基于混沌蚂蚁群算法的PID控制器的参数整定

将蚂蚁混沌动力学、群组织和优化机制进行巧妙的结合，本文给出了一种基于群智能理论的新的优化方法，即混沌蚂蚁群算法CAS。同时采用该方法对PID控制器的参数进行了整定，它以误差积分型性能指标为目标函数、以设计参数的取值范围及最小增益和相位裕度为约束条件，建立了优化数学模型，数值结果显示采用混沌蚂蚁群算法的整定性能要优于采用遗传算法整定的性能。同时本文的方法由于不需要采用编码过程，因此比采用遗传算法的辨识方法要简练。     

基于混沌蚂蚁的传感器网络分布式任务分配

受蚂蚁的混沌行为和自组织行为启发,提出了一种基于混沌蚂蚁的无线传感器网络分布式任务分配算法,以延长无线传感器网络生命期、节省能量消耗和均衡网络负载,该算法的目标函数考虑了任务能耗和任务执行可靠性。任务分配的优化解通过任务映射、通信路由路径分配和任务分配方案优化3个步骤获得,任务映射由蚂蚁的混沌行为产生,通信路由路径分配由蚂蚁的邻居选择方法确定,用A*算法实现,任务分配方案优化由蚁群的自组织能力实现。通过仿真实验和应用实例比较与分析,表明了该算法能有效地均衡网络负载和延长网络生命期。     

应用混沌粒子群算法求解工程优化问题

针对工程优化设计问题,提出了基于混沌粒子群算法的工程约束优化问题求解方法.CPSO算法利用混沌搜索的全局遍历性、随机性和规律性等特点,引导粒子在全局范围内搜索,从而克服了传统粒子群算法早熟收敛的缺点.该算法以种群适应度方差作为粒子群优化算法早熟收敛的判据,并用惩罚函数法处理违法约束的粒子,当基本粒子群算法陷入早熟时,随机选择粒子群中的部分粒子实施混沌搜索,直至满足迭代收敛条件为止.CPSO算法能提高种群的多样性和粒子搜索的遍历性,从而有效提高了PSO算法的收敛速度和精度.两个工程约束优化实例的求解结果表明,该算法的优化结果最好,收敛速度也比较快.     

基于改进粒子群算法的PID-CMAC控制器设计

小脑关节模型网络具有计算简单、学习速度快等特点,设计PID和CMAC的复合控制器既能够发挥PID控制器鲁棒性强的特点,又能够利用CMAC学习获取的知识根据输入的变化快速地做出响应,并能够提高控制系统的抗干扰能力.本文采用改进的粒子群算法对PID的控制参数进行优化,并在此基础上设计了一种新型的PID-CMAC复合控制器,通过仿真试验表明,该控制策略能够提高整个系统的控制品质.     

基于混沌粒子群算法的电梯混合能源系统控制优化

电梯混合能源控制优化是对电梯、太阳能、蓄电池、超级电容等设备间的能量交换进行控制优化。根据电梯系统的特点,在满足电梯所需能量的前提下,以电网所需的耗电量最小为优化指标,建立电梯的混合能源优化目标函数。其中目标优化函数中的变量如0-1等非连续的开关变量,其混合能源管理优化过程是非线性变参数优化问题,难以用普通的解析方法进行计算。采用混沌粒子群算法的智能求解策略,通过对某电梯的仿真,验证了模型和算法的有效性。     

混沌粒子群算法在电液伺服阀优化设计中的应用

混沌粒子群算法较其它算法具有编程容易、精度高、收敛速度快以及不易陷入局部极值等特点,以力反馈两级电液伺服阀为对象,对影响其稳定性及快速性的参数进行优化,在满足伺服阀稳定性以及最佳阻尼比的前提下,通过提高伺服阀的固有频率、开环增益来提高伺服阀的频宽,进而提高伺服阀的稳定性和快速性.结果表明,混沌粒子群算法对伺服阀参数优化后,伺服阀的稳定性和快速性均得到了改善.     

