应用Simulink模型设计和优化控制系统

一直以来,控制理论与工程之间存在着鸿沟,很多复杂的理论难以用于解决实际工程问题,如求解实际非线性系统的优化控制问题。文中提出一种图形化建模加遗传算法优化参数的控制系统设计策略。通过采用Simulink建模,实值遗传算法进化寻优图形化模型参数,利用模型的仿真输出计算目标函数,成功优化了一个复杂非线性控制系统的参数。求解过程绕过了复杂的数学建模和优化推导。有关研究成果在解决实际工程问题时简便、高效且实用。     

一种基于改进神经网络的系统辨识方法

该文在分析神经网络辨识技术特点及现状的基础上,将BP神经网络结构和遗传算法相结合,设计了一种适用于非线性系统的辨识器模型。该辨识器模型首先建立初始的BP神经网络结构,再利用遗传算法对BP神经网络的权值和阈值进行优化,从而优化BP神经网络,通过迭代最终建立辨识器模型。最后,通过一个三阶非线性多输入单输出系统的仿真实验证明了所设计的辨识器具有辨识时间短、辨识精度高的特点,为神经网络辨识技术的研究提供了新的思路和方法。     

管理信息系统人机交互优化方法

由于管理信息系统的结构越来越复杂、影响因素越来越多,根据人机交互方法研究管理信息系统具有十分重要的理论意义和应用价值.针对管理信息系统人机交互问题,提出了一种遗传神经网络方法,采用具有高度非线性映射能力的结构化神经网络来拟合管理信息系统人机交互模型的输入输出关系,利用具有全局寻优能力的遗传算法来训练结构化神经网络的参数,应用遗传算法对神经网络模型进行优化设计.上述方法从遗传算法的优化过程中抽取一些知识,采用知识来指导遗传算法的后续优化过程.     

应用神经网络和遗传算法实现多变量离散系统优化

多变量系统是科学研究和实际应用中经常面对的系统,由于系统的应用环境各异,系统变量多,虽然可以通过试验获得系统的部分输入输出,但是系统的复杂性使得难以确定系统的数学模型,也无法实现对系统的优化。该文提出了一种针对多变量离散系统的建模和优化方法,用BP神经网络对系统的模拟能力建立离散系统的模型,同时为了寻找系统的最优解,结合遗传算法对建立的模型进行寻优,编写了神经网络建模和遗传算法的MATLAB程序,并将建模和优化算法在工艺优化中进行了应用。     

基于Matlab的发酵过程平台软件设计

设计了一套优化软件，将先进的智能控制理论运用到发酵过程控制领域中。针对非线性、时变的发酵过程利用神经网络非线性预测控制方法，建立了发酵过程神经网络模型进行菌体浓度、基质糖浓度、产物浓度的在线估计。由于缺乏发酵过程精确的数学模型，采用神经网络非线性预测控制方法结合遗传算法寻优技术确定发酵过程控制参数的最佳值，使整个发酵过程始终处于最优化状态，优化结果可提供给工艺工程师加以修正，再应用于生产，从而提高生产率。     

基于小生境遗传神经网络的材料力学性能预测

对工业材料测试,建立优化系统,关于建立材料力学性能与组成、工艺等相关的预测模型,可以减少试验次数、提高效率、实现工艺的优化.提出利用遗传算法优化的神经网络建立材料性能影响因子到力学性能的非线性映射.在遗传算法中采用基于淘汰相似结构机制的小生境技术,使预定距离之内仅存一个优良个体,维护了群体的多样性,从而提高全局搜索能力.以麦杆增强复合材料为例进行仿真研究,建立其力学性能预测的小生境遗传神经网络模型,利用模型优化注塑成型的工艺参数进行仿真.结果表明所建模型具有较好的学习和泛化能力,对于优化成型工艺参数具有可行性,在材料性能研究领域有着较好的应用和推广价值.     

基于组件技术和遗传小波神经网络的智能建模系统研究

本文对已有的人工神经网络、小波分析、遗传算法的建模方法进行组合利用和加以改进,建立了智能信息处理器。该系统将大量的观测数据进行小波去噪等预处理后,作为小波神经网络模型的输入训练样本数据,网络训练中利用遗传算法动态修改网络结构和参数,并避免神经网络训练速度慢、容易陷入局部极值的缺点,从而完成数据挖掘和复杂的非线性建模功能;同时以智能信息处理器为基础,基于GIS平台利用组件技术建立扩展性强的智能建模系统。最后以某灌区水资源管理过程中的径流预报为例进行仿真实验,验证了方案的可行性和有效性。     

遗传算法在短期发电优化调度中的研究与应用

将遗传算法用于解决梯级水电系统短期发电优化调度问题。建立了短期发电优化调度模型，详细阐述了用遗传算法解决问题的步骤。实例证明，该方法能够求解具有复杂约束条件下的非线性优化问题，算法编程简洁，易于实现，从而为梯级水电站短期发电优化调度问题提供了一种有效的解决方法。     

利用遗传算法搜索寻优图形化模型参数的研究

提出一种图形化建模加遗传算法寻优的新型控制系统设计策略.采用Simulink建模,实值多种群遗传算法进化迭代寻优图形化模型参数,利用模型的仿真输出计算目标函数.利用该策略成功求解了一个非线性速度反馈校正系统的最优控制问题.有关研究成果在解决实际工程问题时简便、高效且实用.     

