基于模拟退火的改进粒子群算法研究及应用

为加快粒子群算法效率,跳出局部最优陷阱,得到高精度最优解,文章提出了基于模拟退火的带收缩因子的粒子群混合算法(SACPSO)。首先,对混合优化算法进行了分析;然后,对混合算法进行函数数值仿真;最后,将SACPSO算法应用于PID参数整定问题。结果表明,改进粒子群算法的稳定性和搜索精度有了明显提高,收敛速度明显加快;在PID参数整定应用上,同传统方法相比,系统稳定,收敛性能好。     

基于动态因子的粒子群算法在航路规划中的应用

粒子群优化PSO(Particle Swarm Optimization)因其实现容易、精度高、调整参数少、收敛速度快等优点而在解决优化问题中得到了广泛的应用。分析了惯性权值及加速度因子对粒子群算法优化性能的影响,进而提出改进粒子群算法的方法:线性或非线性动态调整惯性因子,从而有效地提高算法的搜索能力;进行了仿真实验,仿真结果表明改进后的算法在全局搜优的速率与精度方面均有明显提高。     

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。     

基于粒子群算法的直升机扭振系统传递函数辨识

为识别扭振系统传递函数,完成结构动力学建模,以某型直升机为例,利用试验扫频数据将扭振系统激励响应数据计算所得的频响函数与理论模型频响函数的差值作为粒子群算法优化目标,通过拟合扭振系统的伯德图(Bode Diagram)完成系统参数辨识。结果表明,粒子群算法能够有效辨识扭振系统传递函数,为结构动力学建模提供依据。     

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。     

基于复合优化的航空发动机模型参数估计

本文提出了一种复合优化方法,用于发动机多变量,状态空间模型的时域辨识。优化中粒子群优化算法和最小二乘优化算法按照“串联”方式运行。粒子群优化从一个初始种群出发,通过进化来搜索最优解。然而有些时候,粒子群算法会陷入次优解。那么最小二乘优化算法就可以从粒子群的次优解出发,通过共轭梯度法获得问题的最优解。本方法适用于待估计参数较多,且参数变化范围大的高阶多变量系统。本文将复合优化算法用于4输入4输出状态变量模型参数的估计。仿真结果表明了所提出方法的有效性。     

无人机参数优化自抗扰编队保持控制器设计

针对无人机编队飞行中的队形保持问题,采用结合粒子群算法的自抗扰控制技术对控制器进行设计,使响应过程具有良好的动态品质和较小的稳态误差。建立三维空间内基于相对误差的无人机编队飞行模型,并在此基础上设计了跟踪微分器、扩展状态观测器和非线性状态反馈自抗扰控制器,采用粒子群算法对控制器中部分参数进行优化整定。仿真结果表明,设计的结合粒子群算法的改进自抗扰控制器具有良好的控制性能,能以较高的精度实现无人机编队保持任务。     

冲压发动机连续可调喷管模糊控制研究

为了提高几何可调冲压发动机尾喷管控制性能,针对具有静差与动态不对称特性的连续可调喷管作动系统,采用模糊控制算法进行控制器设计,并利用自适应遗传算法进行控制器参数优化,最后将模糊控制系统与PID控制系统进行性能对比。结果表明,相较于常规模糊控制系统,优化后的模糊控制系统消除了稳态误差,减小了大小喉径在调节时间上的差异,鲁棒性较强。相较于优化后的PID控制系统,优化后的模糊控制系统在保证无稳态误差的基础上,具有更短的调节时间与更小的超调量,跟踪信号时具有更小的误差包络,优化后的模糊比PID控制系统性能提高2.6倍。总之,基于自适应遗传算法优化的连续可调喷管模糊控制系统比PID控制系统性能更高,能够满足高动态几何可调冲压发动机提出的响应快、调节精准、超调小的要求。     

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。     

增程式APU混沌退火混合粒子群优化模糊PID动态控制

针对增程式辅助动力单元(APU)工作点切换过程的控制,提出了一种混沌退火混合粒子群(CAHPSO)算法优化模糊比例积分微分(PID)控制的增程式APU动态控制策略。该算法将标准粒子群(PSO)算法与混沌搜索和退火机制融合,强化全局寻优能力,并采用该算法离线优化模糊PID控制参数。为验证该控制策略的有效性,本文建立了APU仿真模型。仿真结果表明:该控制策略可使APU在工作点从热机点逐步切换至高负荷点的过程中稳定时间短,在三个工作点切换控制过程中稳定时间分别为2.92 s,2.88 s,2.79 s;可使APU转速超调率小,在小负荷点向中负荷点切换时超调约0.95%,在其余过程未出现超调;可使APU转矩变化平缓,在中负荷点向高负荷点切换时转矩仅超调0.16 N·m,具有良好的动态控制效果。      

