基于PSO-DE和LMI的鲁棒静态输出反馈控制

在多目标控制框架下,针对连续多面体不确定系统,提出了一种混合算法来解决鲁棒静态输出反馈控制问题。为了计算静态输出反馈增益,通过把粒子群优化(PSO)和差分进化(DE)的混合算法与线性矩阵不等式(LMI)方法相结合,求解具有双线性矩阵不等式(BMI)约束的优化问题。PSO-DE混合算法用来得到控制器的样本,LMI方法用来最优化系统的性能指标。以混合H2/H∞控制问题为例,给出了一种鲁棒多目标静态输出反馈控制求解的算法。仿真结果表明,与以往的迭代法和DE-LMI算法相比,提出的PSO-DE/LMI混合算法提高了收敛速度和精度。     

多重时滞离散非线性系统的鲁棒预测控制

为解决一类同时存在多重状态时滞、输入时滞和非线性扰动的不确定离散非线性系统的控制问题,提出一种具有状态反馈控制结构的鲁棒模型预测控制器设计方法.首先,充分利用时滞的上下界信息构造一个改进的二次Lyapunov-Krasovskii泛函;其次,利用线性矩阵不等式(LMI)方法将min-max最优化求解困难的问题转化成具有LMI约束的凸优化问题,并给出鲁棒预测控制器存在的充分条件及其表达式.理论证明该方法设计的控制器保证闭环系统鲁棒渐进稳定.仿真算例验证了所提出方法的有效性.     

基于LMI的约束Hammerstein系统最优控制器设计

针对具有输入约束的Hammerstein系统,提出了一种基于线性矩阵不等式(LMI)的最优控制器设计方法.运用非线性分离两步法控制策略,首先通过线性矩阵不等式(LMI)技术给出Ham-merstein模型线性子系统的状态反馈最优控制;其次,通过求解非线性方程组计算实际控制量.两步法策略充分利用了Hammerstein模型的特殊结构,把控制器设计问题仍归结在线性控制系统范围内.进一步,利用Lyapunov稳定性理论建立了闭环稳定的充分条件.最后通过聚丙烯牌号切换的仿真验证笔者算法的有效性.     

PSO算法在3D打印喷头温度传感器非线性特性校正中的应用

将微粒群优化(PSO)算法应用于3D打印喷头温度检测系统的非线性特性校正. 在温度传感器特性无法准确获取的情况下,给出了基于PSO算法和逆模型实现非线性特性的线性化校正的一般实现思路和步骤. 首先对采集到的样本进行特征分析,提炼出温度传感器非线性特性的逆模型,再利用PSO算法对逆模型中未知参数进行优化求解,从而实现了3D打印喷头温度非线性特性的线性化校正. 最后,对3D打印喷头温度检测系统进行了实验研究,对比了逆模型的PSO参数优化求解和Matlab曲线拟合求解的实验结果,验证了本文基于PSO的喷头温度非线性特性的线性化校正方法的可行性,并可以扩展到一般非线性传感器的线性化校正应用中.     

求解非线性电阻电路的一种混合方法

非线性电阻电路的求解一直都是一个不容易解决的问题。本文将求解非线性电阻电路转化为求解非线性代数方程的问题。在众多的算法之中,提出一种新的混合式算法,将PSO算法与牛顿法相结合,利用了PSO算法对初值无要求与牛顿法的收敛快和自校正的优点,在应用PSO算法进行优化设计的基础上,采用牛顿法进行二次优化,克服了牛顿法初始点较难选择的问题。函数测试的结果证明了该方法的可行性和有效性。     

基于粒子群优化算法的能源需求预测

鉴于能源系统是一个复杂的非线性系统,故本文引入解决非线性及高维模式问题具有较高精度的粒子群优化算法(PSO),以各影响因素标准化值作为输入变量,建立了基于PSO的线性和指数两种形式的能源需求预测模型.对我国2000-2011年能源需求量进行模拟与仿真,得到两模型预测精度分别为0.824%和0.568%,证明指数预测模型具有较高的精确度.并利用PSO指数模型对我国2015年能源需求量进行预测,得出在未来几年能源需求量将以平均每年7.48%左右的速度增长.     

基于PSO的最小二乘支持向量机稀疏化算法

针对最小二乘支持向量机(LSSVM)失去稀疏特性及经典迭代剪切稀疏化算法容易陷入性能指标函数局部收敛的问题,提出一种基于粒子群优化(PSO)的LSSVM稀疏化算法.将LSSVM稀疏化过程描述为一个最优化问题,以校验样本和预测输出之间的均方根误差RMSE为优化目标,以模型训练样本剪切率ε(%)为优化变量.并针对此非线性优化问题提出基于PSO的求解方法.以大型电厂飞灰含碳量LSSVM模型为例,对此算法进行了实例研究.结果表明,该方法能有效解决经典算法的局部收敛问题获得最优剪切率,具有更好的预测和泛化能力.     

离散不确定时滞系统的鲁棒模型预测控制

对于输入受约束的不确定时滞系统,提出了离散不确定时滞系统的鲁棒模型预测控制,用 LMI 解决时滞系统的输入受约束控制,给出了新的鲁棒性能指标上界和系统稳定的充分条件,通过求解 LMI 凸优化获得状态反馈控制律,仿真验证了该方法的有效性.结果表明,基于 LMI 约束不确定时滞系统的鲁棒模型预测控制易于求解,适于实际应用.本方法还可以推广到其他时滞系统模型中.     

