机器人转动关节的LuGre摩擦模型参数辨识

根据Lu Gre摩擦模型辨识理论,以伺服电机驱动轴与伺服电机内部的摩擦模拟机器人关节摩擦,建立Lu Gre摩擦模型。对伺服电机做基于固高卡的模拟量控制,通过C++编程,从编码器中读取角度、转速值、加速度值。正转速度和对应的驱动力矩,以及反转速度和对应的驱动力矩,分别构成静态参数辨识的两组数据。位移、速度、加速度和驱动力矩构成动态参数辨识数据。在MATLAB中编写粒子群算法辨识程序,对以上数据进行处理,最终得到Lu Gre模型的6个参数的辨识值。     

基于改进PSO算法的GMA迟滞模型参数辨识

使用改进的粒子群优化算法辨识Jiles-Atherton模型参数。针对J-A模型对超磁致伸缩致动器(giant magnetostrictive actuator,GMA)迟滞特性建模中磁化参数互相嵌套难以辨识的特点,改进磁滞模型并建立了考虑超磁致伸缩材料磁机耦合特性的动态磁滞模型;为了克服普通粒子群算法实际求模型参数时计算量大,运行时间长的缺点,提出基于粒子群算法和遗传算法的改进算法--带交叉因子的粒子群优化算法,将模型仿真所求的磁化强度和实验测得的磁化强度的差值的平方作为适应度函数,并结合最小二乘法思想对J-A模型的几个参数进行辨识;最后,在Matlab 7.0上进行仿真,给出了模型辨识后的结果。在不同预压力和驱动频率下的仿真结果与GMA已有实验数据进行对比,验证得出辨识后的模型可较好地与实验数据拟合,磁致伸缩位移误差在5%以内。     

基于SPPSO算法的时滞HBV模型的系统辨识研究

系统辨识是现代控制理论中的一个很活跃的分支。目前的系统辫识多采用二次规划等解析算法,不足之处 在于可辫识的参数少、收敛慢、对参数的初值依赖大。随着智能控制领域研究的不断发展,非线性程度也就越来越高, 一些经典的方法很难满足需要。而小种群粒子群算法(SPPSO)作为一种全局优化算法,易于实现,且收敛速度快,计 算效率高,在处理数据量较大的大规模种群问题时可大大降低时间和资源的开销,因此在系统辨识特别是高度非线 性、时滞系统中更具有意义。而这类复杂的系统在医学系统中具有典型性。所以将该算法用于求解时滞的乙型肝炎 动力学模型有很好的研究价值和实用价值。     

基于配电网的负荷模型参数辨识与研究

综合负荷模型在建模工作中得到广泛应用,然而负荷装置通常安装在变电站的低压侧,忽略的配电网的线路阻抗对于模型精确性的影响。针对综合负荷模型和考虑配电网的综合负荷模型,采用粒子群算法对两种负荷模型进行了对比,采用故障模拟的建模方法,验证了配电网阻抗对于负荷模型精度的影响。     

基于PSoC和DP-PSO-SVM的便携式假肢控制系统

针对三自由度假肢阈值控制方式存在不直观、灵活性差的缺陷，控制效果较好的模式识别控制器存在便携性差、实用性差等问题，提出一种基于PSoC在线模式识别的肌电假肢控制系统设计方案.采用低功耗芯片PSoC作为主控制器，设计了一套便携式四通道sEMG （表面肌电信号）采集系统，采用双群粒子群优化算法改进的支持向量机（DP-PSO-SVM）构建分类识别器，并通过假肢驱动器实现假肢在线模式控制.实验结果表明：采用DP-PSO-SVM算法比采用标准粒子群SVM （PSO-SVM）算法构建的分类器识别精度提高4%，达到96.7%；该控制器对6种动作的在线识别率达到96.3%，且符合实时性要求.     

