基于动态矩阵控制算法的参数整定研究

针对动态矩阵控制算法中预测时域,控制时域,控制权重难以整定的问题,提出了一种基于遗传算法的改进型最优性能指标算法。方法通过利用遗传算法来优化各个参数的范围,随后结合控制系统响应曲线和最优性能指标来得出各个参数的最优值。最后以单变量模型和多变量模型为研究对象进行仿真实验,将文中方法和传统的DMC参数整定算法进行对比分析,MATLAB仿真结果表明：相比于传统的整定算法,文中提出的方法所整定的DMC控制系统具有更快的响应速度和更好的鲁棒性。     

基于改进遗传算法的直流电机双闭环调速系统控制参数整定

直流电机的双闭环控制被广泛应用于直流拖动系统,采用的控制器是传统的PI控制器。在工程应用中,通常采用人工整定PI控制器的参数,往往不能得到最优的控制参数。同时,许多研究采用智能群算法进行整定。针对直流电机双闭环系统的PI参数整定,提出了一种基于改进遗传算法的参数整定方法。与传统遗传算法相比,改进遗传算法的整定效果更佳,具有较快的响应速度、较好的稳定性和较小的超调,更适用于对直流电机双闭环调速系统的控制参数进行整定。     

服务机器人自抗扰控制器参数整定优化技术研究

针对服务机器人自抗扰控制器多个参数的整定,主要采用经验试法或某种优化算法进行整定,存在参数整定过程困难、整定结果陷入局部最优等问题,为了解决这些问题,提出了一种基于人工免疫遗传算法优化的服务机器人自抗扰控制器参数整定技术方法。该方法主要充分融合了人工免疫和遗传算法各自的优点,解决了单种智能优化算法出现的“早熟”问题,使得自抗扰控制器参数整定实现最优解;最后搭建仿真平台进行了实验,实验结果表明了该方法提高了自抗扰控制器控制精度、稳定性和鲁棒性,有效验证了提出方法的有效性。     

贵传算法在PID参数整定中的应用

针对传统PID参数整定的困难性，本文提出了把遗传算法运用于PID参数整定中，采用遗传算法进行PID参数整定是一种寻求全局最优且与初始条件无关的优化方法。仿真结果表明基于遗传算法运的PID参数整定具有良好的控制特性。     

基于人工免疫多目标寻优算法的PID自整定

提出了一种基于人工免疫多目标寻优算法(AIMOA)的PID参数自适应整定的设计方法.利用生物免疫系统的免疫机理设计系统响应的目标函数,再通过AIMOA算法搜索PID控制器的优化参数组,最后将基于AIMOA算法同基于遗传算法(GA) 和齐格勒-尼柯尔斯(Zi-Ni)方法的PID自整定进行了仿真比较.结果表明:AIMOA算法具有快速收敛性,能够较快地搜索到PID参数自适应整定的最优或者次最优解,体现了算法的优越性、实用性和有效性.     

基于遗传算法的PID参数整定与优化

PID参数整定与优化一直是自动控制领域研究的重要问题。采用遗传算法进行PID参数整定与优化是一种寻求全局最优且与初始条件无关的优化方法。在参数整定与优化过程中,考虑了过程控制系统的参数整定特点和寻优精度。     

遗传算法在PID参数整定中的应用

针对传统PID参数整定的困难性 ,本文提出了把遗传算法运用于PID参数整定中 ,采用遗传算法进行PID参数整定是一种寻求全局最优且与初始条件无关的优化方法。仿真结果表明基于遗传算法运的PID参数整定具有良好的控制特性。     

基于在线自适应遗传算法的PID参数整定和优化

研究自动控制系统优化问题,控制系统响应特性取决于系统参数的调整.针对传统的PID控制算法参数较多,且难以整定,使得控制效果不理想等问题,提出了自适应遗传算法的PID参数整定.根据遗传算法具有在线性差的问题,对遗传算法作了改进.通过自适应遗传算法对PID参数进行整定与寻优,选择自适应度大的个体所对应的PID控制参数作为采样时间下的PID控制参数.改进后的算法有效提高了遗传算法的寻优能力,提高了算法的收敛的速度,在一定的范围可以求得最优全局解.在MATLAB上仿真结果表明,在PID参数的寻优过程中,自适应遗传算法具有更强的寻优能力,提高了控制系统的自适应性,为优化控制系统设计提供了依据.     

