遗传算法优化的非线性悬架系统仿真研究

以四分之一汽车模型为研究对象,通过线性减振弹簧构建非线性Duffing振子,提出一种切实可行的非线性悬架系统构建方法。利用增维精细积分法求解非线性悬架系统动力学模型;以车身总加权加速度均方根值最小为优化目标,汽车偏频取值为约束条件,建立非线性悬架系统的优化模型,引入遗传算法,确定非线性悬架最优的弹簧刚度和阻尼系数;进行SIMULINK仿真,对比非线性悬架系统相与传统线性悬架系统的减振效果,进一步证明了所构建的非线性悬架系统的可行性和优越性,为非线性悬架方面的研究提供了一种新方法。

基于遗传算法优化BP神经网络的数控机床热误差补偿

以提高数控机床加工精度为主要目的,针对减少热误差而提出一种基于遗传算法优化BP神经网络的数控机床热误差补偿方法。首先,分析遗传算法优化的BP神经网络学习算法。然后,建立神经网络模型对三轴联动卧式加工中心进行实时补偿。实验仿真结果表明遗传优化BP神经网络模型具有预测补偿能力强、补偿精度高、拟合性能优、实时性好等特点。

基于遗传算法优化的汽车主动转向控制研究

针对汽车线控主动转向行驶稳定性问题,对汽车线控主动转向的控制策略和控制方法进行了研究;并对汽车的动力学模型进行了建立及简化;利用遗传算法可以克服BP网络收敛速度慢和极易陷入局部极小值等特点,提出了一种基于遗传算法优化BP神经网络的线控转向系统。通过选择典型工况,利用Carsim和Matlab/Simulink联合仿真平台对不同的控制方法进行了仿真验证。研究结果表明,基于遗传算法优化的BP网络控制对汽车主动转向控制效果较好,能使实际横摆角速度对理想的横摆角速度实现很好的跟踪,并显著提高了汽车行驶稳定性。

基于遗传算法优化Elman神经网络的机床热误差建模

为了提高数控机床热误差模型的预测精度,以某型号立式加工中心为实验对象,采用模糊聚类与灰色综合关联度相结合的方法对机床测温点进行优化,将测温点从8个减少到3个。利用遗传算法(GA)优化的Elman神经网络建立了主轴热漂移误差预测模型,通过实例比较了GA-Elman神经网络模型与普通Elman神经网络模型的预测效果。结果表明,与普通Elman神经网络所建的预测模型相比,GA-Elman神经网络模型对主轴轴向热漂移误差的预测精度较高,残差较小,网络的泛化能力较好。

遗传算法优化的汽车混流装配线投产排序决策

采用遗传算法,以车辆完成装配的总等待时间最少为目标,对汽车混流装配线进行投产排序优化,通过AutoMod仿真软件和遗传算法优化,得出了优化方案,其目标值减少69.5%,大大提高了企业生产效率,从而证明了遗传优化算法的有效性。

遗传算法优化的线性二次型调节器控制下3-UPS并联机器人稳定性分析

通过对3-UPS并联机器人进行动力学建模与状态空间分析,基于遗传算法(GA)优化的线性二次型调节器(LQR)控制方法对其进行控制仿真,结合多体系统振动理论,并运用MATLAB软件和ADAMS软件联合仿真,分别对该并联机器人在动平台施加外部载荷、定平台施加随机振动,以及动、定平台施加复合干扰3种情况下机器人的末端稳定性进行分析。结果表明:GA优化的LQR控制下,机器人动平台质心振动的衰减时间和振动幅度都明显减小,且共振峰也明显降低,但是高频振动处的减振效果不明显;机器人动平台质心x和y方向的共振频率均保持在5 Hz左右,而z方向的共振频率却有明显的后移现象,逐渐向高频(10 Hz)靠近。该研究为分析并联机器人稳定性与工作精度提供了一定的理论基础。

汽车起重机转向梯形机构遗传算法优化

在满足传动性能和边界约束条件下,根据汽车起重机转向机构的内、外转向轮理想的转角关系,以内侧转向轮理论转角和实际的内轮转角之间均方根误差最小为优化目标,建立了优化设计的数学模型。由于传统的优化方法存在着求解过程复杂和寻优过程容易陷入局部最优解的问题,故应用matlab遗传算法工具箱寻求最优解,使求解过程得到简化,能可靠地获得全局最优解。