应用改进粒子群算法辨识Hammerstein模型

研究非线性系统辨识问题.针对非线性系统中单输入单输出Hammerstein模型,由于传统辨识方法对Hammerstein模型中非线性部分具有不易辨识的缺陷,造成辨识精度低、辨识效果差等问题.为此,在基本粒子群算法的基础上,提出了一种带有收缩因子的改进的粒子群算法对非线性系统进行辨识的方法,可将参数辨识问题转换为参数空间上的函数优化问题,然后利用粒子群算法的并行搜索能力进行参数寻优.通过MATLAB软件进行仿真,并与基本粒子群算法进行比较,结果表明,利用改进算法不仅提高了辨识精度而且获得了良好的辨识效果,从而验证了算法的有效性和可行性.     

基于PSO算法的微生物间歇发酵动力学参数辨识

主要根据微生物间歇培养过程的特征、动态行为及实验数据,建立了能够更好反映间歇发酵过程的简化的多阶段参数辨识模型,然后证明了该模型中最优参数的存在性;最后结合模型特点构造了一种改进的粒子群优化（PSO）算法求得最优参数,并利用所得的参数进行过程仿真。结果表明该模型和算法大大减少了实验数据和计算数值之间的误差,能够更好地模拟微生物间歇发酵过程。     

一种新型的非线性系统模型参数辨识方法

针对传统模型参数辨识方法和遗传算法用于模型参数辨识时的缺点,提出了一种基于微粒群优化(PSO)算法的模型参数辨识方法,利用PSO算法强大的优化能力,通过对算法的改进,将过程模型的每个参数作为微粒群体中的一个微粒,利用微粒群体在参数空间进行高效并行的搜索来获得过程模型的最佳参数值,可有效提高参数辨识的精度和效率.     

基于改进粒子群算法的超级电容参数辨识

针对超级电容的模型参数辨识不准确问题,首先分析了超级电容单体的储能原理和性能特点,将二分支等效模型作为超级电容的模型,然后使用最小二乘算法和改进粒子群算法对模型参数进行辨识,最后通过仿真和实验比较两种算法辨识效果,证实该文所提出的改进粒子群算法更能准确地辨识出超级电容模型参数。     

基于差分进化算法的Wiener模型辨识

DE算法是一类基于种群的启发式全局搜索技术,该算法原理简单,控制参数少,鲁棒性强,具有良好的优化性能.本文利用差分进化算法对Wiener模型参数进行辨识,把辨识问题等价为以估计参数为优化变量的非线性极小值优化问题,并分析了算法中种群规模NP、缩放因子F、交叉概率CR等控制参数对辨识过程中的全局并行搜索能力和收敛速度的影响,以保证算法的全局收敛性.对Wiener模型的数值仿真结果表明了DE算法在参数辨识问题中的有效性,以及较PSO算法更强的非线性系统辨识能力。     

求解高维函数优化的动态粒子群算法

针对基本粒子群优化算法对高维函数优化时搜索精度不高的缺陷,提出了一种动态粒子群优化算法。该算法采用了通过调节阈值对粒子运动轨迹进行动态改变的策略,使得粒子对周围环境的适应能力不受进化代数的影响,从而保证了算法在迭代后期仍具有较强的搜索能力。实验结果表明,与文献算法相比,该算法在处理高维函数优化时具有更强的寻优能力和更高的搜索精度。     

基于近似动态规划的微粒群系统参数优化研究

从系统最优控制的角度对微粒群参数的动态优化问题进行探讨. 针对离散动态规划的``维数灾"问题, 将群体启发式随机搜索机制引入动态规划的最优策略求解, 提出了一种群体智能近似动态规划模式; 基于该模式给出简化的确定型微粒群反馈控制系统参数优化的近似计算方法, 并扩展应用于具有随机变量的微粒群系统; 仿真计算得到了微粒群加速因子的近似最优动态规律, 并将所得策略与一种时变加速因子(Time-varying acceleration coefficients, TVAC)策略进行了函数优化性能的比较与分析, 初步实验结果表明该近似动态规划模式可有效地用于微粒群系统参数的动态优化设置.     

