基于模糊白适应免疫算法的非线性系统模型参数估计

复杂生产工艺中非线性系统的模型参数估计是系统建模优化问题中的难点,为避免优化算法过早收敛于错误的参数估计值,根据生物免疫机理和模糊逻辑原理提出了一种新颖的模糊自适应免疫算法,该算法采用混沌超变异操作增强算法搜索能力,并用免疫网络调节策略保持抗体群的多样性,同时采用模糊逻辑调节算法参数以提高算法的自适应能力．函数优化仿真结果表明其具有较好的收敛性能,并能够克服早收敛问题．最后将其成功应用于重油热解非线性模型参数估计中,验证了该算法解决实际建模问题的可行性和有效性．     

改进协同微粒群优化的模糊神经网络控制系统设计

针对协同微粒群算法不能保证收敛到局部或全局最优值的问题,提出一种改进协同微粒群算法(ICPSO),并证明了该算法能以概率1收敛干全局最优解.应用ICPSO建立一类非线性对象的神经网络辨识模型,并对系统的模糊神经网络自适应控制器的参数进行了离线和在线优化.仿真结果表明,ICPSO能提高系统的建模精度,增强模型的泛化能力,而且由ICPSO训练的控制器可以达到良好的控制效果.     

多子种群微粒群免疫算法及其在函数优化中应用

为克服基本微粒群算法的早熟问题,借鉴多子种群和自适应的思想,提出了基于两层模型的多子种群自适应多态杂交微粒群免疫算法.该算法首先通过对若干个子种群进行低层自适应多态杂交微粒群操作,改善了子种群的多样性,有效抑制了收敛过程中的早熟停滞现象;然后通过高层免疫克隆选择操作,显著地提高了全局寻优能力,进一步提高了收敛精度.针对函数优化的仿真结果表明:与其他改进微粒群算法相比,该算法具有更快的收敛速度和更高的求解精度,尤其适合高维及多模态优化问题的求解.     

自适应模糊辨识及其在大系统中的应用*

本文基于Ｔ－Ｓ模糊模型构造了一种新的自适应模糊神经网络，给出了网络诉连接结构物学习算法，它能自动学习和修正前件参数及模糊规则，将其用于大系统随机民递阶优化的控制建模中，仿真结果表明，该方法具有收敛速度快，辨识精度高、泛化能力强等特点，可当作复杂大系统建模的一种有效手段。     

自适应抑制式模糊C-回归模型算法

模糊C-回归模型算法由Hathaway和Bezdek提出,与硬C-回归模型算法相比有着稳定性强、收敛效果好的优点,但该算法也存在着收敛速度偏慢的问题.针对此问题,引入隶属度抑制思想,提出了抑制式模糊C-回归模型(S-FCRM)算法.实验表明,S-FCRM算法加快了算法的收敛速度,提供了较好的收敛效果.然而S-FCRM算法还存在着抑制因子参数选择的问题,针对这个问题,研究了抑制因子选择的自适应方法,进一步提出了自适应抑制式模糊C-回归模型(AS-FCRM)算法.实验表明,AS-FCRM算法有着较好的自适应效果,收敛速度更快,鲁棒性更好.     

基于免疫粒子群算法的参数估计方法

针对污水生化反应模型参数估计问题,提出一种基于免疫粒子群算法的估计方法。该方法采用免疫算法保持粒子群的多样性,避免粒子群算法的过早收敛而降低寻优能力。利用估计的参数值对实验数据进行拟合,仿真结果表明,拟合误差率低于标准的粒子群和遗传算法,进一步提高了污水生化反应模型参数估计精度。     

基于模糊遗传算法的埋入式电阻热布局优化

针对标准遗传算法优化埋入式电阻热布局存在的过早收敛等问题,通过设计适应度函数、采用模糊逻辑控制器自适应调整交叉概率和变异概率,以及对长时间未进化的种群实施局部灾变等措施维持种群多样性,使算法最终收敛于全局最优解.仿真结果表明,该算法能够更好地抑制早熟收敛,算法优化布局结果的温度分布更平均,并通过热成像仪对实验样件进行温度分布测试验证了算法的有效性.     