遗传算法优化支持向量机的网络流量混沌预测

基于支持向量机的网络流量混沌预测方法通常基于人工经验设置参数,参数的性能较差,大大降低网络流量预测精度。因此,提出遗传算法优化支持向量机的网络流量混沌预测方法,通过相空间重构获取新的网络流量时间序列,获取具有最佳非线性预测结果的支持向量机函数,采用遗传算法优化支持向量机参数。基于优化的支持向量机参数,设计基于遗传算法优化支持向量机的交通流量预测模型,实现网络流量混沌预测。实验结果表明,所提方法在网络流量预测方面整体性能优、具有较高的精度。

基于遗传算法优化和模糊控制动态优化的自动变速器换挡规律设计

为提高轻型越野战术车辆的整车动力性,针对车辆的自动变速器换挡规律进行优化设计。依据MATLAB/Simulink的仿真环境,构建基于车速和油门开度双参数换挡规律的整车动力模型。以双参数换挡规律的换挡点为优化对象,采用遗传算法对换挡点进行优化。根据加速度参数能反映车辆纵向动态的特性,引入加速度,采用模糊控制算法对换挡规律进行动态优化设计,构建三参数的模糊控制器。通过仿真模型和实车试验来验证换挡规律优化前后对车辆动力性的影响。结果表明:优化后的控制策略可有效提升车辆的动力性能,能够更加合理分配在动力需求下的发动机和挡位的使用工况,完全满足轻型越野战术车辆复杂路况下对动力性的需求。

基于遗传算法优化的仿人足球机器人步态规划研究

针对机器人足球比赛的特点及实现仿人足球机器人稳定快速步行的要求,提出了一种基于遗传算法优化的步态规划方法。首先,分析了仿人足球机器人一个完整步行周期的运动过程,根据步行中髋关节运动连续和踝关节运动间断的特点,分别采用三次样条插值与高次多项式插值进行了轨迹插值;其次,以零力矩点(ZMP)稳定裕度为参数构造了目标函数;最后,利用遗传算法(GA)对规划的步态进行了优化,从而得到了ZMP稳定裕度相对较大的稳定步态。仿真结果表明,该方法规划的步态能实现仿人足球机器人更稳定地步行。

铁路客运量的神经网络与遗传算法优化预测

铁路客运量是铁路建设的主要依据来源,它直接影响铁路建设的经济效益和资源配置。传统的铁路客运量的预测方法是基于专家估计或线性化后预测的,具有一定的局限性。基于神经网络和遗传算法理论,提出了一种遗传算法优化的RBF神经网络铁路客运量预测模型,采用遗传算法优化RBF网络权值和相应参数,确定全局最优值,然后训练RBF神经网络得到最优解,最终形成GA-RBF预测模型。实验结果表明GA-RBF预测模型优于传统的RBF预测模型,训练速度和预测精度显著提高。

基于关联分析和遗传算法优化BP的隧道围岩变形预测

隧道工程处于岩土介质中,岩体自然因素与隧道围岩变形难以用确定的关系表述。因此,通过现场监测隧道变形情况,预测隧道围岩变形具有重要意义。选取我国地势第二阶梯的川陕鄂黔中、低山区,以吴家沟隧道为依托,基于灰色关联分析,选取影响隧道围岩变形的主要因素,基于生物进化的思想,用遗传算法优化BP神经网络,并验证该算法的正确性和精确性。应用工程实际,得到空间维预测结果,为实际应用提供借鉴。结果表明,在隧道围岩变形预测中,遗传算法优化神经网络比原始算法精度高,满足隧道围岩变形预测精度的需要,对长大高风险隧道围岩变形预测有一定的参考意义。

基于量子遗传算法优化BP神经网络短期风功率预测

风力发电的不可控性,给电网带来了很多问题,所以当前迫切需要一种高精度的风力发电预测系统。对此,提出了一种结合量子遗传算法和BP神经网络的预测方法,通过量子遗传算法优化BP神经网络的权值和阈值。最后通过MATLAB试验仿真,验证了该方法可有效提高风功率的准确性。

基于遗传算法优化小波神经网络的短期光伏功率预测研究

针对西北地区对光伏功率预测准确性考核要求的提升,提出了一种基于遗传算法优化小波神经网络的短期光伏功率预测模型,利用遗传算法优化小波神经网络,提高模型的预测精度。首先,对原始数据做数据预处理,得到比较理想的数据源;其次,利用遗传算法对小波神经网络进行最佳适应优化赋值,从而避免神经网络陷入局部最小值的问题;最后,对模型进行仿真,并与传统的小波神经网络、BP神经网络的预测结果进行对比。结果表明,优化后的小波神经网络,具有适应度好、预测精度高、鲁棒性能强的能力,且能满足西北能源局实行的新细则要求。