基于改进粒子群算法的动态3D实时建模技术

针对传统3D建模技术无法满足在脱离专业测量工具的情况下，实时创建出与用户所处房间等比例尺寸的3D模型的需求。提出一种基于陀螺仪传感器结合改进粒子群算法计算房间3D模型尺寸与镜头位置的动态3D建模技术，该技术可以实现实时房间等比例建模，使用者可以预览到整个房间所有方位的装修效果，让用户对房间整体装修效果有直观的印象，操作方便且实时性强。实验结果表明，改进粒子群算法的动态3D实时建模技术解决了国内传统3D建模技术测量不精确的缺陷，具有一定的理论和实际意义。     

基于PSO优化的船舶动力定位观测器

观测器设计是船舶动力系统至关重要的一个环节,而观测器的参数选取是否合适对动力定位系统的性能将产生很大的影响。建立了船舶非线性无源观测器,为了快速获得精确的观测器参数,提出利用粒子群算法对观测器参数进行寻优,寻优过程中利用观测器的估计偏差作为粒子群的适应度函数。文章最后对参数优化的观测器进行了仿真验证,仿真结果表明优化后的观测器具有较小的估计偏差且能改善动力定位系统的性能。     

基于动态粒子数的微粒群优化算法

提出了基于动态粒子数的微粒群算法,并建立了粒子数变化函数．该函数包含粒子数衰减趋势项和周期振荡项．衰减趋势项能够在种群向最优解不断收敛的过程中逐渐减少粒子数,以提高粒子效率．周期振荡项中的递增阶段代表了新粒子的随机出现,以增加粒子群的多样性,而周期振荡项中的递减阶段代表了探索性能差的粒子逐渐消亡,以提高优化效率．对4个标准函数进行测试,仿真结果表明该算法能有效地减少计算量,并显著提高全局搜索性能．     

动态优化环境下的群核进化粒子群优化方法

粒子群优化方法是由Kennedy和Eberhart于1995年提出的一种基于群体智能(swarm intelligence)的进化计算技术.定义了“群核”(swarm-core)的概念,并在此基础上,提出了基于群核进化的粒子群优化方法(swarm-core evolutionary particle swarm optimization, SCEPSO),在SCEPSO方法中,为增强群体的优化能力,把群体分成了3个子群体,并且每个子群体有各自不同的“分工”.同时研究了SCEPSO方法对连续变化的最优点的动态跟踪能力,在3种动态优化模型下进行了实验.实验结果表明,与传统PSO方法相比,SCEPSO方法能够可靠并精确地跟踪连续变化的全局最优解.     

求解约束优化问题的动态邻域粒子群算法*

粒子群算法(PSO)求解约束优化问题存在较严重的早熟收敛现象,为了有效抑制早熟收敛,提出了基于改进的约束自适应方法的动态邻域粒子群算法(IPSO)。算法采用动态邻域策略提高算法的全局搜索能力,设计了一种改进的自适应约束处理方法,根据迭代代数线性增加搜索偏向系数,在早期偏向于搜索可行解,在后期偏向于搜索最优解,并引入序列二次规划增强算法的局部搜索能力。通过基准测试函数实验对比分析,表明该算法对于约束优化问题具有较好的全局收敛性。     

求解大规模问题协同进化动态粒子群优化算法

随着工程技术的发展与优化问题数学模型的完善,许多优化问题从低维优化发展成高维的大规模复杂优化,成为实值优化领域的一个热点问题.通过对大规模问题的特点分析,提出了随机动态的协同进化策略,将其加入动态多种群粒子群优化算法中,实现了对种群粒子和决策变量的双重分组.最后使用CEC2013的大规模全局优化算法的测试集对新算法进行测试,通过和其它算法的对比,验证算法的有效性.