一种新的自适应免疫进化算法

根据生物免疫系统的免疫网络调节机理，提出了一种新的自适应免疫进化算法．该算法按照抗体激励水平进行选择操作；同时建立优秀抗体记忆库，并采用种群自适应调节策略，保持了进化抗体群的多样性．试验表明，该算法比标准遗传算法的收敛性能好，能有效避免遗传算法种群多样性保持能力不足和早收敛的缺点．     

基于微粒群算法的非线性系统建模方法研究

针对非线性系统多模型自适应控制中的模型覆盖问题,提出一种基于微粒群算法的多模型建模方法.首先,对非线性系统定义了基于混合逻辑模型的多模型描述,建立了非线性系统的混合线性多模型;然后,基于微粒群优化算法对非线性系统进行优化建模,在保证建模准确性的同时采用最少的子模型逼近非线性系统;最后,通过一个仿真算例表明了该建模方法的有效性.     

一种免疫记忆动态克隆策略算法

基于对克隆选择及免疫记忆动态过程的模拟,本文提出了一种人工智能算法,免疫记忆动态克隆策略算法,该算法模拟免疫系统的自我调节、记忆学习、自适应等机制,实现全局优化计算与局部优化计算机制的有机的结合,通过抗体与抗原的亲合度和抗体间亲合度的计算,促进和抑制抗体的产生,自适应地调节抗体群和记忆单元的克隆规模.理论分析证明该算法以概率1收敛,对多峰函数优化及货郎担问题的仿真试验表明,算法有效,而且具有全局搜索能力强,种群多样性好及收敛速度快等特点.     

基于T-S模糊系统的软测量混合建模研究

在分析几种模糊系统建模方法的基础上，提出一种简单有效的软测量建模方法．该算法基于变结构构造法模糊建模思想，均匀设计模型的初始结构，以绝对误差为建模指标，通过增加模糊规则来提高T S模糊系统的精度．为降低规则参数辨识的计算量，提高建模速度，将规则参数分为线性和非线性两部分，分别采用Levenberg Marquardt法与最小二乘法进行辨识．实例证明，本文所提出的建模方法规则分布合理，收敛速度快，泛化性能好，适合建立多输入的软测量模型，具有较好的实际应用价值．     

Adaptive fuzzy model based inverse controller design using BB-BC optimization algorithm

The use of inverse system model as a controller might be an efficient way in controlling non-linear systems. It is also a known fact that fuzzy logic modeling is a powerful tool in representing nonlinear systems. Therefore, inverse fuzzy model can be used as a controller for controlling nonlinear plants. In this context, firstly, a new fuzzy model based inverse controller design methodology is presented in this study. The design methodology introduced here is based on a recursive optimization procedure that searches for an optimal inverse model control signal at every sampling time. Since the task of optimization should be accomplished in between two sampling periods the use of a fast optimization algorithm becomes essential. For this reason, Big Bang-Big Crunch (BB-BC) optimization algorithm is used due to its low computational time and high global convergence properties. Even though, inverse model controllers may produce perfect control while operating in an open loop fashion, this open loop control would not be sufficient in the case of modeling mismatches or disturbances that might occur over the system. In order to overcome this problem, secondly, an on-line adaptation mechanism via BB-BC optimization algorithm is introduced in addition to BB-BC optimization based fuzzy model inverse controller. The adaptation mechanism is used to update the related parameters of the model while minimizing the absolute value of the instantaneous error between the system and model outputs. In this manner, the system output is somehow fed back, the overall control form can be considered as a closed-loop system. The new fuzzy model based inverse control scheme with the new online adaptation mechanism has been implemented and tested on the two real time processes; namely, heat transfer and pH processes and very satisfactory results has been reported.     

Takagi-sugeno fuzzy model identification using coevolution particle swarm optimization with multi-strategy

The particle swarm optimization (PSO) algorithm is widely used in identifying Takagi-Sugeno (T-S) fuzzy system models. However, PSO suffers from premature convergence and is easily trapped into local optima, which affects the accuracy of T-S model identification. An immune coevolution particle swarm optimization with multi-strategy (ICPSO-MS) is proposed for modeling T-S fuzzy systems. The proposed ICPSO-MS consists of one elite subswarm and several normal subswarms. Each normal subswarm adopts a different strategy for adjusting the acceleration coefficients. A Cauchy learning operator is used to accelerate the convergence of the normal subswarm. During the iteration step, the best individual in each normal subswarm is added to the elite subswarm. Using adaptive hyper-mutation, the immune clonal selection operator is used to optimize the elite subswarm while the individuals in the elite subswarm migrate to the normal subswarms. This shared migration mechanism allows full exchange of information and coevolution. The performance of the proposed algorithm is evaluated on a suite of numerical optimization functions. The results show good performance of ICPSO-MS in solving numerical problems when compared with other recent variants of PSO. The performance of ICPSO-MS is further evaluated when identifying the T-S model, with simulation results on several typical nonlinear systems showing that the proposed method generates a good T-S fuzzy model with high accuracy and strong generalizability.     

