基于粒子群优化的有约束模型预测控制器

研究了模型预测控制(MPC)中解决带约束的优化问题时所用到的优化算法,针对传统的二次规划(QP)方法的不足,引入了一种带有混沌初始化的粒子群优化算法(CPSO),将其应用到模型预测控制中,用十解决同时带有输入约束和状态约束的控制问题.最后,引入了一个实际的带有约束的线性离散系统的优化控制问题,分别用二次规划和粒子群优化两种算法去解决,通过仿真结果的比较,说明了基于粒子群优化(PSO)的模型预测控制算法的优越性.     

基于自适应混沌粒子群优化的防空目标分配

粒子群优化算法存在早熟收敛和搜索精度较低的问题.为此,提出一种基于自适应混沌粒子群的优化算法.采用自适应权重和遗传算法中的交叉、变异操作更新粒子群,增加种群粒子的多样性,运用早熟判断机制判断粒子的当前状态,当粒子处于早熟状态时,利用混沌搜索的方法引导群体快速跳出局部最优.仿真结果表明,该算法可以有效解决粒子群算法的早熟问题,提高搜索精度和收敛速度.     

混沌PSO分析及其在船舶设计中的应用

分析了不同混沌序列的数值分布特点,凭借其良好的对可行域的遍历性质,将混沌映射引入粒子群优化算法当中,应用混沌粒子群求解有约束优化问题。在分析了约束条件性质的基础上,提出通过控制约束条件进而控制可行域的主要分量以提高混沌粒子群的搜索效率,并借助于混沌映射的遍历性解决部分非关键条件未被采用的问题。通过对标准测试函数的数值实验表明,基于改进tent映射和logistic映射的混沌粒子群在计算时间与搜索效率上与基本粒子群相比具有较大优势。将改进的混沌粒子群应用于某内河双桨船型的主尺度决策中,通过对最佳船型要素的多次搜索测试表明,此方法的搜索可靠性较高。     

基于混沌微粒群优化算法的阈值图像分割

混沌微粒群优化算法利用了粒子群优化算法收敛速度快和混沌运动所具有的随机性、遍历性和初值敏感性,将混沌状态引入到优化变量中,把混沌的遍历范围映射到优化变量的取值范围.在算法执行过程中对优秀个体混沌扰动,有利于跳出局部极值点,搜索到全局最优解.分别用微粒群优化算法和混沌微粒群优化算法求解函数优化问题,对算法的性能进行检验,检验结果显示:混沌微粒群优化算法搜索全局最优解的成功率和收敛速度都要优于微粒群优化算法.将混沌微粒群优化算法与阈值法相结合,在算法初始化阶段对粒子位置混沌初始化;在算法运行期间对优秀个体进行混沌扰动避免落入局部最优,较好地解决了传统的多阈值图像分割方法中运算量大的问题.实验结果表明,混沌微粒群优化算法用于阈值寻优减少了搜索时间,提高了收敛率.     

粒子群优化算法的收敛性分析及其混沌改进算法

分析了粒子群优化算法的收敛性,指出它在满足收敛性的前提下种群多样性趋于减小,粒子将会因速度降低而失去继续搜索可行解的能力;提出混沌粒子群优化算法,该算法在满足收敛性的条件下利用混沌特性提高种群的多样性和粒子搜索的遍历性,将混沌状态引入到优化变量使粒子获得持续搜索的能力.实验结果表明混沌粒子群优化算法是有效的,与粒子群优化算法、遗传算法、模拟退火相比,特别是针对高维、多模态函数优化问题取得了明显改善.     

非线性规划的混沌粒子群优化算法

粒子群优化算法是一类基于群智能的优化搜索算法.该算法初期收敛较快,但后期易陷入局部最优点.为了提高粒子群算法的性能,将粒子群算法全局搜索的快速性和混沌算法的一定范围内的遍历性二者结合,利用罚函数的思想把有约束的非线性规划问题转化为无约束最优化问题,并利用了混沌运动遍历性、随机性等特点,对传统粒子群算法进行改进,摆脱了粒子群算法后期易陷入局部极值点的缺点,然后与罚函数方法结合,构造出一个基于罚函数的混沌粒子群优化算法.数值结果表明文中所提出的算法是有效的.     

混沌量子粒子群优化算法

针对量子粒子群优化算法在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题,提出了混沌量子粒子群优化算法.采用了基于群体适应值方差的早熟判断机制,同时提出了一种基于混沌搜索的新方法,提高了搜索效率.数值实验结果表明,混沌量子粒子群算法效率高、优化性能好,且具有很强的避免陷入局部最优的能力,其性能远远优于一般的粒子群算法和量子粒子群算法.     

基于迭代粒子群算法的间歇过程优化

针对无状态和终端约束的间歇过程动态优化问题,将迭代思想与粒子群优化算法相结合,提出了迭代粒子群算法.算法首先将控制变量离散化,用标准粒子群算法搜索离散控制变量的最优解,并在随后的迭代过程中不断收缩控制变量的搜索域,使优化性能指标和控制轨线不断趋于最优解.为使优化轨线光滑平稳,算法采用三点线性平滑算子对每次迭代结果进行平滑滤波.算法简洁,可行,高效,特别是在系统梯度信息不可得的情况下更具实用性.对一个间歇过程的仿真结果证明了迭代粒子群算法可以有效地解决不含状态和终端约束的间歇过程动态优化问题.     