模拟移动床过程的软测量建模仿真研究

模拟移动床色谱作为主要的现代吸附分离技术,近年来在石油化工、精细化工、生物制药、食品加工等领域的复杂混合物分离过程中得到越来越多的应用。模拟移动床系统是一种具有强非线性、强耦合、混杂性、分布参数等特征的复杂工程系统,其建模问题一直受到广泛关注。本文提出用神经网络与遗传算法结合的混合建模方法建立SMB色谱分离过程4区流量与组份纯度的软测量模型。为了解决RBF神经网络训练时隐含层节点数选取无依据,只能依靠反复仿真尝试的问题,提出将混合递阶遗传算法与RBF神经网络结合,建立SMB色谱分离过程软测量模型,以较高的精度实现了SMB组份纯度软测量,通过仿真验证了方法的可行性。     

催化裂化过程稳态优化控制研究

催化裂化装置是一个高度非线性、时变、长时延、强耦合、分布参数和不确定性的复杂 系统.在研究其过程机理的基础上,定义了一种模糊神经网络用以建模,用自相关函数检验法检 验模型的正确性,再用改进的Frank-Wolfe算法进行稳态优化计算,并以一炼油厂催化裂化装 置为对象进行试验,研究其辨识、建模和稳态优化控制.这种模糊神经网络具有隐层数多、隐层 结点数多、泛化能力和逼近能力强、收敛速度快的优点,更突出的特点还在于可由输出端对输入 求导,为稳态优化计算提供了极大方便,它与改进的Frank-Wolfe算法相结合用于解决非线性 复杂生产过程的建模和稳态优化控制问题是可行的.     

Optimization of parameter design: An intelligent approach using neural network and simulated annealing

Parameter design optimization problems have found extensive industrial applications, including product development, process design and operational condition setting. The parameter design optimization problems are complex because non-linear relationships and interactions may occur among parameters. To resolve such problems, engineers commonly employ the Taguchi method. However, the Taguchi method has some limitations in practice. Therefore, in this work, we present a novel means of improving the effectiveness of the optimization of parameter design. The proposed approach employs the neural network and simulated annealing, and consists of two phases. Phase 1 formulates an objective function for a problem using a neural network method to predict the value of the response for a given parameter setting. Phase 2 applies the simulated annealing algorithm to search for the optimal parameter combination. A numerical example demonstrates the effectiveness of the proposed approach.     

Structure optimization of neural network for dynamic system modeling using multi-objective genetic algorithm

The problem of constructing an adequate and parsimonious neural network topology for modeling non-linear dynamic system is studied and investigated. Neural networks have been shown to perform function approximation and represent dynamic systems. The network structures are usually guessed or selected in accordance with the designer’s prior knowledge. However, the multiplicity of the model parameters makes it troublesome to get an optimum structure. In this paper, an alternative algorithm based on a multi-objective optimization algorithm is proposed. The developed neural network model should fulfil two criteria or objectives namely good predictive accuracy and minimum model structure. The result shows that the proposed algorithm is able to identify simulated examples correctly, and identifies the adequate model for real process data based on a set of solutions called the Pareto optimal set, from which the best network can be selected.     

液压伺服系统建模的新方法

针对液压伺服系统中直接用测量的方法来建立伺服阀死区非线性的模型非常困难的现状，该文充分利用了现有的对液压伺服系统模型的认识，用RBF神经网络来代替伺服阀锴区非线性部分的模型，设计了一个带神经网络的辨识器。该辨识器采用了迭代最小方差（RLS）学习算法对系统进行建模，最后，用Matlab/Simulink中的S－Function模块实现了上述辨识器的编程，并进行了仿真。仿真结果表明，所设计的辨识器能较好的解决液压伺服系统的建模问题。     

Process Parameters Optimization: A Design Study for TiO$_{2}$ Thin Film of Vacuum Sputtering Process

This paper proposes a procedure for process parameters design by combining both modeling and optimization methods. The proposed procedure integrates the Taguchi method, the artificial neural network (ANN), and the genetic algorithm (GA). First, the Taguchi method is applied to minimize experimental numbers and to collect experimental data representing the quality performances of a system. Next, the ANN is used to build a system model based on the data from the Taguchi experimental method. Then, the GA is employed to search for the optimal process parameters. A process parameters design for a titanium dioxide (TiO₂) thin film in the vacuum sputtering process is studied in this paper. The quality objective is to form a smaller water contact angle on the TiO₂ thin-film surface. The water contact angle is 4° obtained from the system model of the proposed procedure. The process parameters obtained from the proposed procedure were used to conduct the experiment in the vacuum sputtering process for the TiO₂ thin film. The water contact angle given from the practical experiment is 3.93°. The difference percent is 1.75% between 4° and 3.93°. The result obtained from the system model of the proposed procedure is promising. Hence, we can conclude that the proposed procedure is a very good approach in solving the problem of the process parameters design.     

