采用动态多子群GSA-RBF神经网络的机车黏着优化控制

为解决机车牵引过程中轮轨间最优黏着利用能否获得的问题,提出一种基于高斯RBF神经网络的机车黏着智能优化控制方法。针对黏着极限态优化控制效果的定量评估,定义了同时考虑轮轨间黏着力变化指标和牵引电机转矩波动指标的加权目标函数;提出动态多子群GSA算法以优化RBFNN参数,避免了参数选择的盲目性,提高了RBFNN的收敛速度和学习能力;此外,该方法不依赖被控对象的解析模型,仅基于系统输入、输出信息完成控制器设计,并通过对电机转矩的动态调整,实现轮轨间黏着的最优利用。仿真结果验证了该方法的正确性和有效性。

动态多子群QPSO算法及其在机车粘着优化控制中的应用

针对列车重载和高速运行时轮轨间粘着存在极限状态以及此时最优粘着利用能否获得的问题,利用所提出的动态多子群QPSO算法训练神经网络,并基于训练好的神经网络设计了机车粘着智能优化控制器,通过对电机转矩的动态调整,实现了轮轨间粘着的最优利用。仿真研究中,利用典型测试函数对所提出的动态多子群QPSO算法进行性能测试,证明该算法具有相对较高的寻优精度和效率,能有效提高神经网络的收敛速度和学习能力,将该算法应用于机车粘着优化控制中,得到了良好的控制效果。

动态多子群差分进化算法

为有效提高差分进化(DE)算法的优化性能,提出一种动态多子群差分进化(DMSDE)算法.该算法从种群多样性的角度,提出一种动态多子群策略,以增加算法跳出局部极值的可能性.然后,设计了一种平衡局部搜索和全局搜索的随机引导变异操作,以提高搜索的有效性和广泛性.同时,引入全局最优学习操作,防止算法早熟.最后,与差分进化算法和各种改进的差分进化算法及其他智能优化算法做比较,仿真数值结果表明了DMSDE算法的有效性.

具有博弈概率选择的多子群粒子群算法

针对粒子群算法在求解复杂多峰函数时存在早熟、易陷入局部最优、全局收敛性能差等缺陷,考虑种群结构、多模式学习和个体间博弈等因素,提出了具有博弈概率选择的多子群粒子群算法。该算法从改善群体多样性、提升个体搜索能力的角度出发,构建了动态多种群结构,并针对每个子群构建不同的学习策略(极端学习、复合学习、邻域学习和随机学习),子群间进行最优信息共享,形成异构多子群的多源学习方式;将进化博弈思想引入群体搜索过程中,个体通过收益矩阵和扎根概率进行策略概率选择,进入适合个体能力提升的子群进行学习。基于12个标准测试函数,针对算法中重要参数子群规模L的取值进行了组合实验,结果表明L取值N/2或N/3时,种群适应度分布及中位值具有明显优势;针对算法性能测试,利用不同维度下的标准测试函数与7种同类型算法进行对比实验,实验结果显示,改进算法在最优值、求解稳定性及收敛特征上整体优于对比算法,说明多源学习和博弈概率选择策略可以有效改善粒子群算法的性能。

Improved PSO for integrating dynamic cell formation and layout problems

To decrease the impact of shorter product life cycles,dynamic cell formation problems(CFPs)and cell layout problems(CLPs)were simultaneously optimized.First,CFPs and CLPs were formally described.Due to the changes of product demands and the lim it of machine capacity,the existing layout needed to be rearranged to a high degree.Secondly,a mathematical model was established for the objective function of minimizing the total costs.Thirdly,a novel dynamic multi-swarm particle swarm optimization(DMS-PSO)algorithm based on the communication learning strategy(CLS)was developed.Toavoid falling into local optimum and slow convergence,each swarm shared their optimal locations before regrouping.Finally,simulation experiments were conducted under different conditions.Numerical results indicate that the proposed algorithm has better stability and it converges faster than other existing algorithms.

碰撞振动系统混沌运动的脊波神经网络控制

针对一类含间隙碰撞振动系统混沌运动的控制问题,提出一种基于脊波神经网络的混沌运动智能优化控制方法.该方法基于脊波神经网络设计混沌控制器,同时采用动态多子群引力搜索算法优化脊波神经网络模型的参数.在碰撞振动系统进入混沌运动状态后,利用经优化的脊波神经网络混沌控制器输出微幅调整量施加于系统的可控参数,对混沌系统进行参数反馈控制,使系统产生规则的周期运动.该方法不依赖被控系统的精确数学模型,可适用于系统模型未知而仅获得系统I/O数据的情况.仿真结果验证了该控制方法的可行性和有效性.