多维度惯性权重衰减混沌化粒子群算法及应用

针对标准粒子群优化算法在处理多维、多峰值优化问题时暴露出的易早熟收敛的难题,提出了MDDCIW_PSO算法。算法的主要思路如下:在粒子群进化过程中,赋予每代群体中每个粒子的每一维度以不同的线性衰减混沌化惯性权重,即从纵向看,随着迭代次数的增加,惯性权重呈现线性衰减变化;从横向看,当代的每个粒子的每一维度都在当前衰减半径内呈现独立的混沌变化。MDDCIW_PSO算法从纵横两个方向,最大可能地增强了粒子在搜索后期的群活性和局部搜索能力,从而尽可能地避免陷入局部最优。大量的标准测试函数仿真结果表明:MDDCIW_PSO算法与已有的典型惯性权重改进策略相比,能够较大幅度地提高粒子群算法的搜索精度。最后将MDDCIW_PSO算法应用于印染定型机的能耗模型优化求解中,取得了满意的结果。     

基于改进粒子群算法的复合材料机翼结构布局优化设计

采用粒子群算法对复合材料机翼结构进行布局优化求解.针对粒子群算法的早熟收敛现象,采用了两种改进措施:根据粒子的浓度变异粒子以增加粒子种群多样性;将变尺度混沌优化方法结合到粒子群算法中用以变异搜索最优粒子.算例结果表明,文中所提优化方法是可行有效的.     

基于改进粒子群算法的神经网络PID控制研究

BP神经网络PID控制是利用BP神经网络的自学习和逼近任意非线性函数功能,对PID控制器的三个参数进行在线整定,但网络初始权值的选取困难.采用改进的PSO算法优化BP神经网络的初始权值,并对基于PAO算法的BP神经网络PID控制进行仿真实验.仿真结果表明,PSO算法使得网络初始权值的选取比较快速,系统的性能有所提高.     

免疫混沌粒子群算法及其在热工辨识中的应用

提出了一种基于免疫和混沌的改进PSO算法(ICPSO),该算法利用了混沌优化的多样性,结合免疫的克隆和交叉变异的原理来初始化和更新粒子群。仿真实验表明,相较于传统的PSO有收敛速度更快、精度更高、不易陷入局部最优的优点。最后采用ICPSO算法对两个典型函数的无约束极值问题和典型二阶传递函数模型辨识问题进行求解,验证了其收敛性和摆脱局部极值点的能力明显优于基本PSO算法。     

求解物流配送路径优化问题的一种改进蚁群算法

物流配送路径优化是现代物流配送服务的关键环节之一,由于需求的小批量和动态变化等特点,需要设计一个快速有效的求解算法。为此,构建了物流配送路径优化问题的数学模型,设计了一个改进的蚁群算法来求解该问题,引进了选择算子、插点操作和动态改变算法参数等改进措施,开发和实现了一个试验软件包。仿真试验结果表明,该算法具有较好的全局寻优能力,收敛速度快,是解决物流配送路径优化问题的有效算法。     

基于改进粒子群算法的生产批量计划问题研究

为求解基于成组单元有能力约束的生产批量计划问题,提出了一种基于二进制粒子群算法和免疫记忆机制相结合的方法,并阐明了该方法的具体实现过程。在该方法中,采用罚函数法处理约束条件,每个粒子都代表一组可用于描述具体批量计划方案的规则组合。通过对其他文献中一个仿真实例的计算和结果比较,表明该算法在寻优能力、求解速度和稳定性等方面都明显优于文献中的遗传算法。     

遗传蚁群算法在软件测试用例生成中的应用

针对传统软件测试方法工作量大,测试过程重复性高等缺点,提出了一种新的软件测试用例生成方法。该方法基于蚁群算法和遗传算法,利用遗传算法与蚁群算法提取每组软件测试程序特征值,再经过选择、交叉和变异操作,获得软件测试用例的组合。实验结果证明：该算法具有隐性并行性和全局寻优能力,可在不降低速度的情况下提高软件测试用例生成的精度。     

改进蚁群算法解决 UUV 集群任务规划问题

针对水下无人航行器(UUV)集群在有限续航力和负载约束条件下求解广泛且稀疏分布区域勘察任务规划问题时常规 算法存在收敛性差、解质量不高的不足,提出了一种改进的蚁群优化算法。 首先,通过分析个体 UUV 平台能力和集群任务的约 束条件,建立 UUV 集群任务规划的约束模型和优化模型;其次,基于任务点间距离与平均距离之差设计初始信息素浓度的非均 等分配方法,提出优化模型的最佳与最差阈值对蚂蚁进行分类并对应完成信息素更新,在状态转移规则中创新加入可随迭代进 程动态改变的“引力系数”来增加算法前中期次优节点被选中的概率;再次,设置对照统计实验完成算法优化项的有效性分析, 依据最优解出现的次数和平均收敛值优化算法参数;最后,以经典文献案例仿真,对比分析基本蚁群算法、精英蚁群算法与提出 算法,相较于前两种算法,算法在 50 次统计实验中找到近似最优解的百分比分别提升 78% 和 66% ,平均在第 40 代实现收敛,表 明出很好的全局寻优能力和收敛性能。 通过设计具有一定规模的 UUV 集群任务规划典型案例,验证了算法求解 UUV 集群广 泛且稀疏分布区域任务规划问题的快速性和有效性。     