Fourier神经网络非线性拟合性能优化研究

针对采用传统BP(back propagation)算法训练的Fourier基函数神经网络拟合非线性函数容易陷入局部最优、拟合精度较差等问题,提出采用粒子群(particle swarm optimization,PSO)算法优化Fourier基函数神经网络拟合非线性函数的方法。通过引入具有全局搜索能力的PSO算法对Fourier正交基神经网络权值进行优化,达到提高非线性函数拟合精度的目的,并进行实例仿真实验,通过比较PSO和BP算法训练Fourier基函数神经网络的预测输出结果,验证PSO算法拟合非线性函数的优越性。结果表明,经PSO算法优化后的Fourier基函数神经网络学习能力更强,非线性函数的拟合精度更高。     

离散不确定时滞系统的鲁棒模型预测控制

对于输入受约束的不确定时滞系统，提出了离散不确定时滞系统的鲁棒模型预测控制，用LMI解决时滞系统的输入受约束控制，给出了新的鲁棒性能指标上界和系统稳定的充分条件，通过求解LMI凸优化获得状态反馈控制律，仿真验证了该方法的有效性．结果表明，基于LMI约束不确定时滞系统的鲁棒模型预测控制易于求解，适于实际应用．本方法还可以推广到其他时滞系统模型中．     

一种基于神经网络和参数优化的隐式广义预测控制

提出一种基于神经网络和参数优化的预测控制方法。首先利用带有动量项的改进BP神经网络辨识系统模型,在辨识过程中使用粒子群算法(PSO)对改进BP网络的初始权值/偏置、学习率、动量系数等辨识参数进行学习优化,解决这些参数的取值问题;然后将辨识得到的模型用于隐式广义预测自校正控制中,使用遗传算法(GA)对控制过程进行优化,寻找最优的控制参数(预测时域、控制时域、控制加权系数、柔化系数)。将该方法应用在热工系统中,仿真结果表明了方法的有效性。     

基于AP-LSSVM的多模型预测控制

针对一类非线性系统的控制问题,结合基于仿射传播聚类的最小二乘支持向量机（LS-SVM）多模型建模算法与PSO优化算法,提出新的多模型预测控制算法.采用仿射传播聚类算法对历史样本数据进行聚类,得到各个类的训练样本数据|利用LS-SVM对各个类分别建立子模型,采用网格搜索和交叉验证为各子模型找到合适的模型参数,将所建立的子模型作为预测控制算法的预测模型.在滚动优化时,计算当前控制量与各聚类中心的欧氏距离,选择相应的子模型计算未来时刻模型的预测输出,计算得到参考轨迹.建立优化问题的目标函数,采用PSO算法优化求解得到系统的最优控制量作用于对象.将提出的算法在某芳烃异构化过程中进行仿真试验,分别采用提出的算法以及单模型预测控制算法、基于k均值和BP神经网络的多模型预测控制算法进行仿真.结果表明,采用提出的多模型预测控制算法可以获得更好的控制性能.     

基于改进的粒子群和遗传算法的混合优化算法

分析粒子群算法在求解组合优化问题中的运行原理,对警车分布的优化问题建立了粒子群优化的数学模型,对基本粒子群优化算法中的速度范围、惯性权重等参数进行了改进,并通过仿真与基本粒子群算法比较,显示改进的粒子群算法,提高了优化结果.在改进的粒子群算法中引入遗传算法,将形成的新混合算法应用到求解警车最优执勤地点的分布问题,并与遗传算法和改进的粒子群算法仿真比较.结果表明,混合优化算法在收敛速度和精度上均有明显的提高.     

一种非线性约束优化的微粒群新算法

通过对标准微粒群算法(PSO)改进,采用动态罚函数的方法,提出了一种求解非线性约束优化问题的新算法.由于使用了一种新的适应度函数,该算法具有很强的全局寻优能力.     

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。     

一类不确定分段线性系统的优化控制

针对不确定分段线性系统,将最优控制设计问题转化成最优控制性能上界的优化问题及性能下界的求取问题。其中性能上界的优化是一组以反馈增益为寻优参数的双线性矩阵不等式(bilinearmatrix inequalities,BM I)问题,而性能下界是一组基于线性矩阵不等式(linearmatrix inequalities,LM I)的半正定规划问题。对BM I问题,结合混沌优化算法和内点法设计了一种混合算法。最后的算例表明对控制律的设计及其求解算法的有效性。     

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。     

自适应惯性权重的改进粒子群算法

针对标准PSO算法求解高维非线性问题时存在的大量无效迭代(经过一轮迭代后全局最优位置保持不变),提出了一种自适应惯性权重的改进粒子群算法。基于单次迭代中单粒子运动状态的分析,提出并证明了论点:上一轮迭代适应度值变差的粒子,当前迭代中其惯性分量将引导粒子往适应度值变差的方向运动,导致粒子群体无效迭代次数增加。设计了标准PSO算法改进方案,将上一轮迭代中适应度值变差的全体粒子的惯性权重置为零,消除当前迭代中不利惯性分量对算法收敛的不良影响。采用6个标准测试函数,将该算法与标准PSO算法、固定惯性权重PSO算法和具有领袖的PSO算法进行性能对比分析。试验表明,该改进算法无效迭代次数更少,在收敛率、收敛速度和收敛稳定性上均具有明显的优势。     

基于BFO-PSO的LT-MED海水淡化温度控制

提出一种基于混合粒子群算法和细菌觅食算法的温度控制器,重点研究了菌群优化粒子群（BFO-PSO）算法的性能,包括突变、交叉、步长变化、趋化步骤和细菌的生命周期等。利用MATLAB仿真平台将其与传统比例积分微分算法（PID）及粒子群算法（PSO）进行控制效果对比,发现该方法效率高。与传统PID和PSO调节的PID相比,细菌觅食优化算法的智能PID在系统响应速度和系统稳定性能上都有很大的提高。