混合粒子群優(yōu)化及其在嵌入式智能控制中的應用.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，對基于神經網絡(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用進行了系統(tǒng)的理論和實驗研究。 對粒子群優(yōu)化算法進行深入研究。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跳出局部極小的能力。通過對改進算法進一步分析，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。結合SA優(yōu)化技術，提出將改進SA算法與標準的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，應用PSO并行優(yōu)化的特點和采用改進的SA優(yōu)化機制，克服了SA算法的時間性能差的缺點。計算機仿真實驗表明算法是一種非常有效的優(yōu)化方法。同時，研究表明隨機優(yōu)化搜索算法解的形式和鄰域結構對算法的收斂速度和精度有較大影響。 基于PS

3、O算法的前向神經網絡(FNN)的研究。提出了基于改進的PSO的FNN的學習算法，克服了傳統(tǒng)學習算法易陷入局部極值的問題，算法顯著的特點是不需要導數信息，具有很強的初值魯棒性?；赑SO和數值優(yōu)化方法的FNN的學習算法研究。將具有求取導數信息的局部優(yōu)化算法與PSO算法結合在一起，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?；赑SO的FNN變結構學習算法研究，算法在NN權值優(yōu)化的同時能夠自動確定NN

4、隱層神經元的個數，為NN的設計提供了一種新的方法。 結合工業(yè)洗衣機模糊控制系統(tǒng)，提出了基于神經網絡的工業(yè)洗衣機控制器建模方法?；诒疚奶岢龅幕旌螾SO算法，提出了一種有效提高NN泛化性能，減小泛化誤差的NN訓練策略。研究了基于NN的工業(yè)洗衣機的學習功能及其實現方法，以及工業(yè)洗衣機基于NN的洗滌轉速設計及均布過程的控制的方法。提出了工業(yè)洗衣機的嵌入式智能控制系統(tǒng)的總體解決方案，研究了系統(tǒng)任務模塊劃分以及系統(tǒng)的數據流圖，建立了基于A