求解并联冷机负荷分配问题的改进FODPSO算法

针对并联冷机负荷分配问题,以系统总功率最小为优化目标,建立满足系统末端负荷需求的并联冷机负荷分配优化模型,提出一种改进分数阶达尔文粒子群优化(IFODPSO)算法,以每台冷机的部分负荷率为优化变量进行求解,优化并联冷机系统的运行策略以节能。首先,针对基本分数阶达尔文粒子群优化(FODPSO)算法粒子初始化过于分散的问题,提出利用蒙特卡洛方法结合基本算数运算符生成初始种群;其次,针对其在高维优化中难以同时搜寻到每一维最优解的问题,引入多重优化提高算法稳定性并加快收敛速度;第三,针对易陷入局部最优的问题,通过自适应多策略行为使粒子能够根据其适应度选择合适的更新方式,提高了算法的搜索能力;最后,以2个典型的并联冷机系统作为案例验证所提出算法的性能,并与其他现有优化算法的实验结果进行对比。研究结果表明:相比于其他算法,IFODPSO算法在并联冷机负荷分配问题的求解中能够取得更加显著的节能效果,得到更优的运行策略,同时收敛精度、收敛速度和稳定性都有了显著提高。

基于分数阶达尔文粒子群FODPSO算法的图像分割

图像分割主要用于提取用户感兴趣的目标,是图像分类和识别的基础。采用一种基于分数阶达尔文粒子群算法的图像分割方法,该算法采用分数阶微积分控制系统收敛性,能够对n尺度图像进行n-1个阈值寻优计算。实验结果表明,对比于APSO、CFPSO算法,该算法具有收敛速度快、稳定性强、精度高、全局寻优等特点,有效地克服了传统算法易陷入局部最优和收敛速度慢等缺陷,可满足实际工程需求。

Performance Analysis of Optimization Based FOC and DTC Methods for Three Phase Induction Motor

Three-phase induction motors are becoming increasingly utilized in industrialfield due to their better efficiency and simple manufacture.The speed control of an induction motor is essential in a variety of applications,but it is dif-ficult to control.This research analyses the three-phase induction motor’s perfor-mance usingfield-oriented control(FOC)and direct torque control(DTC)techniques.The major aim of this work is to provide a critical evaluation of devel-oping a simple speed controller for induction motors with improving the perfor-mance of Induction Motor(IM).For controlling a motor,different optimization approaches are accessible;in this research,a Fuzzy Logic Controller(FLC)with Fractional Order Darwinian Particle Swarm Optimization(FODPSO)algorithm is presented to control the induction motor.The FOC and DTC are controlled using FODPSO,and their performance is compared to the traditional FOC and DTC technique.Each scheme had its own simulation model,and the results were com-pared using hardware experimental and MATLAB-Simulink.In terms of time domain specifications and torque improvement,the proposed technique surpasses the existing method.

基于非线性动态重心粒子群优化的分数阶PI^(λ)D^(μ)控制器设计

针对现有Oustaloup滤波器拟合精度不佳、结构复杂的缺点,提出了最优精简Oustaloup滤波器。针对粒子群优化算法整定分数阶PI^(λ)D^(μ)控制器参数时学习能力不充分、迭代收敛乏力的问题,提出了一种改进的粒子群优化算法。该算法设计了双异步非线性动态学习因子,以提高粒子的思考能力与信息共享能力,并增加了粒子群质量重心项,用以加速收敛过程。将改进的算法结合最优精简Oustaloup滤波器应用于分数阶PI^(λ)D^(μ)控制器的设计过程,选取了2个分数阶系统模型进行仿真验证。结果表明,改进的算法收敛速度更快且不易陷入局部最优,所设计的控制系统超调量更小、调节时间更短、稳态误差更小,提高了系统的抗干扰能力。

