基于支持向量机回归和RBF神经网络的PID整定

针对工业控制领域中非线性系统控制,在基于梯度下降法的RBF网络PID整定的基础上,对整定算法作出改进,控制目标不再是使当前跟踪误差最小,而是使当前跟踪误差和下一时刻跟踪误差的平方和最小。实现过程为:先由RBF神经网络在线辨识被控对象离散模型,得到被控对象的Jacobian信息,采用梯度下降法对PID控制器参数进行初步整定;然后,将系统跟踪误差和PID参数输入支持向量机模型,通过回归预测系统下一时刻的误差,改进的整定算法利用预测误差信息对参数进行再整定。仿真结果表明,引入支持向量机回归优化的RBF神经网络PID整定收敛速度更快,精度更高,跟踪性能优于RBF神经网络PID整定。     

粒子群混合算法在变导向器面积计算中的应用

求解非线性方程组经典方法具有严格的局部收敛性;粒子群等进化算法解决了全局收敛的问题,但计算效率偏低,存在最优解不稳定的问题。结合经典Newton-Raphson法的超线性收敛速度和粒子群算法全局收敛能力的粒子群混合算法具备2类算法的优点。在迭代初期采用粒子群算法获得的近似全局解作为Newton-Raphson算法的初始值,以确定高精度的解。利用粒子群混合算法在发动机变导向器面积的大偏离计算中获得了较好的收敛效果,解决了常规Newton-Raphson法不收敛的问题。     

一种混合粒子群优化算法在翼型设计中的应用

提出了一种分层交换差分粒子群优化算法。作为一种混合算法,将粒子群优化算法与差分进化算法有机地结合了起来,使得粒子种群和差分种群分层交换,共享最优信息,加快了收敛速度,降低了陷入局部最优的风险,函数测试结果表现出算法具有更好的寻优性能。将算法应用到翼型设计之中,取得了良好的优化效果。     

基于粒子群优化的PID神经网络在热电偶数学建模中的应用

为提高热电偶的测温精度,在对热电偶进行数学建模时,结合粒子群算法对PID神经网络进行优化,并设计了实际多路电偶数据采集电路对温度数据进行采集和验证。通过实验验证,粒子群算法的运用加快了PID神经网络的收敛速度、提高了系统稳定性,从而得到了更加精确的热电偶模型,提高了系统的测温精度。     

改进粒子群优化算法在亚轨道飞行器固液混合发动机设计中的应用

针对粒子群优化算法在求解多维复杂优化问题时容易陷入局部最优的缺点,提出了动态目标粒子群优化算法,通过分析寻优过程中粒子与个体最优位置和全局最优位置之间存在的位置关系,建立了新的速度更新公式.最后,应用该算法对某型号亚轨道飞行器固液混合发动机进行了优化设计.仿真结果表明,改进算法搜索能力强、收敛速度快,能有效解决此类问题,可为亚轨道飞行器的发动机优化设计提供理论参考.      

基于多级优化的粒子群算法在航迹规划中的应用

针对粒子群算法后期存在寻优效率降低、收敛缓慢等问题,提出了多级优化算法。该算法具有局部快速收敛特性,通过对粒子群所生成的最优粗略解进行局部最优处理,从而能够快速地从粗略解中提取出全局最优信息,将粗略解变为最优解。仿真结果显示,该组合算法能将粒子群算法的全局搜索特性和多级优化算法的局部优化特性有机结合起来,达到了准确而快速生成路径的目的。     

一种基于生物趋化的改进粒子群算法

针对标准粒子群算法进行多极点函数优化时易导致早熟收敛及陷入局部最优的问题,把生物趋化原理引入到粒子群优化算法中,改变传统粒子群优化算法只存在吸引操作而没有排斥操作的单向性,提出一种保持种群多样性的改进算法,并对其关键参数的选择进行了研究。仿真实验结果表明,与传统粒子群优化算法相比,基于生物趋化的粒子群算法对于处理复杂的多峰函数或优化问题,可显著提高算法的全局寻优性能。     

