基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识

提出一种基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识方法。该算法采用动态自适应调整策略,提高了粒子群算法收敛速度;同时引入新型遗传算法混合交叉变异机制,避免了粒子群陷入局部最优。将自适应粒子群遗传算法与标准粒子群算法、遗传算法、人工蜂群算法进行了比较,仿真实验结果表明该算法在迭代60次左右完成参数辨识,各参数的辨识相对误差均降低到了1%以内。最后利用旋转柔性关节实验平台进行了实验验证,实验结果证明了该算法具有更好的收敛速度和寻优精度。     

基于混合粒子群优化算法辨识Hammerstein模型

非线性系统辨识是现代辨识领域中的一个主要问题。在非线性系统辨识中,系统常被表示为一系列块连接。针对非线性系统中的Hammerstein模型,本文提出了利用混合粒子群优化算法对非线性系统模型进行辨识。该方法的基本思想是将非线性系统的辨识问题转化为参数空间上的优化问题,然后采用粒子群优化算法(PSO)获得该优化问题的解。为了进一步增强粒子群优化算法的辨识性能,提出利用一种混合粒子群优化算法。最后,给出仿真实验,其结果验证了本文给出的辨识方法是有效的。     

基于粒子群算法的改进模态参数识别方法

针对一类多模态振动衰减信号的模态参数识别,结合奇异值分解(singular value decomposition,SVD)、解析模态分解(analytical mode decomposition,AMD)、自回归功率谱和粒子群优化(particle swarm optimization,PSO)算法,提出了一种改进...     

基于量子粒子群算法的结构模态参数识别

以由结构输入输出数据计算所得实测频响函数与理论频响函数差值最小化为优化目标,通过对理论频响函数中所含结构模态参数搜索取值使目标函数最小,即将结构模态参数识别问题转化为优化问题。采用量子粒子群算法对此过程优化计算,获得结构模态参数。用数值模拟六层框架结构对该方法进行验证。结果表明,量子粒子群可有效识别结构模态参数。     

基于粒子群优化算法的结构模型修改

结构模型修改已经演化为一个多学科的研究课题．在最优化框架内，应用了国际上最近提出的粒子群优化算法，该算法具有全局搜索能力并且不需要目标函数的解析表达式。对于一实际钢结构，利用部分和全部测量得到的模态数据进行了模型修改的实验研究．并与基于灵敏度分析、神经网络和遗传算法的模型修改方法进行了对比．以修改后模型计算出的模态数据与实验测得的模态数据的相似度来衡量模型修改的准确性。结果表明，在多数情况下，所提出的模型修改方法得到了最好的修改结果，因此，应用粒子群优化算法进行结构模型修改是可行的。     

基于PSO算法的MFF模型的参数辨识与优化

基于磁链理论和Monte-Carlo法,建立了磁流体薄膜(MFF)传感模型和MFF透射模型,分析了磁流体透射特性。采用粒子群算法对MFF透射模型进行了参数辨识,分析了群体数目、迭代次数、惯性权重、加速度因子等参数选值对算法运行结果的影响,并选取了最佳参数组合。搭建了MFF电流传感器实验平台,运用MFF透射模型对MFF电流传感器进行了仿真预测,分析了MFF厚度和粒子浓度对MFF透射性的影响,实验及仿真结果表明该模型预测误差在2.3%以内,该MFF电流传感器的测量灵敏度达到12 μW/A。     

汽车悬架整车动力学模型的参数辨识

根据汽车悬架动力学特性的理论知识,建立了七自由度汽车悬架整车动力学方程。推导了悬架动力学方程从惯性物理坐标到传感器坐标的变换,利用执行器作为激励,采用时域辨识方法对参数进行辨识。根据最小二乘估计递推算法,建立了从执行器到传感器的汽车悬架整车动力学模型,实现了悬架模型在线参数辨识,为七自由度汽车悬架的振动主动控制打下了基础。     

基于量子粒子群优化的Volterra核辨识算法研究

将量子粒子群优化（QPSO）引入到非线性Volterra系统辨识中,提出了一种基于量子粒子群优化（QPSO）的Volterra级数辨识方法,利用QPSO算法估计出了非线性系统的Volterra核函数。提出的方法同时和传统的最小二乘法(LMS)辨识方法进行比较,仿真结果验表明,在无噪声干扰下,提出的方法与LMS方法都具有很好的辨识精度和收敛性。然而,在有噪声干扰下,无论在辨识精度、收敛性和抗干扰性方面,本文方法都优于传统的LMS方法,而且,随着噪声的增强,这种优势越明显。     

基于粒子群优化算法的控制面板布局优化方法研究

针对目前核电站主控制室后备盘台人机界面设计过多依赖人的经验和主观判断从而导致控制面板布局随意性的问题,提出了基于粒子群优化算法的控制面板布局设计优化方法,即先对控制面板上元件的重要性、操作频率、操作顺序和相关性等工效学布局原则分别进行数学描述,并依此构造布局优化目标函数,将布局问题抽象为数学问题,然后采用粒子群优化算法对布局优化目标函数进行求解,以便快速地找到最优布局方案,从而达到布局优化的目的.通过对16个操纵和显示元件进行布局优化计算,证明了该方法能有效地解决后备盘台人机界面布局优化问题.     