基于改进粒子群优化算法的分数阶PID控制器

针对控制系统控制性能不稳定的问题,实践中可在控制系统里设定一种分数阶PID控制器。相比于整数阶PID控制器,分数阶PID控制器增加了λ和μ两个控制参数,这样可以让控制器在控制过程中拥有更好的性能,但同时也使得参数整定使用更加困难。为了更容易地求出控制器的参数,需要使用改良过的粒子群(PSO)优化方法来进行整定,将时间误差绝对值(ITAE)准则应用到控制器的控制过程当中,可以快捷地得出分数阶PID控制器的优化参数。通过对常规PID控制器与分数阶PID控制器的仿真结果进行对比,经过优化后的粒子群算法得到的参数在运用到控制系统中时会得到的更好的效果,说明了优化后的分数阶PID控制器的控制效果要优于整数阶PID控制器的控制效果。

动态拓扑结构混合粒子群算法及其应用

针对传统粒子群算法面对较高维度参数整定问题时所表现出的寻优速度慢、易陷入局部最优解的问题,提出一种动态环形拓扑结构混合粒子群算法(DynRing-hfpso)。该算法以粒子群算法为基底,融合萤火虫算法的优点,通过定义选择逻辑使粒子在迭代过程中各自独立地交替进行全局搜索与局部探索,并以自适应的粒子速度与位置约束方法提高算法在迭代过程中信息的利用率。对粒子群拓扑结构进行改进,以动态多邻域环形拓扑结构提高搜索空间覆盖能力,均衡收敛速度。设置动态性能分析以及消融实验,验证算法中粒子分布质量与改进措施的有效性。采用分数阶比例-积分-微分(FOPIλDμ)控制下的速度伺服系统作为应用场景,将该算法与其他四种算法进行对比。结果表明,DynRing-hfpso算法较已有的元启发式优化算法有更快的收敛速度与更优的收敛精度,且在多次实验中展现出更强的鲁棒性。

自适应的分数阶达尔文粒子群优化算法

针对分数阶达尔文粒子群算法收敛性能依赖于分数阶次α,易陷入局部最优的特点,提出了一种自适应的分数阶达尔文粒子群优化(AFO-DPSO)算法,利用粒子的位置和速度信息来动态调整分数阶次α,并引入自适应的加速系数控制策略和变异处理机制,以获取更优的收敛性能。对几种典型函数的测试结果表明,相比于现有的粒子群算法,所提的AFO-DPSO算法的搜索精度、收敛速度和稳定性都有了显著提高,全局寻优能力得到了进一步提高。

基于改进粒子群算法的 USV 航向分数阶控制

针对欠驱动水面船舶(underactuated surface vessel,USV)航向保持稳定性问题,对船舶自动舵控制系统设计了分数阶PIλDμ控制器。积分阶次λ和微分阶次μ的引入使得分数阶比例-积分-微分(proportion integration differentiation,PID)PIλDμ控制器具有更好的鲁棒性和抗扰动能力,但同时也加大了算法设计的难度。使用改进粒子群算法对分数阶PIλDμ控制器参数进行整定,即解决了粒子群算法容易使粒子陷入局部最优问题,又解决了分数阶PIλDμ控制器整定参数多、设计复杂问题。通过仿真对比实验,结果表明,该控制器能很好地根据船舶动态特性变化,自动进行适应性参数优化,具有跟踪速度快、航向控制超调小以及抗扰性强等优点。

基于粒子群算法的被动分数阶汽车悬架参数优化设计

利用粒子群算法研究了被动分数阶汽车悬架参数的优化设计。分数阶汽车悬架系统是指运动微分方程中含有分数阶微分项的汽车悬架系统。建立了被动分数阶悬架系统的仿真模型,利用Oustaloup滤波器算法实现了该模型中分数阶微积分的近似计算。利用粒子群算法寻找一组最优的悬架参数来协调汽车操纵稳定性和乘坐舒适性的关系以到达最优的悬架性能。对比原悬架系统和优化后悬架系统在A、B、C、D共四级路面输入下的响应及其频率特性。研究结果表明,利用该方法对被动分数阶悬架参数进行优化设计,在保证汽车操纵稳定性的前提下乘坐舒适性得到明显改善。

