基于混合粒子群算法的水轮发电机组调速器PID参数优化

针对水轮发电机组调速器PID的参数优化问题,建立了水轮机调节系统仿真模型,引入混沌扰动理论的混合粒子群算法,实现了水轮机调速器PID参数整定优化。仿真表明,混合算法整定PID参数后的调节系统具有超调量小、稳定性好特点,能有效改善水轮机调节系统过渡过程的动态性能,同时算法收敛速度快、准确度高,有效地克服了标准粒子群算法易早熟等缺点,提高了算法的精确性。     

基于萤火虫算法的炉温控制系统参数自整定PID控制

针对加热炉温度控制系统PID控制器的参数寻优问题,运用萤火虫算法,建立Simulink仿真模型,编写萤火虫算法的程序,分别用常规工程法和萤火虫算法进行PID参数整定,进行仿真曲线的对比。结果表明萤火虫算法可以在对所求解未知的前提下,迅速从全局优化出控制参数,是PID参数整定方法中一种比较高效的方法。     

一种基于改进布谷鸟算法的极值搜索控制方法及应用

【目的】不确定复杂动力学系统难以实现最优控制。太阳能光伏系统由于其外界环境不确定,导致其最优稳态模型不确定,需要一个最大功率点跟踪（MPPT）控制器确保在任何环境下太阳能电池都保持最大功率工作。【方法】课题组介绍了一种基于改进布谷鸟算法的极值搜索控制方法（ICS）,通过改进算法迭代过程提升其动态性能和稳态性能,并提出了离散-连续控制方法,实现了离散算法在连续物理系统中的应用,并通过数值仿真的方式验证了ICS算法性能。【结果】与传统CS算法相比,ICS算法大幅度优化了调节时间、振荡次数和极值搜索能力,其调节时间仅为0.025 5 s,算法收敛前仅大幅振荡两次,且该算法找到的极值输出功率也大于传统CS算法,即更接近全局最优值。【结论】ICS算法的动态性能和稳态性能均远优于传统CS算法,其在调节时间、振荡水平和极值搜索能力等方面均性能优越。     

迭代反馈整定在电液伺服系统中的应用

迭代反馈整定（IFT）控制方法能够在未知系统模型的前提下,完成系统控制器的参数整定,使系统控制性能趋向优化。迭代反馈整定方法与传统PID控制器相结合,构成一种IFT—PID控制器,该控制器能够实现在线自整定。将该控制器应用到电液伺服系统中,结果表明,即使被控系统存在很强的非线性,该控制器也能够在外界扰动和系统工况发生变化时,完成控制器参数整定,使控制系统取得满意的控制效果。     

基于杂交PSO算法的直线电机伺服参数优化

伺服参数整定是影响直线电机系统控制性能优劣的关键因素,针对其参数难以整定的问题,提出一种基于杂交PSO算法的解决方案.通过引入粒子杂交操作,有效增强算法对最优参数的全局搜索能力,并且其收敛速度和精度得到提升.仿真结果表明,应用杂交PSO算法对电机系统数学模型的伺服参数进行整定优化效果明显.对比标准粒子群算法与文献改进粒...     

混沌粒子群算法在新安江模型参数

流域水文模型由于受到众多因素的影响导致结构复杂、参数众多,大多数参数都有明确的物理意义,理论上可根据其物理意义直接定量,但实际上由于缺乏观测数据支持,往往需要通过系统识别的方法推求。因此,积极开展模型参数识别技术的研究和应用从而得到合适的参数对模型推广应用及提高应用精度都有很重要的意义。采用由粒子群算法和混沌优化方法结合的混沌粒子群算法对水文模型参数进行优选,该算法对局部最优解在搜索空间上进行混沌迭代优化,改善和提高了基本粒子群算法的全局寻优性能和收敛速度。在新安江水文模型参数优选的应用结果表明,该参数优选方法比传统参数优选方法更易快速的收敛于全局最优解。     

混沌粒子群算法在新安江模型参数优选中的应用

流域水文模型由于受到众多因素的影响导致结构复杂、参数众多,大多数参数都有明确的物理意义,理论上可根据其物理意义直接定量,但实际上由于缺乏观测数据支持,往往需要通过系统识别的方法推求.因此,积极开展模型参数识别技术的研究和应用从而得到合适的参数对模型推广应用及提高应用精度都有很重要的意义.采用由粒子群算法和混沌优化方法结合的混沌粒子群算法对水文模型参数进行优选,该算法对局部最优解在搜索空间上进行混沌迭代优化,改善和提高了基本粒子群算法的全局寻优性能和收敛速度.在新安江水文模型参数优选的应用结果表明,该参数优选方法比传统参数优选方法更易快速的收敛于全局最优解.     

