混合粒子群優(yōu)化及其在嵌入式智能控制中的應(yīng)用.pdf

1、本文以基于粒子群優(yōu)化(PSO)的智能優(yōu)化方法為基礎(chǔ)，對基于神經(jīng)網(wǎng)絡(luò)(NN)、模糊邏輯(FL)、模擬退火(SA)等軟計算方法的若干混合智能計算方法及其應(yīng)用進(jìn)行了系統(tǒng)的理論和實驗研究。 對粒子群優(yōu)化算法進(jìn)行深入研究。提出了粒子群聚集度的概念和全局最優(yōu)位置變異的改進(jìn)算法。通過周期性監(jiān)測粒子群聚集度以維持粒子群的多樣性，算法后期對種群最優(yōu)粒子的位置采取變異策略以增強(qiáng)跳出局部極小的能力。通過對改進(jìn)算法進(jìn)一步分析，提出粒子個體最優(yōu)位置變異的

2、PSO算法，在更大程度上改善粒子群活性，提高算法性能。結(jié)合SA優(yōu)化技術(shù)，提出將改進(jìn)SA算法與標(biāo)準(zhǔn)的PSO算法融合的混合PSO算法。利用SA算法的概率突跳特性，有效避免了PSO算法易陷入局部極值點的缺陷。同時，應(yīng)用PSO并行優(yōu)化的特點和采用改進(jìn)的SA優(yōu)化機(jī)制，克服了SA算法的時間性能差的缺點。計算機(jī)仿真實驗表明算法是一種非常有效的優(yōu)化方法。同時，研究表明隨機(jī)優(yōu)化搜索算法解的形式和鄰域結(jié)構(gòu)對算法的收斂速度和精度有較大影響。 基于PS

3、O算法的前向神經(jīng)網(wǎng)絡(luò)(FNN)的研究。提出了基于改進(jìn)的PSO的FNN的學(xué)習(xí)算法，克服了傳統(tǒng)學(xué)習(xí)算法易陷入局部極值的問題，算法顯著的特點是不需要導(dǎo)數(shù)信息，具有很強(qiáng)的初值魯棒性?；赑SO和數(shù)值優(yōu)化方法的FNN的學(xué)習(xí)算法研究。將具有求取導(dǎo)數(shù)信息的局部優(yōu)化算法與PSO算法結(jié)合在一起，其算法具有PSO算法的特點，同時又具有局部搜索速度快的特點。并具有很好的初值魯棒性。基于PSO的FNN變結(jié)構(gòu)學(xué)習(xí)算法研究，算法在NN權(quán)值優(yōu)化的同時能夠自動確定NN

4、隱層神經(jīng)元的個數(shù)，為NN的設(shè)計提供了一種新的方法。 結(jié)合工業(yè)洗衣機(jī)模糊控制系統(tǒng)，提出了基于神經(jīng)網(wǎng)絡(luò)的工業(yè)洗衣機(jī)控制器建模方法。基于本文提出的混合PSO算法，提出了一種有效提高NN泛化性能，減小泛化誤差的NN訓(xùn)練策略。研究了基于NN的工業(yè)洗衣機(jī)的學(xué)習(xí)功能及其實現(xiàn)方法，以及工業(yè)洗衣機(jī)基于NN的洗滌轉(zhuǎn)速設(shè)計及均布過程的控制的方法。提出了工業(yè)洗衣機(jī)的嵌入式智能控制系統(tǒng)的總體解決方案，研究了系統(tǒng)任務(wù)模塊劃分以及系統(tǒng)的數(shù)據(jù)流圖，建立了基于A