新的全局—局部最优最小值粒子群优化算法

为了提高粒子群优化算法的收敛速度,克服陷入局部最优的缺点,在全局—局部最优粒子群优化算法的基础上,提出了一种新的改进粒子群优化算法——全局—局部最优最小值粒子群优化算法。该算法把惯性权重和学习因子分别通过结合全局和局部最优最小值来进行改写,速度更新公式也做了相应的简化。仿真实验表明该算法在收敛速度和寻优质量上都优于基于LDIW策略改进的粒子群算法和全局—局部最优粒子群算法。

基于循环相关和LPSO算法的自适应MCKD方法的滚动轴承早期故障特征提取

针对强噪声情况下滚动轴承早期故障信号特征难以提取的问题,提出了MCKD与对称差分能量算子解调的特征提取方法。MCKD算法进行滤波时,滤波器长度L和故障周期T对滤波效果的影响至关重要,因此提出基于循环相关和LPSO算法结合的自适应的MCKD算法,自动搜寻MCKD算法所需最优参数;原信号经滤波后,故障特征被明显突出,为了剔除剩余噪声,对滤波后信号进一步做对称差分能量算子解调,剔除剩余噪声同时获得解调谱,进而提取滚动轴承的早期故障。实验分析验证了该方法的有效性。

面向多平台多目标协同跟踪的指派问题

针对多平台多目标协同跟踪中要求多个无人地面平台尽可能均匀地协同跟踪多个目标的特点,提出了改进的离散粒子群优化算法。首先采用连续型粒子群优化算法中的速度和位置迭代公式,然后对粒子位置进行离散编码,使粒子编码对应于可行的指派方案;其次,在优化算法中引入局部搜索,提高算法寻优性能。最后将所提算法应用于多平台多目标协同跟踪中的指派问题,并与未加入局部搜索的粒子群优化算法比较,仿真结果表明,加入局部搜索后的离散粒子群优化算法具有较好的寻优性能。

碰撞振动系统混沌的双参协同智能优化控制

针对单自由度含间隙碰撞振动系统的混沌运动控制问题,提出一种基于局部旋转量子粒子群优化算法优化径向基函数神经网络的双参协同智能优化控制方法.首先,数值仿真得到了系统在(ω,ζ)参数平面内的运动分布图,并结合分别以激励频率ω和阻尼比ζ作为研究对象的单参分岔图和李雅普诺夫指数谱图,分析了参数变化与混沌运动向周期运动转迁之间的关联关系;其次,将激励频率和阻尼比引入径向基函数神经网络控制器输入变量的构造中,提出了满足预期控制目标需求的混沌运动双参协同智能优化控制策略,从而借助径向基函数神经网络的非线性映射特性,使得激励频率和阻尼比对系统动力学性态转迁的综合影响得以在控制器输出变量中体现;最后,提出了局部旋转量子粒子群优化算法优化控制器的参数,实现将混沌运动控制为预期的周期运动.

基于Lbest PSO和NNs的电液伺服系统输出力PID控制研究

为了实现电液伺服系统输出力的稳定控制,结合局部最优粒子群优化算法和神经网络模型,提出一种PID控制器设计方法。该方法将神经网络模型(NNS)与PID控制器耦合,得到基于神经网络的PID控制器参数整定结构;再采用局部最优粒子群优化算法(Lbest PSO)确定神经网络的权重,从而得到基于局部最优粒子群优化算法和神经网络的PID控制算法;最后将提出的PID控制算法用于控制虚拟的电液伺服加载系统,以进行仿真实验。仿真结果表明,由该PID控制器控制的电液伺服系统的输出力平稳地收敛于给定力,从而提高了系统的稳定性。