全局收敛的鲁棒极点配置自校正控制算法

提出了一种可消除确定性扰动影响的鲁棒极点配置自适应控制器的设计方法.这种方法可以直接获得控制器参数,无需求解Diophantine方程,也不需要辨识多余的辅助参数和进行参数分离,而且根据内模原理可以消除未知确定性扰动的影响,实现对参考输入的稳态无误差跟踪.给出了所提算法的全局收敛性证明,并通过仿真实验验证了算法的有效性.     

拟人智能控制及鲁棒LQ控制在倒立摆基准问题中的应用

分别应用拟人智能控制策略解决倒立摆标称系统的控制和鲁棒LQ方法解决其鲁棒控制问题.拟人智能控制模仿人解决问题的归约思路,从物理角度出发分析被控系统并设计定性控制律.利用遗传算法良好的全局搜索收敛特点,对定性控制律中的参数进行优化搜索.当模型只存在结构化型不确定性且不确定性有界时,可通过求解一个Riccati方程来设计鲁棒LQ控制器.仿真结果表明给定的控制指标均得到满足,且控制律算法简单,实现比较方便.     

基于TS-GA的LS-SVM参数优选?

将禁忌搜索和遗传算法相结合,提出一种改进的最小二乘支持向量机(LS-SVM)参数优选方法。利用自适应遗传算法进行全局搜 索,使用禁忌搜索进行局部寻优,由此提高求解速度和解的精度。采用某冶炼厂净化工段的现场数据建立模型进行仿真实验,结果表明,该方法能使LS-SVM模型具有较好的泛化能力,模型精度满足工艺要求。     

采用改进型SOS算法的光伏组件模型参数辨识

针对当前大部分光伏（photovoltaic,PV）模型参数辨识算法均存在准确性低和可靠性差等问题,提出了一种采用改进型共生生物搜索算法（symbiotic organisms search,SOS）的光伏组件模型参数辨识方法。首先,为提高标准SOS算法的寻优性能,提出了新的改进型SOS算法,记作ImSOS算法。该算法在标准SOS算法的生物种群初始化阶段采用了准反射学习机制;在互利共生搜索阶段采用了改进受益因子策略;在偏利共生搜索阶段采用了收缩随机数产生因子区间策略。其次,给出了采用ImSOS算法求解基于实验测量电流—电压（I-V）数据的光伏组件模型参数辨识问题的具体步骤及实现流程。最后,利用实际Sharp ND-R250A5光伏组件进行实验,通过与标准SOS算法以及其他七种新颖智能优化算法进行对比验证,结果表明了ImSOS算法在光伏组件模型参数辨识的有效性和优越性。可见ImSOS算法为准确可靠地辨识光伏组件模型参数提供了一种新的有效方法。     

基于准最小二乘法的光伏阵列模型鲁棒参数估计方法

光伏阵列的模型参数估计在光伏发电系统的仿真、输出功率预测、最大功率点跟踪等方面有重要意义。当测量数据中只含随机误差时,以加权最小二乘（WLS）为优化函数的参数估计方法有较好的辩识效果。但是当测量数据中含有显著误差时,WLS参数辩识的效果较差。为解决此问题,本文提出了一种以准加权最小二乘法（QWLS）为优化函数的参数估计方法来减小显著误差的影响,采用了赤池信息量准则(AIC)设计QWLS最优参数,将该方法应用于光伏阵列中构造模型鲁棒参数估计问题。最后将WLS和QWLS分别结合序列二次规划（SQP）算法,进行光伏阵列模型的参数估计仿真与实验测试。测试结果显示QWLS参数估计结果更准确,验证了准最小二乘法的鲁棒性与有效性。     

直线伺服系统非线性自适应鲁棒控制器的优化设计

对永磁直线电动机伺服系统提出了非线性自适应鲁棒控制器的优化设计方法.在系统非线性数学模型的基础上,建立了误差系统的动态模型.将跟踪和干扰抑制归结为非线性自适应鲁棒控制器的设计问题,通过构造存储函数得到自适应鲁棒控制器的定理,以及电阻和电感的辨识算法.证明了定理给出的控制器能满足干扰抑制和系统渐近稳定,并用遗传算法对控制器的参数进行优化.仿真结果验证了该方法是有效的.     

