铅锌烧结过程的集成建模方法及智能优化算法

以铅锌烧结过程的集成建模和优化控制为背景 ,首先集成主元分析、神经网络、模糊专家系统等多种方法 ,建立了铅锌烧结过程的综合工况模型 ,然后根据综合工况模型预测的结果 ,采用聚类搜索混沌遗传算法获得最优的操作参数 ,给出操作优化指导 .本文提出的集成建模方法与操作优化算法 ,很好地解决了多输入多输出复杂工业过程的建模和优化控制问题 ,在铅锌烧结过程的生产中产生了显著的效益     

铅锌烧结过程智能集成优化控制技术

针对复杂的铅锌烧结过程。提出了基于神经网络和模糊专家规则模型的自学习模糊专家控制方法进行状态参数优化，基于神经网络模型的模糊C均值聚类搜索混沌遗传算法进行综合指标参数优化．智能集成优化控制技术具有高效性和实用性，有效地抑制了工况波动，提高了烧结矿产量和质量，取得了较好的工业控制效果．     

基于改进遗传算法的模糊神经网络控制器的设计

为了充分利用遗传算法的全局搜索能力和BP算法的局部搜索能力,提出了1种基于改进遗传算法的模糊神经网络控制器的设计,并通过对二阶系统模型的仿真,证明基于改进遗传算法的模糊神经网络控制器比常规的模糊神经网络控制器具有更好的控制性,具有更大的实用性。     

基于改进双种群遗传算法的模糊控制器的优化

遗传算法是一种自适应、启发式、群体型、概率性、迭代式全局收敛算法,利用遗传算法的良好的搜索特性来优化模糊控制器,可以取得很好的控制效果.本文对传统的双种群遗传算法进行了归纳和分析,在此基础上提出了一种改进的双种群遗传算法(CGDPGA).将此改进算法用于优化模糊控制器的隶属度函数、量化因子和比例因子来实现模糊控制器的全...     

基于改进蚁群算法的模糊控制器优化设计

研究控制器优化问题,由于模糊控制系统参数无法同时优化,使得系统选择参数困难,使系统控制效果存在一定的缺陷,安全性和可靠性降低。为解决上述问题,提出了一种多种群进化蚁群算法对模糊控制器优化设计。采用懒蚂蚁效应的改进蚁群算法进行优化,在传统蚁群算法的基础上,采用多个种群并行,对算法的初始化、路径构建以及信息素更新改进,并引入到模糊控制器的隶属函数、模糊规则的优化搜索中,搜索出适应于不同控制阶段的模糊控制器参数及控制规则,并进行仿真。仿真结果证明了改进算法对模糊控制器的参数具有良好的搜索速度和精度,使系统有很强的鲁棒性。     

自适应伪并行退火遗传算法解决最小权剖分问题

通过分析原有遗传算法解决剖分问题时,存在早熟现象的本质原因,对选择算子、交叉算子、变异算子提出了新的实现方法.为进一步提高算法的性能,将退火算法有机融合到遗传算法中,并采用多种群不同策略协同搜索机制,有效地避免过早收敛,对于参数采用构造模糊控制器自适应控制,加快了搜索速度、提高了搜索能力.仿真试验结果表明,该算法能够精确收敛到最优解或次优解.     

改进RBFNN求机械臂轨迹跟踪的研究

为了使机械臂准确跟踪目标轨迹,达到控制精度高、实时性好的目的,提出一种改进的径向基函数（RBF）模糊神经网络算法。该算法采用模糊遗传算法在线调整神经模糊控制器的参数,对其参数进行改进和优化,同时采用最近邻聚类算法对控制器的模糊规则库进行更新。仿真结果表明,该算法与传统的神经网络算法相比具有较好的性能,学习速度快,跟踪精度高,并具有良好的控制性能和自学习能力。     

遗传算法自适应模糊神经网络控制

神经网络能够以任意精度逼近任意复杂的非线性关系,具有高度的自适应和自组织性,在解决高度非线性和严重不确定系统的控制方面具有巨大的潜力.但一般神经网络训练算法如BP算法训练速度慢,受初值影响大且易陷入局部极小点,该文提出了一种基于模糊神经网络的间接自校正控制系统,控制器以高斯隶属度函数的径向基函数（RBF）神经网络结构,利用改进的遗传算法（GA）对结构和参数进行同步优化,改进适应度函数指导搜索过程,在保证稳定情况下大大加快了收敛的速度.神经网络正向模型（NNP）利用弹性BP算法进行离线辨识,使得到的模型泛化性能好.     

