Optimization for PID Controller of Cryogenic Ground Support Equipment Based on Cooperative Random Learning Particle Swarm Optimization

Cryogenic ground support equipment (CGSE) is an important part of a famous particle physics experiment - AMS-02. In this paper a design method which optimizes PID parameters of CGSE control system via the particle swarm optimization (PSO) algorithm is presented. Firstly, an improved version of the original PSO, cooperative random learning particle swarm optimization (CRPSO), is put forward to enhance the performance of the conventional PSO. Secondly, the way of finding PID coefficient will be studied by using this algorithm. Finally, the experimental results and practical works demonstrate that the CRPSO-PID controller achieves a good performance.

基于大规模变量分解的多目标粒子群优化算法研究

含有大规模变量的多目标优化问题是目前多目标进化算法领域的研究重点.多目标粒子群优化方法具有收敛性良好、计算简单和参数设置少等优点,但随着优化问题决策变量的增多,"变量维度"成为了瓶颈.针对上述问题,文中提出的变量随机分解策略,增加关联变量分配到同组的概率,使得算法更好的保留变量间的关联性,并将合作协同进化框架融合到算法中,提出了基于大规模变量分解的多目标粒子群优化算法(CCMOPSO).将该算法在经典标准测试函数ZDT1、ZDT2、ZDT3、DTLZ1、DTLZ2变量扩展后进行仿真对比实验,采用加法二进制ε指标和超体积指标(HV)对算法收敛性和多样性进行对比分析,实验结果表明,在解决大规模变量的多目标函数中,变量维度越高,该算法比经典多目标算法MOPSO、NSGA-II、MOEA/D以及GDE3越具有更好的多样性与收敛性,同时使得计算复杂度明显降低.

随机协同分解PSO优化的Takagi-Sugeno模糊神经网络临床路径变异处理

提出了一种随机协同分解粒子群（RCDPSO）优化的Takagi-Sugeno（T-S）模糊神经网络临床路径变异处理方法.在子种群的协同进化过程中,执行顺序随机确定后,选取表现最优的粒子进行分解,对表现最差的粒子进行交叉和变异,并保持子种群的总数不变,既保证了收敛速率,又增加了种群的全局搜索能力.在此基础上,加入了变异扰动机制,增加了种群的多样性,防止种群陷入局部最优.最后以骨肉瘤术前化疗临床路径变异（肝中毒）为例,进行实例验证.结果表明,在处理临床路径变异方面,RCDPSO优化的T-S模糊神经网络与其他算法优化的T-S模糊神经网络相比,预测能力较强、鲁棒性更佳,大幅度提高了临床路径变异处理的精度和效率.

丙烯精馏塔关键组分软测量研究

丙烯精馏塔关键组分塔顶的丙烷浓度和塔釜的丙烯浓度的准确测量是乙烯生产企业提高丙烯收率的关键。鉴于丙烷浓度和丙烯浓度分析仪经常出现故障,提出以RBF神经网络加协同随机粒子群优化(PSO)算法的软测量建模法,即利用RBF神经网络的局部逼近能力来获得模型的结构,利用协同随机PSO算法的全局搜索能力来优化模型的参数,提高模型的逼近能力和泛化能力。该方法克服了BP网络对初始值和网络结构敏感,容易陷入局部最优的缺陷,以及RBF网络全局逼近能力差的缺点。仿真结果表明,此方法所得软测量模型精度高,泛化能力强。