点云鲁棒低秩联合估计重构

为了提高三维点云的质量,在抑制噪声的同时恢复尖锐特征,提出一种基于L₁稀疏优化的点云鲁棒低秩联合估计重构算法.首先使用鲁棒主成分分析进行点云局部区域低秩建模估计,避免离群点的影响,并根据法向场的变化调整模型,实现点云各向异性自适应降噪;为了提高算法求解效率,利用局部曲率进行尖锐特征辨识,将阈值迭代法与非精确增广拉格朗日乘子法相结合,用于点云不同区域低秩模型的求解;再根据每个优化后局部邻域交叠区域的冗余信息完成点云的全局联合估计重构;最后对尖锐特征点运用投影优化实现边缘特征恢复,解决尖锐特征退化以及边缘毛糙的问题.在公开仿真点云数据与多种典型算法的实验结果表明,所提算法无论是主观视觉效果,还是重构精度与效率均得到改善,与MRPCA算法相比,精度、时效分别提升10.22%和56.52%;在保留点云原有特征信息的同时,可以有效地抑制噪声并恢复尖锐特征,重构效果良好.     

鲁棒多目标线性规划模型及混合遗传算法

针对目标函数系数和约束条件系数均在椭球扰动集下的不确定多目标线性规划, 提出了椭球扰动集下的鲁棒多目标线性规划问题。基于每个目标均需获得鲁棒解的假设下给出了定理及证明, 以此把原问题转换为具有二阶锥约束的确定性多目标优化问题。设计了一种混合策略求解算法, 整体流程采用多目标遗传算法, 局部采用SOCP优化软件Sedumi进行计算, 从而获得不确定多目标线性规划的鲁棒解集, 并通过数值算例验证了该算法的有效性。     

多目标进化算法搜索鲁棒最优解效率研究

鲁棒最优解是进化计算研究的重要方面,同时也是研究难点。多目标进化算法搜索鲁棒最优解时,通常要用蒙特卡罗积分（MCI）近似估计有效目标函数（EOF）,而已有求解方法近似精度不高,使得算法搜索鲁棒最优解的性能较差。提出用拟蒙特卡罗方法（Q-MC）来估计有效目标函数方法,其所引入的Q-MC方法——Korobov点阵能更精确地估计EOF。实验结果表明,与现有的原始蒙特卡罗方法（C-MC）相比,拟蒙特卡罗方法（Q-MC）可以较大地提高多目标进化算法搜索鲁棒最优解的效率。     

基于两种新型遗传算子的优化组合遗传算法①

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码对搜索空间描述精细、容易位值计算的特点,从矩阵遗传算子和布尔遗传算子的角度,分别对全局搜索和局部搜索的性能进行改进,并将二者组合应用,构造基于这两种新型遗传算子的优化组合遗传算法,避免了传统遗传算法中杂交率和变异率参数的选取,保证了算法的全局收敛性。实验结果表明,该算法具有更好的整体搜索性能,对应用二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义。     

改进的求解TSP混合分支裁剪法

分支裁减法是一种有效的求解小规模TSP的整数规划方法.随着TSP规模的逐步扩大,问题求解的复杂性也随之增加.在TSP的可计算数学研究领域中,局部搜索算法能快速求解TSP的局部最优解.通过将局部搜索算法与分支裁减法结合,利用局部搜索算法对分支裁减法获得上界所对应环路进行优化,使分支限界算法的上界更快地向全局最优解靠近,提高算法的求解效率,扩大了分支裁减法求解TSP的规模.     

Unified MPPT controller for partially shaded panels in a photovoltaic array

The power output of the photovoltaic (PV) system having multiple arrays gets reduced to a great extent when it is partially shaded due to environmental hindrances. The maximum power trackers which are conventionally used may not be competent enough to find the maximum power point (MPP) during partially shaded conditions. The sensible reason for the failure of conventional trackers is during partial shaded conditions the PV arrays exhibit multi peak power curves, thereby making simple maximum power point tracking (MPPT) algorithms like perturb and observe (P&O) to get stuck with local maxima instead of capturing global maxima. Therefore, global search MPPT aided by evolutionary and swarm intelligence algorithms will be conducive to find global power point during partially shaded conditions. This work suggests a unified controller which feeds control signal to its power electronic conditioner placed at each module. The evolutionary algorithm which is taken into consideration in this work is differential evolution (DE). The performance of the proposed method is compared to the classical un-dimensional search controller and it is evident from the Matlab/Simulink results that the unified controller prevails over the distributed counterpart.     

