基于免疫算法的多匝道MF-AILC控制方法

针对高速公路交通系统的重复性和周期性,提出基于免疫算法的高速公路多匝道无模型自适应迭代学习控制（MF—AILC）联合协调控制,以高速公路最大流量、全局最小行程时间和入口平均等待时间三者为目标函数,用免疫算法对多匝道协调迭代学习控制器进行优化。仿真结果表明,与无控制情况下进行比较,该控制方法具有良好的控制效果和较强的鲁棒性。     

基于遗传算法优化的高速公路匝道PI控制器

研究遗传算法优化PI控制器的参数,并应用到高速公路匝道控制中。阐述了匝道控制目标,建立了高速公路交通流模型,给出了遗传算法优化的步骤,并对入口匝道PI控制器的参数进行了优化。仿真结果表明,该方法性能优越,用于高速公路入口匝道控制中效果良好。     

基于蚁群算法的城市快速路优化控制

根据城市快速路交通流的特性,以宏观稳态交通流Macro模型为基础,将快速路虚拟划分为多个路段,将车辆在快速路系统内总的服务流量最大及入口匝道车辆平均等待时间最小作为优化控制目标,设计快速路多匝道联合控制模型,并采用蚁群优化算法对设计的控制模型进行求解计算,以确定各匝道最优调节率。模拟实验结果表明,通过多匝道联合控制,能够提高城市快速路系统的运行效率,减少交通事故及交通拥堵的发生概率。     

基于免疫粒子群优化算法的增量式PID控制

基于粒子群优化算法的收敛速度快简单易实现的特点和免疫算法的免疫记忆、免疫自我调节和多峰值收敛的特点,本文设计出免疫粒子群算法,并将其应用于PID控制器中。仿真结果表明,免疫粒子群优化算法适用于增量式PID控制,并且基于免疫粒子群优化算法的增量式PID控制的跟踪效果和抗干扰能力比粒子群优化算法的PID控制和基于免疫算法的增量式PID控制跟踪效果和抗干扰能力都要好。     

基于协调优化算法的滑模变结构控制研究

本文提出一种基于协调优化算法的滑模变结构控制方法.它以稳态误差和控制切换频率作为系统优化性能指标.边界层宽度调节率作为优化参数.采用基于遗传算法的多目标优化方法优化滑模变结构控制的设计.能使滑模变结构控制系统获得很好的综合性能.尤其是,在滑模变结构控制的设计中,使用多目标优化技术,可以为强非线性时变液压伺服系统系统提供强鲁棒性和高精度控制.     

基于免疫克隆算法的倒立摆控制参数优化

基于免疫克隆选择原理,针对单级倒立摆PID控制数学模型,设计了一种新的PID参数优化算法——免疫克隆算法。选用简单遗传算法、克隆选择算法与其进行比较研究,通过MATLAB仿真实验,观察该算法搜索结果稳定性好,算法收敛性强。通过Simulink仿真实验,进一步研究3种算法最优目标函数下的PID控制参数的实际控制效果,采用免疫克隆算法优化的控制参数,系统控制响应可以获得良好的实时性、稳定性、控制精度,效果优于其它2种算法。     

基于蚁群算法的高速公路入口匝道控制

提出一种具有普适性的蚁群算法,该算法对参数的转移概率和信息素的计算方法进行了改进,提高了算法的全局性能,将其用于高速公路入口匝道控制器的参数寻优.建立了高速公路交通流模型,结合非线性反馈理论设计了蚁群算法优化的入口匝道PI控制器,给出了蚁群算法优化的步骤,并用Matlab软件对控制器进行了仿真研究.仿真结果表明,基于蚁...     

高速公路入口匝道控制算法综述

入口匝道控制足缓解高速公路交通拥挤最有效的方法之一.首先阐述了高速公路入口匝道控制的基本原理和作用,依据控制范围将匝道控制分为单点控制与协调控制,依据对实时信息响应的不同将其划分为动态控制和静态控制;然后,对应用上最流行和理论上具有吸引力的几种典型入口匝道比如单点型匝道控制算法、等同型匝道控制算法、竞争型匝道控制算法和一体化型匝道控制算法的原理及其优缺点进行总结、分析和对比;最后在总结现有匝道控制算法的基础上,对未来入口匝道控制的研究方向进行了分析与展望.     

基于云模型的量子免疫优化算法

采用云模型对量子免疫算法进行了改进,采用量子种群基因云对种群进化进行定性控制,基于云模型的量子旋转门自适应调整策略进行更新操作,使算法在定性知识的指导下能够自适应控制搜索空间范围,使其能在较大搜索空间条件下避开局部最优解。典型函数对比实验表明该算法可以避免陷入局部最优解,能提高全局寻优能力,能以更快的速度收敛于全局最优解,具有较好的应用价值。     

基于支持向量机的高速公路入口匝道控制

针对高速公路入口匝道控制问题所存在的非线性、复杂性和不确定性,在入口匝道控制原理的基础上,设计了一种基于支持向量机的高速公路入口匝道控制器;结合某高速公路交通调研数据,对这一控制器进行了仿真;仿真结果表明了支持向量机可以用于高速公路入口匝道的控制,并能取得较良好的控制效果.     