基于反馈教学优化算法的混沌系统参数辨识

针对传统智能优化算法对混沌系统参数辨识精度低、速度慢的问题,提出一种基于反馈教学优化算法的混沌系统参数辨识的新方法.该方法以教学优化算法为基础,在教授-学习阶段之后加入反馈阶段,同时将参数辨识问题转化为参数空间上的函数优化问题.分别以三维二次自治广义Lorenz系统、Jerk系统和Sprott-J系统为待辨识模型,对粒子群优化算法、量子粒子群优化算法、教学优化算法及反馈教学优化算法进行了对比实验,反馈教学优化算法辨识误差为零,搜索次数明显减少.仿真结果表明,反馈教学优化算法明显提高了混沌系统参数辨识精度和速度,验证了该算法的可行性和有效性.     

基于粒子群优化的约束广义预测控制实现方法

用微粒群优化算法解决存在约束的广义预测控制的优化问题,并给出了基于微粒群优化算法的广义预测控制算法的实现方法.将该算法应用到工业过程对象中进行测试,仿真结果表明了算法的有效性和高效性,获得了良好的控制效果.     

基于CPSO的无线传感器网络路由优化

研究无线传感器网络路由优化问题,由于无线传感器节点的能量受到限制,通信过程能量损耗,影响网络的性能。传统粒子群算法难以获得最优网络路由方案。为延长网络生存时间,结合粒子群的快速性和混沌的遍历性优点,提出了一种混沌粒子群(CPSO)的无线网络路由优化方法。通过粒子群算法的自组织、动态寻优能力,并通过混沌机制对粒子群进行混沌扰动,增加多样性,加快最优路由优化速度,使网络最优路由和能量消耗间尽量平衡。仿真结果表明,相对于传统优化算法,CPSO提高了无线传感器网络路由优化速度,减少网络能量消耗,有效延长了网络生存时间,为提高整个网络通信效率提供了参考。     

Chaos particle swarm optimization and T-S fuzzy modeling approaches to constrained predictive control

Predictive control of systems is very much related to the efficiency and cost of systems, as well as to the quality of systems outcomes. However, it is difficult to achieve optimal predictive control because most predictive controls for systems have characteristics of randomness, strong and complex constraints, large delay time, fuzziness, and nonlinearity. Conventional methods of solving constrained nonlinear optimization problems for predictive control are mainly based on quadratic programming, which is quite sensitive to initial values, easy to trap in local minimal points, and requires large computational effort. In recent years, T-S fuzzy modeling has been found to be an effective approach in performing predictive control. Intelligent optimization algorithms, such as chaos optimization algorithm (COA) and particle swarm optimization (PSO), have been shown to have faster convergence and higher iterative accuracy than those based on conventional optimization methods. In this paper, chaos particle swarm optimization (CPSO), which involves combining the strengths of COA and PSO, and T-S fuzzy modeling are proposed as approaches to perform constrained predictive control. Predictive control of temperature of continued hyperthermic celiac perfusion for medical treatment based on the proposed approaches was carried out. Simulation tests were conducted to evaluate the performance of temperature control based on T-S fuzzy modeling and CPSO. Test results indicate that the T-S fuzzy model based on CPSO outperforms models based on generalized predictive control, COA, and PSO.     

优先级多目标稳定化约束模型预测控制

针对目标函数的不同优先级问题, 提出一种约束多变量线性定常系统的稳定化多目标模型预测控制策略. 首先, 基于多目标优化理论给出多目标预测控制问题的字典序最优解结果, 并在此基础上考虑目标函数的优先级, 重 新将多目标预测控制问题定义为字典序多目标预测控制问题; 然后, 采用终端约束、终端罚函数和局部状态反馈律 等三要素, 证明多目标预测控制闭环系统是渐近稳定的; 最后, 通过一个仿真实例验证了所提出方法的有效性.

     

The explicit linear quadratic regulator for constrained systems

For discrete-time linear time invariant systems with constraints on inputs and states, we develop an algorithm to determine explicitly, the state feedback control law which minimizes a quadratic performance criterion. We show that the control law is piece-wise linear and continuous for both the finite horizon problem (model predictive control) and the usual infinite time measure (constrained linear quadratic regulation). Thus, the on-line control computation reduces to the simple evaluation of an explicitly defined piecewise linear function. By computing the inherent underlying controller structure, we also solve the equivalent of the Hamilton-Jacobi-Bellman equation for discrete-time linear constrained systems. Control based on on-line optimization has long been recognized as a superior alternative for constrained systems. The technique proposed in this paper is attractive for a wide range of practical problems where the computational complexity of on-line optimization is prohibitive. It also provides an insight into the structure underlying optimization-based controllers.     

无线传感器网络覆盖优化仿真研究

研究无线传感器覆盖(WSN)优化问题,由于网络传感器节点分布不均匀,又存在冗余等问题。传统WSN高密度部署方法,节点分布极不均匀,节点覆盖区域之间的重复率高,节点浪费严重,导致网络覆盖率低、成本高。为了提高无线传感器网络的覆盖率,提出一种混沌粒子群优化算法(CPSO)的WSN覆盖优化算法。首先以提高网络覆盖率为优化目标,建立WSN覆盖优化数学模型,然后通过粒子间协作进行求解,并对粒子群混沌扰动,保持粒子多样性,从而得到最优网络覆盖。仿真结果表明,相对于其它覆盖优化算法,CPSO能够以较少传感器节点获得较高网络覆盖率,提高了网络通信效率,降低网络成本。     

一种采用改进CPSO算法的PID参数整定方法

为提高控制系统的性能,提出了一种采用改进混沌粒子群(CPSO)算法的PID参数整定方法。该算法将混沌搜索应用到粒子群算法的粒子位置和速度初始化、惯性权重优化、随机常数以及局部最优解邻域点的产生的全过程,使其不仅具有全局寻优能力,而且具有持续与精细的局部搜索能力。3种典型控制系统的PID参数整定实验结果验证了所提方法的有效性,其性能明显优于常规方法。