混合粒子群优化及其在嵌入式智能控制中的应用

论文摘要

本文以基于粒子群优化（PSO）的智能优化方法为基础，对基于神经网络（NN）、模糊逻辑（FL）、模拟退火（SA）等软计算方法的若干混合智能计算方法及其应用进行了系统的理论和实验研究。对粒子群优化算法进行深入研究。提出了粒子群聚集度的概念和全局最优位置变异的改进算法。通过周期性监测粒子群聚集度以维持粒子群的多样性，算法后期对种群最优粒子的位置采取变异策略以增强跳出局部极小的能力。通过对改进算法进一步分析，提出粒子个体最优位置变异的PSO算法，在更大程度上改善粒子群活性，提高算法性能。结合SA优化技术，提出将改进SA算法与标准的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算法易陷入局部极值点的缺陷。同时，应用PSO并行优化的特点和采用改进的SA优化机制，克服了SA算法的时间性能差的缺点。计算机仿真实验表明算法是一种非常有效的优化方法。同时，研究表明随机优化搜索算法解的形式和邻域结构对算法的收敛速度和精度有较大影响。基于PSO算法的前向神经网络（FNN）的研究。提出了基于改进的PSO的FNN的学习算法，克服了传统学习算法易陷入局部极值的问题，算法显著的特点是不需要导数信息，具有很强的初值鲁棒性。基于PSO和数值优化方法的FNN的学习算法研究。将具有求取导数信息的局部优化算法与PSO算法结合在一起，其算法具有PSO算法的特点，同时又具有局部搜索速度快的特点。并具有很好的初值鲁棒性。基于PSO的FNN变结构学习算法研究，算法在NN权值优化的同时能够自动确定NN隐层神经元的个数，为NN的设计提供了一种新的方法。结合工业洗衣机模糊控制系统，提出了基于神经网络的工业洗衣机控制器建模方法。基于本文提出的混合PSO算法，提出了一种有效提高NN泛化性能，减小泛化误差的NN训练策略。研究了基于NN的工业洗衣机的学习功能及其实现方法，以及工业洗衣机基于NN的洗涤转速设计及均布过程的控制的方法。提出了工业洗衣机的嵌入式智能控制系统的总体解决方案，研究了系统任务模块划分以及系统的数据流图，建立了基于ARM芯片的硬件平台以及基于μC／OS-Ⅱ实时操作系统的软件平台。研究了NN智能控制在嵌入式软硬件平台下的实现机制。同时，还研究了嵌入式系统人机界面友好操作面板的实现。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究的背景和意义
• 1.2 国内外研究现状
• 1.2.1 粒子群优化算法
• 1.2.2 混合粒子群优化算法
• 1.2.3 混合智能系统
• 1.2.4 嵌入式智能控制系统
• 1.3 课题的提出
• 1.4 本文的研究工作与结构安排
• 第2章 粒子群优化算法研究
• 2.1 引言
• 2.2 PSO算法的基本原理
• 2.3 标准PSO算法的参数分析
• 2.4 PSO和遗传算法的比较
• 2.5 具有收敛因子的粒子群优化算法模型
• 2.6 粒子群优化算法改进研究
• 2.6.1 改进算法的基本原理
• 2.6.2 算例及分析
• 2.7 粒子个体最优位置变异的粒子群优化算法
• 2.8 本章小结
• 第3章 混合粒子群优化算法研究
• 3.1 引言
• 3.2 模拟退火算法
• 3.2.1 算法原理
• 3.2.2 模拟退火算法关键参数控制
• 3.2.3 模拟退火算法的改进
• 3.2.4 算法实现
• 3.3 混合粒子群优化算法（PSOSA）
• 3.3.1 PSOSA混合优化算法描述
• 3.3.2 PSOSA混合优化策略的效率定性分析
• 3.3.3 PSOSA混合优化策略的机制
• 3.4 算法数字仿真实验
• 3.4.1 实验结果与分析
• 3.4.2 与其它改进的PSO算法比较
• 3.5 混合优化策略的特点
• 3.6 解的形式和邻域结构对优化性能影响的讨论
• 3.6.1 解的形式对优化性能的影响
• 3.6.2 邻域结构对优化性能的影响
• 3.7 本章小结
• 第4章 基于粒子群优化的前向神经网络研究
• 4.1 引言
• 4.2 BP网络及学习算法
• 4.2.1 BP网络的结构及数学描述
• 4.2.2 BP网络的学习算法
• 4.2.3 BP算法存在的问题及改进
• 4.3 基于PSO算法的前向神经网络学习算法
• 4.3.1 基于标准的PSO算法的FNN学习算法
• 4.3.2 基于改进的PSO算法的FNN学习算法
• 4.3.3 基于混合PSO算法的FNN学习算法
• 4.3.4 仿真结果与分析
• 4.4 基于PSO和数值优化方法的FNN学习算法
• 4.4.1 Levenberg-Marquardt算法
• 4.4.2 PSOBPLM算法的学习流程
• 4.4.3 算法的仿真结果分析
• 4.5 基于PSO的前向神经网络变结构学习研究
• 4.5.1 结构学习算法概述
• 4.5.2 学习算法设计
• 4.5.3 算法仿真示例
• 4.6 本章小结
• 第5章 基于神经网络的工业洗衣机建模
• 5.1 引言
• 5.2 神经网络与模糊系统的等价性
• 5.3 基于前向神经网络的工业洗衣机建模
• 5.3.1 问题描述
• 5.3.2 神经—模糊控制系统
• 5.3.3 洗涤水位决策神经模糊控制器
• 5.3.4 洗涤时间决策神经模糊控制器
• 5.3.5 神经网络训练过程
• 5.4 控制器学习功能的设计和实现
• 5.5 基于神经网络的洗涤转速设计及均布过程的控制
• 5.5.1 基于神经网络的洗涤转速设计
• 5.5.2 基于NN的工业洗衣机脱水均布过程控制
• 5.6 本章小结
• 第6章 工业洗衣机嵌入式智能控制系统实现
• 6.1 系统功能分析
• 6.2 系统硬件规划
• 6.3 系统软件规划
• 6.3.1 需求分析
• 6.3.2 系统软件结构
• 6.4 实时操作系统移植
• 6.5 系统图形用户界面实现
• 6.5.1 μC/GUI的数据结构
• 6.5.2 μC/GUI工作过程分析
• 6.5.3 μC/GUI接口
• 6.5.4 μC/GUI在μC/OS上的移植
• 6.6 系统任务模块划分及功能分析
• 6.6.1 系统任务模块划
• 6.6.2 任务模块功能分析
• 6.7 神经网络智能计算的实现机制
• 6.8 本章小结
• 第7章 全文总结与研究展望
• 7.1 全文总结
• 7.2 研究展望
• 参考文献
• 致谢
• 攻读博士学位期间发表的论文和参与的科研项目
• 获奖证书