基于智能优化的移动机器人轨迹跟踪控制

建立了机器人运动学模型,设计了基于Lyaponov稳定理论的轨迹跟踪控制器,该控制器的性能取决于其参数的大小。粒子群优化算法具有收敛速度快,需要调节的参数少等优点,但优化过程中容易发生“早熟”收敛,使优化陷入局部极小值。通过引入模拟退火算法、“交叉算子”和“变异算子”,提出了一种改进粒子群优化算法,对控制器的参数进行优化设计。最后,通过仿真计算,证明了该方法的有效性。     

改进QPSO算法的移动机器人轨迹跟踪控制方法

分析了智能群体的决策机制,发现在智能群体决策过程中,个体粒子参与决策的权利根据个体的优劣程度是不同的,提出了在量子粒子群优化（QPSO）算法中引入线性权重算子进一步提高QPSO算法的搜索效率及优化性能。分析了移动机器人轨迹跟踪控制的滑模变结构控制器设计方法,并采用指数趋近律和幂次趋近律相结合的方法,设计了新的滑模跟踪控制律,使用PSO算法、QPSO算法和改进算法优化了滑模跟踪控制器中的参数,通过两个实例验证了优化后的跟踪控制器的设计效果;设计效果的分析和比较表明了设计的跟踪控制器能够控制机器人实现对既定轨迹的跟踪,仿真结果显示改进QPSO算法能够在轨迹跟踪控制器的参数优化中取得更好的优化效果。     

基于粒子群算法的模糊控制在倒立摆中的应用

粒子群算法是一种仿生进化算法,源于对鸟群觅食行为的模拟,由于其计算简单、快速,被广泛应用.但是,基本粒子群算法在求解的过程中存在着全局搜索能力和局部求精能力两个性能指标之间的矛盾,算法容易陷入局部极值,进化后期的收敛速度慢.针对上述问题,提出了基于混沌变异算子的粒子群算法,可以使粒子摆脱局部极值,继续优化,加快收敛速度.将基于混沌变异的粒子群算法与模糊算法相结合,用于控制倒立摆系统的平衡.仿真实验表明,混沌变异粒子群算法优化了倒立摆系统模糊控制器的设计,改善了控制效果.     

基于改进粒子群优化算法的AGV全局路径规划

分析了用人工神经网络模型描述环境时,采用Sigmoid函数作为神经网络作用函数的不足之处,提出采用双曲正切函数作为神经网络的作用函数,使网络更有利于路径优化算法的寻优计算。粒子群优化（Particle Swarm Optimization,PSO）算法具有收敛速度快,需要调节的参数少等优点,但优化过程中容易发生“早熟”收敛,使优化陷入局部极小值。通过引入模拟退火算法、“交叉算子”和“变异算子”,提出了一种新的改进粒子群优化算法（Improved Particle Swarm Optimization,IPSO）来解决AGV全局路径规划问题。仿真结果表明,IPSO具有很强的全局寻优能力,并且收敛速度比PSO快,能够为AGV规划出理想的路径。     

永磁同步电机的自抗扰控制器参数自整定

当永磁同步电机的工作环境和工作任务发生改变时,被控对象的模型会出现较大的变化;由于每次模型改变都要对控制器的参数进行调整,为了简单、快速地对线性自抗扰控制器的参数w0、wc、b0进行整定,设计了一种基于改进粒子群的算法的参数自整定方法;该算法引入了自适应权重因子从而兼顾了粒子的局部搜索能力和全局搜索能力;为了避免粒子陷入局部最优解,采用了对粒子群进行柯西变异的方法使粒子跳出局部最优从而找到全局最优解;仿真实验表明,采用改进粒子群算法整定的线性自抗扰控制器跟踪误差比较标准粒子群算法整定的控制器的跟踪误差降低了4.89％,且比标准粒子群算法收敛速度提高了50％、收敛精度平均提高了73个数量级.     

一种新的带有动态自适应惯性权重和混合变异的粒子群优化算法

提出一种新的带有混合变异算子的自适应粒子群优化算法.该算法使用了动态自适应惯性权重,粒子群中所有粒子适应度的整体变化可以跟踪粒子群的状态,在每次迭代时,算法可根据粒子的适应度变化动态改变惯性权重,从而使算法具有动态自适应性.在每次迭代过程中,对符合变异条件的粒子进行混合变异.通过对六个典型的测试函数的试验,表明该方法具有较强的全局寻优能力,克服了基本PSO易陷入早熟收敛的现象,并进一步提高了计算精度.     

交替捕食的粒子群优化算法及其粒子轨迹收敛性分析

为避免算法陷入局部极值,在捕食者一猎物协同进化机制基础上,提出了一种交替捕食的粒子群优化算法(APPSO).对该算法迭代过程进行了分析,给出并证明了粒子运动轨迹收敛的充分条件.为使粒子运动轨迹可靠收敛,构建了一种参数设置方法.通过迭代矩阵谱半径计算、SQRT序列采样,对该算法的粒子轨迹收敛速度进行了分析.基准测试函数仿真结果表明,交替捕食的PSO算法具有较佳的搜索性能.     

随机交叉粒子群优化算法

针对粒子群优化算法容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点,设计了一种随机交叉算子,提出了随机交叉粒子群优化算法。该算法在每次迭代中,对当前粒子和整个粒子群的最优粒子进行随机交叉,产生新的较优粒子并代替原来的粒子,从而加快了算法的收敛速度,增强了算法的寻优能力。仿真结果表明,该算法具有较高的优化性能。     

基于PID控制器的铝热连轧张力控制系统的设计与实现

针对PID控制器在铝热连轧张力控制系统中收敛速度慢的问题,提出一种自适应权值粒子群算法优化神经网络PID控制器的设计方法,该方法采用自适应权值粒子群算法优化神经网络的权值和阈值,使它们在调节PID控制器时找到最优参数,仿真结果表明,在铝热连轧张力控制系统中,自适应粒子群算法优化的神经网络PID控制器与其他PID控制器相比能更快地使张力达到稳定状态、缩短响应时间、改善板形。     

改进粒子群算法整定PID参数研究

PID控制器的性能取决于其控制参数的组合,针对其参数的整定和优化问题,提出了应用一种改进的粒子群优化算法,该算法借鉴了遗传算法的杂交机制,并采用惯性权值的非线性递减策略,用以加速算法的收敛速度和提高粒子的搜索能力。将该算法应用于一个二阶系统的PID控制器参数的优化。仿真结果表明该改进的粒子群算法具有比传统粒子群算法和遗传算法更好的优化效果,具有一定的工程应用前景。