改进的PSO算法在RFID网络调度中的应用

为在寻优过程中有效地保持算法的种群多样性,提出了一种改进的PSO(Particle Swarm Optimization)算法——PSOPC(Particle Swarm Optimizer based on Predator-prey Coevolution)。PSOPC算法将生态系统中捕食者和猎物的竞争协同进化机制嵌入到PSO算法中。基于PSOPC进行RFID(Radio Frequency IDentification)读写器网络调度模型的求解,根据读写器冲突关系的变化在线进行读写器的时隙分配求解与控制,在不影响读写器工作效率的同时,有效消除密集读写器环境下的读写器冲突问题,并优化整个读写器网络的工作效率。

引入注意力机制和参数优化的TCN短期风电功率预测

为提高短期风电功率预测的准确性,提出一种基于频率注意力机制和粒子群优化的时间卷积网络短期风电功率预测模型。首先,利用灰色关联分析方法计算气象变量与风电功率的关联度,选取特征变量;其次,引入频率注意力机制改进时间卷积网络残差块,赋予通道不同权重,并基于粒子群优化算法优化时间卷积网络超参数,搭建预测模型;最后,以黑龙江某风电场实测数据为例进行仿真分析,实验结果表明,所提方法能够充分提取风电功率序列的时序特征,提高短期风电功率预测精度。

基于免疫粒子群优化的反演超机动飞行控制律

提出了一种基于免疫粒子群优化的CMAC反演超机动控制律设计方法。推导并建立了具有大迎角特性的飞机六自由度非线性模型并与发动机模型进行综合。对飞机非线性模型进行重新构建,利用反演方法,通过逐步迭代设计Lypaunov函数并采用CMAC神经网络逼近系统的不确定性形成虚拟的控制输入量,在实现超机动非线性飞行控制律设计的同时对模型不确定性进行自适应补偿。为了提高控制性能与设计效率,将免疫调节机制、粒子群算法与反演控制结合,对控制器参数进行优化设计,形成了基于免疫粒子群优化的反演超机动飞行控制律设计方法。超机动数字仿真结果表明:所设计的超机动飞行控制律能够实现大迎角控制,并具有优异的大迎角机动控制性能。

基于粒子群算法的双时滞半主动悬架控制研究

针对四自由度半车悬架控制模型,提出一种基于双时滞反馈优化控制的车辆半主动悬架控制方法。引入时滞减振控制技术,应用时滞动力吸振器的减振机理和振动系统的幅频特性,建立基于车身加速度和俯仰加速度的统一目标函数,利用粒子群优化算法快速寻优特点获取最优时滞反馈控制参数,并在Matlab/Simulink环境下对悬架系统仿真。仿真结果显示:在随机激励下,双时滞反馈控制通过优化调节双时滞控制参数可以减小车身垂直加速度和俯仰加速度,相应的均方根值比被动悬架分别降低15.10%和22.48%,车身振动得到有效衰减。研究结果表明考虑时滞的车辆悬架模型不仅提高了模型建模精度,双时滞反馈控制更有效提高悬架的减振效果,改善车辆行驶平顺性,为半主动悬架控制系统设计提供了理论依据,具有一定的应用价值。

基于自适应反演滑模优化算法的风机MPPT控制

针对带有未知参数和有界干扰的风电机组最大功率点跟踪(Maximum Power Point Tracking,MPPT)控制问题,从风电机组的运动学和动力学模型出发,在最佳转矩控制方法的基础上提出一种自适应反演滑模控制策略。在满足最大功率跟踪控制要求的条件下,设计自适应控制律提高系统的鲁棒性,采用反演的方法来提高系统的全局渐进稳定性,使系统在参数摄动及外部扰动存在的情况下跟踪误差快速收敛。为进一步改善系统的控制性能,采用粒子群优化算法对正定矩阵Q的参数进行优化。将提出的控制策略与常规滑模控制和传统最佳转矩控制进行对比分析,证明了控制策略的可行性、有效性。

基于图形组态软件的新能源变电站图模一体化生成方法

采用当前方法绘制新能源变电站图模时,没有采用图形组态软件,导致生成图模花费的时间较长,且图模质量因子欠高。现提出一种基于图形组态软件的新能源变电站图模一体化生成方法,通过图形属性自动绘制图形模块、图元模型库构建模块、设备图元图形信息的保存与扩展模块、读取与解析系统规范描述(system specification description,SSD)模块、SSD模型与设备图元关联模块和一次设备图形绘制模块设计图形组态软件,在图形组态软件中设计变电站的内模型图形和外模型图形,建立变电站图模一体化生成的优化目标函数,利用粒子群算法(particle swarm optimization,PSO)对优化目标函数进行求解,生成新能源变电站图模。实验结果表明:所提方法的图模生成效率更高、质量更好,实际应用性较高。

Flight control for air-breathing hypersonic vehicles using linear quadratic regulator design based on stochastic robustness analysis

The flight dynamics model of air-breathing hypersonic vehicles （AHVs） is highly nonlinear and multivariable cou- pling, and includes inertial uncertainties and external disturbances that require strong, robust, and high-accuracy controllers. In this paper, we propose a linear-quadratic regulator （LQR） design method based on stochastic robustness analysis for the longitudinal dynamics of AHVs. First, input/output feedback linearization is used to design LQRs. Second, subject to various system parameter uncertainties, system robustness is characterized by the probability of stability and desired performance. Then, the mapping rela- tionship between system robustness and LQR parameters is established. Particularly, to maximize system robustness, a novel hybrid particle swarm optimization algorithm is proposed to search for the optimal LQR parameters. During the search iteration, a Chernoff bound algorithm is applied to determine the finite sample size of Monte Carlo evaluation with the given prohabilily levels. Finally, simulation results show that the optimization algorithm can effectively find the optimal solution to the LQR parameters.