水下机器人S面控制器的免疫遗传算法优化

S面控制器是实践证明有效的水下机器人的运动控制器算法,但参数调整困难.如何针对特定载体选取最佳的控制器参数,是影响到控制效果的重要问题.为了减少参数手工调整所带来的误差和繁琐劳动,提出了水下机器人S面控制器的免疫遗传优化算法.利用免疫算法产生多样性抗体的能力,抗体浓度自我调节,抗原的免疫记忆功能实现了S面控制器参数优化计算的快速收敛,避免了局部峰值的徘徊.给出了S面控制器的推导过程,免疫遗传算法求解的一般过程.详细论述了S面控制器参数免疫遗传优化的具体实现.大量的仿真实验和湖中实验得到了确定性的结果.表明了此算法对于水下机器人运动非线性控制器的参数寻优能达到很好的效果.     

水下机器人改进的S面控制方法

由于水下机器人系统的强非线性以及所处环境的不确定性，水下机器人进行精确作业时的运动控制技术一直是智能水下机器人技术中急于解决而又难于解决的问题。S面控制是一种简单实用的控制方法，但其控制器参数完全靠人工调整，需要设计者有丰富的实际经验。本文提出改进的S面控制方法与S面控制增加了自学习的算法，实现控制参数的自动调整。仿真结果表明改进S面控制方法具有更好的控制精度，更快的响应速度，改善了机器人的工作性能，是一种很实用的水下机器人控制方法。     

舵桨联合操纵的自主式水下机器人运动控制

针对水下机器人舵桨切换操作时,由于控制输出突变而导致系统振荡甚至发散的现象,提出一种切换函数平滑指令输出;同时考虑到高速航态下,纵向速度对其他自由度运动的耦合影响,提出一种基于运动补偿的改进S面控制方法.该方法S面控制器结构简单、参数易于调整,解决了S面控制器在水下机器人高速航行下控制效果较差的问题.利用李雅普诺夫函数对该控制器进行了稳定性分析,将其应用于舵桨联合操纵的水下机器人的运动控制.速度控制、艏向控制及深度控制,试验结果验证了该方法在水下机器人运动控制中应用的可行性.     

基于混合粒子群优化的仿袋鼠机器人站立平衡控制

为提高仿袋鼠机器人的站立平衡控制性能,基于混合粒子群算法对机器人的平衡控制进行了优化.首先,将在地面站立平衡时的仿袋鼠机器人简化成一个倒立摆模型,使用拉格朗日方法对机器人进行动力学建模.然后,基于机器人的动力学模型设计了线性二次型控制器,并使用混合粒子群算法对线性二次型控制器的权重矩阵进行优化.最后,使用优化的线性二次型控制器对仿袋鼠机器人站立平衡控制进行了仿真实验.优化后的控制器的调节时间比优化前明显缩短,结果表明:基于混合粒子群算法优化的线性二次型(linear quadratic regulator,LQR)控制器可以提高系统的稳定性和鲁棒性,能有效降低控制器参数的整定工作量.     

一种改进的二级倒立摆LQR控制器参数优化方法

在LQR控制器设计原理的基础上,利用改进粒子群算法对控制器参数矩阵k进行优化,使之在对倒立摆实现稳摆控制的同时减小小车的位移误差积分。仿真实验证明:改进粒子群算法优化后的LQR控制器达到了对二级倒立摆稳摆控制的目的,减小了小车的位移误差积分。     

改进粒子群算法的工业机器人几何参数标定

针对传统粒子群(PSO)算法在解决工业机器人几何误差标定问题中存在的收敛速度慢的缺点,提出了一种基于两段式的动态粒子群算法(LDPSO-BT)。用Denavit-Hartenberg方法建立工业机器人的误差模型,将几何误差标定问题转换成对高维非线性方程的求解;对粒子群数目进行线性递减,同时针对算法求解过程中粒子数目线性递减的特点,在改进粒子群算法迭代后期采用改进的搜索模式,对传统粒子群的速度迭代公式进行改进;仿真实验对比了工业机器人几何误差标定前与标定后两种算法的末端定位精度。实验结果表明:在采用粒子群算法辨识工业机器人实际几何参数的过程中,粒子群数目对算法的迭代时间有重要影响,通过线性递减的方式减少粒子群的粒子数目可以有效地减少工业机器人几何误差标定时间,同时在粒子群算法迭代后期采用改进的速度迭代公式可以确保收敛精度。与传统粒子群算法相比,使用改进后的粒子群算法,不仅可以有效减少工业机器人的定位误差,而且还拥有更高效的迭代效率。     