模糊C均值聚类图像分割的改进遗传算法研究

基于模糊C均值（FCM）聚类算法,并利用遗传算法全局随机搜索的特点,提出了一种图像分割的改进遗传算法。该算法首先采用一种初值化算法确定合适的遗传算法的初始搜索范围,然后对遗传算法中的编码方式、交叉算子、变异算子等参数进行了一些适当改进,进而给出了该算法的理论推导和算法的具体实现步骤。该算法除了解决模糊C均值聚类算法在医学图像分割中容易陷入局部最优解的问题,而且采用的初值化算法比标准的遗传模糊C均值聚类算法能确定更合适的遗传算法的初始搜索范围,从而加速了遗传算法的收敛过程。实验表明,该方法相对于标准的遗传模糊C均值聚类算法,效果要好得多。     

基于混沌遗传算法的模糊CMAC控制

分析CMAC神经网络和模糊控制的特性,给出了一种能反映人脑认知的模糊性和连续性的模糊CMAC神经网络控制器,该控制器采用高斯函数作为模糊隶属函数,利用神经网络实现模糊推理并可对隶属函数进行实时调整,从而使其具有学习和自适应能力;针对BP算法易陷入局部极值点的缺点和简单遗传算法局部搜索能力差的不足,提出了一种混合学习算法,即首先利用混沌遗传算法全局搜索的特点来离线优化神经网络的参数,再利用BP算法较强的局部搜索能力对网络参数进行在线调整;仿真结果表明了该方法的可行性和有效性.     

轮式机器人横向纵向统一遗传模糊神经网络控制研究

在对轮式地面机器人进行纵、横向统一遗传模糊神经网络控制中，提出了一种多目标遗传优化的策略，用分别编码、先分再合的分步优化遗传算法寻找模糊神经网络的参数。并采用先对车体动力学模型进行仿真控制，再用仿真得来的数据控制实际车辆，进行车体在线遗传寻优的方法，这种方法能最直接地控制车体运动。经过实验研究，控制效果较好，有一定意义。     

Tuning of a neuro-fuzzy controller by genetic algorithm

Due to their powerful optimization property, genetic algorithms (GAs) are currently being investigated for the development of adaptive or self-tuning fuzzy logic control systems. This paper presents a neuro-fuzzy logic controller (NFLC) where all of its parameters can be tuned simultaneously by GA. The structure of the controller is based on the radial basis function neural network (RBF) with Gaussian membership functions. The NFLC tuned by GA can somewhat eliminate laborious design steps such as manual tuning of the membership functions and selection of the fuzzy rules. The GA implementation incorporates dynamic crossover and mutation probabilistic rates for faster convergence. A flexible position coding strategy of the NFLC parameters is also implemented to obtain near optimal solutions. The performance of the proposed controller is compared with a conventional fuzzy controller and a PID controller tuned by GA. Simulation results show that the proposed controller offers encouraging advantages and has better performance.     

在线知识获得智能模糊控制器研究

对一些复杂的系统。传统PID或模糊控制很难得到满意控制效果，本文提出采用基于RBF神经网络和遗传算法的自适应模糊控制器来进行控制。由遗传算法在线优化模糊控制器的比例因子、模糊推理规则和隶属函数。并由RBF网络辨识被控对象的动态特性，以评价模糊控制器控制性能。仿真实验表明。优化后的Fuzzy控制器具有较强的学习和自适应控制能力，控制效果优于没有寻优的Fuzzy控制。     

基于改进遗传算法寻优的神经网络PID控制及应用

根据神经网络PID控制器初值的选取影响系统控制性能的特点,提出了一种基于改进遗传算法寻优的神经网络PID控制方法.即先利用遗传算法对PID控制器参数离线寻优,将求出的参数值作为控制器的比例、积分、微分系数的初值,再进行神经网络PID控制.对一类液位过程的实时控制结果表明采用本方法的控制系统具有较好的稳定性和鲁棒性.     

