论文摘要
本文针对非线性系统的辨识与控制问题,提出了基于自适应遗传算法的Elman网络辨识算法以及基于异化粒子群优化的动态递归神经网络辨识与控制算法。模拟结果表明,采用所提出的辨识与控制算法对非线性系统进行辨识与控制能够获得满意的结果,尤其是基于异化粒子群优化的动态递归神经网络提出的辨识器和控制器能达到很高的收敛速度和精度,且具有一定的鲁棒性。提出了一个结构简单、具有较高深度、高分辨率的延时回归神经网络结构（time-delay recurrent neural network,TDRNN）,并推导了网络的学习算法,证明了网络的稳定性。采用该网络对非线性系统进行了辨识与控制,得到了较好的效果,验证了提出的TDRNN网络对非线性系统辨识与控制的有效性。讨论了若干衍生的TSP问题,针对遗传算法求解TSP问题,尝试了多种遗传操作,并对遗传算子的机理进行了实验分析,得出了一些相关的结论。提出了基于隐马尔可夫模型和免疫粒子群优化的多序列比对算法,模拟实验结果表明,所提出的算法可以比较有效的解决多序列比对问题,为多序列比对问题提供了一条新的解决途径。针对车间作业调度问题,提出了四种智能求解算法,它们分别基于粒子群优化、人工免疫系统、蚁群优化与模拟退火的混合算法以及粒子群与免疫系统的混合算法。通过对一些标准测试问题的模拟,验证了所提算法的有效性。
论文目录
第一章 绪论1.1 研究目的与意义1.2 计算智能概述1.3 论文的研究工作第二章 计算智能方法概述2.1 人工神经网络2.1.1 人工神经网络的发展历史2.1.2 神经元及变换函数2.1.3 神经网络的基本特性2.1.4 神经网络的拓扑结构2.1.5 神经网络的分类2.1.6 神经网络的工作方式2.1.7 神经网络的学习方法2.2 遗传算法简介2.2.1 遗传算法的基本原理2.2.2 遗传算法的数学机理2.2.3 遗传算法的特点2.3 模拟退火简介2.3.1 物理退火过程和Metropolis 准则2.3.2 组合优化与物理退火的相似性2.3.3 模拟退火算法的基本思想和步骤2.3.4 模拟退火实现技术2.4 粒子群优化简介2.4.1 粒子群优化算法的数学抽象和实现2.5 蚁群算法简介2.5.1 蚁群算法的原理2.5.2 蚁群算法的特点2.6 人工免疫系统简介2.6.1 人工免疫系统的概念与范畴2.6.2 人工免疫系统原理2.6.3 免疫算法与体液免疫的关系2.6.4 免疫算法的运行机制2.7 小结第三章 进化 ELMAN 神经网络模型与非线性系统辨识3.1 引言3.2 系统辨识及神经网络的辨识过程3.3 ELMAN网络3.4 基于AGA 的进化ELMAN 网络算法3.4.1 编码方式3.4.2 适应度函数3.4.3 选择操作3.4.4 交叉操作3.4.4 变异操作3.4.5 结构调整3.5 辨识策略与数值模拟结果3.5.1 辨识策略一3.5.2 辨识策略二3.6 小结附录A. 纵向振动超声马达的数学模型第四章 基于异化粒子群优化的动态递归神经网络及应用4.1 引言4.2 异化粒子群优化算法4.3 基于DPSO 的ELMAN 网络学习算法4.4 基于DPSO 学习算法的ELMAN网络对超声马达的辨识4.5 基于DPSO 学习算法的ELMAN网络对超声马达的速度控制4.6 小结第五章 一种时滞递归神经网络及应用5.1 引言5.2 一种时滞递归神经网络结构5.3 DTRNN 网络的学习算法5.4 DTRNN 网络的稳定性5.5 DTRNN 网络性能的测试5.4.1 非线性时变系统辨识5.4.2 双线性DGP 系统控制5.4.3 倒立摆系统控制5.6 小结第六章 解决 TSP 问题的遗传算子的设计与机理分析6.1 引言6.2 TSP 问题的数学描述6.3 求解TSP 问题的遗传算法6.3.1 编码方式与适应度函数6.3.2 初始群体生成6.3.3 选择操作6.3.4 交叉操作6.3.5 变异操作6.3.6 进化逆转操作6.4 模拟实验结果与分析6.4.1 不同遗传操作组合的算法6.4.2 模拟实验结果6.4.3 对实验结果的分析6.4.4 选择方式对优化结果的影响6.4.5 进化逆转对优化结果的影响6.5 结论第七章 基于隐马尔可夫模型和免疫粒子群优化的多序列比对算法7.1 引言7.2 多重序列比对的隐马尔可夫模型7.2.1 多重序列比对7.2.2 隐马尔可夫模型7.2.3 多重序列比对的隐马尔可夫模型7.3 免疫粒子群优化算法7.4 基于IPSO 的多序列比对7.5 数值模拟实验7.5.1 Balibase2.0 基准库（benchmark）7.5.2 数值模拟结果7.6 结论第八章 车间作业调度问题的智能优化算法8.1 引言8.2 车间作业调度8.2.1 Job Shop 