一种基于改进PSO算法的结构损伤识别方法

根据“结构损伤发生在局部”这一信息特征,在粒子群算法中引入零变异率系数,提出一种改进的粒子群结构损伤识别方法。两层刚架单损伤数值仿真研究结果表明：与普通粒子群算法相比,本文所提出的方法具有收敛速度快、识别结果准确、抗噪能力较强及受种群数影响小的特点,这些优点对于将PSO应用于复杂结构的损伤诊断有着重要意义     

基于粒子群优化算法的螺旋钻机变幅机构铰点位置优化

螺旋钻机变幅机构铰点位置是影响变幅机构性能的关键因素之一,它对变幅油缸最大油压、变幅机构各铰点最大受力、活动钻桅起柱时间等变幅机构主要性能参数都有决定性影响。针对传统设计方法对获取最佳铰点位置需要反复试算、耗时长、效率低且难以精确定位的不足,为了快速、高效、准确地获取最优铰点位置,以变幅机构的活动钻桅为研究对象,在分析变幅机构结构和工作原理的基础上,建立了变幅机构力学模型,并将变幅油缸的油压作为目标函数,以变幅机构的结构限制和油缸制造工艺要求确定约束条件。基于粒子群优化算法,结合MATLAB对目标函数进行运算分析,以变幅油缸的最大油压最小为目标确定了变幅机构最优铰点位置。铰点位置优化后,变幅油缸最大油压降低了9.2%,变幅机构各铰点最大受力降低了9.1%~9.2%,变幅机构性能明显得到提升。该研究提供了一种快速可行的铰点位置优化方法,对变幅机构的优化设计具有实际参考意义。     

基于前馈补偿的振动台粒子群迭代学习控制算法

针对电磁式振动台对地震波信号复现精度低及复现过程中迭代次数较多的问题,在建立准确的振动台模型的基础上,提出了基于加速度模型的前馈逆模型补偿方法,主要提高电磁式振动台低频特性.此外,针对迭代学习控制算法在振动台波形复现中收敛速度慢的问题,提出了带遗忘因子的反馈辅助PD型迭代学习算法,并用改进自适应粒子群算法,离线优化控制...     

基于遗传算法的磁流变阻尼器Bouc_Wen模型参数辨识

在除试验数据外无任何先验知识的条件下如何识别Bouc_Wen模型的参数是一个亟待解决的问题。本文在对磁流变阻尼器进行力学特性试验的基础上,采用遗传算法对磁流变阻尼器Bouc_Wen模型进行参数辨识,并采用缩小参数取值范围的方法逐渐提高遗传算法的识别精度。通过分析参数值与电流间的特征曲线,采用曲线拟合的方法确定它们之间的函数关系,再利用遗传算法得到具体的函数表达式。最后用不同幅值和频率的激励试验数据对识别结果和拟合结果进行了验证。结果表明：利用缩小取值范围的方法得到的Bouc_Wen模型参数识别结果在全局最优解的附近,拟合结果和辨识出的模型均能满足要求     

基于跟踪起始准则的多基地声呐阵位优化算法

针对水下区域监视多基地声呐(如浮标等)发射、接收节点阵位布置问题,提出了一种基于跟踪起始准则的多基地声呐阵位优化算法.该算法首先在分布式和集中式两种多基地融合处理模式下,推导了目标跟踪起始概率计算准则,然后,基于区域目标成功跟踪起始覆盖率,建立了多基地声呐阵位优化数学模型,并采用粒子群算法来优化求解该非凸数学模型,从而...     

A calibration framework for the microparameters of the DEM model using the improved PSO algorithm

The discrete element method (DEM) is commonly used for simulating the mechanical characteristics of rock materials; however, constructing a DEM model requires the specification of a number of microparameters. In this paper, to obtain the microparameters of the DEM model, the improved particle swarm optimization (PSO) calibration method was presented. Based on numerical simulation examples, the new approach is considered valid for calibrating the microparameters of the DEM model. Moreover, it is concluded that different sets of microparameters can be determined when few macroparameters are used, which indicates that the empirical formula between microparameters and macroparameters is not reliable. From the analysis of the numerical simulation results, it is suggested that more macroparameters should be used to calibrate the microparameters of the DEM model, and the corresponding numerical simulation results could be more reliable; otherwise, the generated numerical model may not accurately simulate the mechanical characteristics of rock materials.     

利用粒子群优化算法实现阻尼比和频率的精确识别

摘要：本文提出了一种利用粒子群优化算法辨识阻尼比和频率的方法。该方法将系统频率、阻尼比、幅值和相位的辨识问题转化为非线性优化问题,引入粒子群优化算法寻找全局最优解。基于粒子群优化的阻尼比和频率辨识方法不需要测量激励信号,原理简单,实现容易。仿真和实验结果表明：基于粒子群优化算法的阻尼比和频率辨识方法不受邻近模态耦合的影响。在无噪声条件下具有较高的辨识精度,随着信噪比的逐步降低,辨识精度开始逐步下降。用低通滤波器滤除高阶模态后,得到的脉冲响应信号对频率、阻尼比、幅值的辨识精度影响很小,对相位的辨识精度影响很大。

     

基于改进智能算法的非线性转子系统的参数辨识

为了有效的识别非线性转子系统的若干参数,提出了基于遗传算法、蚁群算法和邻域搜索算法的混合方法（Ne-GAAC）,该算法利用遗传算法的快速随机搜索能力的优点,形成了蚁群算法的初始信息素分布和寻优区间,同时利用了蚁群算法正反馈以及具有分布式并行全局搜索能力的优点,最终在解收敛后采用局部邻域搜索算法得到精确解,算例结果表明,该方法可以有效的识别非线性转子系统的参数。     

新型宽带动力吸振器优化设计*

基于导纳功率流理论建立了变截面阻尼复合梁式新型宽带吸振器吸振分析理论模型,以输入被控制结构净功率峰值最小为目标函数,运用混沌粒子群算法对吸振器参数进行了优化,并给出了吸振效果较好的参数分布范围。结合实验结果表明：通过混沌粒子群算法优化后的得到的变截面阻尼复合梁式新型宽带吸振器具有好的吸振效果。