利用改进遗传算法的参数估计

基于极大似然法的参数估计实质上是一个复杂的非线性优化问题,传统的优化方法计算效率较低且容易陷入局部极值。而遗传算法是一种有导向的随机搜索方法,能以较大的概率收敛到全局最优解。本文将单纯形法引入到并行遗传算法中,提出了一种改进的遗传算法,可以有效地提高算法的收敛速度、防止搜索过程中的早熟现象。应用于系统初始状态未知时的参数估计问题,获得了满意的结果。     

城市轨道车辆阻力公式经验参数文化基因优化算法的研究

为了解决城市轨道车辆阻力公式经验参数不易精确求解的问题,提出了一种改进的文化基因优化算法。首先,基于城市轨道车辆运行阻力经验公式和实际的运行数据,建立了城市轨道车辆运行阻力经验参数最优化问题的数学模型。为提升算法性能以提高求解精度,结合了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,构造了的一种混合算法以便于全局搜索。其次,结合方程组求解法求解速度快和爬山法局部搜索能力强的特点,构造了一种混合算法以便于局部搜索。最后,在Matlab2010a GUI平台下采用几种不同的经验参数辨识算法和优化算法进行仿真试验。仿真结果表明,在相同条件下改进的文化基因优化算法能够寻到更精确的阻力公式经验参数。     

Discrete dynamic convexized method for nonlinearly constrained nonlinear integer programming

This paper considers the nonlinearly constrained nonlinear integer programming problem over a bounded box. An auxiliary function is constructed based on a penalty function. By increasing the value of a parameter, minimization of the function by a discrete local search method can escape successfully from a previously converged discrete local minimizer. An algorithm is designed based on minimizing the auxiliary function with increasing values of the parameter. Numerical experiments show that the algorithm is robust and efficient.     

遗传规划和进化策略混合算法及应用

文中把函数拟合建模看作是模型结构和参数的优化搜索过程,将遗传规划和进化策略结合起来对函数拟合的结构和参数共存且相互影响的复杂解空间进行全局最优搜索实现拟合结构和参数的共同识别。克服了传统的函数拟合完全依赖于数据、精度低、结构与参数分别确定这样一“串行”计算结构等缺陷。实验数据表明,该方法得到的拟合函数比传统方法得到的拟合函数,具有较高的精度和推广预测能力。     

阴影条件下基于迁移强化学习的光伏系统最大功率跟踪

在光伏系统中,光伏阵列往往会受到阴影条件(partial shading condition,PSC)的影响,造成光伏系统输出功率偏低以及功率-电压($P-V$)特性曲线出现多峰值的现象,从而导致常规最大功率跟踪(maximum power point tracking,MPPT)算法易陷入局部最优的问题.对此,设计一种基于迁移强化学习(transfer reinforcement learning,TRL)的MPPT算法.该算法将连续变量的动作空间分解为若干个小范围的子搜索空间,从而有效提高TRL的学习效率.同时,引入知识迁移,即将旧任务的最优知识矩阵应用到新任务中,进而大幅提高TRL的收敛速度.通过对3种算例的研究,即恒温变光照强度、变温变光照强度和香港实地测试,其仿真结果表明,与传统增量电导法(incremental conductance,INC)、遗传算法(genetic algorithm,GA)、粒子群优化(particle swarm optimization, PSO)算法、人工蜂群(artificial bee colony,ABC)算法、布谷鸟算法(cuckoo search algorithm,CSA)、教-学优化(teaching-learning based optimization,TLBO)算法以及Q学习算法相比,TRL能在PSC下实现最快速的全局最大功率跟踪,同时具有最小的功率波动.最后,基于dSpace的硬件在环实验验证了TRL的硬件可行性.