基于蚁群算法的模糊控制器优化设计研究

合集下载

基于蚁群优化的ESP控制算法仿真

ｍｅｏｓｔｔｔｓｍｅｈｄｃｎａｃｌｒｔｈｅｓｅｄｏｏｅｇｎｅｓｓｅａｈｒｅｎｔｐｒｖｅｈａｈｉｔｏａｃｅｅａｅｔｐｅｆｃｎｖｒｅｃｙｔｍｎｄｓｏｔｎｔｙｓｅｒｓｏｎｅｔｍｅｈｅｓｔｍｅｐｓｉ．
（ｃｏｌｆＡｕｏｂｌｎｃａｉａｇｎｅｉｇ，ＣｈｎｓａＵｎｖｒｉＳｈｏｔｍｏｉａｄＭｅｈｎｃｌＥｎｉｅｒｎｏｅａｇｈｉｅｓｔｙ
ｏｃｅｃｎｃｎｌｇ，Ｃｈｎｓａ４００ｆｉｎｅａｄＴｅｈｏｏｙＳａｇｈ１０４，Ｃｈｎ）ｉａ
ｖｈｃｅｈｓｐｐｒａｏｔｕｚｏｔｏｈｏｙｔｋｅｄａｋｃｎｒｌｆｔｅＥＳｙｔｍ．ｅｉｌ，ｔｉａｅｄｐｓｆｚｙｃｎｒｌｅｒｏｍａｅｆｅｂｃｏｔｏｈＰｓｓｅｔｏＦｏｒｗｈｅｓｖｈｃｅｍｏｅｗｉｉｈｅｒｅｆｆｅｄｍｎｍｉｅｍｏｅａｅｅｔｂｕｅｌｅｉｌｄｌｔｅｇｔｄｇｅｓｏｒｅｏａｄＧｉｔｒｄｌｒｓａ — ｈ
纵向运动方程为：
∑Ｆ玎一Ｆ一∑Ｆ－（一）（问－ｂ．１￣ｍ）
式中：
∑ＦＦｏ — 州ｃ＋ｃ＋十ｓＦｌｏ２ｓＦ
Ｆ们２一Ｆｌｓｎ一Ｆ２ｉ．ｌｉ１ｓｎ
空气阻力方程为：

基于蚁群算法的模糊控制器优化研究

２蚁群算法思想
２０世纪９０年代初期，意大利学者Ｄｏｉｏｃｏ等人通过ｒｇＭａｒ模拟自然界蚂蚁集体寻径的行为而提出蚁群算法参数的优化问题。文献【１］针
对模糊控制规则的优化做了一定的工作，但其加权因子（即本文
维普资讯
《动技术应２０年６第８自化与用》０第２卷期７
控制理论与应用
ＣｏｎｒｅｏｙａｎｔｏｌＴｈｒｄＡｐｐｉａｉｓｌｔｃｏｎ
基于蚁群算法的模糊控制器优化研究
进而证明了该方案的可行性与有效性．关键词：蚁群算法；修正因子；参数优化；仿真 ‘
中图分类号：Ｐ７．Ｔ２３４
文献标识码：Ａ
文章编号：１０－７４２０）０－０１－３０３２１（０７８０４０
ＰｒｍｅｅｐｉｚｔｎｏｕｚｏｔｌｒａｅａａｔｒｔａｉｆＦｚｙｃｎｒｌｓｄｏｍｉｏａｏｅｂｏｈｎｏｏｙａｇｒｈｎｔｅａｔｌｎｌｏｉｍｃｔ
ＨＥｎｇＹｏ
（Ｕｇｆｌｃｉａ＆ＩｆｒｔｎＥｇｎｅｉｇＣａｇｈｉｅｓｙｏｃｅｃｄＴｈｏｏｙＣａｇｈ１０６ＣｉａＣｏｅｅｅｔｃｌｎｏｍａｏｎｉｅｒ，ｈｎｓａｖｒｉｆｉｎｅａｅｎｌｇ，ｈｎｓａ０７，ｈｎ）ｏＥｒｉｎＵｎｔＳｎｃ４ＡｂｔａｔＴｉｐｐｒｉｔｄｃｓａｎｗＦｚｙｃｎｒｌｒｗｉｐｉｚｔｎｆｔｅａｊｃｉｇｆｃｏｓｂｓｄｏＡ（ｔｏｏｙｓｒｃ：ｈｓａｅｎｒｕｅｅｕｚｏｔｏｌｔｏｔａｉｏｄｕｔａｔｒａｅｎＡＣｏｅｈｍｉｏｈｎＡｎｌｎＣ

