基于改进粒子群算法的倒立摆LQR优化控制

在使用LQR线性二次型调节器的直线二级倒立摆中控制器的加权矩阵Q和R的取值经常依靠先验知识选取,为降低在权矩阵取值上的复杂性,设计了一种引入交叉算子和非线性动态惯性权重的粒子群优化算法,通过引用交叉算子提高粒子群的全局搜索能力,同时在粒子进化的不同阶段调整惯性权重从而更好的平衡全局和局部搜索能力.直线二级倒立摆的控制仿...     

基于人工蜂群优化的环形二级倒立摆H∞鲁棒控制器设计

采用H∞回路成形控制方法实现环形二级倒立摆系统的平衡控制;对于H∞回路成形控制器来说,权函数的选择直接影响控制器性能,而往往权函数的选择是需要通过设计人员的不断试凑来完成,不仅设计效率低下,而且无法得到最优的控制性能;因此引入人工蜂群算法,依靠其优异的全局寻优能力,完成对H∞回路成形控制器权函数的求解并保证最优的控制器性能;仿真结果表明,蜂群算法能够寻优到最优的权函数参数,对应的H∞控制器能够保证环形二级倒立摆在受到外界干扰的情况下依然保持在平衡位置。     

平面倒立摆建模与最优控制算法的研究

倒立摆系统是一个多变量、非线性、高阶次、强耦合、欠驱动的自然不稳定系统,是自动控制理论教学和研究中典型的物理模型。本文以平面倒立摆系统为研究对象,使用拉格朗日方程建立了多级平面倒立摆的数学模型。采用线性二次最优控制算法,分别设计了LQR及LQR-模糊控制器,实现平面多级倒立摆的平衡控制,结论证明了本文设计的LQR控制器有很好的稳定性、鲁棒性和适应性。     

直线二级倒立摆的一种稳定控制算法研究

针对线性二次型调节器(LQR)的权重矩阵Q和R的选取没有一个固定解析类方法,LQR的控制性能好坏基本取决于人工经验对Q和R的选取,若系统状态变量变多,调参就变得过于繁琐,以及基本粒子群算法(PSO)存在收敛速度慢,容易陷入局部最优等缺点,从惯性权重非线性动态调整,学习因子非线性动态调整以及基于自然选择机理三个角度来改进基本粒子群算法。并将改进粒子群算法应用于LQR参数优化,对直线二级倒立摆进行稳定控制。仿真结果表明,改进粒子群算法优化后的LQR相比一些传统的方法优化的LQR有着更好的控制效果。     

二级直线倒立摆系统的实物控制

针对二级直线倒立摆系统,采用拉格朗日方程法建立其理论模型,分别使用线性二次最优控制（Linear Quadratic Regulator,LQR）及基于趋近律的滑模控制（Sliding Mode Control,SMC）算法来实现干扰存在情况下倒立摆的平衡控制。对于LQR算法,研究了矩阵[Q]和矩阵[R]与反馈控制矩阵[K]的定性关系,并经过反复多次实验,不断试凑,得到一组良好的控制参数,实现了倒立摆的稳定控制。SMC算法采用基于指数趋近律的控制方法进行了滑模变结构控制器的设计,并利用边界层法来进一步削弱抖振。最后通过仿真及实验,实现了倒立摆的实物平衡控制。     

环形一级倒立摆摆起及稳定控制研究

本文通过拉格朗日方程推导出环形一级倒立摆系统的数学模型,用能量方法对该模型进行摆起控制;在倒立摆成功摆起后,在倒立平衡点对系统模型进行线性化,并用线性二次型最优控制(LQR)算法对倒立摆线性化模型进行稳定控制。仿真结果表明本文给出的控制方法是有效的。     

基于自适应神经模糊推理的倒立摆控制

本文研究基于自适应神经模糊推理（ANFIS）的三级倒立摆控制。ANFIS建立在专家经验的基础上，以收集到的数据为样本，进行训练学习，从而优化模糊控制器参数，然后用优化的控制器对倒立摆系统进行控制，并与线性二次型最优控制LQR做了比较，实验表明ANFIS具有调节时间短和稳定性好等优点。     

倒立摆系统的自摆起和稳定控制

为了实现一级倒立摆系统自摆起和稳定控制，该文采用了最优控制与PID控制相结合的控制方法。首先，采用Bang—Bang控制理论设计开环时间最优控制器，实现倒立摆的平稳快速摆起，同时设计经典PID控制器控制小车位置；然后采取线性二次型最优控制理论设计LQR控制器，将倒立摆稳定在平衡位置。计算机仿真和倒立摆系统实时仿真表明，文中提出的控制策略和控制算法得到了很好的验证，取得了满意的效果。     