改进粒子群算法在空调水系统中的应用研究

粒子群算法优化PID控制在空调系统中应用越来越广泛.针对传统粒子群算法在优化过程中存在寻优速度不足和容易陷入局部最优的问题,提出了采用正交试验机制和模仿染色体变异机制的突变策略优化传统粒子群算法,通过引入正交试验机制提升了寻优速度和效率,引入突变策略改进了算法的极值传递过程,避免了过早发生聚集现象,解决了陷入局部最优的问题.仿真实验结果证明:改进粒子群算法在系统超调量、调节时间、稳态误差和抗干扰性上均有显著提高.     

可容错的遥控水下机器人递归神经网络控制

针对遥控水下机器人(ROV)需要长时间稳定可靠工作的问题,提出递归模糊神经网络及可容错分配推力的控制方法．使用扩展函数链改进递归模糊神经网络控制器,提高了控制器对机器人非线性特性的识别和处理能力;基于反向梯度传播原理,由能量函数设计了该网络的学习算法,并根据微粒群优化确定学习率参数,从而保证整个网络的收敛性;在推力分配方面,针对开架式遥控水下机器人的两种推力器布置形式进行建模,将容错问题转化为对偶优化问题,建立能量函数实现故障条件下的推力优化分配．实验结果表明,所设计控制器不仅增强了遥控水下机器人对干扰的反应能力,并且提高了对机器人非线性特性的控制能力,减少了控制误差．当部分主推或侧推等推力器失效时,仍可以通过推力优化分配实现机器人在水平面上的准确位置控制,从而保证了遥控水下机器人长时间可靠工作．     

基于改进的粒子群和遗传算法的混合优化算法

分析粒子群算法在求解组合优化问题中的运行原理,对警车分布的优化问题建立了粒子群优化的数学模型,对基本粒子群优化算法中的速度范围、惯性权重等参数进行了改进,并通过仿真与基本粒子群算法比较,显示改进的粒子群算法,提高了优化结果.在改进的粒子群算法中引入遗传算法,将形成的新混合算法应用到求解警车最优执勤地点的分布问题,并与遗传算法和改进的粒子群算法仿真比较.结果表明,混合优化算法在收敛速度和精度上均有明显的提高.     

基于PSO-ABFO的负荷频率控制系统控制器设计与优化

负荷频率控制对于保障电网本身安全可靠运行有重要作用,适宜的控制器整定参数使得电网在各种随机扰动下能维持系统频率稳定和长期安全运行.针对单区域两机组电网的负荷频率控制器参优化整定问题,提出一种基于粒子群改进自适应细菌觅食优化算法(PSO-ABFO)的控制器参数整定设计方法.PSO-ABFO在标准细菌觅食算法的基础上,结合粒子群(PSO)算法思想引入全局最优、个体最优以及自适应步长,重新定义细菌的健康度并修改细菌迁移的方式,提高算法的寻优速度和寻优精度.最后,建立负荷频率控制系统(LFC)模型进行仿真试验,验证所提控制器设计与优化方法使系统动态性能显著提升.     

