自适应惯性权重的粒子群优化算法

针对粒子群优化算法容易陷入局部极值、进化后期的收敛速度慢和精度低等问题,提出自适应惯性权重的粒子群优化算法。算法采用自适应更新惯性权重,添加影响算子,并通过惯性权重自适应调整学习因子,然后加入随机局部搜索策略;最后使用测试函数,通过和3种优化算法进行30次重复实验。结果表明,提出的算法具有更好的全局收敛能力,且收敛精度、和稳定性都有明显的提升。

基于干扰观测器的Smith补偿控制方法

针对Smith补偿器控制效果易受外部干扰或模型不确定性影响的问题,利用干扰观测器(disturbance observer-based, DOB)结构改进传统的Smith补偿控制结构,并在综合考虑鲁棒性和控制性能的情况下给出了DOB滤波器和Smith补偿控制器的设计方法。仿真实例表明,改进后的Smith补偿控制效果优于传统方法。

基于多变量时滞系统的设定点滤波器设计

针对多变量时滞系统存在的超调过大、强耦合等问题,提出了一种新的基于等效开环传递函数的设定点滤波器设计方法。该方法首先采用等效传递函数对多变量系统进行解耦,进而对解耦后的广义系统设计内模控制器,然后通过系统响应的峰值、峰值时间以及滞后时间设计设定点滤波器,从而优化多变量系统的响应输出。仿真结果表明,该方法不仅能够消除各回路间的耦合,实现完全解耦,而且能够有效降低系统响应输出的超调量。方法设计简单,可以提高系统性能。

基于中心位的粒子群优化算法

针对粒子群优化算法(Particle Swarm Optimization,简称PSO)容易陷入局部极值、进化后期的收敛速度慢和精度低等缺点,提出了基于中心位的粒子群优化算法(Particle swarm optimization algorithm based on center particle,简称CPPSO)。该算法采取双策略更新粒子位置,一种通过随机惯性权重作用的粒子和影响算子作用的个体极值、全局极值来更新粒子位置,另一种在之前更新的粒子位置基础上,通过中心位采用差分算法来更新粒子位置。通过和其他3种优化算法在18个典型基准函数的仿真测试结果表明,该算法具有更好的全局收敛能力,其收敛速度、寻优精度和稳定性都有明显的提升。

基于部分耦合模型的干扰抑制分散控制器设计

针对时滞多变量系统的干扰抑制问题,在传统分散控制的基础上,基于广义相对干扰增益,对回路间耦合与系统抗扰性能之间的关系进行了量化分析,并据此来选取包含部分耦合的过程模型。而后,基于有效开环传递函数的概念,得到能有效反映此部分耦合模型动态的近似对角模型。最后,采用内模控制策略进行分散控制器的设计。仿真结果表明,所提方法易于实现且能取得更优的干扰抑制性能。