基于PSO-PID的拖拉机线控液压转向控制研究

PID控制是典型的控制系统,其核心内容是PID参数优化。为解决拖拉机线控液压转向PID控制参数优化时不能确保得到最佳性能且耗时长的问题,课题组采用了理论分析法及仿真实验法,对线控液压转向系统的模型进行了仿真分析,基于粒子群算法（PSO）优化了PID参数,提出了PSO-PID控制器,并将其控制结果与标准PID进行对比,得出了使整个PID系统性能优异的优化结果。仿真结果表明,PSO算法有效提高了PID参数的稳定性、收敛速度和搜索精度,性能指标更优。     

基于改进粒子群的土壤水分特征曲线参数优化研究

土壤水分特征曲线是研究土壤水分运动的重要参数,Van Genuchten方程是目前广泛应用的土壤水分特征曲线方程。由于该方程参数较多,人工调节参数繁琐复杂,应用优化算法实现参数自动调节成为首选。分别采用遗传算法(GA)、粒子群算法(PSO)和改进粒子群算法(CMOPSO)对方程进行参数寻优,对比3种算法的收敛速度、所需迭代次数和算法稳定性。结果表明:3种算法的参数模拟精度均较好;改进粒子群算法的全局搜索能力和收敛速度优于遗传算法与粒子群算法,且所需迭代次数最少,适合VG方程的参数寻优。     

分析抽水试验数据的单纯形差分进化混合算法

分别以无限含水层和有直线隔水边界含水层情况下的解析解为基础,应用提出的单纯形差分进化混合优化算法求解分析2种条件下的抽水试验数据,确定含水层参数的函数优化问题.将具有全局搜索能力强、原理简单、受控参数少、而局部搜索能力弱等特点的差分进化算法与具有局部搜索能力强、运算速度快、而对参数初值的选取依赖性较强和易于陷入局部极值等特点的单纯形优化算法进行结合,构成了一种混合优化算法,即单纯形差分混合优化算法.这种混合算法同时具有确定性运算和随机性搜索所具有的共同优点,能够较好地平衡全局搜索能力和局部搜索能力.数值实验结果表明,单纯形差分混合优化算法能够有效地应用于分析抽水试验数据,识别含水层参数;与其他方法相比较,其具有运算速度快、效率高和计算结果精度高等优点.     

基于改进自适应遗传算法的新安江模型参数率定研究

模型参数率定是提高水文模型模拟效果的重要手段，通过研究一种改进的自适应遗传算法（IAGA）对新安江模型参数进行优化率定，解决传统遗传算法初始种群质量不高、容易早熟收敛、局部搜索能力差等问题。该算法利用混沌变量遍历性特点，随机生成初始种群并选优，提高初始种群的个体质量；针对交叉与变异的进化过程，设计了反映种群离散程度的种群目标函数离散系数，利用该系数构建了自适应调整交叉与变异概率算子，防止遗传算法过早收敛；依托环形交叉算子，提高算法全局搜索能力；采用自适应非均匀变异算子，实时优化算法的局部搜索能力，避免陷入局部最优。将自适应遗传算法、传统遗传算法（GA）和自适应遗传算法（AGA）应用于秦淮河流域新安江模型的参数率定，并从率定的收敛性、耗时、稳定性和效果方面进行算法的性能比较，结果表明：IAGA算法具有更优的寻优能力，更好的收敛结果，更高的稳定性和精度，场次洪水的模拟效果优于GA算法和AGA算法，率定期与验证期确定性系数（R2）均在0.85以上，纳什效率系数（NSE）均在0.8以上，总体达到了水文预报的乙级标准。结果表明采用上述的综合手段改进传统遗传算法是可行的，改进后的IAGA算法具有良...     

