基于GA参数整定的时变时滞系统灰色预测控制

针对一类数学模型未知且存在时变时滞的复杂系统,提出一种基于遗传算法参数整定的灰色预测控制方法;该方法采用BP神经网络对系统的时变时滞进行辨识,利用灰色预测算法对系统的输出进行预测,进而使用基于遗传算法整定PID控制器对系统进行输出反馈控制;该方法将灰色预测算法与遗传算法相结合,有效提高了控制器的自适应性;通过仿真实例,结果表明该方法能够对具有大时滞、大惯性、模型不确定等特点的复杂系统进行有效地控制;该方法是可行的、有效的.     

时变大时滞系统参数辨识的仿真研究

研究了时变大时滞系统的参数辨识问题.大时滞系统大多采用补偿控制方法,但是补偿控制方法需要系统的精确数学模型,因而获得大时滞系统的数学模型成为了补偿控制的关键,时变特性使问题复杂化,从而影响了大时滞系统的控制精度.为解决上述问题,提出了一种神经网络的参数辨识策略,利用一个神经元对系统的时滞参数进行辨识,从而可以将时滞从系统模型中分离出来,可利用一个RBF神经网络模型辨识系统的其它参数,使神经元的输出作为RBF神经网络的一个输入,从而实现了串-并联结构的双神经网络拓扑.拓扑结构可以比串级的神经网络提高训练速度,因而也就更适合于实时控制.针对工业锅炉回水温度控制系统的仿真结果验证了所提辨识算法的正确性.     

电阻炉模型的辨识及时变性分析

以电阻炉为例,对工业上广泛存在的大惯性时滞时变系统对象的模型进行辨识,并对其模型时变性进行定性的分析.提出一种基于阶跃响应的一阶惯性加纯滞后连续模型的直接辨识方法.采用遗忘因子递推最小二乘法辨识算法跟踪时变参数,仿真并给出参数变化曲线.并结合机理建模从电阻炉的物理结构上分析参数时变性.仿真结果验证了机理分析的正确性.该方法对工业系统中的精确建模和时变系统的控制有一定的指导意义.     

氧乐果合成反应温度的模糊自学习控制方法

针对氧乐果合成反应温度控制具有参数时变、时滞后特性而不易控制的问题,提出一种基于遗传算法的模糊自学习控制方法。还提出了改进遗传算法的若干策略。改进的遗传算法仅根据在线获得的信息便能够实现控制器的多个加权因子的快速全局寻优,从而实现模糊控制规则的修正与完善。仿真结果表明,基于遗传算法设计的自学习模糊控制器能适应参数时变、时滞后系统的控制。     

基于理性遗传算法的模糊系统辨识

针对模糊系统辨识的复杂问题,提出基于理性遗传算法的模糊系统辨识。模糊系统辨识包括前件结构、参数辨识和后件结构、参数辨识,在利用模糊系统的通用逼近性的基础上,采用理性遗传算法对模糊模型进行辨识,并给出仿真结果,其结果表明理性遗传算法在进行离线辨识中是一种十分有效的方法。     

基于神经网络的时滞系统自适应内模控制

将基于人工神经网络的时变时滞系统参数辨识算法与内模控制相结合,提出了时变时滞系统自适应内模控制算法.理论分析及仿真结果表明,该算法能克服时滞及参数的变化,具有鲁棒性好、抗干扰能力强的特点.     

基于时间注意力机制的时滞混沌系统参数辨识模型

针对时滞混沌系统在时滞未知条件下的参数及时滞辨识问题，提出基于时间注意力机制的时滞混沌系统参数辨识模型——PINN-TA。首先，采用时间注意力机制提取系统状态序列的关联特征，以实现对系统时滞的辨识；其次，利用循环神经网络（RNN）隐式地近似系统微分方程，形成关于系统参数的代数方程；最后，将代数方程的根作为参数辨识的结果。分别以时滞Logistic方程、Ikeda微分方程和Mackey-Glass混沌系统等典型时滞混沌系统作为待辨识系统，对PINN-TA模型和多种智能搜索算法进行对比实验。仿真结果表明，相较于人工雨滴算法（ARA）、混合布谷鸟搜索算法（HCS）、全局花朵授粉算法（GFPA）、元胞自动机鲸鱼算法（CWA）等现有智能搜索算法，PINN-TA模型对参数和时滞的辨识误差降低了90.31%～99.36%，且辨识耗时缩短至18.59～19.43 ms。可见，PINN-TA模型能够满足精度和实时性要求，为时滞混沌系统参数及时滞辨识提供可行的解决方案。     

