基于改进乌燕鸥算法的移动机器人路径规划

为克服传统智能算法在解决复杂环境下移动机器人路径规划问题中存在的搜索效率慢和寻优精度低等不足,提出改进乌燕鸥优化算法(ISTOA)。以乌燕鸥算法(STOA)为基础,引入Circle混沌映射机制保证初始种群的质量,提升算法初期搜索效率。同时,提出旋转式翻筋斗搜索策略,对算法的扑食位置进行更新,提高了算法的局部寻优能力。在迁徙过程中,混合正弦控制非碰撞因子和自适应Lévy飞行策略平衡了算法的全局搜索和局部搜索。通过3种不同环境下移动机器人路径规划案例验证了改进乌燕鸥优化算法的有效性。结果表明:改进乌燕鸥优化算法可快速且稳定获得全局最优路径,整体寻优能力优于其他算法,有效地解决了移动机器人在复杂环境中的最优路径规划问题。

三态Boost PFC变换器的高功率因数和轻载效率提升方法研究

工作于伪连续导电模式(pseudo-continuous conduction mode,PCCM)的三态Boost功率因数校正(power factor correction,PFC)变换器采用传统解耦控制,在输入电压增大时,存在功率因数较低的问题。文中结合三态Boost PFC变换器具有两个控制自由度的特点,从变换器的输入电流表达式出发,提出一种三态Boost PFC变换器的变占空比正弦参考电流控制方法,采用变占空比控制变换器的主开关管,正弦参考电流控制续流开关管,并对变换器参数和控制环路进行设计。相比于传统解耦控制的,变占空比正弦参考电流控制的三态Boost PFC变换器具有更高的功率因数,同时也具有快速动态响应与宽负载范围的优点。在此基础上,针对三态Boost PFC变换器轻载效率低的问题,提出混合模式控制方法提升其轻载效率。最后,通过一台400W的实验样机验证理论分析。

死区时间的三个要素及无死区控制

提出了存在死区时间的三个要素，分析了几种典型电压源桥式变换器实现无死区控制的可行性。

单周期控制的三相SPWM整流器

传统三相PWM(pulse width modulation)整流器需要乘法器、DQ坐标变换和网侧电压检测,控制算法复杂。为此,采用单周期算法控制PWM整流器,可以简化设计;推导了单周期控制OOC(one cycle control)三相PWM整流器的控制规律,证明了其与SPWM(sinusoidal pulse width modulation)的等价关系,并探讨了系统的稳定性,提出了控制环节参数的设计方法。建立了10 kW三相PWM整流器的仿真模型,该仿真模型比传统的SPWM控制方法具有动态响应快、控制方法简单、稳定性高等优点,并实现了单位功率因数;最后通过实验验证了单周期控制三相PWM整流器的可行性和高效性。

电压源型快速动态无功补偿器

提出一种新颖电压源型连续可调无功功率补偿器的控制策略,采用正弦脉宽调制(sinusoidal pulse width modulation,SPWM)电压源型逆变器(voltage source converter,VSC)直接调节补偿电抗上的电压,实现补偿器的连续可调感性无功功率输出。该补偿器克服了传统晶闸管控制电抗器(thyristor controlled reactor,TCR)的谐波问题,并且逆变器的最大工作容量仅为补偿容量的25%。结合晶闸管投切电容器(thyristor switched capacitor,TSC)可大大降低动态无功补偿部分的容量,并实现无功功率的连续双向调节。建立基于Matlab/Simulink的系统仿真模型,对控制策略进行仿真研究。最后设计制作高性能数字控制器,通过实验验证提出的控制策略是有效可行的。

改进算术优化算法的无线传感器网络覆盖

针对算术优化算法在无线传感器网络部署中易陷入局部最优、搜索能力弱和收敛精度不足等问题,提出一种改进的算术优化算法(improved arithmetic optimization algorithm,IAOA)来解决上述问题.首先,融合随机反向学习策略增加种群的多样性,其次引入正弦控制因子改进数学函数加速器,使探索与开发之间更平衡,增强了算法的寻优能力.仿真实验结果表明,改进后的算法具有更快的收敛速度和更高的收敛精度,有效提高了无线传感器网络的覆盖率.

基于正弦控制因子的Lateral变异鲨鱼优化算法

针对传统鲨鱼优化算法在求解高维目标函数时,易早熟收敛,陷入局部最优的缺陷.提出一种基于正弦控制因子的Lateral变异鲨鱼优化算法.通过正弦曲线的特性和自适应惯性权重,改善了传统鲨鱼优化算法中由于随机选取控制因子数值大小可能导致算法在迭代后期全局搜索能力降低的问题,提高了算法在迭代后期的全局收敛能力,并对最佳鲨鱼位置引入Lateral变异策略,加强了算法跳出局部最优的可能性.改进后的算法对多个shifted单峰,多峰以及固定维测试函数进行求解,实验结果表明,对比多种不同优化算法而言,本文所提LSSO算法具有更高的收敛精度和搜索速度.