基于动态扩展邻域蚁群算法的移动机器人路径规划

针对蚁群算法易陷入局部最优、路径转折点多、收敛速度慢的问题,提出一种基于动态扩展邻域蚁群算法（Dynamic extended neighbourhoods ant colony optimization,DENACO）。在蚂蚁搜索方式上采用动态扩展邻域方法,并定义新的信息素计算方式和增量规则,在取得更优收敛路径长度的同时,减少路径转折点数量及路径节点数量;引入自适应调整因子改进启发函数,提高算法的全局搜索能力,并设定迭代阈值,提升算法的收敛速度;提出一种路径节点双优化策略,对规划好的路径进一步优化,提高路径综合质量。不同复杂度及不同规模栅格地图中的仿真实验表明,DENACO算法所规划的路径更优,路径转折点数量减少,收敛速度加快,路径节点数量明显减少,表明算法具有更高的可行性和适用性。     

基于天牛须算法整定PID的永磁同步电机控制

在基于永磁同步电机的有感FOC控制中,通过调节转速环节和电流环节的PID控制器参数就能对电机进行控制,但传统的PID参数整定方法控制精度低,稳定性能差,难以获得令人满意的运行效果。为了解决该问题,提出一种基于天牛须算法的PID自整定方法,利用天牛须算法强大且快速的寻优能力对速度环节的PID参数进行自整定。仿真结果表明:该方法设计的电机控制系统具有响应快、无超调和鲁棒性高的优点,相对于传统方法具有显著的优越性。     

自适应差分进化算法在灌区频率分析中的应用

在较短水文系列下灌区规划设计水文频率分析中,枯水设计年的年径流量和年降雨量的精确度难以保证。差分进化算法具有收敛快、参数较少、较强的鲁棒性等特性,但标准差分进化算法具有搜索能力与开发能力相矛盾的缺点。【目的】引入一种随机扰动与三角函数相结合的迭代结构,保证迭代过程中变异随机性的同时加大收敛速率,构建可用于有较短水文系列的P-Ⅲ型分布曲线参数估值的自适应差分进化算法。【方法】以江西省赣州市南康区窑下坝站的实测降雨资料为例,分别选取1956—2010年和1981—2010年实测降雨量资料为长短系列降雨资料,计算长系列降雨资料下应用OLS准则的离差平方和及其在不同迭代次数下的标准差,计算长短系列降雨资料下不同枯水年的设计值,将自适应差分进化算法与遗传算法及传统的参数估计方法加以比较。【结果】自适应差分进化算法效率高、精度高、寻优结果稳定、鲁棒性强,在长短系列之间4个枯水年的设计值的误差之和最小。【结论】自适应差分进化算法适用于灌区规划的水文频率分析。     

基于改进蚁群算法的PID参数优化

PID控制器的参数优化是自动控制领域的重要问题。一般PID参数的调定都离不开依靠人工经验的调整,但难以得到最佳参数。而蚁群算法因其自身参数限制,在全局搜索上能力较弱,会陷入局部最优。基于此,本研究提出一种将蚁群算法和模拟退火算法融合用于PID控制器参数优化的方法,以模拟退火的搜索方式替代蚁群算法,避免算法陷入局部解。仿真实验表明,该方案具有更快的响应速度和更好的稳定性。     

线性递减权重粒子群优化投影寻踪模型及应用

针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,为了有效地控制粒子群算法的全局搜索和局部搜索,提出了将线性递减权重引入到粒子群优化算法中.该算法是从随机解出发,通过追随当前搜索到的最优值来寻找全局最优解,增加了粒子群算法的局部搜索能力.将其算法优化投影寻踪模型,以此构建了线性递减权重粒子群优化投影寻踪模型,将该模型应用到土坝护坡模式优化评价中,选取9个指标作为评判因子,提出适合该地区的土坝护坡优化模式.结果表明:线性递减权重粒子群优化投影寻踪模型可以有效地找到最佳投影方向,计算投影值,根据投影指标值的大小可对方案进行优选.利用该模型对土坝护坡模式进行综合评价是切实可行的.该算法以其实现容易、精度高、收敛快等优点,并且在解决实际问题中展示的优越性,在工程优化领域具有广泛的应用前景.     