基于遗传算法的系统在线辨识

首先介绍了一种基于自然选择和自然遗传学机理的全局搜索学习算法－遗传算法，并讨论了它在系统在线辨识中的实现，仿真表明，遗传算法能在线辨识时滞并收敛到全局最优。     

冷连轧AGC 系统的自适应Smith 广义预测控制

针对冷连轧AGC 系统存在较大的时间滞后以及对象模型参数时变的特点,提出了一种自适应Smith 广义预测控制算法. 该算法用Smith 预估器来克服滞后的影响,利用激光测速仪间接测量AGC 系统的滞后时间以修 正Smith 预估器的时滞部分模型,使用渐消记忆递推最小二乘算法在线辨识对象参数来修正Smith 预估器的非时滞 部分的模型,并根据辨识得到的对象参数设计自适应广义预测控制器代替传统Smith 预估算法中的PID 控制器. 仿 真研究表明,在模型失配及干扰的情况下,该控制算法仍然具有良好的控制性能和鲁棒稳定性能.     

基于粒子群优化的低阶时滞系统辨识

为了解决低阶时滞系统阶跃响应辨识问题,提出基于粒子群优化的参数估计方法.方法主要包括参数初值计算和参数估计两部分.首先,采用积分方程方法估计时滞系统参数初值,通过设置参数初值估计误差,得到系统参数取值范围.然后,为了减小由观测噪声引起的参数估计误差,采用粒子群优化算法优化模型参数.最后,通过仿真实验分别验证文中方法在不同噪声条件下辨识低阶时滞系统的性能.实验表明,文中方法具有良好的参数估计精度和较强的抗噪能力,可有效解决噪声条件下低阶时滞系统的阶跃响应辨识问题.     

基于SA组合算法的SVM参数选取

针对传统方法的不足,提出将一种模拟退火组合算法用于支持向量机的参数选择,将优化指标设定为最大化SVM的泛化能力,并据此确立适当的目标函数;同时借鉴交叉检验的思想,建立以训练集和测试集中的数据分别选择模型和搜索最优参数组合的研究手段。最后,在仿真实验的基础上同基于遗传算法和精化网格法的选取方法进行了对比分析,结果表明该组合算法具有更好的全局搜索性能和收敛速度,是SVM参数选取的一种有效方法,具有较强的实用价值。     

基于遗传算法的医疗垃圾焚烧控制系统

医疗垃圾焚烧炉的运行过程受众多不确定因素的影响,垃圾焚烧过程的不稳定将导致产生大量新的有害物质,如何控制垃圾焚烧温度的稳定以减少二次污染的发生已经成为一个重要的研究方向;提出了基于遗传算法的神经网络控制方法对系统进行控制,并对该控制策略进行了仿真;仿真结果和应用表明,该智能控制技术具有高效性和实用性,是解决垃圾焚烧过程炉温不稳定的有效途径.     

A hybrid fuzzy adaptive sampling - Run rules for Shewhart control charts

In crisp run control rules, usually it is stated that a process moves very sharply from in-control condition to out-of-control act. This causes an increase in both false-alarm rate and control chart sensitivity. Moreover, the classical run control rules are not implemented on an intelligent sampling strategy that changes control charts’ parameters to reduce error probability when the process appears to have a shift in parameter values. This paper presents a new hybrid method based on a combination of fuzzified sensitivity criteria and fuzzy adaptive sampling rules, which make the control charts more sensitive and proactive while keeping false alarms rate acceptably low. The procedure is based on a simple strategy that includes varying control chart parameters (sample size and sample interval) based on current fuzzified state of the process and makes inference about the state of process based on fuzzified run rules. Furthermore, in this paper, the performance of the proposed method is examined and compared with both conventional run rules and adaptive sampling schemes.     

Optimising a production process by a neural network/genetic algorithm approach

An important aspect of production control is the quality of the resulting end product. The end product should have optimal product characteristics and minimal faults. In theory, both objectives can be realised using an optimisation algorithm. However, the complexity of a production process may be very high. In most cases no mathematical function can be found to represent the production process. In this paper a method is presented to simulate a complex production process using a neural network. The subsequent optimisation is done by means of a genetic algorithm. The method is applied to the case study of a spinning (fibre-yarn) production process. The neural network is used to model the process, with the machine settings and fibre quality parameters as input, and the yarn tenacity (yarn strength) and elongation as output. The genetic algorithm is then used to optimise the input parameters for obtaining the best yarns. Since it is a multiobjective optimisation, the genetic algorithm is enforced with a sharing function and a Pareto optimisation. The paper shows that simultaneous optimisation of yarn qualities is easily achieved as a function of the necessary (optimal) input parameters, and that the results are considerably better than current manual machine intervention. The paper concludes by indicating future research towards making an optimal mixture of available fibre qualities.     