基于双线性模型的连续时间非线性最优控制的DISOPE 算法

对连续时间非线性最优控制问题出了基于双线性二次型问题的ＤＩＳＯＰＥ算法,在模型与实际存在差异的情况下,通过求解修正的基于双线性模型的优化总理２和参数估计问题,给出了实际问题的最优解,提出了求解非齐次双线性二次型问题的迭代算法,分析了该算法的收敛性,仿真结果表明该算法比现有算法有更好的收敛特性。     

具有模型和实际差异的非线性离散动态系统最优控制

针对模型与实际存在一定差异的情况,提出了一种求解非 线性离散系统最段控制的动态系统优化和参数估计集成（Ｄｙｎａｍｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｓｙｓｔｅｍ Ｏｐｔｉｍｉｚａｔｉｏｎ Ｐａｒａｍｅｔｅｒ Ｅｓｔｉｍａｔｉｏｎ,简称ＤＩＳＯＰＥ）的研究法。推导出一组求解一类有终端等式约束的非齐次的线性两点边值问题的递推公式,对于有终端等式约束的非线线性最优控制问题得到了在计算上易于实现的一种ＤＩＳＯＰＥ     

基于T-S 模型的模糊预测控制研究

提出一种基于T—S模型的模糊预测控制策略．利用模糊聚类算法高线辨识T—S模型，采用带遗忘因子的递推最小二乘法进行模型参数的选择性在线学习；对模糊模型在每一采样点进行线性化，将T—S模型表示的非线性系统转化为线性时变状态空间模型，并将约束非线性优化问题转化为线性二次规划问题，解决了非线性预测控制中如何获得非线性模型和非线性优化在线求解的难题．将预测域内的线性模型序列作为预测模型，减小了模型误差，提高了控制性能．pH中和过程的仿真验证了该方法的有效性．     

利用模糊满意聚类建立pH 中和过程模型

利用模糊聚类方法建立 p H中和过程模型。针对模糊聚类中普遍存在的聚类个数需事先给定和收敛速度慢等问题 ,在原有聚类方法的基础上提出一种模糊满意聚类算法。该算法能快速确定系统的模糊划分数目 ,进而对应聚类个数建立相应的 TS局部线性化模型。以典型 p H中和过程为研究对象 ,利用上述方法建立其系统模型 ,取得了良好的仿真效果 ,验证了该聚类算法的快速性和有效性     

A parameter optimization method for radial basis function type models

This paper considers the nonlinear systems modeling problem for control. A structured nonlinear parameter optimization method (SNPOM) adapted to radial basis function (RBF) networks and an RBF network-style coefficients autoregressive model with exogenous variable model parameter estimation is presented. This is an off-line nonlinear model parameter optimization method, depending partly on the Levenberg-Marquardt method for nonlinear parameter optimization and partly on the least-squares method using singular value decomposition for linear parameter estimation. When compared with some other algorithms, the SNPOM accelerates the computational convergence of the parameter optimization search process of RBF-type models. The usefulness of this approach is illustrated by means of several examples.     

用模糊模型在线辨识非线性系统

讨论用模糊方法实现非线性系统在线辨识问题.首先给出了简化的模糊规则表达 方法及其相应的自适应模糊推理,在此基础上给出了模糊模型参数在线辨识算法.最后对 非线性模型进行在线辨识,验证了本文提出的模糊模型及其在线辨识算法.     

基于LMI的一类非线性多时滞系统的模糊H∞滤波器设计

This paper develops fuzzy H1 filter for state estimation approach for nonlinear discrete-time systems with multiple time delays and unknown bounded disturbances. We design a stable fuzzy H1 filter based on the Takagi-Sugeno (T-S) fuzzy model, which assures asymptotic stability and a prescribed H1 index for the filtering error system. Sufficient condition for the existence of such a filter is established by solving the linear matrix inequality (LMI) problem. The LMI problem can be efficiently solved with global convergence using the interior point algorithm. Simulation examples are provided to illustrate the design procedure of the proposed method.