结合局部优化的蚁群优化算法的研究与实现

结合局部优化的蚁群优化算法的研究与实现摘要：蚁群算法是一种成功的启发式算法，但在解决TSP 问题时存在着收敛速度慢和易陷入局部最优解的问题。

本文针对这两个问题，提出了定期交流和模范带头学习模型，前者是在蚂蚁每走过一定城市后，进行学习交流，选出所走路径相对较短的蚂蚁进行信息素影响，从而加快总体的收敛速度；后者是当所有蚂蚁都旅行一圈后，选出最优秀的蚂蚁，在其走过的路径上释放大量信息素，对下一周期蚂蚁的旅行进行引导，避免陷入局部最优解。

实验结果表明新算法在求解质量上比传统蚁群算法有了明显提高。

本文也通过实验分析了蚂蚁数量等参数对算法性能的影响。

Abstract: Ant colony algorithm is a successful heuristic algorithm, but it has two disadvantages in solving Traveling Salesman Problem(TSP), that is slow convergence and easy to fall into local optima ion. In this paper, the authors propose a regular exchange model and anexemplary model of learning. The former is that each ant walking in certain cities, learning exchanges, the path chosen by the relativelyshortwalk pheromone ant influence, thus speeding up the overall speed of convergence; the latter is that when all the ants are travelingaround after selection of the most outstanding ants, release large amounts of pheromone on its path traversed for the next cycle of antstraveling to boot, to avoid falling into local optima. After comparison with the conventional ant colony algorithm found that the new algorithmhas been significantly improved in the solution quality. The paper analyzes the influence of the parameters, such as ant population, on thealgorithm performance.关键词：蚁群算法；TSP 问题；优化算法Key words: ant colony algorithm；TSP problem；optimization algorithm 中图分类号院TP18 文献标识码院A 文章编号院1006-4311（2014）29-0227-030 引言蚁群算法（ACO）[1-2]是意大利学者Dorigo 于1992 年在他的博士论文中提出的，其灵感来源于蚂蚁觅食的过程。

