基于多目标的模糊神经网络及在pH控制过程中的应用

设计了一种基于多目标的动态模糊递归神经网络（FRNN）建模方法,用于pH中和过程的广义预测控制。所设计的多目标优化算法以提高拟合精度和简化网络结构为原则,同时优化模糊神经网络中的模糊规则数、隶属度函数中心点及其宽度,由此得到的FRNN模型可以高精度拟合pH中和过程。依据该动态模型,在控制过程的每一个控制周期得到其局部线性模型,将广义预测控制中复杂的非线性优化问题转化为简单的二次线性规划问题。仿真对比结果验证了所提方法的有效性。     

一阶时滞不稳定对象的PID控制器多目标优化设计

针对一阶时滞（FOPDT）不稳定对象,提出了一种基于参数稳定空间的多目标遗传算法进行PID控制器的优化设计。该算法首先采用两级控制结构,以保证PID控制器参数稳定空间的存在性,然后,基于该稳定空间提出了一种多目标遗传算法,用来求解带约束的多目标PID控制器参数整定问题。数值例子和生物反应器仿真研究表明所提方法的有效性。     

PID参数自整定的改进遗传算法

文中提出了一种改进遗传算法进行PID参数自整定,设计了基于工程PID参数自整定遗传算法的编码以及基于该编码的交叉、变异算子,通过仿真比较,表明该种算法的有效性。     

基于剪接系统的遗传算法RBF网络建模方法

A splicing system based genetic algorithm is proposed to optimize dynamical radial basis function （RBF） neural network, which is used to extract valuable process information from input output data. The novel RBF network training technique includes the network structure into the set of function centers by compromising between the conflicting requirements of reducing prediction error and simultaneously decreasing model complexity. The effectiveness of the proposed method is illustrated through the development of dynamic models as a benchmark discrete example and a continuous stirred tank reactor by comparing with several different RBF network training methods.