直线二级倒立摆的一种稳定控制算法研究

针对线性二次型调节器(LQR)的权重矩阵Q和R的选取没有一个固定解析类方法，LQR的控制性能好坏基本取决于人工经验对Q和R的选取，若系统状态变量变多，调参就变得过于繁琐，以及基本粒子群算法(PSO)存在收敛速度慢，容易陷入局部最优等缺点，从惯性权重非线性动态调整，学习因子非线性动态调整以及基于自然选择机理三个角度来改进基本粒子群算法。并将改进粒子群算法应用于LQR参数优化，对直线二级倒立摆进行稳定控制。仿真结果表明，改进粒子群算法优化后的LQR相比一些传统的方法优化的LQR有着更好的控制效果。     

基于改进粒子群算法的倒立摆LQR优化控制

在使用LQR线性二次型调节器的直线二级倒立摆中控制器的加权矩阵Q和R的取值经常依靠先验知识选取,为降低在权矩阵取值上的复杂性,设计了一种引入交叉算子和非线性动态惯性权重的粒子群优化算法,通过引用交叉算子提高粒子群的全局搜索能力,同时在粒子进化的不同阶段调整惯性权重从而更好的平衡全局和局部搜索能力.直线二级倒立摆的控制仿真结果表明,提出的方法与传统PSO算法优化的方法相比能够提高二级倒立摆平衡控制的稳定性和快速性,具有更优的控制效果.     

基于改进蜂群算法的倒立摆控制器优化设计

环形倒立摆系统以其非线性、不稳定、高阶的、强耦合的特性,已经成为控制理论教学以及模拟机器人行走、卫星飞行姿态等复杂系统控制的重要实验平台;文章中引入了LQR控制算法,实现对倒立摆的稳定控制;而为了避免LQR控制器设计过程中反复调节加权矩阵Q,R的复杂性,同时得到更优异的控制效果,将人工蜂群(ABC)算法应用于LQR控制器设计中;而为了克服传统蜂群算法的缺陷,加快收敛速度和增加种群的多样性,在雇佣蜂阶段和跟随蜂阶段对算法进行了改进;仿真结果表明,改善的ABC算法的能够很好地完成LQR控制器参数寻优,控制效果良好。     

二级直线倒立摆系统的实物控制

针对二级直线倒立摆系统,采用拉格朗日方程法建立其理论模型,分别使用线性二次最优控制（Linear Quadratic Regulator,LQR）及基于趋近律的滑模控制（Sliding Mode Control,SMC）算法来实现干扰存在情况下倒立摆的平衡控制。对于LQR算法,研究了矩阵[Q]和矩阵[R]与反馈控制矩阵[K]的定性关系,并经过反复多次实验,不断试凑,得到一组良好的控制参数,实现了倒立摆的稳定控制。SMC算法采用基于指数趋近律的控制方法进行了滑模变结构控制器的设计,并利用边界层法来进一步削弱抖振。最后通过仿真及实验,实现了倒立摆的实物平衡控制。     

改进教与学优化算法的LQR控制器优化设计

为了快速有效地确定线性二次最优控制(linear quadratic regulator,LQR)问题中的加权矩阵Q和R,针对主动悬架LQR控制器权系数设计问题,提出一种改进的教与学优化算法进行LQR优化设计。算法对基本教与学优化算法中的"教"与"学"阶段进行了进一步的改进,同时提出一种"自我学习"策略。通过仿真实验表明,和基本教与学算法、粒子群算法、遗传算法相比,本文算法在对主动悬架LQR控制器优化时,具有收敛速度快,求解精度高和稳定性强等优势。     

基于PSO的二级倒立摆LQR最优控制器设计

根据微粒群算法的随机性、快速性、易于实现性等优点,针对LQR在二级倒立摆最优控制设计过程中对加权矩阵Q、R选择的盲目性,研究了基于PSO的LQR最优控制器的设计方法,该方法利用PSO算法的启发式全局优化特点对Q、R阵进行寻优,然后得到状态反馈控制律K。并设计了基于该方法的二级倒立摆的最优控制器,通过和基于遗传算法的LQR最优控制器比较,仿真结果表明：该方法所设计的最优控制器能使系统的响应时间更快,超调量更小,对二级倒立摆的控制效果更理想。     

