基于局部多项式逼近的变参数梯度估计算法

本文分析了梯度辨识算法跟踪时变系统的缺点，提出了一种新的基于局部多项式逼近的变参数梯度估计算法。本算法具有良好跟踪性能特别适用于时变系统跟踪且其对噪声的敏感程度与一般梯度估计方法相当。仿真结果验证了其良好性能。     

机器人关节跟踪带死区的变参数EW-RLS算法研究

提出一种带死区的变参数EW-RLS算法,提出误差级的概念,并给出基于鲁棒极小极大原理选择误差级的准则。在机器人关节上进行的实验验证了该改进算法的良好性能。利用该算法,用最优PID控制器进行机器人轨迹跟踪研究。     

基于人工鱼群算法的参数估计方法

利用人工鱼群算法的基本特性 ,提出了一种新的参数估计方法 ,并进行了仿真实验研究 .结果表明 ,具有良好的跟踪性能和实时性     

全局最优的邻域估计

为了实现全局最优的快速搜索,对全局最优所处的范围进行预估非常关键.受沙盘重心的力平衡关系启发,提出基于重心定位的全局最优邻域估计方法.利用空间变换技术,将寻优空间的重心＂移＂至全局最优附近;在重心逐次＂移＂动过程中,以重心为几何中心,构造一个范围不断缩小的全局最优邻域.函数测试和工程应用表明,所提出方法能以较小的种群和迭代次数确定全局最优的有效邻域范围.     

基于改进离散粒子群算法的炼钢连铸最优浇次计划

提出了浇次数未知的最优浇次计划模型. 在分析该模型求解困难的基础上, 提出了用伪旅行商表示该模型的方法. 针对离散粒子群优化具有收敛速度、精度低, 但能充分利用各粒子的局部最优值和全局最优值信息的特点,而序列倒置算子具有收敛速度和精度较高, 但学习具有盲目性的特点, 结合二者优点, 提出了一种基于序列倒置的改进离散粒子群优化算法. 实验研究表明, 该算法与普通离散粒子群优化算法相比, 不论是收敛速度和还是求解精度都有了较大提高. 基于该改进算法求解最优浇次计划模型的研究表明: 所提伪旅行商问题模型非常适合用于组浇模型描述. 应用实际生产数据的计算表明该模型及其求解方法均非常有效.     

焦炉焦化模型开发

焦化过程是一个伴随有物理，化学变化的传热过程，建立焦化模型，必须首先从煤高温于馏机理出发建立煤热分解时的热处理参数（如比热、密度、收缩率、传热系数等）随其化学组成和结构变化的模型，并利用该模型建立煤与焦的热量与物质传递模型。本文详细讨论了焦化过程中煤的热物理参数计算及其仿真。     

焦炉焦化模型开发：离散态空间模型开发（Ⅰ）

本文应用现代控制理论、系统分解与机理建模相结合的方法，对焦化过程进行了模型化研究，建立了焦炉焦化过程温度分布的离散状态空间模型，并进行了仿真研究。并把模型仿真结果与大型焦炉的实测结果进行了对比。该模型具有结构简单，计算量小等优点，适用于计算机实时控制。     

单参数PID的Hebb学习控制

基于模型的设计方法可以获得较为满意的控制性能,但这种方法在设计难以建模或模型时变的系统时会遇到很多困难.本文对简化的Z-N方法进行了根轨迹分析,表明:对于常见的过程控制对象,基于简化Z-N方法整定的单参数单神经元PID存在使系统稳定的可行性解.利用人工神经网络的Hebb学习规则对PID增益进行学习,可以实现常见工业过程的无模型自适应控制.与其他单神经元PID相比,PID调整参数少.仿真和实验表明,本文算法可以获得较好的仿真效果,具有满意的实验性能指标.     

基于Inver-Over算子的改进离散粒子群优化算法

离散粒子群算法能充分利用粒子的局部极值和全局极值信息,但收敛速度慢、精度低;Inver-Over算子收敛速度快、精度高,但学习具有盲目性。结合二者优点,文中提出一种基于Inver-Over算子的改进离散粒子群优化算法。为防止早熟收敛,引入局部最优子群的概念,使粒子向局部最优子群中粒子学习而不是向个体局部最优学习。引入3个参数:学习选择概率用以确定粒子的学习对象,代数阈值确定何时向全局最优粒子学习,局部最优子群比决定最优子群的规模。讨论这些参数的选择原则,并给出相应参考选择范围。研究表明,文中算法与普通离散粒子群优化算法和郭涛算法相比,收敛速度和求解精度都有较大提高。