基于粒子群算法的混联机构神经网络自适应反演控制

针对含有不匹配干扰的混联机构轨迹跟踪控制问题，提出了一种极限学习机与自适应反演控制相结合的控制策略。在对干扰进行分析的基础上，分别采用两个极限学习机网络对系统中的匹配和不匹配干扰进行逼近和补偿。基于Lyapunov函数稳定性设计了混联机构的控制律与自适应律，实现混联机构的轨迹跟踪控制。由于控制器可调参数较多，采用粒子群算法进行控制器参数的寻优整定。仿真结果表明，所提出的控制方法具有良好的轨迹跟踪精度和鲁棒性。     

串联式混合动力拖拉机分动箱的设计与试验

设计的串联式混合动力分动箱由输入轴、中间轴、输出轴以及轴上齿轮和一对滑移齿轮组成。为减小分动箱体积,同时满足配套旋耕机较大耕深需求,在满足结构、强度、刚度等约束条件下,以分动箱总中心距和齿轮总体积最小为目标函数,建立了分动箱参数优化的数学模型。采用基于改进粒子群算法(PSO)的参数优化策略,优化结果表明,与基本粒子群算法相比,改进后的粒子群算法在收敛速度和收敛精度方面均有明显提高,改进后的齿轮总体积减小了2.9%,优化精度提高了1.5%。分动箱运动学仿真及试验结果表明,优化后的分动箱动力输出轴(PTO)动力性能符合要求,能够满足配套旋耕机的工作要求。     

改进粒子群优化（MPSO）算法在动

基于在水资源不充足的情况下，对都江堰灌区六大渠干水资源的合理分配，使农业效益达到最大。首先建立灌区优化配水模型，并将粒子群优化算法（PSO）及其改进的算法应用于该模型。分别对标准PSO、两种改进PSO（MPSO）算法与遗传算法进行仿真对比，结果显示采用PSO算法及其MPSO在农业经济效益上可获得更好的寻优效果，提高了水资源的利用率。     

基于二层规划模型水库有序供水调度规则研究

针对具有多个用水部门的供水水库,提出了一种有序的供水调度规则,在该规则中水库按照用水部门的优先级确定供水的顺序,并根据水库相应的蓄水状态与用水部门限制供水线之间的关系,共同判定是否对其限制供水.基于供水过程动态博弈的特征,建立了水库对多个用水部门有序供水的二层规划模型.模型由上层水库对高优先级用水部门的供水模型以及下层对低优先级用水部门的供水模型构成,并采用粒子群算法对二层规划模型分层求解.在实例研究中,通过与不同调度模型与供水规则进行比较,检验了提出的供水规则与二层调度模型的合理性和有效性.     

基于模糊神经网络的池塘溶解氧预测模型

在分析了池塘溶解氧影响因素的基础上，利用模糊神经网络良好的非线性逼近能力建立了池塘溶解氧的模糊神经网络预测模型。神经网络模型如采用常规的BP或其它梯度算法，常导致训练时间较长且易陷入局部极小点，本实验采用快速的粒子群优化算法对模糊神经网络进行训练，收敛速度明显加快。实验结果表明采用该方法预报溶解氧的预测精度较常规BP递推算法的预测精度明显提高，所采用的模型能对溶解氧进行可靠的预测，该方法为研制开发智能水质检测仪以及工厂化养殖工作奠定了基础，对实际生产具有一定的指导意义。     

变桨距风力发电系统模糊控制

提出了一种基于灰色-ARIMA的金融时间序列智能混合预测模型。首先建立金融时间序列灰色预测模型,并采用PSO算法对灰色模型的三个参数进行优化;利用ARIMA算法对预测模型的残差进行分析,同时采用遗传算法对ARIMA的系数进行优化;最后用ARIMA的残差预测结果对灰色预测模型进行补偿。结果表明,以较好的精度拟合一段时期内MA＜107的时间序列,预测误差控制在5%以上,与单纯的灰色预测算法和神经网络算法相比,在平均绝对误差、均方根误差和趋势准确率三项评价指标上,具有明显优势。     

Airfoil design using improved particle swarm optimization

Based on the theory of standard particle swarm optimization (PSO), an improved particle swarm optimization algorithm is presented, and it has a better optimized performance than standard PSO. A multi-objective wind turbine airfoil shape optimization model is established and 4 kinds of different thick wind turbine airfoils with better performance are designed by using the improved PSO algorithm. The aerodynamic performance of the CQU-A18 and CQU-A21 airfoils are analyzed in detail compared with the commonly used wind turbine airfoil with the same thickness. The results show that the new airfoils show very good aerodynamic characteristics, and they are found to be very insensitive to leading edge roughness. The new airfoils exhibit the higher lift coefficient and larger lift/drag ratio in both smooth condition and rough condition at the main angle of attacks. The performances of the new airfoils show a significant improvement compared with the typical airfoils.     

粒子群算法及其应用研究

粒子群优化算法（PSO）源于对鸟群捕食系统的模拟,是近年来被广为关注和研究的一种智能优化算法。PSO算法属于进化算法的一种,比遗传算法（GA）更简单易实现,且没有交叉和变异操作,需要设定的参数也不多,收敛速度快。目前已广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法等领域。目前PSO的研究主要集中在算法本身和算法的应用研究两个方面。     

基于FLANN的非线性动态系统辨识

采用一种基于FLANN-PSO的SISO非线性动态系统辨识方法,构造了基于FLANN的辨识模型,然后运用PSO优化算法实现模型权值辨识.通过对4种典型非线性动态系统进行了辨识仿真,结果表明该方法具有良好的性能和高辨识精度,它将更适合于工程实际需要.     

基于PSO-SVM的高光谱数据降维的可靠性研究

PSO结合SVM算法对高光谱数据波段进行优化,每次搜索结果不一定相同,因此很多学者对此类算法的可靠性存在疑问。为了证明PSO-SVM降维算法的可靠性,利用PSO-SVM算法对杉木和马尾松的幼中成熟林的高光谱原始数据、一阶微分变换数据、对数变换数据及归一化变换数据进行降维运算,对降维后选择的波段分别利用支持向量机（SVM）、BP神经网络、Mahalanobis距离分类法、Fisher分类法及贝叶斯分类法进行分类,分类结果中,Fisher分类法的结果最好,所有的分类结果均在90%以上,SVM和BP神经网络的分类结果都保持在80%以上,贝叶斯分类法分类精度最差,所有分类结果均未超过90%,最差结果为43.75%。同时,将PSO-SVM与PCA算法进行对比分析,发现在马尾松和杉木的分类过程中PSO-SVM算法优于PCA算法。最后得出结论,PSO-SVM算法提取的特征对Fisher、SVM及BP神经网络分类法有效;当光谱数据差异非常微小时,PSO-SVM比PCA对特征的提取更有效。