基于粒子群优化算法的直线拟合及应用

将粒子群优化算法和传统最小二乘法相结合,采用残差平方和准则、绝对残差绝对值和准则、相对残差绝对值和准则建立了一种基于粒子群优化算法的直线拟合方法,获得了比传统最小二乘法拟合要好得多的估计结果,实验证明了该方法的有效性及高精度性。     

基于移动抽头机制的判决反馈盲均衡算法研究

从系统时延值与判决反馈均衡器MSE收敛能力间的数学关系出发,借助不同类型的水声信道,对判决反馈均衡器时延值所造成的MSE性能影响进行系统分析,从结构组成上,创新性研究、阐述了判决反馈均衡器内部的工作规律,并在此研究基础上,提出了一种专用于判决反馈均衡器的新型移动抽头盲均衡算法,克服了传统算法所具有的收敛速度差异问题,在解决内部均衡冲突的基础上,通过均衡器时延值的自调节,成功实现MSE收敛性能的自动优化调整,提高了判决反馈盲均衡器对不同水声信道环境的适应能力和有效性,通过仿真和实地试验,验证了该算法能够在不同水声信道环境下自动调节系统时延值,大幅提高判决反馈均衡算法的收敛能力,同时有效克服了均衡器内部的冲突,使算法始终保持有较快地收敛速度。     

改进蜂群算法及其在圆度误差评定中的应用

针对基本人工蜂群算法(Artificial bee colony algorithm,ABC)的缺点,提出一种改进人工蜂群算法(Improved artificial bee colony algorithm,IABC),并应用于圆度误差最小区域评定中。该改进算法利用信息熵初始化种群,增强种群的多样性,并在引领蜂和跟随蜂搜索阶段,提出一种新的搜索策略,平衡算法的探索与开发能力。详细阐述IABC算法的基本原理与实现步骤,给出圆度误差满足最小包容区域条件的优化目标函数和收益度函数。通过基准测试函数验证IABC算法的有效性和准确性;通过对由三坐标机测得的多组测量数据进行圆度误差评定试验,结果表明IABC算法的评定精度优于最小二乘法、遗传算法以及粒子群算法等其他优化算法,且在求解质量和稳定性上优于ABC算法,验证了IABC算法不仅正确,而且适用于圆度误差的评定优化。     

一种基于LS-SVM与PID复合的逆控制系统

针对逆系统中非线性逆模型辨识困难的问题,研究了基于最小二乘支持向量机(LS-SVM)的逆模型辨识及控制,并用微粒子群算法(PSO)优化LS-SVM的参数和核函数参数。提出了一种由LS-SVM的逆模型与PID结合的复合控制系统,由LS-SVM辨识非线性系统的逆模型作为前馈控制器,形成直接逆控制。同时,由PID控制器构成反馈控制,克服直接逆控制鲁棒性不强的缺陷。仿真研究结果表明LS-SVM的逆模型辨识能力强,该复合控制系统具有比基于最近邻聚类的RBF神经网络逆控制系统更优的动态跟踪性能,更好的抗干扰能力和鲁棒性。     

自适应SA-PSO优化的威布尔混合分布参数估计方法及应用

针对采用传统参数估计方法得到的模型拟合误差较大的问题，建立多重威布尔混合分布参数估计的非线性最小二乘模型，并提出基于模拟退火（SA）思想的自适应粒子群（PSO）算法进行求解。在PSO算法优化过程中，采用自适应方法调整惯性权重和加速因子，加快其收敛速度；引入模拟退火机制，根据Metropolis准则确定最优粒子的取舍，改善其全局搜索能力。将该方法应用到某型柴油机喷油器失效分布的参数估计中，并与图解法、基于Levenberg-Marquardt的非线性最小二乘法、标准PSO算法、自适应PSO算法求解的结果进行比较，分析所提方法的优化性能及精度。结果表明，该方法能够有效提高多重威布尔混合分布模型参数估计的精度和效率。     

基于粒子群优化的混合模型预测控制研究

为解决复杂非线性系统的控制精度不高,稳定性难于保证等问题、将预测控制技术应用于非线性控制中,提出了一种基于粒子群优化和混合模型的预测控制算法.混合模型预测控制算法使用模糊聚类和最小二乘法建立了系统的复合模犁,由带压缩因子的粒子群算法优化获得了非线性控制系统的控制量,在非线性模型上对模糊预测控制算法和混合模型预测控制算法...     