基于自适应蚁群算法的模糊聚类算法

基于自适应蚁群算法的模糊聚类算法白亚男;司应硕【摘要】将自适应蚁群优化算法与FCM( Fuzzy C-Means)算法相结合,提出了一种模糊聚类分析的新算法.该算法通过把FCM算法中的目标函数降维,将其转化为自适应蚁群优化算法中的优化函数,通过对各个节点的路径连接数的衡量,根据蚂蚁在搜索过程中所得解的分布状况,动态调节蚂蚁的路径选择和信息量更新,从而得到目标函数的最优解.结果表明,该方法比FCM算法具有更好的收敛效果和更高的聚类准确率.【期刊名称】《华北水利水电学院学报》【年(卷),期】2011(032)006【总页数】4页(P134-137)【关键词】蚁群算法;模糊聚类;连续空间优化;FCM;信息素;正反馈【作者】白亚男;司应硕【作者单位】平顶山学院,河南平顶山467000;郑州航空工业管理学院,河南郑州450046【正文语种】中文聚类分析作为无监督分类的一种方法是一种硬划分，模糊集合理论被引入到聚类分析领域即发展为模糊聚类分析理论.目前研究的热点是基于目标函数的模糊聚类方法，这种方法是把聚类归结为一个带有约束的非线性规划问题，通过优化求解获得数据集的模糊划分和聚类.该方法设计简单，解决问题范围广，易于实现.模糊C均值(Fuzzy C-Means，FCM)理论［1］是此类方法中最为完善，应用最为广泛的算法.而FCM算法的缺点也是显然的，由于目标函数是非凸的，而FCM算法是迭代爬山算法，很容易陷入局部最优点或者鞍点，而不能收敛到全局的最优解.此外，算法耗时大，需要先验知识来确定待聚类的类别数目和类型.FCM算法存在的这些问题使模糊聚类问题变得更加复杂.蚁群算法［2］(Ant Colony Algorithm)是人们受蚁群群体行为的启发提出的一种基于种群的模拟进化算法，由意大利学者M.Dorigo等人首先提出［3］.该模型已成功应用于求解旅行商问题、二次分配问题［4］、job-shop调度问题、NP-完全的组合最优化问题等.为了克服蚁群算法收敛慢、容易出现停滞现象、算法的运算时间长等缺点，人们提出了大量改进算法.近年来，蚁群算法应用于模糊聚类分析的算法的研究还不够深入，蚁群聚类算法由Deneubour提出，Lumer等改进了此算法并提出了LF算法，将数据随机均匀散布在二维表格中，每只蚂蚁随机选择一个数据，根据该数据在局部邻域的相似性得到的概率，决定蚂蚁对它是否拾起、移动或放下.表格内的数据经过有限次的迭代，按其相似性而聚集，最后得到聚类结果和聚类数目.算法的不足是运行效率低，当数据集的规模增加时，其效率将不断下降.另外一类研究是将蚁群算法应用于FCM 的算法［5］，其思想是由将初始聚点为食物源，其余数据样本为蚂蚁，数据聚类过程即为蚂蚁寻找最近食物源的过程，再结合FCM算法不断的修改聚类中心，达到预定阈值算法停止.此算法的缺点是需要初始化聚类原型，降低了并行搜索能力. 通过把自适应蚁群算法引入到模糊聚类问题上，笔者提出了一种新的模糊聚类算法——AACA－FC算法(Adaptive Ant Colony Algorithm－Fuzzy Clustering Algorithm)基于自适应蚁群算法的模糊聚类算法.此算法在对目标函数的优化上，利用蚁群算法的并行计算、正反馈的优点，保证了算法能跳出局部最优解而收敛到全局最优解;设计改进的蚁群算法——自适应的蚁群算法用于模糊聚类有助于改善蚁群算法初期收敛速度慢和易停滞的缺点.通过仿真实验和对比实验证明，AACA －FC算法不仅可有效地解决FCM算法存在的问题，而且达到了聚类准确度高、类内紧密度高和类间分离度大的目标.1 基本算法描述1.1 蚁群算法蚂蚁是群体生活的社会性昆虫，社会成员之间存在有组织的分工、相互的通讯和信息的传递［6］.蚁群有着独特信息系统，通过信息素的不同组合，触角信号和身体动作等策动其他的个体共同协作完成任务.信息素是蚂蚁在从食物源到蚁穴返回过程中，在走过的路径上分泌的一种化学物质，这些物质在路径上形成了信息素轨迹.