针对多变量耦合时滞系统的无模型控制改进算法

工业生产是国家经济发展的命脉,而在工业生产中过程控制起到非常重要的作用。实际的工业过程控制系统难以避免时滞,再者大部分的工业化生产过程都不只有一个被控量且往往互相耦合,种种原因使得整个控制过程难以建立准确的数学模型,因此一般控制方法难以实现令人满意的控制。无模型自适应控制(model free adaptive control,MFAC)方法无须建立被控对象准确模型,可直接进行控制器的设计,考虑针对被控系统的大时滞特性,将基本MFAC算法中的控制律进行变周期差值分析,增大控制输入差值周期,对原有控制算法进行改进,并对MIMO系统实现直接解耦控制。以循环流化床锅炉燃烧过程模型为例,MATLAB计算机模拟仿真实验表明该改进算法具有良好的控制效果。

极端学习机算法的改进及应用研究

极端学习机是一种新型的单隐藏层前馈神经网络模型,其输入权值和隐藏层阈值随机设置,其输出权值解析计算得到。因此,其运算速度是传统的BP神经网络的数千倍,而且具有良好的模型辨识能力。然而,极端学习机的输入权值和隐藏层阈值是随机设定的,可能不是使网络训练目标能达到全局最小值时的最优模型参数。针对此不足,本文采用最小二乘思想确定极端学习机的输入权值和隐藏层阈值。同时,将改进的极端学习机算法应用于电站锅炉的燃烧热效率建模,并与BP、原始极端学习机、粒子群优化极端学习机和"教与学"优化极端学习机算法进行比较,证明了改进算法的有效性。

基于混沌理论的涡流搜索算法

基于混沌变量遍历性、随机性和规律性的特点,提出一种混沌涡流搜索算法。混沌涡流搜索算法应用混沌映射机制更新涡流搜索算法的备选解,增加了种群多样性,增强了算法的搜索能力,提高了算法的收敛速度。为了验证混沌涡流搜索算法的性能,采用9个著名的测试函数进行测试,并与粒子群算法、人工蜂群算法和萤火虫算法对比,实验结果表明混沌涡流搜索算法具有良好的收敛精度、收敛速度和搜索能力。

算法的优化:基于适应度方差的涡流搜索方法

研究了算法的优化方法。为克服涡流搜索(VS)方法在优化运行时可能会陷入局部最优的问题,提出了一种基于适应度方差(FV)的涡流搜索(VS)方法,简写为FVS算法。该方法每次迭代时计算一次全体备选解适应度值的方差大小,如果适应度方差小于某一设定阈值,则调整涡流搜索方法备选解产生的位置,使方法产生的备选解能够跳出局部最优的限制。将这种基于适应度方差的涡流搜索方法与原始涡流搜索方法和其他几种优化算法对8个测试函数进行了寻优对比,结果验证了这种FVS方法的有效性。

分群涡流搜索优化算法

涡流搜索优化算法的备选解主要集中在由搜索半径和迭代圆心圈定的大致范围内,在解空间备选解的分布比较单一。为增强涡流搜索优化算法的寻优效果,文章提出一种分群涡流搜索优化算法。将涡流搜索优化算法备选解分群,以历次迭代寻优的最优解位置和当前迭代最优解在解空间的反向位置为圆心产生两组备选解,以此来增加分群后备选解的多样性。将分群涡流搜索优化算法与原始涡流搜索优化算法对6个测试函数进行寻优对比,结果验证了改进算法具有较好的寻优效果。

“电工电子技术”课程的混合式教学研究

“电工电子技术”课程作为工科院校非电类专业的基础课,在教学体系中有着非常重要的纽带作用。采用线上线下相结合的混合式教学方法,通过改进课堂教学模式,培养学生的独立思维能力及创新能力,增进师生互动和生生交流,激发学生的学习兴趣,提高教学效果。