调度问题描述8.2.2 JSSP 性能指标的正规性、等价性和活动调度8.3 基于粒子群优化的车间作业调度问题求解8.3.1 粒子群系统中JSSP 问题的表述8.3.2 初始粒子群生成8.3.3 目标函数和适应度函数8.3.4 冗余性与二级编码8.3.5 粒子群系统的更新方式8.3.6 基于粒子群优化求解JSSP 问题的流程8.3.7 数值模拟实验及结果8.4 基于人工免疫系统的车间作业调度问题求解8.4.1 抗体群初始化算法8.4.2 亲和力的计算和调整8.4.3 克隆选择8.4.4 疫苗接种和变异8.4.5 受体编辑8.4.6 基于免疫系统求解JSSP 的流程8.4.7 数值模拟实验及结果8.5 基于粒子群优化与人工免疫系统的混合智能算法求解车间作业调度问题8.5.1 基于PSO 和AIS 的混合智能算法8.5.2 数值模拟实验及结果8.6 基于相遇算法和模拟退火的混合算法求解车间调度问题8.6.1 基本蚁群算法的过程8.6.2 相遇算法8.6.3 Job-Shop 问题的图形化定义8.6.4 求解Job-Shop 问题的相遇算法8.6.5 MMMS 与SA 的混合算法求解Job-Shop 问题8.6.6 数值模拟实验8.7 小结第九章 结论与展望参考文献致谢作者在攻读博士学位期间发表与完成的论文作者在攻读博士学位期间参加的科研项目学位论文摘要ABSTRACT
相关论文文献
- [1].第3届计算智能与设计国际学术研讨会[J]. 国际学术动态 2011(06)
- [2].计算智能与设计[J]. 国际学术动态 2012(04)
- [3].先进计算智能研讨[J]. 国际学术动态 2014(05)
- [4].2009计算智能与设计国际学术研讨会[J]. 国际学术动态 2011(01)
- [5].云计算智能化演进 巨头们的思与行[J]. 中外企业家 2017(24)
- [6].计算智能[J]. 通信技术 2015(06)
- [7].基于应用前沿的计算智能课程教学刍议[J]. 教育现代化 2019(05)
- [8].量子计算智能导论教学探索[J]. 计算机教育 2011(15)
- [9].计算智能的基础与应用[J]. 国际学术动态 2011(03)
- [10].第5届国际先进计算智能会议[J]. 国际学术动态 2013(05)
- [11].文字出版物的智能审读方法研究[J]. 福建电脑 2018(05)
- [12].基于应用案例的计算智能课程教学研究[J]. 软件 2012(08)
- [13].2008国际计算智能与设计研讨会(英文)[J]. 智能系统学报 2008(04)
- [14].计算智能在媒体内容挖掘领域的前沿应用与新趋势[J]. 南京社会科学 2018(07)
- [15].基于计算智能的聚类算法[J]. 计算机系统应用 2009(04)
- [16].计算智能及其在城市信息化管理中的应用研究国际合作研讨会在同济大学召开[J]. 微型电脑应用 2009(03)
- [17].2008国际计算智能与信息安全会议(英文)[J]. 智能系统学报 2008(03)
- [18].“云计算智能AV系统技术研讨会”在上海召开[J]. 声学技术 2011(02)
- [19].基于计算智能的舆情预测分析[J]. 科技传播 2019(14)
- [20].基于CDIO的“计算智能”课程教学改革探索[J]. 科教导刊(下旬) 2018(06)
- [21].2017年《计算机科学》“数据科学与计算智能”专辑征文[J]. 计算机科学 2016(11)
- [22].面向医学影像的计算智能生物医学教学的几点思考[J]. 科普童话 2018(02)
- [23].基于计算智能的损伤检测研究[J]. 科学技术创新 2018(24)
- [24].计算智能在水利水电工程中的应用研究进展[J]. 江西建材 2015(24)
- [25].计算智能及其在机械制造中的应用研究[J]. 中小企业管理与科技(上旬刊) 2015(09)
- [26].智能无损评价系统(英文)[J]. 无损检测 2009(10)
- [27].《计算机科学》“数据科学与计算智能”专辑征文通知[J]. 计算机科学 2017(04)
- [28].研究生《计算智能》课程教学方法探讨[J]. 教育教学论坛 2016(27)
- [29].2010年Web信息系统与挖掘、人工智能与计算智能国际会议(英文)[J]. 智能系统学报 2009(06)
- [30].《计算机科学》“数据科学与计算智能”专辑征文通知[J]. 计算机科学 2017(05)
标签：计算智能论文; 智能优化论文; 非线性系统论文; 组合优化论文; 多序列比对论文; 车间作业调度论文;