基于微分进化算法的二自由度PID控制器参数优化

针对二自由度PID控制器参数多、调节困难等问题,提出了一种基于微分进化算法参数调节优化方法。证明了微分进化算法能够收敛到平稳点,并具有概率全局收敛性。研究了二自由度PID控制器参数与抑制特性、跟踪特性的关系,并将微分算法与遗传算法、粒子群算法的参数优化结果进行了比较。仿真验证表明,微分算法能够更好地实现二自由度PID控制器参数的调节,具有优异的跟踪特性和抑制特性。     

基于粒子群算法的导弹PID控制参数选择

PID控制在导弹控制系统的设计中得到了较多的应用,但PID控制器的性能依赖于其参数的整定和优化。利用粒子群算法对控制器的参数进行优化,并对俯仰通道控制系统进行了仿真研究,结果表明,攻角和俯仰角速度都取得了较好的效果,当气动参数具有不确定性时,效果依然较好,验证了方法的有效性。     

基于粒子群算法的导弹PID控制参数选择

PID控制在导弹控制系统的设计中得到了较多的应用,但PID控制器的性能依赖于其参数的整定和优化。利用粒子群算法对控制器的参数进行优化,并对俯仰通道控制系统进行了仿真研究,结果表明,攻角和俯仰角速度都取得了较好的效果,当气动参数具有不确定性时,效果依然较好,验证了方法的有效性。     

高阶非线性系统的位置控制器PID参数优化

针对高阶非线性系统的位置控制器PID参数优化问题,以五阶传递函数横动伺服系统为例,结合粒子群算法成功实现了参数的优化。设计了粒子群算法的PID参数优化原理。在已知系统传递函数的基础上,利用ZN法进行参数初求解,然后利用粒子群算法对初解进行参数寻优,并将优化前后的系统进行动态性能对比,结果表明:优化后的高阶非线性系统动态性能更好,响应速度更快,调节时间更短,鲁棒性更强。     

Optimization Based on Convergence Velocity and Reliability for Hydraulic Servo System

This article presents an optimal hybrid fuzzy proportion integral derivative (HFPID) controller based on combination of proportion integral derivative (PID) and fuzzy controllers, by which the parameters could be evaluated by global optimization either in convergence velocity or in convergence reliability. Focusing on the nonlinear factors of hydraulic servo system, this article takes advantage of PID and fuzzy logic controller integrated with scaling factors to acquire precise tracking performances. To further improve the performances, it provides new developed optimization with rapid convergence to attain reliable approach probability. Focusing on the performance indictors of evolutionary algorithm, this article presents a new technique to predict reliability of the optimization algorithm. Statistics authenticates the effectiveness and robustness of the optimization. Further, many simulation and experimental results indicate that the optimal HFPID could acquire perfect immunity against parametric uncertainties with external disturbance.     

基于新型自适应遗传算法的混合可靠性优化模型

提出一种新型的自适应遗传算法。结合Logistic函数和余弦函数,对交叉、变异算子曲线进行非线性化处理,实现了交叉算子和变异算子的非线性自适应调整。用新算法求解测试函数,结果表明新算法能够提高收敛速度和精确度,有效地跳出局部收敛,避免早熟现象发生。并基于提出的新型自适应遗传算法,研究了截尾随机-模糊-区间变量的混合可靠性模型的优化问题,建立了以混合可靠性指标作为优化约束条件的混合可靠性优化模型。以某型飞机变速箱同步器系统的优化设计为例,验证了该模型在工程应用中的有效性。     

一种高效高精度的气动弹性结构优化方法

气动弹性结构优化技术主要包括约束求解和优化算法两个方面的内容。针对常用的基于低阶面元法的静气动弹性分析方法计算效率高但精度低的特点,建立了一种高效高精度的基于高阶面元法的静气动弹性分析方法。针对当前气动弹性结构优化技术使用单一优化算法导致搜索精度低、收敛速度慢等特点,将遗传算法和分形算法进行结合,发展了一种遗传/分形混合算法。针对气动弹性结构优化计算时间长、设备要求高等特点,引入了Kriging代理模型方法来加快优化速度,减少时间和设备的耗费。最后以某大展弦比客机机翼为算例,采用基于高阶面元法的静气动弹性分析方法求解约束响应样本,用Kriging代理模型方法对约束响应进行模型构建和预测,并将Kriging代理模型和遗传/分形混合优化算法进行结合,构建了一种高效高精度的静气动弹性结构优化方法。优化分析结果表明,Kriging代理模型在静气动弹性响应预测上具有很高的精度,平均误差均在5%以下,副翼效率预测的平均误差甚至低于1%;遗传/分形混合算法相比于单一的遗传算法具有更快的收敛速度和更强的全局寻优能力。     