基于LQR的直线一阶单倒立摆最优控制器的设计

对已有的LQR最优控制中系统的动态响应与加权矩阵Q和R之间遵循的基本规律进行分析,并根据这一基本规律对给定的直线一阶单倒立摆采用线性二次型最优控制的方法设计控制器。仿真结果表明,基于LQR的最优控制系统对直线一阶单倒立摆具有很好的控制效果。     

线性定常二次性能指标最优调节器的CAD

本文介绍了一个线性定常二次性能指标最优调节器的CAD系统。针对加权矩阵Q、R的选择,本文提出了一种算法,可在连续、离散等各种情况下方便地选择权矩阵。针对代数Riccati方程的求解,本文提出了一个收敛阶为3的矩阵符号函数计算格式及一种用于Schur向量法的新的特征值二次迭代排序算法,并改进了Bauraud的矩阵符号函数加速格式。根据本文提出的算法,用FORTRAN语言构造了一个CAD系统,实际计算表明它具有较强的功能。     

基于混沌映射与反向学习机制的非线性灰狼优化算法

为提高灰狼优化算法种群多样性和搜索解的质量,提出一种基于Tent混沌函数与反向学习机制的非线性灰狼优化算法。采用Tent混沌函数和反向学习机制进行种群个体初始化,使得初始种群个体分布均匀及多样性增强;引入一种非线性收敛因子控制策略,平衡其全局搜索能力和局部搜索能力;引入动态权重策略以提升灰狼优化算法的收敛速度和收敛能力。为验证改进算法的有效性,采用8个基准数学函数测试其收敛速度和收敛精度,并与GWO、CGWO和I-GWO三种灰狼算法进行对比。实验结果表明:非线性灰狼优化算法在多个测试函数上的收敛精度均达到了10-5以上,收敛精度和收敛速度优于其他三种对比算法。     

BUCK变换器无静差二次型最优PID控制设计

基于二次型最优化理论,对BUCK变换器PID控制参数进行优化整定和设计.通过引入增广矩阵,增加了控制量U*(t)中对误差的积分环节,推导了无静差跟踪控制系统模型;同时,选取适当的加权矩阵Q和R,实现系统的无超调动态响应.最后,通过仿真结果验证了设计的合理性.     

基于人工蜂群算法的无人直升机LQG/LTR控制律优化设计

针对无人直升机线性二次型高斯/回路传输恢复(LQG/LTR)飞行控制律设计中加权矩阵的选定问题, 提出一种基于人工蜂群算法优化控制器加权矩阵的方法. 采用LQG/LTR控制方法设计无人直升机的内外环自主飞行控制系统; 利用蜂群算法的全局寻优能力, 通过最小化性能指标对状态反馈控制器进行优化; 在系统噪声和阵风的干扰下, 对该无人直升机飞行控制系统进行轨迹跟踪仿真. 研究结果表明, 该优化设计方法提高了控制器的设计效率, 优化后的控制器的跟踪性能和鲁棒性有了明显提高.     

改进灰狼算法及其应用

为提高灰狼算法的探索与开发能力,提出一种改进的多策略灰狼算法。在标准灰狼算法基础上加入对立搜索策略,提高算法收敛速度;引入正弦余弦搜索策略,提高算法的寻优精度;引进自适应局部搜索策略,避免算法陷入局部最优解,提升算法全局勘探开发能力。8个Benchmark函数的仿真实验结果表明,改进算法显著提升了算法的寻优精度和收敛速度。将改进的灰狼算法结合最小二乘支持向量机应用于加氢裂化数据建模问题,仿真取得了较好的结果,进一步验证了改进算法的有效性。     

基于模糊控制的权重决策灰狼优化算法

针对灰狼优化算法后期收敛速度慢,求解精度低等问题,提出一种基于模糊控制的权重决策灰狼优化算法.首先,提出一种新的非线性收敛因子,以提高算法的全局搜索能力及收敛速度;其次,提出一种基于模糊控制的权重决策策略,通过模糊控制器对决策层的个体赋予不同权重进行种群位置更新的决策,增强算法的寻优能力.选取23个标准测试函数对该算法及对比算法进行数值实验,实验结果表明,本文提出的改进的灰狼优化算法在求解精度和算法稳定性等指标优于对比算法.     

