基于改进麻雀算法的卷绕张力控制系统

为了在卷绕系统中建立稳定的张力控制系统，课题组使用自抗扰控制器设计了控制系统。提出采用麻雀算法(SSA)优化整定自抗扰控制器的参数。针对SSA以跳跃的方式寻优、已陷入局部最优和原点收敛性强的缺点，提出基于粒子群算法(PSO)的改进麻雀算法(PGSSA)；该方法引入了PSO的速度算子，修改麻雀算法的发现者和跟随者的位置来更新公式，增强麻雀算法的全局搜索能力。由于麻雀算法的种群多样性比较差，提出引入遗传算法的交叉和变异操作，以保证种群的多样性，避免PGSSA过早陷入局部最优。选择复卷机的收卷过程作为控制对象模型，利用MATLAB/Simulink软件平台，分别采用PGSSA和SSA对ADRC控制器和PID控制器参数进行仿真。结果表明：PGSSA的收敛速度和精度都优于SSA。ADRC控制器对扰动的反应速度和抑制能力、阶跃响应的性能指标优于PID控制器。     

单参数模糊PID在塑料挤出机温度控制系统中的应用

论述了SIMAT IC S7-300可编程控制器在塑料挤出机温度控制系统中的应用,控制回路采用单参数模糊P ID(比例、积分、微分)脉宽调功法。控制系统把单参数模糊P ID控制和PLC(可变程序逻辑控制器)的逻辑判断指令结合起来,使P ID控制更为灵活,能较好地满足生产过程的要求。详细描述了该系统的工作原理和PLC的硬件组成、软件编制。     

一种基于模糊辨识器的自适应交流伺服系统

提出用模糊辨识器对交流伺服系统离线进行辨识，使用遗传算法（GA）对辨识器参数寻优，用BP算法对控制器FNC最后一层权值在线调整，论述了用GA对控制器模糊隶属函数的参数优化训练方法。仿真结果证明了控制策略的有效性。     

基于PSO-SVM模型的网络流量预测研究

针对网络流量高度自相关、随机性和非线性等时间序列特征,采用支持向量机(SVM)模型进行预测.针对SVM模型中参数难以确定的问题,采用粒子群(PSO)算法进行参数寻优,保证预测的精确度.将PSO-SVM模型预测结果与ARIMA自回归移动平均模型、BP神经网络模型预测结果进行比对,PSO-SVM模型具有更高的预测精度,能够更好地反映网络流量的变化规律.     

混合量子算法在旅行商问题中的应用研究

针对旅行商问题(TSP)的特点提出了一种新的解码方式,结合了进化计算(EA)和微粒群算法(PSO)的思想,构造了独特的混合量子算法(HQA).为进一步提高算法的性能,构造了改进混合量子算法(IHQA).IHQA在更新个体时能够指导惯性权重进行动态变化,决定个体在下一代被吸引或扩散.经测试证明,两种混合算法均表现出强大的寻优能力,IHQA效率更高.     

基于粒子群算法与改进Ziegler-Nichols算法的PID整定方法

针对Ziegler-Nichols算法设计的PID控制器阶跃响应不理想,不具有灵活性等缺点,提出基于粒子群算法与改进 Ziegler-Nichols算法的PID整定方法。采用粒子群算法优化了Ziegler-Nichols算法中的幅值和相角,设计了具有更好性能 指标的PID控制器。实验结果表明采用该方法进行参数整定后的PID控制器响应速度较快,降低了系统的超调量。     

基于PSO算法优化RBF神经网络的基金净值预测研究

为了更精确地对基金净值进行预测,针对基金净值变化具有非线性和随机性等特点,提出基于粒子群优化RBF神经网络的基金净值预测模型。利用具有全局寻优的PSO算法对RBF神经网络的参数进行优化,并用经PSO算法优化的RBF神经网络对基金净值进行预测分析。仿真实验结果表明:与使用BP神经网络和RBF神经网络的基金价格预测方法相比较,PSO算法优化的RBF神经网络能够准确地预测基金价格的变化趋势,具有较高的预测精度,对于用户选择基金有着非常重要的意义。     

基于高斯白噪声扰动变异的粒子群优化算法

为了有效避免粒子群算法(PSO)早熟和局部收敛的现象,在深入分析PSO算法的基础上,提出了一种基于高斯白噪声扰动变异的粒子群优化算法(GMPSO)。该算法以一定的概率选中粒子进行基于高斯白噪声扰动的变异,并重新随机产生飞离搜索区域的粒子,以克服粒子群后期多样性严重下降的缺点。通过对Benchmark函数的测试表明:GMPSO算法无论是搜索精度、速度还是稳定性均显著优于PSO算法。     

电力系统无功优化的一种新算法

本文提出了一种应用新的粒子群优化(NPSO)算法求解电力系统无功优化的新方法。给出了适合无功优化问题的具体实现方法以及应用NPSO算法求解电力系统无功优化的步骤。对IEEE30节点测试系统进行了无功优化计算。并与粒子群优化(PSO)算法的测试结果进行了比较。仿真结果表明,与PSO算法相比,应用NPSO算法求解无功优化问题是有效的。     

项目网络组织协同治理绩效影响因素分析

为了能够更加准确地判断结构损伤位置和程度,本文提出了基于粒子群优化支持向量机（PSO SVM）方法对斜拉桥主梁进行损伤识别的新方法。该方法以最敏感索张力指标作为损伤识别指标,利用粒子群（PSO）算法寻找支持向量机（SVM）最优参数,建立SVM预测模型,以不同位置、不同损伤程度下最敏感索的张力指标作为SVM的训练和测试输入,由SVM的输出确定损伤位置。通过对实验室的模型斜拉桥的主梁损伤进行了仿真验证,结果表明：采用PSO算法很好地解决了采用SVM方法进行损伤识别时的参数选择随机性难题,实现了对SVM模型参数