基于自适应遗传算法的PID参数优化仿真研究

针对现有PID调节器的整定方法和遗传算法优化参数存在的问题，提出了一种自适应遗传算法用于PID参数寻优的方案。该算法采用了变群体规模和自动改变交叉概率、变异概率的措施，能提高算法的执行效率，收敛性较好，而且不易陷入局部最优解。以过热汽温控制系统为例，分别采用了简单遗传算法和改进遗传算法，对串级控制系统的PID参数寻优，仿真结果表明改进后的遗传算法具有较强的执行效率和很好寻优效果。     

基于免疫遗传新算法的PID参数整定

为使PID参数整定工作更加快捷有效,在传统遗传算法的基础上,提出基于独特型免疫动力学网络模型的新型免疫算法,以激励水平作为抗体选择操作的量度,并构建精英抗体库,以便给精英抗体更多交叉变异的机会.将该算法用于PID控制器参数整定,仿真结果表明,新算法能更快地找到控制器PID参数最优组合,且经该算法优化后的系统控制性能优于传统遗传算法优化的PID控制器,故该算法用于PID参数优化是可行且有效的.     

改进的模拟退火和遗传算法求解TSP问题

对遗传算法和模拟退火算法的特点进行了比较,阐述了遗传算法与模拟退火算法集合的必要性。提出了一个用于求解TSP问题的改进的模拟退火和遗传算法。利用遗传算法的全局搜索能力弥补了模拟退火算法容易陷入局部最优的问题。在遗传算法中改进了传统的交叉机制,利用父代染色体与子代染色体进行交叉,解决了传统遗传算法中存在的“早熟”问题。针对模拟退火算法收敛速度慢等问题,提出了新的解生成机制和改良算法,提高了算法的收敛速度。实验测试的结果表明,该方法具有较好的收敛效果和更高的稳定性。     

基于遗传算法和模拟退火算法的特征选择方法

针对模式识别时原始特征数量大而有冗余的现象,提出了一种基于遗传退火算法的特征选优方法。首先对遗传算法和模拟退火做了简要评论,然后在遗传算法中引入模拟退火的Boltzmann更新机制,以克服传统的遗传算法易于过早收敛和易于陷入局部极小的问题。最后阐述、设计了适应度函数和遗传算子。仿真实验表明,该方法在求解的效率和解的质量方面都达到了令人满意的效果。     

一种模拟退火遗传算法的传感器网络数据融合技术研究

研究无线传感器网络(WSN)数据融合技术。传感器节点计算能力、通信能力有限,WSN采用交叉重叠方式部署,导致冗余数据量大,需采用数据融合技术消除冗余和无效数据,节约网络通信能耗。结合遗传算法全局搜索和模拟退火算法局部搜索的优点,提出一种模拟退火遗传算法的WSN数据融合方法(SA-GA)。采用模拟退火遗传算法快速找到移动代理路由最优传感器节点序列,并实现数据融合。仿真实验结果表明,与遗传算法、模拟退火算法相比,SA-GA更能快速找到全局最优数据融合节点序列,并对数据进行有效融合,具有更小的网络能耗和网络延时。     