基于CAPSO算法的修正炮弹分数阶控制器设计

为了提高修正炮弹系统模型的控制品质,采用分数阶控制器以取得更优的控制效果。针对分数阶控制器参数整定时大都需要公式推导、计算量大等问题,提出一种基于混沌自适应粒子群优化算法(CAPSO)并用于修正炮弹分数阶控制器的设计。将混沌算法与惯性权重调整的粒子群算法融合,对粒子群进行混沌初始化并对陷入局部最优的粒子进行混沌搜索,同时引入惯性权重非线性调整策略提高了算法的收敛精度,得到全局最优解。利用CAPSO算法对分数阶PIλDμ控制器的参数进行整定,并用于修正炮弹俯仰角稳定回路的控制中。通过仿真实验,验证了该优化算法的可行性。仿真结果表明,CAPSO算法在修正炮弹分数阶控制器的参数整定方面优于主导极点法、粒子群优化算法(PSO)等算法,与PSO算法相比调节时间减少了1.139 s、超调量减小了11.84%,具有收敛速度快、超调量小、稳定性好、抗干扰性强等特点;经CAPSO算法优化的分数阶PIλDμ控制器动态响应特性要优于整数阶PID控制器。

混合粒子群算法优化分数阶PID控制参数研究

分数阶比例—积分—微分(PID)控制器是一种把PID控制器的整数阶次推广到分数的比例、积分、微分控制器,它比传统的PID控制器更能精确地控制复杂的被控系统。而参数的取值对控制效果的好坏起着决定性作用,为此提出了一种混合粒子群算法BFA-TPO优化参数值。该算法将具有趋化、繁殖和驱散特点的细菌觅食算法和参数少,易于优化的粒子群算法相结合来计算出精确的分数阶PID控制器的参数值。通过对传统PID控制器和分数阶PID控制器参数优化的实验仿真,结果表明基于该算法的分数阶PID控制不仅无超调量、收敛速度快,而且鲁棒性强、收敛精度高,可用于控制不同的对象和过程。

重构分数低阶协方差的子空间拟合测向算法

基于重构的分数低阶矩阵,提出了重构分数低阶协方差的多重信号分类测向算法和信号子空间拟合测向算法。为了快速求解所提出的测向算法,设计了一种可进行多维搜索的自适应差分粒子群优化算法。利用粒子群算法和差分进化算法的优点,可以获得测向问题的全局最优解。Monte-Carlo仿真证明了所提测向算法可有效分辨相干源,并且其检测性能优于已有的一些经典算法。

基于粒子群算法的液压APC系统分数阶PID控制器设计

为提高冷轧液压伺服位置控制系统在复杂工况下的暂态性能和稳定性,提出一种径向基函数神经网络在线自适应调节分数阶PID控制算法。为提高网络精度,减少冗余隐层节点,采用带有2次变异机制的粒子群算法离线同时优化网络结构和初始参数,同时选择BP算法在线调整网络参数,使FOPID控制系统具备良好的自适应能力。仿真结果表明,该控制系统能够快速准确跟随输入信号,且能明显抑制外在干扰和系统参数扰动,控制效果优于其他对比控制算法。

基于量子粒子群优化算法的新型正交基神经网络分数阶混沌时间序列单步预测

针对分数阶混沌时间序列预测精度低、速度慢的问题,提出了基于量子粒子群优化(QPSO)算法的新型正交基神经网络预测模型。首先,在Laguerre正交基函数的基础上提出一种新型正交基函数,并结合神经网络拓扑构成新型正交基神经网络;其次,利用QPSO算法优化新型正交基神经网络参数,将参数优化问题转化为多维空间上的函数优化问题;最后,根据已优化参数建立预测模型并进行预测分析。分别以分数阶Birkhoff-shaw和Jerk混沌系统为模型,利用Adams-Bashforth-Moulton预估-校正法产生混沌时间序列作为仿真对象,进行单步预测对比实验。仿真表明,与反向传播(BP)神经网络、径向基函数(RBF)神经网络及普通的新型正交基神经网络相比,基于QPSO算法的新型正交基神经网络的平均绝对值误差(MAE)、均方根误差(RMSE)明显减小,决定度系数(CD)更接近于1,平均建模时间(MMT)明显缩短。实验结果表明,基于QPSO算法的新型正交基神经网络提高了分数阶混沌时间序列预测的精度和速度,便于该预测模型的应用和推广。