基于遗传算法优化LSSVM的着靶速度建模与预测

测试弹丸的着靶速度是靶场试验的重要科目,但是当弹丸飞行状态异常时,雷达就无法准确测试着靶速度,所以利用已测数据对未能准确测试的数据进行预测就很必要。常用的预测模型是GM(1,1)灰色模型,预测精度不理想。为了提升预测精度,选择采用BP神经网络和支持向量回归机进行预测,但这两个模型的参数是随机选取的,预测精度不是最高,所以选择利用遗传算法优化最小二乘支持向量机预测最优参数。实验结果表明,遗传算法优化最小二乘支持向量机的预测精度最高,误差小于2‰,是预测着靶速度的最佳模型。

基于BR算法和遗传算法优化生物柴油生产

以生物柴油成本为研究对象,综合考虑了原料、工厂产能、甘油置信度对生物柴油成本的影响。引入了人工神经网络BR(贝叶斯正规化)算法和遗传算法优化对收集到的数据进行预测。59组数据中的85%作为训练集,15%作为预测集,采用相关系数和均方误差作为预测结果的评价指标。研究结果表明:使用BR算法相关系数为0.9804,均方误差为0.0036,预测平均相对误差为4.47%。使用遗传算法的相关系数为0.8972,均方误差为0.0033,预测平均相对误差为4.89%。相较于L-M算法相关系数0.9741,均方误差0.0045,预测平均相对误差5.89%;两种算法的平均相对误差均有所下降,预测的效果更好。两种方法均有效验证了原料成本、工厂产能、甘油置信度对生物柴油最终成本的重要影响。

基于遗传算法优化的ELM的空气质量预测研究

针对空气中常见污染物及气象因素对空气质量的影响具有不确定性,导致预测准确度受限问题,在由WRFCMAQ预报模型基础上得到污染物浓度/气象一次预报数据,结合某监测点提供的长期空气质量检测基础数据(气象以及污染物浓度实际检测数据)对空气质量预测进行二次建模,选择ELM(极限学习机)并使用遗传算法对ELM网络模型进行优化,提高空气质量预报中对各项污染物预测的准确性,预测结果满足了10%误差的期望值。

基于遗传算法优化的无刷电机控制系统设计

为了更好的提高电机的工作效率和稳定性,以MC9S12X系列的芯片为基础对有霍尔传感器的无刷直流电机控制系统的软件和硬件进行设计,并对控制系统PID参数使用遗传算法进行优化。对优化后的控制系统使用Matlab/Simulink仿真工具进行了仿真,仿真结果表明应用遗传算法优化的PID控制的算法的无刷电机控制系统具有更短的响应时间,更高的系统稳定性。

基于混沌遗传算法优化的LS-SVM边坡位移预测

利用边坡监测位移的时间序列来预测边坡未来变形,能有效评价边坡的稳定性。以边坡位移时间序列为基础,采用最小二乘支持向量机(LS-SVM)建立位移预测模型,并考虑到最小二乘支持向量机的参数选择会对建模结果产生较大影响,提出采用变尺度混沌遗传优化算法对LS-SVM建模过程中的参数进行优化。该算法主要的思想是采用混沌变量种群映射到LS-SVM参数取值区间,对经过一次遗传操作的群体进行混沌搜索寻优,引导种群快速进化。最后将该模型应用于实际边坡工程位移预测中,并与常规遗传算法参数优化进行比较,结果表明,该方法的收敛速度更快,预测精度更高,具有较好的适用性。

基于遗传算法优化LSSVM的初速预测

利用两台初速雷达测试弹丸炮口初速的试验中,当一台雷达的数据出现缺失时,通过建模预测出缺失的数据成为一项必要的工作。预测初速主要采用GM(1,1)模型,但是该模型并不完全适合预测初速,所以预测精度不理想。通过深入分析两台雷达之间的关联性,选择把两台雷达的数据进行融合,同时根据弹丸初速自身的特征,选择建立遗传算法优化LSSVM对缺失的数据进行预测。实验验证时,选择ARIMA模型、GM(1,1)模型、支持向量回归机、BP神经网络作为对比模型,两次验证的结果表明,遗传算法优化LSSVM的预测精度最高,误差远小于1‰,达到了初速雷达测试弹丸初速的误差标准,是预测弹丸初速的最佳模型。