基于双阈值的具有记忆功能的自适应模拟退火算法

讨论传统模拟退火算法的原理、求解过程,详细分析它存在的局限性,简单叙述模拟退火算法中关键参数对该算法性能的影响,并给出该算法的可行性改进方案。提出一个改进的模拟退火算法。在该改进算法中,为避免遗失当前最优解,增加记忆功能,将当前最好的状态记忆下来,从而使得模拟退火算法成为一种智能化算法;设计一个自适应温度更新函数,并设置双阈值使得在尽量保持最优性的前提下减少计算量。用改进前后的两个算法来解决一个非线性寻找组合最优问题,实验证明改进后的模拟退火算法是高效的。     

一种新的模糊自适应模拟退火遗传算法

针对遗传算法收敛速度慢、容易"早熟"等缺点,结合模糊推理、模拟退火算法和自适应机制,提出一种改进的遗传算法--模糊自适应模拟退火遗传算法(FASAGA),并分析了该算法的性能和特点,实验研究表明,该算法比标准的遗传算法(SGA)具有更快的收敛速度和寻优效果.     

一种采用循环策略的改进模拟退火遗传算法

循环规律是生态学中一个重要的规律,而模拟退火遗传算法是一种能够有效改进遗传算法性能的方法。将循环策略与模拟退火遗传算法有机地结合起来,提出了一种采用循环策略的改进模拟退火遗传算法,并通过模式演化分析和收敛性分析证明算法的合理性。该算法不仅能够保证遗传算法的全局收敛性,而且还可以加快种群的进化速度并获得满意的全局最优解。     

城市单交叉路口交通信号实时优化控制与仿真

针对城市道路单点交叉口交通流的到达特性,将路口到达的交通流划分为4种状态,提出了“基于状态划分的多相位交通信号实时控制方法”,该方法根据路口各状态下交通流的到达特征和控制目标,为不同交通状态选择合适的性能指标,并建立各状态下交通信号的动态配时模型。同时,设计了一种改进的自适应实数编码遗传算法对交通信号配时模型进行求解,该算法采用基于分类的排序惩罚机制对约束进行处理,并引入模拟退火算子增强遗传算法的局部搜索。最后,采用3种算法对实例进行大量的数值计算和Paramics仿真,计算和仿真结果均表明所设计的算法求解精度高且模型具有良好的控制效果。     

基于混合遗传模拟退火算法求解TSP问题

TSP问题是典型的NP-hard组合优化问题,遗传算法是求解此类问题的一种方法,但它存在如何较快地找到全局最优解,并防止“早熟”收敛的问题。针对上述问题并结合TSP问题的特点,提出将遗传算法与模拟退火算法相结合形成遗传模拟退火算法。为了解决群体的多样性和收敛速度的矛盾,采用了部分近邻法来生成初始种群,生成的初始种群优于随机产生初始种群。仿真实验结果证明,该算法相对于基本遗传算法的收敛速度、搜索质量和最优解输出概率方面有了明显的提高。     

网格环境下资源负载均衡和优化调度研究

为了有效解决网格环境下资源的负载均衡问题,结合克隆算法,模拟退火算法和遗传算法的优点,提出了一种基于遗传模拟退火克隆算法的任务调度优化方法。仿真实验结果表明,该算法全局寻优能力强,能有效地实现资源的负载均衡,同时克服了遗传算法容易陷入局部最优的缺点,可以成功地应用于网格任务调度中。     

干扰目标优化分配模型和算法的研究

电子干扰成功压制威胁目标对突防作战起着关键性的作用,针对理想环境下优化模型的不足,考虑到实战环境下的约束条件和干扰需求,构建了干扰目标的优化分配模型;对于参变量和约束条件增多时,传统算法求解速度慢,甚至无法求得最优解,为此,引入遗传算法,改进编码、染色体和遗传算子的设计,通过具体算例建立模型和求解,并与模拟退火算法进行比较分析,结果表明改进遗传算法搜索最优解的速度和可靠性都优于模拟退火算法。最后给出了干扰目标分配的最优方案,为实现干扰的最佳压制效能提供了科学决策。