电机控制系统PID参数的遗传算法优化

近年来,遗传算法的研究十分引人注目,作为一种新型的、模拟生物进化过程的随机化搜索和优化方法。其算法简单通用,鲁棒性强,在组合优化、机器学习、自适应控制和规划设计等领域的应用中已展现了其特色和魅力。该方法是一种不需要任何初始信息并可以寻求全局最优解的、高效的优化组合方法。文章就是利用遗传算法对某一电机控制系统的PID参数进行优化,以提高控制系统的性能指标。     

电机控制系统PID参数的遗传算法优化

近年来，遗传算法的研究十分引人注目，作为一种新型的、模拟生物进化过程的随机化搜索和优化方法。其算法简单通用，鲁棒性强，在组合优化、机器学习、自适应控制和规划设计等领域的应用中已展现了其特色和魅力。该方法是一种不需要任何初始信息并可以寻求全局最优解的、高效的优化组合方法。文章就是利用遗传算法对某一电机控制系统的PID参数进行优化，以提高控制系统的性能指标。     

基于进化策略结合BP神经网络的景象匹配算法研究

基于进化策略结合BP神经网络方法对景象匹配算法进行研究，以实现导弹武器系统匹配概率的提高和定位精度的改进。提出并实现了一种高效的基于进化策略结合BP神经网络的景象匹配算法。实验表明该方法的收敛性能及学习速度优于标准BP神经网络算法，具有寻优的全局性、精确性。     

基于BP神经网络的模型参考自适应姿态控制

采用模型参考自适应控制的基本设计框架,并通过BP神经网络对PID控制参数进行自主调节,实现飞行器的自适应姿态控制。利用参考模型输出、实际对象输出等信号作为训练信号,对所构建的三层BP神经网络进行权重更新。仿真结果表明,将BP神经网络应用于飞行器的自适应姿态控制中,能够实现PID控制器参数的自主调整,表明了BP神经网络优良的逼近性能。同时,该控制方案确保了飞行器姿态控制系统的性能指标,并且提高了工程设计的智能化水平。     

"预先"进化遗传算法研究

遗传算法在对单目标函数的静态寻优中表现出了良好的收敛性和鲁棒性。但是在优化目标动态变化,要求很快给出优化结果时,由于遗传算法运行时间较长,就难以实现。本文提出的“预先进化遗传算法”,就是为了使遗传算法具有动态性能,能够适应优化目标的动态变化,提高寻优的实时性。算法主要思路是借助于并行计算技术、在确定优化目标(决策)过程中就对可能的多个优化目标函数的优良个体进行培养。一旦优化目标确定,在预先培养的优良个体的基础上可以快速寻优。这样就使遗传算法能够适用于优化目标可变的动态环境。文中描述了“预先”进化遗传算法的实现算法,并证明了算法的有效性。最后对算法进行了验证。通过实例可以看出,采用传统遗传算法,单目标函数优化一般要迭代300次,才能够得到较理想的优化结果。而“预先”进化遗传算法经过150次左右的多个目标同时预先进化后,对具体目标的进化只需要50次左右就收敛到较理想的数值。由于预先进化是与决策具体的优化目标同时进行,因此可以实现优化目标确定后的快速寻优。     

深度交叉遗传神经网络在液体火箭发动机故障检测中的应用

将遗传算法与BP神经网络深度交叉融合,即采用遗传算法对BP神经网络的权值和阈值进行多点优化,而在进化的每一代中随机取少量染色体进行单一BP网络训练,训练结果再返回染色体,经过若干代的进化后得到稳定的权值和阈值,再将它们赋给BP神经网络,作为初始值,按误差前向反馈算法沿负梯度搜索重新训练,最终得到最优解。这种算法既避免BP算法易陷入局部最优解的不足,又克服遗传算法以类似穷举的形式寻找最优解而引起的搜索时间长、速度慢的缺点。并且经过仿真分析,深度交叉遗传BP神经网络的收敛性和故障诊断能力优于传统BP神经网络和单一使用遗传算法,可有效应用于液体火箭发动机故障检测中。     

基于HHGA-RBF神经网络的复合材料结构脱层损伤监测研究

针对应用于结构健康监测中的径向基函数神经网络(RBFNN)算法和训练中存在的一些问题,提出一种将递阶遗传算法和最小二乘法相结合,用于优化径向基神经网络的结构和参数的新算法,遗传过程中采用自适应的交叉和变异概率有效地加快了遗传收敛速度和避免早熟现象的出现。搭建了复合材料结构健康监测实验系统,并将实验模态分析结果归一化后送入训练好的ＲＢＦ神经网络进行预测,实现了对复合材料梁的脱层损伤定位和损伤程度的辨识仿真。结果表明基于混合递阶遗传算法的径向基神经网络(HHGAkRBF)收敛速度快,鲁棒性好,精度高。     

进化神经网络在复合材料格栅结构设计中的应用

根据Kolmogorov多层神经网络映射存在定理,利用进化神经网络来实现结构设计参数(输入)与结构响应参数(输出)的全局非线性映射关系,以此来代替实际结构优化过程中存在的大量有限元计算,从而提高优化效率。以遗传算法为优化求解器,神经网络屈曲稳定性响应面为主要约束,对复合材料格栅加筋结构的优化问题进行了分析研究。算例表明,在相同(有限元)样本数据的情况下,进化神经网络通过自适应调节网络结构和权值,可获得比BP神经网络更高精度的映射模型,具有很强的泛化能力。该方法可为解决大型复合材料结构优化设计提供一条高效途径。     

动态矩阵(DMC)-PID串级预测控制策略在新型叶片连续回转马达位置伺服系统中的应用

动态矩阵（DMC）预测控制是一种以优化指标确定控制策略的方法。基于DMC的PID串级预测控制是在单纯PID串级控制的基础上，把经过PID校正的伺服系统定义为广义对象，作为DMC的被控对象，用DMC预测算法在线滚动优化控制参数，在优化过程中利用实测信息不断进行反馈校正。通过仿真分析，与单纯的PID控制相比，在新型叶片式连续回转马达位置伺服系统中采用DMC—PID串级预测的一种控制方法控制能够使整个系统的跟踪性能得到进一步提高。     

基于深度学习的组合体航天器模型预测控制

利用模型预测算法先预测控制结果后控制的类人行为特点,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的模型预测控制算法,满足航天工程低硬件需求,实现组合航天器多场景下姿态控制律的重构。该算法首先利用模型预测控制将组合航天器从初始状态控制到预期状态,然后将控制过程中状态量用于3层3核卷积神经网络的训练,训练完成后,用该卷积神经网络代替模型预测对组合航天器进行控制,从而降低计算资源需求。仿真校验表明：该算法可预测5个控制周期内的控制参数,相比传统模型预测算法所需硬件计算时间降低约5倍,在一般硬件环境下30 s内即可完成各场景下的组合航天器姿态控制,控制精度在10 -4 量级。