蚂蚁在运动过程中可以感知这种物质的存在和强度，以此指导自己的运动方向，并且使蚂蚁趋向于朝着信息素强度高的方向移动.由于信息素的存在，蚂蚁能在没有可见提示下，找到从蚁穴到食物源的最短路径，而且能够随着环境的变化而变化的搜索出新的路径，产生新的选择.在蚁群算法中，人工蚂蚁被赋予了以下的特性:1)蚂蚁在运动过程中或者完成一次循环后，在路径上释放信息素.2)蚂蚁以一定的概率选择下一个将要访问的结点，这个概率是两个结点间存在的信息素轨迹量的函数.3)在完成一次循环以前，蚂蚁经过的结点不可重复.1.2 FCM 算法问题描述:对于待聚类的M个数据，每个数据N维属性，类别个数为c，求出第i 类的聚类原型矢量 pi=(pi1，pi2，…，piN)和隶属度矩阵 U=［μik］c×N其中i=1，2，…，c，k为第k个样本数据.目标函数为式中dik为第k个样本与聚类原型pi的欧式距离.FCM算法中，对于给定的类别数c，设定迭代停止阈值ε，初始化聚类中心模式P(0)，设置迭代计算器b=0，步骤1 计算或者更新隶属矩阵U(b)Ai，k，若 -＞ 0，则若 -i，r，使得=0，则=1，且对j≠ i，=0.步骤2 更新聚类中心矩阵p(b+1):步骤3 如果，则算法停止，输出隶属矩阵U和聚类中心矩阵P，否则令b=b+1，转向步骤1.2 AACA－FC算法2.1 算法设计思想2.1.1 优化函数在AACA算法当中，优化函数为一元函数，而基于目标函数的模糊聚类算法中的目标函数却是一个关于U和P的二元函数，文献［1］对多维有约束函数优化进行了研究，但是利用蚁群算法直接对多维函数进行优化比较复杂，因此把二元目标函数转换为一元目标函数，可以简化研究.通过对模糊C均值聚类算法(FCM)的研究，其目标函数式中:μik∈［0，1］，Ai，k;dik表示第 k个样本与聚类原型pi的欧式距离，m∈［1，+∞)为加权指数，又称为平滑参数.M为待聚类的数据个数.利用拉格朗日乘数法，根据约束条件得出代入公式(3)，从而使得目标函数F转化为关于pi的一元函数，即进而可将式(2)作为蚁群算法当中的目标函数进行优化.从而使得目标函数F转化为关于pi的一元函数.2.1.2 自适应全局信息素挥发系数当问题规模比较大时，由于信息量的挥发系数ρ的存在，使那些从未被搜索到的信息量会减小到接近于0，降低了算法的全局搜索能力.而且ρ过大时，当解的信息量增大时，以前搜索过的解被选择的可能性过大，也会影响到算法的全局搜索能力.通过减小ρ虽然可以提高算法的全局搜索能力，但又会使得算法的收敛速度降低;因此可以自适应地改变ρ的值.ρ的初始值为1，当算法求得最优解在N次循环内没有明显改进时，ρ减为式中ρmin为ρ的最小值，可以防止ρ过小降低算法的收敛速度.2.2 算法步骤步骤1 为了便于在高维数据空间使用蚁群算法，采用降维方法进行处理.由于聚类原型pi=(pi1，pi2，…，piN)∈RN 且 i=1，2，…，c ，因此上述 F表达式的c 个N维变量可转化为cN个一维变量以此实现降维处理.问题就转化为求minF(p11，p12，…，p1N，p21，p22，…，p2N，…，pc1，pc2，…，pcN)时的 pi.便与描述算法步骤，将上式表示为求minF(p1，p2，p3，…，pcN);步骤2 估计各个变量的取值范围，将各个变量K等分;步骤3 给信息素矩阵τij(1≤i≤cN，1≤j≤K)各个元素赋值常数c，即τ0=c，表示所有变量的所有区间有相同的信息素量.将m只蚂蚁随机分配到初始变量p1的K 个子区间内;步骤4 如果，转向步骤2，最优解是，否则执行步骤5;步骤5 设t=0;步骤6 每只蚂蚁根据参数q0独立选择路径，到达下一个变量pi对应的某个区间j.m只蚂蚁并行工作.式中q∈(0，1)为随机数.J为转移概率，可根据下式计算步骤7 按下式局部更新每只蚂蚁到达的区间的信息素量τij，且取每只蚂蚁到达第i 个变量对应的第j个区间的中间值为pi的当前解.