Fuzzy neural networks-based quality prediction system for sinteringprocess

A hybrid fuzzy neural networks and genetic algorithm (GA) system is proposed to solve the difficult and challenging problem of constructing a system model from the given input and output data to predict the quality of chemical components of the finished sintering mineral. A bidirectional fuzzy neural network (BFNN) is proposed to represent the fuzzy model and realize the fuzzy inference. The learning process of BFNN is divided into off-line and online learning. In off-line learning, the GA is used to train the BFNN and construct a system model based on the training data. During online operation, the algorithm inherited from the principle of backpropagation is used to adjust the network parameters and improve the system precision in each sampling period. The process of constructing a system model is introduced in details. The results obtained from the actual prediction demonstrate that the performance and capability of the proposed system are superior     

A novel design of high-sensitive fuzzy PID controller

A hybrid model is designed by combining the genetic algorithm (GA), radial basis function neural network (RBF-NN) and Sugeno fuzzy logic to determine the optimal parameters of a proportional-integral-derivative (PID) controller. Our approach used the rule base of the Sugeno fuzzy system and fuzzy PID controller of the automatic voltage regulator (AVR) to improve the system sensitive response. The rule base is developed by proposing a feature extraction for genetic neural fuzzy PID controller through integrating the GA with radial basis function neural network. The GNFPID controller is found to possess excellent features of easy implementation, stable convergence characteristic, good computational efficiency and high-quality solution. Our simulation provides high sensitive response (∼0.005 s) of an AVR system compared to the real-code genetic algorithm (RGA), a linear-quadratic regulator (LQR) method and GA. We assert that GNFPID is highly efficient and robust in improving the sensitive response of an AVR system.     

模糊神经网络pH控制器的DSP实现

针对pH值控制过程具有较强非线性、纯滞后性的特点，传统PID控制往往达不到满意控制效果。介绍一种将模糊控制技术与神经网络技术相结合构成的模糊神经网络pH控制器，通过数字仿真显示了该控制算法的控制效果优于传统的PID控制和一般的模糊控制算法。并将提出的模糊神经网络控制算法在DSP上进行了实现．通过模拟实验验证了该控制器的可行性。     

一种最优模糊神经网络控制器

基于最优控制的思想,通过对控制系统的过程模拟,提出一种最优模糊神经网络控制器的设计方案,首先利用基于十进制编码机制的遗传算法寻找最优的控制器结构,然后利用基于浮点数编码机制的遗传算法寻的最优的控制器参数,仿真结果表明该控制器优于常规模糊控制器。     

基于模糊神经网络PID控制器的EEC数字化设计

为实现航空发动机模拟式电子控制器(EEC)的数字化设计,以其低压压气机导流叶片调节通道为主要研究对象,提出一种模糊神经网络PID控制器,将模糊控制、神经网络、PID控制相结合,利用模糊控制专家经验优势和神经网络的自学习、自适应能力,优化PID控制参数,实现控制性能提升。仿真结果显示,基于模糊神经网络的PID控制器控制性能有较大提高,具有比常规神经网络PID控制器更小的超调量和更好的抗干扰性;适用于定常系统和非定常系统,具有更好的自适应性与鲁棒性;可应用于航空发动机模拟式电子控制器(EEC)的数字化设计。     

基于可变学习率BP算法的空调控制系统的研究

通过分析控制器参数学习率和控制器性能之间的关系,设计一种基于可变学习速率反向传播算法VLRBP和模糊神经元网络的变频空调控制系统.该系统不仅可以通过反传误差信号训练控制器参数,而且可以根据网络的当前状态朝最优化方向调整控制器参数的学习率.实验结果表明,该控制系统不仅比传统的空调PID控制器和模糊控制器具有更好的控制性能,而且相比基于标准BP算法和动量BP算法的模糊神经网络控制系统,也具有更快的收敛速度和更好的控制精确度.