基于SOA优化PID控制参数的智能灌溉控制策略研究

为解决智能灌溉系统中水泵运行的不稳定问题,基于人群搜索优化算法（Seeker optimization algorithm,SOA）实现了PID（Proportion integration differentiation）参数的自动优化。该优化算法能够有效解决智能灌溉系统水泵控制中的非线性、时变性和滞后性等问题。为验证SOA优化PID控制的实际效果,与PSO（Particle swarm optimization）算法和GA（Genetic algorithms）算法优化的PID控制进行比较。仿真实验结果表明,基于SOA优化的PID控制响应时间短、超调量小,稳态过程没有振荡。因此,适用于智能灌溉系统中的水泵控制。     

基于改进松鼠算法的光伏多峰MPPT控制方法研究

【目的】失配现象使光伏系统难以通过最大功率点追踪（MPPT）获得最大功率。扰动和观测（P&O）方法、爬山（H&C）算法等传统的MPPT算法无法区分局部最优和全局最优,难以解决失配现象下的最大功率点追踪问题。【方法】采用文献回顾法对MPPT算法进行梳理,发现现有文献MPPT算法机制各不相同,使得它们追踪性能各有不同,在此基础上提出了一种基于改进松鼠算法（ISSA）的MPPT新算法,通过优化松鼠觅食迭代过程以提升算法性能,并利用MATLAB建立太阳能光伏系统动力学模型,利用Runge-Kutta方法求数值解。通过MATLAB仿真,在失配现象下将提出的算法与原始SSA算法进行比较,以验证提出算法的性能。【结果】与传统的松鼠算法（SSA）相比,改进的松鼠算法（ISSA）大幅度缩短了调节时间,提升了最优值追踪能力,调节时间仅为0.049 3 s,具有良好的动态性能和稳态性能。【结论】ISSA算法的动态性能和稳态性能均优于传统SSA算法,其在调节时间、振荡水平等方面均性能优越,具有良好的应用价值。     

基于改进势场蚁群算法的移动机器人最优路径规划

首先,针对传统人工势场算法存在死锁及局部路径欠优等问题,对其进行改进。利用障碍物检测算法识别出有效障碍物和有效路径中间点,通过引力场和边界条件规划出起点到中间点的局部路径,将中间点置为新的起点进行反复迭代,直至起点与目标点重合则规划完成。其次,针对蚁群算法容易陷入局部最优以及收敛速度较慢等问题,对其进行改进。以改进人工势场算法规划出的路径启发蚁群进行路径搜索,从而避免算法早期由于盲目搜索而导致的路径交叉及收敛速度慢等问题,同时以收敛次数构建负反馈通道,使全局信息素和局部信息素的更新速率跟随收敛次数的变化自适应调节,从而保证了算法全程中收敛速度与全局搜索能力的协调与统一。最后,在Matlab中对本文算法、基本蚁群算法以及文献[23]所述算法分别进行仿真实验。结果表明:在相同的环境模型下,本文算法的收敛速度和搜索能力均优于另两种算法;在给定的简单环境模型下进行路径规划时,本文算法的迭代次数为3次,运行时间为0. 892 s,最优路径长度为28. 627 m;在给定的复杂环境模型下进行路径规划时,本文算法的迭代次数为8次,运行时间为3. 376 s,最优路径长度为31. 556 m,所寻路径对环境的覆盖率为73. 63%。     

改进PSO算法在电力系统无功优化中的应用

介绍一种改进粒子群的无功优化方法。采用简化粒子群优化方程和添加极值扰动算子两种策略加以改进,提出简化粒子群优化（SPSO）算法、带极值扰动粒子群优化（DPSO）算法,并将二者结合起来提出带极值扰动的简化粒子群优化（DSPSO）算法。以IEEE6节点系统为例进行无功优化计算,并与其他算法进行比较,结果表明：该算法具有较快的收敛速度及较强的全局搜索能力,可较好地解决电力系统的无功优化问题。