浮点遗传算法的收敛性及其在模型参数提取问题中的应用

浮点遗传算法是一种模拟生物进化的最化搜索法,由于其运算简单、稳定性好、不需要计算目标函数的导数、高精度和能处理多维数值问题,浮点遗传算法在科学研究和工程技术中得到了广泛应用.通过对浮点遗传算法收敛性的分析,本文证明了简单浮点遗传算法不收敛于全局最优解,而每代保留最优个体的浮点遗传算法才收敛于全局最优解.在此基础上,本文设计了一种采用连续突变和每代保留最优个体的改进浮点遗传算法,它克服了精确度与计算量之间的矛盾.本文利用该算法较好地解决了半导体器件模型参数提取问题,使计算量降低了约27%.     

山谷贮灰场水文计算

遵从山谷贮灰场水文、水力特性 ,围绕调洪演算 ,系统阐述了其中涉及的分析计算方法 ,并针对一些传统算法的缺点 ,经推演提出了操作简便、成果精确的新解算方法。     

量子进化策略

本文将进化策略和量子理论相结合,提出一种新的学习算法-量子进化策略(Quantum Evolutionary Strategies)算法.它是一种基于量子计算的概念和理论(诸如量子比特和量子叠加态)的进化策略算法,在这一算法中,采用量子编码来表征染色体,使用量子变异实现染色体的进化.由于量子变异中融入了当前最优解的信息,同时采用“全干扰交叉”操作克服早熟现象的发生,因此它比传统进化策略具有更快的收敛速度和全局寻优的能力.本文不仅从理论上证明了它的全局收敛性,而且仿真计算也表明了此算法的优越性.     

迭代学习控制新进展

从学习算法、收敛性、鲁棒性、收敛速度、2-D模型以及实际应用等方面对迭代学习控制的最新进展作了比较详尽的总结, 最后讨论了迭代学习控制存在的问题及有前景的研究方向.     

一类差分方程组非负解的收敛性

通过考查一类差分方程组,研究其非负解的收敛性,得到了方程组的非负解收敛于方程组的平衡点的结论,该研究的主要结果改进了相关文献中的结果．     

广义非线性扩张状态观测器设计及性能分析

针对时变外扰,提出广义非线性扩张状态观测器设计方法.在分析传统扩张状态观测器的设计策略的基础上,通过对总扰动进行重构、引入广义扩张状态,设计反映扰动中已知分量的广义扩张状态观测器(扩张r+1阶).理论分析了观测器的收敛性,并得出了观测误差上界与扩张阶数的定量关系式.通过仿真对广义扩张状态观测器抑制外界正弦扰动的有效性进...     

基于倒位变异的蜉蝣优化算法

蜉蝣算法(Mayfly Algorithm,MA)作为一种新型群智能优化算法,具有较好的寻优性能.但在高维非线性复杂问题上,蜉蝣算法依然容易出现早熟收敛现象.本文提出一种基于倒位变异的蜉蝣算法(Inversion Variation Mayfly Algorithm,IVMA),改变原算法在变异上的操作,随机选择个体的...     

基于干扰观测器的一类不确定仿射非线性系统有限时间收敛backstepping控制

针对一类不确定仿射非线性系统的跟踪控制问题,提出一种基于干扰观测器的有限时间收敛backstepping控制方法.为增强小脑模型(CMAC)泛化和学习能力,将非对称高斯函数和模糊理论相结合,给出非对称模糊CMAC结构,设计干扰观测器实现系统未知复合干扰在线准确逼近;基于非对称模糊CMAC干扰观测器,给出有限时间收敛backstepping控制器设计步骤,利用Lyapunov稳定理论证明闭环系统稳定性,其中采用非线性微分器获取虚拟控制量滤波和微分信息以避免backstepping设计中的微分“膨胀问题”,设计辅助系统修正因微分器带来的误差对系统跟踪性能影响,引入基于障碍型函数的自适应滑模鲁棒项抑制复合干扰估计偏差对跟踪误差的影响;将所提方法应用于无人机飞行控制仿真实验,结果表明所提方法的有效性.     

线性时不变系统PID–型迭代学习控制律的单调收敛形态

传统的迭代学习控制机理中,积分补偿是典型的策略之一,但其跟踪效用并不明确.本文针对连续线性时不变系统,对传统的PD–型迭代学习控制律嵌入积分补偿,利用分部积分法和推广的卷积Young不等式,在Lebesguep范数意义下,理论分析一阶和二阶PID–型迭代学习控制律的收敛性态.结果表明,当比例、积分和导数学习增益满足适当条件时,一阶PID–型迭代学习控制律是单调收敛的,二阶PID–型迭代学习控制律是双迭代单调收敛的.数值仿真验证了积分补偿可有效地提高系统的跟踪性能.     

具有振荡约束的自然选择萤火虫优化算法

针对基本萤火虫算法高维求解精度低、收敛速度慢、易早熟等缺点,提出一种具有振荡、约束和自然选择机制的萤火虫算法,引入二阶振荡因子,平衡上一代个体对当前代个体的影响,防止萤火虫个体陷入局部极值;加入基于sigmoid函数的约束因子,动态调整个体移动距离,在算法后期避免萤火虫个体在理论最优值附近因过度扰震而导致精度降低的情况;采用基于高斯积分倒数递减趋势的自然选择,在保持个体多样性的同时加快算法的收敛速度.理论分析证明了改进算法的收敛性和时间复杂度.通过对10个不同特征标准测试函数多个维度的函数优化仿真实验,测试结果表明改进算法的寻优精度和收敛速度均有明显提升,尤其是在高维情况下,几乎对于所有函数仍能找到理论最优解,较好地解决了萤火虫算法不适于高维求解的问题.