基于混合遗传算法的航空发动机PID控制参数寻优

结合某型航空发动机的比例积分微分控制(PID)参数整定与优化问题, 提出了一种全局最优且与初值无关的优化算法.算法采用与单纯形相结合的混合遗传算法, 结合了遗传算法良好的全局收敛性和单纯形算法的优秀的局部搜索能力, 提高了搜索速度与精度.仿真结果表明这种方法具有较好的收敛性与稳定性.      

基于自适应Kalman滤波的改进PSO算法

针对基于Kalman滤波的PSO算法在设计与应用过程中存在的不足,提出了基于自适应Kalman滤波的改进PSO算法。利用粒子群状态空间Markov链模型,建立粒子群系统状态方程;采用粒子的速度和位置作为观测量,构建观测方程;引入记忆衰减因子动态调整Kalman滤波模型参数及噪声方差阵,降低模型误差,提高粒子的位置估计精度。仿真实验表明:改进的PSO算法无论在优化精度、收敛速度,还是在稳定性方面都有很大的改进和提高,这就有效避免了粒子的"早熟"收敛问题;尤其在处理复杂多峰问题上,改进算法表现出很明显的优越性。     

APSO算法在语音信号盲源分离中的研究

将自适应粒子群优化（Adaptive Praticle Swarm Optimization）算法运用到语音信号的盲源分离中,以峰度为目标函数,通过自适应调整惯性因子,克服了收敛速度和分离效果之间的矛盾,最终实现盲源分离。该算法避免了传统的优化算法自然梯度法稳定性差、易于陷入局部最优的不足。通过比较仿真结果和性能指标可以看出,APSO算法提高了收敛速度,改善了分离性能,表明了该算法在实现语音信号盲源分离中性能的优越性。     

自适应差分进化算法在气动优化设计中的应用

以实数编码的差分进化（DE）算法为基础,引入种群熵估计方法分析种群个体的分散程度,自适应地调整设计变量的搜索范围。采用Navier-Stokes方程作为主控方程计算翼型气动性能,分别采用标准遗传算法（SGA）、基本DE算法和自适应差分进化（ARDE）算法作为气动性能优化算法进行了针对翼型的气动优化设计。函数测试实例表明,ARDE算法具有更好的收敛稳定性和收敛速度。并针对翼型气动优化问题的特点,分析了参数设置对ARDE算法优化结果的影响。实验结果对比表明,ARDE算法得到了更好的优化结果。     

基于Levenberg-Marquardt算法的航空发动机模型求解混合算法

为了降低航空发动机非线性模型求解的收敛性要求，将模型非线性方程组的求解问题转化为最小二乘问题，提出了基于Levenberg-Marquardt(L-M)算法的混合算法。为了使L-M算法跳出局部解，混合算法使用动力学方法修正局部解；为了提高计算效率，利用Broyden拟牛顿法加速L-M算法。以涡扇发动机为研究对象，应用混合算法、L-M算法、牛顿法和Broyden拟牛顿法进行稳态和瞬态仿真。结果表明：在稳态工况下，L-M算法和混合算法收敛范围更大，在随机初值条件下能达到90%以上的收敛率，远高于牛顿法和Broyden拟牛顿法不到20%的收敛率，且混合算法计算速度与Broyden拟牛顿法相当。在瞬态工况下，L-M算法和混合算法能够在牛顿法和Broyden拟牛顿法都不收敛的强瞬变工况收敛，且混合算法瞬态计算时间仅为Broyden拟牛顿法的1.13倍。仿真结果表明该算法在航空发动机模型求解上具有良好的适用性。