遗传算法对CMAC与PID并行励磁控制的优化

为解决同步发电机在不同工况下的PID控制参数最优化,干扰情况下的快速稳定等问题,提出了一种通过遗传算法来优化CMAC与PID的并行控制策略。由遗传算法来对PID参数进行全局择优,CMAC在其基础上进行局部择优,以达到所需要的控制效果。Matlab仿真表明该控制方案与传统控制方案相比具有优越性,通过现场试验表明算法的可行性和实际控制效果的优越性。

小脑模型控制系统的遗传算法最优设计

首次采用遗传算法实现小脑模型控制固定增益的最优设计，并采用超调受限最优化方法进行优化，而且结合线材缠绕液压系统张力控制进行了控制仿真试验．同时采用遗传算法对同一被控对象进行了ＰＩＤ最优控制设计．试验结果表明本文方法是有效的．它克服了以往小脑模型控制设计的反复试错的缺点，进而使控制系统设计工作量大大减少．试验还表明，采用遗传算法对小脑模型控制的固定增益进行最优设计，比对ＰＩＤ最优控制设计容易。

遗传小脑神经网络在液位控制中的应用

针对非线性液位控制问题,提出了一种采用遗传小脑模型神经网络(CMAC)的学习控制方法;该控制器采用遗传算法作为CMAC神经网络的学习算法,给出了具体的控制结构和算法;仿真结果表明,该控制器具有良好的处理非线性以及跟踪连续变化信号的能力,并对时变外负载干扰具有明显的抑制作用,而且新型控制器能使用较高的学习速率,学习速度快,适于在线学习控制。

CMAC算法中泛化特性分析

CMAC 算法中,研究泛化性能是其中一项主要内容.泛化性能好,则网络的学习精度高.本文阐述网络的原理、结构、学习算法,对影响泛化性能的量化精度、采样精度及其之间的关系进行理论分析.并通过计算机仿真验证了当量化精度等于采样精度、量化精度大于采样精度时对网络精度的影响,得出量化精度应该大于采样精度的结论.提出一种利用基于多目标的遗传算法来确定泛化常数和量化精度的方法,并通过实例验证方法的正确性.

基于GA学习的模糊小脑模型控制器

提出一种基于遗传算法学习的模糊小脑模型神经网络控制器 ,即利用遗传算法学习和优化 FCMAC控制器的连接权重 ,构成一个 GA-FCMAC控制器 ,该算法适用于多输入 -多输出系统 ,对于倒立摆非线性系统的仿真结果证明 。