索信息的问题, 提出了一种并行定向变异的混合粒子群优化算法。该算法以当前群体最优位置为基准, 用变异信息矩阵和混沌位置变异矩阵对群体进行并行定向扰动, 有效利用了现有的有利搜索信息。该算法将并行定向变异与序列二次规划法融为一体, 实现了全局搜索和局部寻优的统一。仿真实验和比较分析结果表明并行定向变异混合粒子群优化算法具有良好的、稳定的优化效果。     

求解二层规划的混合微粒群算法

对于二层规划问题有许多经典的求解方法,如极点搜索法、分支定界法和罚函数法等。文中给出了基于微粒群算法的二层规划的一种新的求解方法。提出了分别先用单纯形法和内部映射牛顿法的子空间置信域法求解下层规划,然后用微粒群算法求解上层规划的求解方法,这两种混合微粒群算法分别用于求解线性二层规划和非线性二层规划。并结合实例的对比分析,说明了这两种混合微粒群算法求解二层规划的可行性和有效性。     

Parameters identification of chaotic systems by quantum-behaved particle swarm optimization

This paper applies a novel evolutionary optimization algorithm named quantum-behaved particle swarm optimization (QPSO) to estimate the parameters of chaotic systems, which can be formulated as a multimodal numerical optimization problem with high dimension from the viewpoint of optimization. Moreover, in order to improve the performance of QPSO, an adaptive mechanism is introduced for the parameter beta of QPSO. Finally, numerical simulations are provided to show the effectiveness and efficiency of the modified QPSO method.     

基于混合粒子群算法的梯级泵站优化调度

针对大型梯级泵站工况复杂多变、安全性要求高的运行特点,基于流量平衡的理论,建立梯级泵站运行费用最小的优化目标,同时把系统一次运行周期内泵站机组的启停次数作为衡量维护费用的指标,建立泵站启停次数最小的优化模型,运用线性加权法将两个优化目标组合成一个泵站系统综合运行费用最少的优化调度模型,最终运用动态规划法和粒子群算法进行研究分析,并尝试采用免疫思想通过克隆免疫算子和疫苗接种算子优化粒子群算法,达到提高搜索范围和精度的目的。将其应用于山西某梯级泵站工程实例,仿真研究分析表明免疫粒子群算法(IAPSO)在优化泵站系统综合运行费用上更加节省成本而且提高了搜索精度和收敛速度。     

基于遗传粒子群混合算法的供应链调度优化

针对大规模定制模式下的供应链调度优化问题,首先将供应链调度优化问题进行数学规划建模,并通过一些定义将模型映射为有向图,以便于智能搜索算法的应用;然后,结合遗传算法全局搜索能力强与粒子群算法收敛速度快的特点,进行优势互补,构造了一种混合算法;最后,运用混合算法对供应链优化调度问题模型进行求解.通过与其他算法进行比较,所得结果表明混合算法有着更好的整体性能.