倒立摆系统的高精度控制器设计与实现

对线性二次调节器LQR算法中Q和R矩阵的参数与控制系统反馈矩阵Ⅸ之间的关系进行了实验研究,并将所获得的最佳反馈矩阵作为所设计的神经网络控制器的权值初始值。该神经网络控制器是带有局部递归神经网络并具有PID结构的控制器,因而设计简单,尤其适合用于多变量非线性时变系统。通过对一级和二级直线倒立摆系统的具体控制器的设计以及实验,将LQR控制器与神经网络控制器分别在无干扰和有干扰情况下的控制效果进行了对比分析,设计并实现了具有控制精度以及鲁棒性比最优线性二次调节器更高的一级和二级直线倒立摆系统。     

基于MATLAB的单级倒立摆的LQR控制研究

以一级直线倒立摆为模型研究线性二次型指标的最优控制问题,并利用MATLAB强大的运算和仿真能力来设计LQR最优控制器系统。通过调整加权矩阵Q和R,使控制器的系统性能达到最优,并画出系统阶跃响应曲线。仿真结果表明该系统具较好的稳定性和快速性。     

具有给定闭环极点的最优控制系统的设计

文中给出了线性二次型性能指标函数中的加权系数矩阵 Q 和 R 与控制系统的闭环极点之间的关系.只要给定系统的最优闭环极点,就能方便地求得矩阵 Q 和 R.     

双种群灰狼优化算法的物流配送中心选址策略

针对物流配送中心选址模型具有多约束和非线性的特点,导致难以求解的问题.提出一种改进灰狼优化算法的求解策略.文章通过引入交叉变异策略,改进了传统灰狼算法在迭代后期易早熟收敛的问题;通过加入双种群寻优策略,丰富了灰狼算法的种群多样性,提高了算法的收敛速度.将改进后的灰狼算法针对物流配送中心选址模型进行求解,实验结果表明,该改进灰狼优化算法具有较高的全局搜索能力,针对物流配送中心选址模型具有较高的搜索精度,很大程度的提高了物流配送效率.     

基于灰狼算法的改进研究

针对灰狼算法具有易陷于局部最优并且收敛速度不理想的缺点,本文提出基于改进收敛因子策略和引入动态权重策略以及两种策略混合改进的灰狼优化算法,并且用于求解函数优化问题。提出的一种非线性收敛因子公式,能够动态的调整算法的全局搜索能力,引入的动态权重使算法在收敛过程中能够加快算法的收敛速度。通过15个基准测试函数进行验证改进后的算法的全局搜索能力、局部搜索能力与收敛速度,实验结果表明:改进后的算法无论在搜索能力上还是收敛速度上,都强于标准灰狼算法。     

基于改进灰狼算法优化支持向量机的人脸识别

针对二维主成分分析法(2DPCA)与主成分分析法(PCA)相结合提取人脸特征时效率不高的问题,提出一种2DPCA和快速PCA结合与改进灰狼算法(EGWO)共同优化支持向量机的人脸识别方法。该方法在特征提取方面运用2DPCA与快速PCA相结合,以减少提取特征的维数和提取时间,从而缩短了SVM所需的识别时间。为了提高灰狼算法的全局搜索能力,引用精英反向学习策略初始化种群个体,有效增强GWO的勘探和开采能力,再将其使用到SVM中,迭代获取最佳核参数和惩戒参数,将训练得到的最终分类器应用于人脸识别中。通过6个基准测试函数与GWO和反向学习灰狼算法(OGWO)进行性能比较,改进灰狼算法的收敛精度和收敛速度更优;经ORL和Yale中的人脸图像实验,证明了改进算法相对于GWO、粒子群算法(PSO)和差分进化算法(DE)结合SVM模型的识别结果更佳且稳定性更强。     

三级倒立摆的LQR方法优化参数控制

倒立摆是智能控制的理想对象。使用拉格朗日方程建立三级倒立摆系统的非线性数学模型,在平衡点处对其线性化,利用LQR（Linear Quadratic Regulator）最优控制理论,导出控制规律。通过对三级倒立摆一系列稳定摆动和加扰实验仿真曲线的分析,明确了加权矩阵Q中各权系数对系统稳定性控制的重要性,由此来优化权系数的选择。实验表明,系统显示出较好的鲁棒性和动态性能。