解决多目标优化问题的差分进化算法研究进展

差分进化(differential evolution,DE)是一种简单但功能强大的进化优化算法.由于其优秀的性能,其诞生之日起就吸引了各国研究人员的关注.作为一种基于群体的全局性启发式搜索算法,差分进化算法在科学和工程中有许多成功的应用.本文对解决多目标优化问题的差分进化算法研究进行了综述,对差分进化的基本概念进行了详细的描述,给出了几种解决多目标优化问题的差分进化算法变体,并且给出了差分进化算法解决多目标优化问题的理论分析,最后,给出了差分进化算法解决多目标优化问题的工程应用,并指出了未来具有挑战性的研究领域.     

基于免疫优化PID神经网络的污水处理系统解耦控制*

针对氨氮浓度和硝态氮浓度之间相互耦合,以及常规的PID控制方法难以获得满意控制效果的特点,以溶解氧浓度和内循环流量为操作变量,采用PID神经网络对氨氮浓度和硝态氮浓度进行解耦控制;针对PID神经网络连接权值容易陷入局部最优值,应用免疫算法优化PID神经网络连接权值。仿真结果表明,该方法对污水生化处理系统具有很好的解耦能力和控制品质。     

基于目的层预约的电梯群控系统建模与控制

基于目的层预约的电梯控制系统是电梯群控系统发展的新方向．首先对目的层预约形式的电梯群控系统建立电梯群控系统模型，为目的层预约思想在电梯群控系统中的研究建立仿真实验平台；然后提出一种目的层预约的多目标电梯群控策略．实验结果表明，目的层预约的电梯群控系统模型能准确描述电梯系统的动态行为，基于目的层预约思想的群控策略能有效减少乘客待梯时间和乘梯时间，提高电梯系统性能．     

面向对象的电梯群控系统的设计与实现

针对电梯群控系统,本文提出了一种基于面向对象分析的设计与实现方法。在电梯群系统模型的基础上给出了电梯群系统的层次划分和基本类之间的关系。实际运行结果表明,提出的方法能显著地提高系统性能指标。     

电梯驱动与能量回馈一体化控制系统设计

针对目前国内电梯能耗较高、控制复杂等特点,设计了一种集电梯控制、驱动和能量回馈于一体的控制系统.该系统采用双PWM控制以及32位ARM CPU+ 32位DSP CPU+ FPGA的硬件结构,两CPU通过并行通信高速交换数据,电梯主控板和呼梯工作站以及轿顶工作站通过CAN总线串行交换信息.测试结果表明,能量回馈控制系统的输出电流功率因数近似于1,电梯系统对电网的干扰可降至最小,节能高达40％.     

模糊粗集理论在污水参数软测量中的应用

出水水质的建模与预测是污水处理过程先进控制的基础,针对污水生化处理过程的非线性、大滞后等特点,提出一种基于模糊粗糙集和RBF神经网络的出水水质预测方法.先用模糊粗糙集理论约简属性消除冗余信息后,建立基于RBF神经网络软测量模型,并应用该模型对实际污水厂的出水氨氯预测进行仿真.结果表明了该软测量模型的可靠性和有效性.     

基于贝叶斯框架的加权LS-SVM及其学习算法

为了提高最小二乘支持向量机的鲁棒性,介绍了加权最小二乘支持向量机,给出了确定加权向量的一般方法.并介绍了基于贝叶斯框架的加权LS-SVM参数的优化方法,利用它建立了加权最小二乘支持向量机.最后用一个仿真实例来说明所提出的支持向量机的学习性能,比标准LS-SVM具有更好的鲁棒性.     

结合免疫优化和LS-SVRM观测器的非线性系统自适应鲁棒控制

针对一类单输入单输出不确定非线性控制系统提出了一种自适应鲁棒控制算法. 由于最小均方支持向量回归机(LS-SVRM)的最终解可以化为一个具有线性约束的二次规划问题, 不存在局部极小, 所以该算法在不要求假设系统的状态向量是可测的条件下通过设计基于LS-SVRM的观测器来估计系统的状态向量; 同时在算法中假设LS-SVRM的最优逼近参数向量和标称参数向量之差的范数和逼近误差的界限是未知的, 因此可通过对未知界限估计的调节来提高系统的鲁棒性. 考虑到LS-SVRM本身参数对LS-SVRM性能的影响, 本文应用一种新的免疫优化算法对LS-SVRM的参数进行优化, 从而提高LS-SVRM的逼近能力. 理论研究和仿真例子证实了所提方法的可行性和有效性.     

基于混沌优化的LS-SVM非线性预测控制方法

针对非线性系统的控制问题,提出了一种基于LS-SVM的预测控制技术。该方法将LS-SVM和非线性预测控制思想有机结合,利用混沌映射的特性,通过引入混沌优化技术对LS-SVM参数进行优化,同时又将其作为滚动优化策略,避免了非线性预测控制中复杂的梯度计算和矩阵求逆问题,仿真研究说明了该非线性预测控制器的有效性及实时性。     

基于深度学习的纹理布匹瑕疵检测方法

布匹瑕疵检测是纺织工业中产品质量评估的关键环节,实现快速、准确、高效的布匹瑕疵检测对于提升纺织工业的产能具有重要意义.在实际布匹生产过程中,布匹瑕疵在形状、大小及数量分布上存在不平衡问题,且纹理布匹复杂的纹理信息会掩盖瑕疵的特征,加大布匹瑕疵检测难度.本文提出基于深度卷积神经网络的分类不平衡纹理布匹瑕疵检测方法(Detecting defects in imbalanced texture fabric based on deep convolutional neural network, ITF-DCNN),首先建立一种基于通道叠加的ResNet50卷积神经网络模型(ResNet50+)对布匹瑕疵特征进行优化提取;其次提出一种冗余特征过滤的特征金字塔网络(Filter-feature pyramid network, F-FPN)对特征图中的背景特征进行过滤,增强其中瑕疵特征的语义信息;最后构造针对瑕疵数量进行加权的MFL (Multi focal loss)损失函数,减轻数据集不平衡对模型的影响,降低模型对于少数类瑕疵的不敏感性.通过实验对比,提出的方法能有效提升布匹瑕疵检测的准确...