引入平均最好位置的量子粒子群算法及在航空发动机非线性模型求解中的应用

为改善粒子群算法的全局搜索能力和计算精度,在标准粒子群算法和量子理论的基础上,将平均最好位置引入粒子的状态更新过程,提出了1种基于量子行为改进的粒子群算法及不同的收缩-扩张因子取值策略。采用该量子粒子群算法对建立的典型双轴涡扇发动机部件级非线性模型进行了求解,结果表明:分段线性递减收缩-扩张因子适用于复杂的航空发动机隐式模型,其收敛效率和精度都较高,具有一定的工程应用价值。

无人机三维航迹规划的量子粒子群优化算法

针对传统的粒子群优化算法容易陷入局部最优解的问题,采用量子粒子群优化算法开展了无人机三维航迹规划。详细分析了固定翼无人机的飞行性能约束条件。为了减小算法计算复杂度,提高规划效率,对三维航迹规划问题的高度规划采用了直接设定策略,即,设置各个航路点的高度介于最大、最小飞行高度之间,从而将三维航路规划问题简化为二维航路规划问题。设计了收缩-扩张因子的线性增大调节策略、代价函数和航迹规划流程。分别采用量子粒子群优化算法和传统粒子群优化算法开展了无人机三维航迹规划仿真实验。仿真结果对比表明,所设计的量子粒子群优化算法比传统粒子群优化算法具有更高的全局搜索能力和搜索精度。

非线性系统的改进型迭代学习控制算法研究

针对普通闭环PD型迭代学习控制算法收敛速度慢且收敛精度不高的问题,通过在闭环PD型控制算法中引入动态扩张-收缩因子(dynamic expansion compression coefficient,DECC)的方法,提高闭环PD型算法的收敛速度以及收敛精度。同时将鲁棒控制引入至算法中,进一步提高算法抑制外界干扰的能力。通过构造李雅普诺夫函数证明了在所提改进的控制律作用下的信号是有界且收敛的。最后将改进的迭代学习控制算法应用在一类具有重复运行性质的非线性系统中,证明所提算法是有效的。