应用粒子群优化算法辨识Hammerstein模型

非线性系统的辨识一直是现代辨识领域中的一个主要课题。针对非线性系统中Hammerstein模型，文中提出了利用群集智能中的粒子群优化算法（PSO）对非线性模型进行辨识。讨论了PSO的基本算法与参数初值的设置与选择方法。通过仿真实验说明：与非线性最小二乘法相比PSO算法对于非线性辨识的有效性和鲁棒性。PSO算法是一种有效的解决优化问题的群集智能算法，它的突出特点是算法中需要选择的参数少，程序实现简单，并在种群数量、寻优速度等方面较其他进化算法具有一定的优势。尤其县存高噪信比情况下，也收到较满意的结果。     

Adaptive infinite impulse response system identification using modified-interior search algorithm with Lèvy flight

In this paper, a new meta-heuristic optimization technique, called interior search algorithm (ISA) with Lèvy flight is proposed and applied to determine the optimal parameters of an unknown infinite impulse response (IIR) system for the system identification problem. ISA is based on aesthetics, which is commonly used in interior design and decoration processes. In ISA, composition phase and mirror phase are applied for addressing the nonlinear and multimodal system identification problems. System identification using modified-ISA (M-ISA) based method involves faster convergence, single parameter tuning and does not require derivative information because it uses a stochastic random search using the concepts of Lèvy flight. A proper tuning of control parameter has been performed in order to achieve a balance between intensification and diversification phases. In order to evaluate the performance of the proposed method, mean square error (MSE), computation time and percentage improvement are considered as the performance measure. To validate the performance of M-ISA based method, simulations has been carried out for three benchmarked IIR systems using same order and reduced order system. Genetic algorithm (GA), particle swarm optimization (PSO), cat swarm optimization (CSO), cuckoo search algorithm (CSA), differential evolution using wavelet mutation (DEWM), firefly algorithm (FFA), craziness based particle swarm optimization (CRPSO), harmony search (HS) algorithm, opposition based harmony search (OHS) algorithm, hybrid particle swarm optimization-gravitational search algorithm (HPSO-GSA) and ISA are also used to model the same examples and simulation results are compared. Obtained results confirm the efficiency of the proposed method.     

一种自适应均衡器最优阶数确定算法

提出了一种基于信道估计与级数展开的均衡器阶数确定算法(equalizer order algorithm based on channel estimation andseries expansion,CESE-EOA)。自适应均衡器是相干水声通信系统的重要组成部分,其阶数参数的确定会对系统性能产生重大影响。传统的均衡器阶数确定方法有适应性较差、对训练序列的长度要求较高等缺点。从多重线性回归模型的角度讨论了自适应均衡器阶数选择的依据,并以此为基础给出了一种最优的阶数计算方法,减小了均衡器的自噪声。理论分析与仿真、试验结果证明了该算法的正确性。该算法可用于计算线性自适应均衡器、盲均衡器或判决反馈均衡器中前馈滤波器的最优阶数,对均衡器设计有重要借鉴意义。     

Optimization of multi-pass turning operations using hybrid teaching learning-based approach

This paper presents a novel hybrid optimization approach based on teaching–learning based optimization (TLBO) algorithm and Taguchi’s method. The purpose of the present research is to develop a new optimization approach to solve optimization problems in the manufacturing area. This research is the first application of the TLBO to the optimization of turning operations in the literature The proposed hybrid approach is applied to two case studies for multi-pass turning operations to show its effectiveness in machining operations. The results obtained by the proposed approach for the case studies are compared with those of particle swarm optimization algorithm, hybrid genetic algorithm, scatter search algorithm, genetic algorithm and integration of simulated annealing, and Hooke–Jeeves patter search.