基于二次型最优调节器的倒立摆系统

该文根据一级直线型倒立摆的系统组成及其工作原理,建立了其状态空间方程。基于该状态空间模型,利用MATLAB求解、设计了一级倒立摆系统的二次型最佳调节器。仿真结果表明了该二次型最佳调节器的有效性。     

基于混合算法的二级倒立摆LQR最优控制器设计

针对遗传算法寻优的速度和精度的不足,提出采用混合算法寻优的策略。以GIP-200型二级倒立摆为控制对象进行仿真,仿真结果表明基于混合算法的最优控制器能使系统调节时间更短、精度更高,对二级倒立摆的控制效果更为理想。     

多种群遗传算法的倒立摆LQR控制器设计

针对传统遗传算法在设计倒立摆LQR控制器时,算法会因个别超常个体或群体较快趋于单一化而导致不能得到满意控制参数的问题,利用Sheffield遗传工具箱,设计了多种群遗传算法。算法的开始引入了多个种群同时进行优化搜索,不同的种群采用不同的交叉概率和变异概率,种群之间采用移民算子建立联系,各种群产生的最优个体通过精华种群实现留优。在Simulink环境下建立模型并计算性能指标,Simulink环境下的输出值作为多种群遗传算法的目标函数值。仿真结果表明,在存在建模误差的情况下,本算法稳定性好、遗传代数小,有效地避免了早熟,更为适合复杂问题的优化。     

求解函数优化问题的改进人工蜂群算法

标准人工蜂群算法由于局部搜索能力差,收敛精度低,容易陷入早熟收敛等缺陷,从而求解最小值函数优化问题的能力受到限制。为了解决标准人工蜂群算法的以上问题,提出了一种改进的人工蜂群算法。该算法将混沌算子引入雇佣蜂和跟随蜂基于当前最优解的局部搜索策略中,并赋予跟随蜂细菌的趋药性,从而
　　提高了人工蜂群算法的局部搜索能力。在6个测试函数上的仿真结果表明,该算法能有效地避免陷入局部最优,并使收敛精度得到显著提高。     

基于PSO的二级倒立摆LQR最优控制器设计

根据微粒群算法的随机性、快速性、易于实现性等优点,针对LQR在二级倒立摆最优控制设计过程中对加权矩阵Q、R选择的盲目性,研究了基于PSO的LQR最优控制器的设计方法,该方法利用PSO算法的启发式全局优化特点对Q、R阵进行寻优,然后得到状态反馈控制律K。并设计了基于该方法的二级倒立摆的最优控制器,通过和基于遗传算法的LQR最优控制器比较,仿真结果表明：该方法所设计的最优控制器能使系统的响应时间更快,超调量更小,对二级倒立摆的控制效果更理想。     

基于LQR的平面二级倒立摆控制策略研究

本文对平面二级倒立摆运用分析动力学方法建立其数学模型,以LQR理论设计了平面倒立摆的最优控制器,在此基础上运用变量融合技术设计了参数自调整双模糊控制器,从而降低模糊控制器的输入变量维数,大大减少模糊控制的规则数,并研究了量化因子对控制效果的影响.应用所设计两种控制器进行系统仿真与实时控制实验,其结果证明两种控制器都能保证良好的控制精度,响应速度快,有良好的稳定性和鲁棒性。     

基于改进人工蜂群的图像增强算法

针对人工蜂群算法易出现早熟现象和收敛速度慢等问题,提出一种基于回溯搜索的人工蜂群算法。通过回溯搜索算法选择更新种群,采用随机的变异策略和不均匀的交叉策略,增强蜂群算法种群多样性,使得改进的蜂群算法能够跳出局部最优,且具有较好的全局收敛速度。将改进的算法用于图像对比度增强,通过搜索非完全Beta函数的最佳参数α,β,确定灰度变换曲线,对图像灰度进行调整,提高图像对比度。仿真实验结果表明,该算法具有较高的求解精度和较快的收敛速度,与直方图均衡化算法相比,有效地增强了图像的对比度。     

基于改进局部搜索策略的人工蜂群算法

针对人工蜂群算法在函数优化问题求解过程中容易陷入局部最优,收敛速度慢的缺点,提出了一种基于改进局部搜索策略的人工蜂群算法。该算法中跟随蜂采用基于当前最优解的混沌局部搜索策略,侦查蜂采用基于当前最优解的自适应侦查策略,并使其局部搜索范围随着迭代次数的增加逐渐减小,从而提高了人工蜂群算法的局部搜索能力,有效地避免了其陷入局部最优。6个测试函数的仿真实验结果表明,与传统的人工蜂群算法相比,改进后算法的求解精度和收敛速度明显提升。