改进PSO算法解决电力系统机组优化组合问题

机组组合优化问题是一个大规模、离散、非线性的混合整数规划问题,所以求解比较困难,不容易找到理论上的最优解。本文在基本粒子群算法（PSO）的基础上,使用一种空间收缩策略,加快了算法的收敛速度。同时,为了避免算法出现“早熟”现象,让粒子不仅根据自身和同伴中的最好个体进行调整自己的飞行速度,并且向其他个体学习,以及通过改进的粒子群算法（MPSO）进行仿真计算,证明了该算法的有效性。     

基于PSO-PID汽包水位系统优化控制

针对锅炉汽包水位控制动态响应缓慢、滞后大等问题,提出了一种将粒子群PSO(Particle Swarm Optimization, PSO)算法与PID控制相结合的控制策略,设计了一套PSO三冲量PID自适应控制器,实现对水位的控制.结果表明,PSO-PID算法在汽包水位控制上超调小,调整时间短.     

配电网网络重构策略研究

针对离散优化问题,以粒子群优化算法(PSO)信息更新的本质机理为基础,在基本PSO算法的基本思想、算法框架下,引入分布估计算法思想,重新定义离散粒子的表示方式。将分布估计离散粒子群算法应用到配电网优化重构中,每一维粒子的取值,须根据概率向量产生,在寻优过程中,根据粒子能力的差异,自适应调整其惯性权重,从而寻找对配电网拓扑结构的优化策略,达到降低配电网的网络损耗、提高电压可靠性的目的。     

粒子群算法的惯性权重模型在水库防洪调度中的应用

介绍了集群智能优化算法PSO和其改进算法惯性权重模型,给出了PSO算法原理和具体的求解步骤,并将其应用于南盘江上游水库洪水调度计算,结果合理,满足防洪调度要求,证明了粒子群优化算法在水库洪水调度上可以有较好的应用,为水库防洪优化调度提供了一条新的途径。     

基于PSO算法的核电站主给水泵转速控制系统的优化与仿真

针对核电站主给水泵转速控制系统的PID控制器参数调节低效、复杂、精确度低等问题,研究了参数优化问题.首先通过实验得到运行数据,然后对主给水泵转速控制系统建立数学模型,最后通过改进的粒子群算法进行PID参数优化.仿真结果表明,优化后的PID参数得到了良好的控制效果,且提高了效率.     

基于改进PSO算法的6R机器人逆运动学分析

对于有封闭解的6R机器人的逆运动学运算,虽然可采用解析解法、数值解法,但均需要庞大的计算量.此外,对于机械臂逆向运动学问题,经典粒子群(PSO)算法的多次仿真实验中,存在不稳定问题和易陷入局部最优与种群单一的问题.为此,提出一种改进的PSO算法:引入动态权重因子,利用动态权重调整因子结合CMA-ES算法步长更新方法,平...     

微粒群优化算法

微粒群算法是继蚁群算法之后提出的又一种新型的进化计算技术。具有典型的群体智能的特性．介绍了微粒群算法的基本原理及其改进算法。从群体组织与进化以及混合微粒群算法等方面对国内外微粒群算法的研究进展进行综述．     

基于AEPSO优化的神经网络多步预测控制

为提高神经网络预测控制的性能，提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中，每个粒子的更新受粒子个体极值和局部极值的影响，为了提高其全局收敛性，采用多粒子策略，使每个粒子的更新受更多其他粒子的影响；为提高收敛速度，采用白适应策略，对参数c0进行白适应调整，使c0随着迭代次数的增加而逐渐减小，这样，在PSO算法的搜索过程中，随着迭代次数的增加，搜索区域会越来越小，从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化，在有限时域内对控制序列进行寻列，给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明，基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。     

基于粒子群优化算法的高阶累积量滤波器

基于高阶累积量(HOC)的自适应滤波器能够滤除高斯噪声或其它具有对称概率分布函数的噪声,其解法一般采用的是梯度搜索法,但是梯度搜索过程难以避免局部收敛而且计算复杂.粒子群优化算法(PSO)具有算法简洁,易于实现,且不需要梯度信息等优势.使用粒子群优化算法求解高阶累积量自适应滤波器系数优化问题,为滤波器参数的优化提供了一种新的思路.仿真结果表明,使用PSO优化算法求解自适应滤波器系数能获得更高的精度.同时PSO算法受系统跃变的影响较小,因此它在求解非平稳过程模型系统时具有一定的优势.