Computer-assisted manufacturing process optimization with neural networks

Today's manufacturing methods are caught between the growing need for quality, high process safety, minimal manufacturing costs, and short manufacturing times. In order to meet these demands, process setting parameters have to be chosen in the best possible way, according to demand on quality. For such optimization it is necessary to represent the processes in a model. Due to the enormous complexity of many processes and the high number of influencing parameters, however, conventional approaches to modelling and optimization are no longer sufficient. In this article it is shown how, by means of applying neural networks for process modelling, even these highly complex interdependencies can be learned. That way both process and quality parameters can be assessed before or during processing. By connecting them with corresponding cost models, it is possible to optimize processes with the help of evolutionary algorithms. Using examples of different manufacturing processes, the possi bilities for process modelling and optimization with neural networks and evolutionary algorithms are demonstrated.     

用GA寻优线性系统模糊控制器规则

控制精度和自适应能力一直是模糊控制应用中较难解决的问题，解决这一问题的关键在于选取适当的控制规则，而遗传算法可以较好地解决常规的数学优化技术所不能有效解决的问题。该文给出了对于具有修正因子的控制规则，采用遗传算法对其参数进行自调整的方法，它可提高模糊控制器的性能。通过仿真实验表明了该方法对于线性系统的控制是有效的。     

基于遗传算法的模式识别方法在石油地质录井中的应用

为了解决曲线相似性的模式识别问题,提出了一种基于遗传学习算法的模式识别方法,即层次逐级分解法.应用该方法解决了石油地质录井中地层参数问题.结果表明,该方法确定含地层参数不仅是可行的,而且提高了参数的计算精度.     

An indirect elicitation method for the parameters of the ELECTRE TRI-nB model using genetic algorithms

Indirect approaches for eliciting preference model parameters for multiple criteria decision aiding are of growing interest because they imply relatively less cognitive effort from the decision-maker (DM). Direct approaches are particularly hard in the case of the new ELECTRE TRI-nB method, because the task involves eliciting a number of limiting profiles for each category boundary. However, in ELECTRE methods, the simultaneous inference of the whole set of parameters needs the construction and resolution of a non-linear non-convex programming problem, which is typically very hard to solve. Therefore, an evolutionary-based method to infer the parameters of the ELECTRE TRI-nB model is proposed in this paper. The quality of the solutions is tested by measuring the capacity to restore the assignment examples and the capacity to make consistent assignments of new actions. In extensive computer experiments, using the pseudo-conjunctive assignment procedure, some main conclusions arise: (i) the capacity of the method to restore the training examples reaches high values, mainly with three and five limiting profiles per category; and (ii) the capacity to make appropriate assignments of new actions (not belonging to the training information) can be greatly improved by increasing the number of limiting profiles.     

模糊自适应卡尔曼滤波算法在航位推算系统中的应用

针对实际的应用中车载航位推算系统的模型参数、噪声的统计特性不确定性,影响估计效果,提出了车载航位推算的模糊自适应卡尔曼滤波模型及其滤波算法;该方法通过监视理论残差与实际残差的比值是否接近1,应用模糊推理系统不断地调整量测噪声协方差的加权,对自适应卡尔曼滤波的量测噪声协方差进行递推修正,通过该算法来抑制噪声对精度的影响,进而提高系统的导航精度;仿真结果表明,这种算法能够有效地提高系统的精度,是一种比较理想的车载DR导航滤波方法。     

一种进化算法的应用研究

该文对丛式井组井口定位进行了研究。丛式井就是由同一井场出发打多口井,它可以发挥井场的最大作用,节约用地,提高经济效益。这样如何选择最优点进行打井就成为了一个关键问题。这个问题可以抽象为一个求平面多边形内最优点的问题。该文推导了较有价值的求解本问题最优解的算法,包括目前采用的经验法和基本的穷举法。该文在较新的进化策略算法方面做了一些改进,达到更好的效果。通过实例验证,进化策略算法较以往通常采用的算法有优势。