基于改进粒子群优化算法的分数阶PID控制

分数阶PID控制器参数优化是当前分数阶控制领域研究的重要课题,为了避免分数阶PID控制器设计和参数整定的复杂性,提出一种基于改进粒子群算法的分数阶PID参数优化算法。该算法的基本思想是根据正交设计的多因素多水平试验得到改进粒子群算法的参数最优取值,然后使用改进的粒子群优化算法对分数阶PID控制器的参数进行离线优化,从而确定分数阶PID控制器参数的最优取值。通过仿真与遗传算法以及标准粒子群优化算法相比较,仿真结果表明该算法整定参数收敛速度快,且闭环系统的阶跃响应具有超调量小、上升速度快、调节时间短等优点。

基于分数阶模型的电动汽车悬架灵敏度分析与参数优化

为了优化被动分数阶电动汽车悬架的参数,引入车身振动加速度、悬架动挠度、轮胎动载荷和电机垂直加速度这4个平顺性指标,建立含分数阶被动控制悬架系统的三自由度1/4电动汽车非线性模型。利用蒙特卡洛(Monte Carlo)算法对悬架参数的不确定性进行仿真及灵敏度分析,并选取灵敏度高的参数,采用改进的粒子群优化(particle swarm optimization,PSO)算法对悬架参数进行优化与设计。与传统PSO算法的对比结果表明,改进的PSO算法不仅降低了车身振动加速度,还降低了轮胎动载荷。

气动调节阀最优分数阶PID控制器设计

针对工业控制过程气动调节阀阀位控制中非线性,模型不精确等问题,提出一种基于分数阶PID控制器(fractional order PID controller, PI~λD~μ)的阀位控制方法。分析气动调节阀工作原理并建立其数学模型,为提高模型准确性,针对分数阶PID控制器参数整定范围广、复杂性高等问题,提出一种改进量子粒子群算法(improved quantum particle swarm optimization, IQPSO)整定分数阶PID控制器参数,引入混沌映射和非均匀高斯变异增强算法寻优能力,将改进算法用于调节阀控制系统模型辨识。仿真与试验结果表明,相比于整数阶PID控制器,所设计的分数阶PID具有更快的响应速度和控制精度,能更好地满足气动调节阀阀位控制要求。

钢板缺陷识别的Volterra-SVM模型研究

针对钢板缺陷识别问题,结合超声波脉冲反射原理,提出一种基于Volterra级数和支持向量机的钢板缺陷识别方法。首先,利用Volterra级数模型建立起钢板缺陷的特征模型;其次,使用分数阶粒子群优化算法提取出原始信号中的特征参数,即Volterra级数时域核;最后,将提取到的特征向量输入支持向量机模型进行训练与测试,完成对钢板缺陷的分类识别。设计实验得到多组数据样本,进行模型验证,实验结果表明:基于Volterra级数和支持向量机的识别模型能够较好的完成对钢板缺陷的分类识别,识别准确率达93.3%。

基于FO-PI控制器的直流微网母线电压控制策略

为改善直流微电网母线电压稳定性及动态性能,提出一种基于自适应参数整定的FO-PI控制器控制直流母线电压方法。该方法在传统PI控制策略的基础上引入具有多参数可调的FO-PI控制器,并将带有自适应权重策略的粒子群算法运用于FO-PI控制器,从而解决控制器在具有多个参数时不可同时调节这些参数的问题。让直流微电网电压控制系统达到更优的可控性及灵活度。实验结果表明,所提出的控制策略在不增加系统成本的同时,能够使母线电压抗负载扰动能力更强,而且其整体性能优于传统控制方法。

基于改进粒子群算法的分数阶系统辨识方法

为获取精确的分数阶系统模型,本文利用惯性权值自适应律来改进基本粒子群算法,基于所改进的粒子群算法提出了一种分数阶系统辨识方法,并选取实际系统与辨识系统的输出误差平方和为目标函数,实现了分数阶模型参数和阶次的同时辨识,适用于成比例和不成比例分数阶系统辨识。仿真结果表明了算法的有效性,辨识结果精度较高。