基于BP神经网络PID控制的带式输送机液压拉紧装置系统设计

针对传统带式输送机拉紧装置响应速度慢、调节能力差等缺点,以及拉紧装置系统的时变性和非线性,设计了一种基于BP神经网络PID控制的液压拉紧装置系统。建立液压拉紧装置系统的数学模型,并通过Simulink分别对基于BP-PID控制器和PID控制器的液压拉紧装置系统进行仿真。仿真结果表明:基于BP-PID控制的液压拉紧装置系统不仅在启动阶段、紧带和松带过程中具有更快的响应速度、更好的稳态性能,而且在启动阶段的超调量降低了17.2%、到达稳定时间缩短了0.42 s。     

基于改进蚁群算法的移动机器人路径规划

在考虑传统蚁群算法搜索路径时存在找到收敛速度慢、拐点多且不能动态避障等问题，提出一种基于拉普拉斯分布与动态窗口融合的蚁群算法来解决机器人路径规划。首先，在启发信息中加入当前节点、下一节点以及目标节点信息，并加入动态调节因子，使得启发信息在前期引导性强，信息素在迭代后期引导性强；其次，在蚁群算法信息素更新中引入拉普拉斯分布调节信息素的挥发，加快收敛速度；对蚁群算法得到的路径进行双向冗余节点删除，提高路径平滑度，最后，将改进的蚁群算法与改进动态窗口算法融合，使机器人安全到达终点。仿真表明，在相同地图环境中，蚁群算法与基本蚁群算法相比较路径长度相比减少了26.3%,路径拐点减少了77.7%,更适用于复杂环境。     

基于拉普拉斯分布与鲍德温效应的教与学算法及其应用EI北大核心

教与学优化算法(TLBO)是一种进化能力非常强大的算法,近年被广泛应用于各种优化问题。但是,在TLBO算法进化的后期,随着进化迭代次数的增加和求解范围的缩小,种群的多样性逐渐降低,从而导致陷入局部最优和过早收敛。基于此,提出一种基于拉普拉斯分布和鲍德温学习效应的教与学优化算法(LBTLBO)。该算法利用拉普拉斯分布的扰动来拓展探索空间,采用鲍德温学习效应识别出更多有前途的解,使算法更具有竞争性。实验结果表明,与原始TLBO、基于拉普拉斯分布的TLBO、基于鲍德温学习的TLBO以及改进版本的TLBO进行比较,LBTLBO提高了解的精度,具有很强的竞争力。最后,将LBTLBO应用于无人机航路规划问题,并进行了仿真实验,结果显示,与上述改进版本的TLBO相比,LBTLBO能获得更加准确的路径与收敛速度。