基于改进PSO算法的PID控制器参数优化

针对PID控制器参数设计问题,提出了一种基于改进PSO算法的优化方法。该方法将初始的粒子群分成两组搜索方向相反、相互协同的主、辅子群,在保持种群小规模情况下,增强算法全局探索能力,实现高精度的优化结果。仿真结果表明,该方法相比于传统算法,所得到的控制器参数使控制系统获得了更好的动态响应特性和满意的控制效果。     

基于改进遗传算法的飞行控制律参数设计

在进行大包线飞行控制律设计中,需将飞行包线分为几个区域,针对各个区域设计线性控制律,采用多个线性控制律来近似替代所需的非线性控制律,本文中线性控制律采用PID控制结构,若用传统PID控制律参数整定方法,工作烦琐、设计时间长,而且控制效果不是很好,提出运用遗传算法优化控制律参数,并针对遗传算法局部寻优能力差、收敛速度差、易早熟等缺点,对其进行了几点改进,为提高鲁棒性,对其适应函数进行了设计,针对某机型某个区域的俯仰控制进行了PID控制律设计仿真,利用改进的遗传算法对其参数进行优化,结果表明,该方法在23代就能得到最优控制参数,而且使系统动态性能有了较明显的提高。     

不同目标函数参数优化的FOPI直流调速控制

为了提高直流调速系统性能,将直流调速系统速度控制器设计为分数阶PI(FOPI),并与整数阶PI控制特性进行比较。在确定FOPI/PI控制器参数时,根据不同目标函数用粒子群算法对控制器参数进行了优化,并分析了不同目标函数所确定的控制器参数对调速系统性能的影响。仿真表明:FOPI有较好的控制性能。在设计控制器参数时,可根据性能要求选用不同的目标函数优化设计控制器参数。     

基于自抗扰控制的共轴直升机姿态控制律设计

以某型共轴双旋翼无人直升机作为研究对象,对无人机返航进场与降落着舰阶段的抗扰动问题进行研究。针对海上着舰环境下的外界干扰与不确定性问题,选用自抗扰控制器设计共轴直升机姿态控制律,以提高共轴直升机对外部扰动的抗扰性能。针对自抗扰控制律调整参数过多问题,设计改进粒子群算法进行自动参数优化。仿真结果表明:改进粒子群算法能够显著提高参数整定速度,且精度更高;优化参数后的自抗扰控制律在强干扰环境下具备良好的动态响应与鲁棒性。     

基于IPSO Elman神经网络的航空发动机故障诊断

为提高航空发动机故障诊断的精度,提出改进粒子群优化的Elman神经网络对航空发动机故障诊断的方法。利用MIV(平均影响值)对神经网络的输入端自变量进行筛选,降低输入维度;采用改进粒子群优化算法对Elman神经网络的权值和阀值进行优化,并对优化的神经网络进行训练;用训练好的神经网络对航空发动机故障进行诊断并与常规的BP（back propagation）、Elman神经网络、GM（1,n）、SVM (support vector machines)进行对比。仿真结果表明:IPSO Elman(improved particle swarm optimization Elman neural network)神经网络的诊断误差在不同数量训练样本时都小于其他方法,并且在参选故障诊断的性能参数不同时,其诊断误差相近,展现出较强的适应能力。      

AHPSO-SVM预测超声内圆磨削ZTA陶瓷的边界损伤

为解决普通加工方式易出现工程陶瓷边缘碎裂的问题,本文对超声内圆磨削工程陶瓷边界损伤预测系统进行了研究。在35 kHz轴向超声磨削与普通磨削两种条件下独立进行试验,运用支持向量机研究工艺参数与边界损伤影响规律,采用改进的粒子群算法优化支持向量机,建立采用混合核函数的AHPSO-SVM预测模型。研究结果表明,超声激励下试件边界损伤降幅为10.05%～21.23%,AHPSO-SVM预测模型MSE为0.378 4、平均相对误差为1.369 0%、30次适应度值标准差为0.020 2。相比于普通磨削,超声磨削可使ZTA陶瓷边界损伤值显著降低;建立的AHPSO-SVM模型具有较好的学习能力、泛化性能与良好的稳定性。