基于深度强化学习的微电网在线优化调度

提出一种基于深度强化学习的微电网在线优化调度策略.针对可再生能源的随机性及复杂的潮流约束对微电网经济安全运行带来的挑战,以成本最小为目标,考虑微电网运行状态及调度动作的约束,将微电网在线调度问题建模为一个约束马尔可夫决策过程.为避免求解复杂的非线性潮流优化、降低对高精度预测信息及系统模型的依赖,设计一个卷积神经网络结构学习最优的调度策略.所提出的神经网络结构可以从微电网原始观测数据中提取高质量的特征,并基于提取到的特征直接产生调度决策.为了确保该神经网络产生的调度决策能够满足复杂的网络潮流约束,结合拉格朗日乘子法与soft actor-critic,提出一种新的深度强化学习算法来训练该神经网络.最后,为验证所提出方法的有效性,利用真实的电力系统数据进行仿真.仿真结果表明,所提出的在线优化调度方法可以有效地从数据中学习到满足潮流约束且具有成本效益的调度策略,降低随机性对微电网运行的影响.     

机械臂的自适应径向基函数神经网络双二次泛函最优控制

针对非线性机械臂系统中难以权衡控制能量与控制误差比重的最优控制问题,本文提出一种基于自适应径向基函数(RBF)神经网络二阶段叠加优化的双二次泛函最优求解模型,实现在非线性机械臂控制系统中用不大的控制能量来保持较小的控制误差的综合最优控制.在本文所提模型中,首先设计一种线性误差函数,作用于非线性控制方程,并采用自适应RBF网络逼近非线性控制方程中存在的不确定项,构成闭环反馈系统,实现对非线性系统的最优控制;其次,将待求参数复合成双二次泛函的解域,并设计一种新型的类递归神经网络求解该带约束条件的双二次型模型,实现模型求解的快速收敛并得其解.通过理论分析及数值仿真实例验证了所提模型能有效提高非线性系统的控制精度、稳定性、鲁棒性及自适应性,从而实现非线性系统的综合最优控制.     

Recurrent neural network modeling combined with bilinear model structure

In this paper, we propose a neural network modeling scheme for nonlinear systems. The proposed architecture is a new combination of neural network and bilinear system model in which the terms of cross-products of input and output signals within the bilinear model are taken as the inputs into the neural network. Compared with the original bilinear system, this kind of network model possesses much more adjustable parameters to fulfill the system identification. Moreover, instead of the general back-propagation method an evolutionary computation called the differential evolution algorithm is presented to update the network parameters. This algorithm is with multiple direction searches toward the global optimal solution for given optimization problem. To show the feasibility of the proposed scheme, a nonlinear chemical process system of continuously stirred tank reactor is illustrated. Many simulations and examinations are considered to verify the robustness of the proposed neural network structure on the modeling performance, including different sets of initial conditions of the algorithm and model orders.     

长短时记忆网络在热力站建模中的应用

针对热力站为多变量、非线性、强耦合、大时滞的复杂时序控制系统,难以建立精确模型的问题,提出基于循环神经网络的长短时记忆算法对热力站控制系统建模,该算法既考虑到时间上的影响因素,又解决了长序列信息丢失的问题。以包头某热力站大量实时工况数据通过tensorflow框架搭建神经网络模型,仿真对比结果表明,长短时记忆网络建模能有效地减小建模误差,进一步提高神经网络在热力站系统建模中的精度。     

智能优化算法及其在打浆优化中的应用

提出了一种遗传算法与神经网络技术相结合的智能优化算法,实现打浆过程的优化控制;首先针对打浆过程中系统的非线性、工艺参数间关系的不确定性,对打浆过程采用神经网络建立输入与输出之间的非线性模型,再利用遗传算法对控制参数寻求决策变量优化求解;通过改进遗传算法的交叉、变异算子等,使算法在优化过程中能有效地保持种群的多样性,防止种群过早收敛、局部收敛的现象,以实现打浆全局最优控制;实践表明,该智能优化算法,在满足打浆前后性能指标的同时明显降低了打浆能耗,是解决过程控制优化问题的可行之路。