基于改进遗传算法的FNNPID控制器在温度控制系统中的应用

根据温度控制系统的特点,为提高其控制质量,设计了一种模糊神经PID控制器。该控制器在温度偏差大时采用模糊神经控制,偏差小时采用模糊神经PID控制,由模糊控制开关保证两种控制方法的平滑过渡,用改进的遗传算法优化网络参数。仿真实验表明采用该控制方法系统响应速度更快、超调更小、精度更高、适应性更强。     

自适应遗传算法在服装生产流水线平衡问题中的应用

将自适应遗传算法应用于服装生产流水线中,利用自适应遗传算法能够自动给出比较合适的交叉概率、和变异概率,显著提高了搜索效率,同时改进了遗传算法的搜索能力的特点,解决并行制造中的流水线平衡问题。针对某款运动上衣的生产工艺进行仿真,结果表明了该算法的有效性。     

CNC插补算法的VHDL建模设计与实现

数控机床加工的零件轮廓一般都可以用直线或圆弧去逼近。插补计算是数控系统根据输入的基本数据,描述工件轮廓的一种技术。文章针对硬件电路实现插补运算柔性差和精度低的缺陷,探索了一种以软IP实现插补运算的思路。并以较常用的逐点比较插补算法为例详细讨论了整个VHDL建模过程,作了比较全面的时序分析。最后在EDA6000实验开发平台验证了方案的可行性。该软IP插补具有升级容易、成本低廉的优点。     

Apriori算法在学生成绩管理中的应用

介绍了关联规则的基本概念及Apriori算法,提出了成绩预警模型,并利用Apriori算法进行了求解。所得到不及格课程之间的关联规则,可以为教师的教学管理及学生学习提供一定的指导和参考。     

对含内孔面模型的切割仿真研究

为了快速封堵含内孔的面模型被切割后形成的中空截面轮廓,以便完整的表达模型.采用先剖分外轮廓,以封堵整个截面的轮廓,然后依次去除内轮廓区域的思想,最终实现中空面的封堵.先使用逐点插入算法剖分整个中空截面轮廓,然后删除已检测到的内孔洞的区域,在确保剖切面内所有轮廓顶点不发生任何变化的要求下.实现了含内孔面模型的快速切割仿真,并使用实例加以验证.该算法可以广泛地应用于各种含内孔面模型的切割仿真,尤其在医学手术仿真中.     

基于模糊RBF神经网络的换热器建模

针对换热器的复杂非线性特征,利用一种模糊RBF神经网络结构,对其网络学习算法进行部分改进,并用于解决换热器的建模问题。采用模糊RBF神经网络不仅符合人的思维推理方式,也提高了神经网络的学习泛化能力,在改进的学习算法中通过学习率的值的不断变化和添加动量项,可以使学习速度加快,提高了辨识换热器模型的准确性。通过与传统的学习算法的仿真比较,验证了所提出的改进学习算法在辨识精度和稳定性方面具有更好的效果。     

基于混沌遗传的巡航导弹实时规划技术

研究针对突发威胁的实时规划技术能够提高巡航导弹在未知威胁环境中的生存能力,具有重大的研究价值。实时规划的规划思想和规划算法的设计问题是巡航导弹实时规划技术必须要解决的两大难题。基于解决问题的考虑,设计了实时航迹规划的规划思路和一种混沌遗传规划算法。基于传统遗传算法的思想,利用威胁和约束条件构建适应度函数对航迹进行评价,设计了一种特殊的实数结构体编码,提出了合适的选择、交叉、变异三种算子使种群进化,并引入了混沌搜索算子,加速种群的收敛。最后进行了实时航迹规划的仿真分析。仿真结果表明:实时规划的航迹能够避开地形和新出现的威胁,算法收敛速度较快。这说明,设计的算法能够满足当前未知威胁环境下巡航导弹实时规划的需要。     

一种新的基于遗传算法的动态聚类算法

为了在聚类数不明确的情况下实现聚类分析,提出一种新的结合最近邻聚类和遗传算法的动态聚类算法.新算法包括两个阶段:第一阶段用最近邻聚类算法根据最近邻方法把最相似的实例分到同一个簇中并根据一些相似性或相异性度量过滤掉噪声数据从而得到初始聚类集,第二阶段是遗传优化阶段,利用动态聚类评估函数,动态地合并初始聚类集,从而获得接近最优的解.最后对算法进行了实验仿真,实验结果表明方法在事先不知道聚类数的情况下能够有效地进行聚类.     

基于蚁群优化的SVM及其应用研究

针对蚁群算法的容易陷入局部最优解的问题,对连续蚁群算法的全局转移因子和挥发因子进行了改进.在搜索过程中,蚂蚁利用前一代最优解的位置及信息素强度决定最优解转移步长及概率,对每一代搜索过程,利用动态的全局转移因子来确定蚂蚁应该进行如何搜索,保证蚂蚁能够得到更多的搜索空间,解决了蚁群算法"早熟"的现象.利用优化后的支持向量机(C-SVR和C-LSSVM)建立了某型航空发动机起动过程的数学模型.通过实际的发动机数据对模型的有效性进行了验证,结果表明,C-SVR和C-LSSVM泛化性能优于ε-SVR和LSSVM.     

一种新型高精度温度控制方法

为控制环境温度剧烈变化,对于精密仪器设备对温度精度和系统稳定性要求也随之提高,提出了一种参数自学习比例-周期控温算法,能够自动辨识系统参数和控制参数,并具有自学习能力。当环境温度快速变化时,可以采用相应的控制策略,达到理想的控制效果,适用于控制系统参数未知的场合,同时对环境温度的变化具有较强的自适应能力。仿真结果表明,算法控制精度高、自适应能力强,确实能够满足精密仪器设备对温度的精度和稳定性的要求。