基于多Agent的高速公路入口匝道智能控制策略

文中提出了基于多Agent的入口匝道智能控制策略,它基于系统论的思想,把协调控制策略引入到入口匝道控制中,建立了一个包括多个入口匝道控制Agent和一个协调Agent的多Agent系统。这种分布式协调智能控制更好地适应了高速公路中的复杂性和不确定性。     

基于人工免疫算法的多目标函数优化

提出了一种新型的人工免疫算法用来解决多目标函数优化问题。基于自然免疫系统固有的优良特性对算法进行了设计和分析。最后,算法对3个较复杂的多目标问题进行了优化,优化结果能很好地覆盖问题的Paret。最优面,并且把算法与某些混合遗传算法进行了对比实验,表明人工免疫算法在解决多目标优化问题上具有可观的研究前景。     

基于粒子群算法的多匝道协调控制

高速公路入口多匝道协调控制是调节各个入口匝道进入到主线的交通量,从而使主线交通流处于最佳状态。由于多个入口匝道相互关联和相互影响,多匝道协调控制具有强的耦合性、非线性和时变性。针对上述问题,提出了一种基于系统分层和粒子群优化算法的控制方法。首先论述了高速公路多匝道系统的原理模型;然后阐述了多匝道协调控制系统的实现,系统由协调控制层和直接控制层组成,其中前者负责模型选择、参数调整和确定期望的密度轨迹,后者采用比例积分微分控制器实施控制,并引入粒子群算法对控制器的比例系数、积分系数和微分系数进行优化;最后进行了仿真实验。结果表明,当高速公路出现交通拥堵时,系统能够快速地消除拥堵,并使主线交通流趋于稳定。该方法为高速公路多匝道控制提供了一种切实可行的新途径。     

基于遗传的免疫算法在函数优化中的应用

通过对传统免疫算法的研究,在此算法的基础上提出了一种改进的免疫算法一基于遗传的免疫算法,该算法把遗传算法的思想引入到免疫算法中．通过把遗传算法和免疫算法的思想结合起来,既保证了抗体的多样性又保留了群体中较优抗体,避免了免疫算法搜索速度慢和遗传算法易出现未成熟收敛、限于局部最优解的缺点,得到了全局最优解。并且将提出的基于遗传的免疫算法应用到函数优化中。     

基于Pareto的多目标优化免疫算法

免疫算法具有搜索效率高、避免过早收敛、群体优化、保持个体多样性等优点。将其应用于多目标优化问题,建立了一种新型的基于Pareto的多目标优化免疫算法(MOIA)。算法中,将优化问题的可行解对应抗体,优化问题的目标函数对应抗原,Pareto最优解被保存在记忆细胞集中,并利用有别于聚类的邻近排挤算法对其进行不断更新,进而获得分布均匀的Pareto最优解。文章最后,对MOIA算法与文献[3]中SPEA算法进行仿真,通过比较两者的收敛性和分布性,得到了MOIA优于SPEA的结论。     

基于遗传的免疫算法在函数优化中的应用

通过对传统免疫算法的研究,在此算法的基础上提出了一种改进的免疫算法—基于遗传的免疫算法,该算法把遗传算法的思想引入到免疫算法中,通过把遗传算法和免疫算法的思想结合起来,既保证了抗体的多样性又保留了群体中较优抗体,避免了免疫算法搜索速度慢和遗传算法易出现未成熟收敛、限于局部最优解的缺点,得到了全局最优解。并且将提出的基于遗传的免疫算法应用到函数优化中。     

基于知识域的多目标优化免疫算法

针对传统免疫算法存在早熟收敛以及多样性不足的问题,提出一种基于知识域的多目标优化免疫算法。通过初始化知识域选择精英解,利用该精英解集自适应更新知识域的边界,从而维持算法收敛性与多样性的平衡。测试结果表明,相比NSGAII、SPEAII算法,该算法在运行时间、多样性以及覆盖性方面具有较大优势。     

基于免疫算法的车辆路径优化问题

分析了车辆路径问题的研究方法和免疫算法相对于其它进化算法的优势,提出了用免疫算法求解车辆路径问题的方法。在算法的求解过程中,构造了一种新的编码方式,在减少编码长度的基础上能够提高算法的运行效率。通过免疫记忆库的设计以及抗体之间浓度的促进和抑制机制,本算法可以实现解的多样性,避免收敛于局部最优解,同时可以有效地防止在进化的过程中失去最优解的可能性。实验结果表明,本算法可以快速求得优化解,是求解车辆路径问题的一种有效算法。     

自抗扰控制器参数的免疫遗传优化及应用

针对自抗扰控制器参数较多不易整定的问题,提出了基于免疫遗传算法的参数优化设计方法。与标准遗传算法相比,免疫遗传算法引入了免疫记忆库和浓度控制机制,提高了算法的收敛效率和局部收敛性能。并且综合考虑系统动态性能和实际工程中控制代价的限制因素建立了控制系统性能评价的目标函数,按照分离性原则进行自抗扰控制器设计并用免疫遗传算法对其关键参数进行寻优。将该方法应用于过热汽温度控制系统的变工况运行,仿真实验结果表明经过免疫遗传算法优化后的自抗扰控制器适应性较强,适用于模型参数变化范围较大的受控对象。     

小生境人工免疫算法用于多峰函数优化

基于自然免疫系统的原理,提出了小生境人工免疫算法,为了解决多峰优化问题,可使每个抗体适度得到修改.利用小生境的共享函数法更好地维持了群体的多样性.同时小生境淘汰算法和免疫系统的记忆及变异特性促使群体中优良个体持续向问题的优化解逼近.算法对三个典型的多峰问题题进行了优化,给出了具体的实现步骤和较好的优化结果.