改进自适应蚁群算法求解集装箱装载瓦楞纸板问题

集装箱装载瓦楞纸板问题是一个复杂组合优化问题,针对该问题,在满足基本的装载要求和约束条件下,充分利用自适应蚁群算法的强搜索能力和启发式算法对具体问题的针对性,将自适应蚁群算法和启发式算法结合,提出一种改进的自适应蚁群算法,求解出了最优装载方案。对纸板装载问题建立模型,提出目标函数并给出约束条件;根据实际情况提出启发式规则,将其与自适应蚁群算法进行结合;使用实例进行仿真验证。将仿真结果与实际情况进行对比,装载体积率明显提高,证明了该算法能够提高瓦楞纸板装载空间利用率,节省了人力,大大提高了工作效率。     

基于双种群混沌搜索粒子群算法的机器人喷涂轨迹协同优化

针对笛卡尔空间与关节空间的映射非线性,喷涂轨迹和关节轨迹不满足混合约束的问题,提出基于双种群混沌搜索粒子群优化(DCSPSO)算法的机器人喷涂轨迹协同优化.根据预选取的轨迹特征点构建关节角度序列,以机器人的喷涂效率和运动稳定性为目标建立关节轨迹多目标优化模型,利用DCSPSO算法求解优化模型得到Pareto最优解,使关节轨迹满足机器人运动学约束,最后根据理论轨迹与反馈轨迹的弦高误差和漆膜厚度误差建立喷涂轨迹误差模型,并验证最优解的质量,使喷涂轨迹满足加工精度约束.通过实例表明,DCSPSO算法较多目标遗传算法等经典多目标优化算法具有更强的全局和局部搜索能力,利用轨迹误差模型可合理增加特征点,使理论轨迹与反馈轨迹的最大弦高误差从12.619 mm降至1.587 mm,最大漆膜厚度误差从11.47 μm降至1.18 μm.     

Improved multi-objective ant colony optimization algorithm and its application in complex reasoning

The problem of fault reasoning has aroused great concern in scientific and engineering fields.However,fault investigation and reasoning of complex system is not a simple reasoning decision-making problem.It has become a typical multi-constraint and multi-objective reticulate optimization decision-making problem under many influencing factors and constraints.So far,little research has been carried out in this field.This paper transforms the fault reasoning problem of complex system into a paths-searching problem starting from known symptoms to fault causes.Three optimization objectives are considered simultaneously: maximum probability of average fault,maximum average importance,and minimum average complexity of test.Under the constraints of both known symptoms and the causal relationship among different components,a multi-objective optimization mathematical model is set up,taking minimizing cost of fault reasoning as the target function.Since the problem is non-deterministic polynomial-hard(NP-hard),a modified multi-objective ant colony algorithm is proposed,in which a reachability matrix is set up to constrain the feasible search nodes of the ants and a new pseudo-random-proportional rule and a pheromone adjustment mechinism are constructed to balance conflicts between the optimization objectives.At last,a Pareto optimal set is acquired.Evaluation functions based on validity and tendency of reasoning paths are defined to optimize noninferior set,through which the final fault causes can be identified according to decision-making demands,thus realize fault reasoning of the multi-constraint and multi-objective complex system.Reasoning results demonstrate that the improved multi-objective ant colony optimization(IMACO) can realize reasoning and locating fault positions precisely by solving the multi-objective fault diagnosis model,which provides a new method to solve the problem of multi-constraint and multi-objective fault diagnosis and reasoning of complex system.     

6-SPS并联机构位置正解的改进粒子群算法

对6-SPS并联机构的运动学正解进行研究,得出6-SPS并联机构运动学正解的数学模型为一个非线性方程组.将所得的非线性方程组转化为无约束优化问题,并使用粒子群算法对其求解.针对并联机构运动学正解问题的多解性,提出改进的共享适应度粒子群算法.最后,用一个实例证明该方法是行之有效的.     

一种新的动态蚂蚁遗传混合算法应用研究

针对传统蚂蚁遗传混合算法收敛速度慢的特点,提出了一种新的动态蚂蚁遗传混合算法.新算法采用最佳融合点评估策略,动态地控制遗传算法与蚂蚁算法的调用时机,并设计了相应的信息素更新方法,有效减少了算法的冗余迭代次数,提高了搜索速度;同时引入迭代调整闯值控制算法后期的遗传操作和蚂蚁规模,加快了种群进化速度,从而更快地找到最优解.通过对Muth and Thompson基准问题进行计算机仿真,实验证明新算法收敛速度得到了提高.