其中ξ∈(0，1)且步骤8 当m只蚂蚁独立并行的选择完变量xi对应的区间后，返回步骤6，选择下一个变量对应的区间，直到m只蚂蚁都重新回到第一个变量p1所对应的区间并局部更新后，一次周游完毕.步骤9 对于每只蚂蚁在每个区间取得的解，计算函数F的值，找到最小值对应的最优解即为本代的最优解和最佳路径.步骤10 如果＜，则对于第 S 代的最优解按照下式进行全局更新.式中为挥发系数，可由式(5)得到.步骤11 t=t+1，若t＜tmax返回步骤6，否则要找出信息素矩阵τij每行(对应于每个变量)的最大元素(信息素量最大)的列号li(对应于所分区间的编号)，利用下式缩小变量的取值范围:其中Δ为一个正数，用于控制缩小范围的速度.t←0，转向步骤2.步骤12 将最优解对应的解进行解码操作，转化为c×N的矩阵，即为最优聚类原型矩阵.进而可以得到隶属度矩阵.3 AACA－FC算法仿真实验选择一组标准数据集IRIS数据作为测试样本集，以比较算法的收敛速度和优化程度.IRIS数据由四维空间中的150个样本点组成，每一个样本具有4个分量，每个类各有50个样本.其中Setosa与其他2类间完全分类，Versicolor和Virginica之间有交叉.实验中采用的参数设置如下:m=50，qmin=0.5，ξ=0.55，ρmin=0.1，Q=100，ε =0.001，τmax=10，τmin=0.01，q0=0.01，α =1，Δ =5，AACA－FC算法中目标函数min(F)随迭代次数的优化过程曲线如图1所示，由数据集的二维属性Sepal Length和Sepal Width绘制聚类效果图.图1 目标函数min(F)随迭代次数的优化过程曲线从图1可以看出，AACA－FC算法经过30代迭代收敛于全局最优解，可见自适应蚁群算法解决模糊聚类问题是有效的;通过计算，ACCA－FC算法的误分数为7，误分率为4.67%，与FCM算法10.67%的误分率相比，降低了6个百分点，进一步印证了ACCA－FC算法聚类准确率高的优点.FCM算法和ACCA－FC算法具体实验结果对比见表1.表1 FCM算法和ACCA-FC算法实验结果对比算法误分数/个误分率/%聚类中心目标函数p1=(6.72，3.04，5.59，2.04)FCM 16 10.67 p2=(5.90，2.78，4.37，1.39)60.56 p3=(5.00，3.41，1.49，0.25)p1=(5.89，2.77，4.37，1.40)ACCA－ FC 7 4.67 p2=(5.01，3.42，1.49，0.24)60.40 p3=(6.75，3.05，5.63，2.06) 4 结语提出了一种基于自适应蚁群优化算法和FCM算法相结合的新算法.一方面，把FCM算法中的目标函数通过降维操作，将其转化为蚁群算法中的优化函数进行优化;另一方面，改进了蚁群算法，引入自适应全局信息素挥发系数，动态调节蚂蚁的路径选择和信息量的更新，不仅提高了蚂蚁的全局搜索能力，而且提高了收敛速度.仿真实验证明，新算法不仅可以有效地弥补FCM算法容易陷入局部极值点或者鞍点而得不到最优解甚至满意解的缺点，而且比FCM算法具有更好的收敛效果和更高的聚类准确率.该方法把模糊聚类问题转化为函数优化问题，为模糊聚类分析问题提供了新的解决思路.但由于蚁群算法参数的设置理论尚不完善，且实验的效果一定程度受限于参数的设置，下一步需对此进行深入探究，使算法的结果更有效. 参考文献［1］高新波.模糊聚类分析及其应用［M］.西安:西安电子科技大学出版社，2004. ［2］李士勇.蚁群算法及其应用［M］.哈尔滨:哈尔滨工业大学出版社，2004. ［3］ Dorigo M，Maniezzo V，Colorni A.Ant system:optimization by a colony of cooperating agents［J］.IEEE Transactions on SMC，1996，26(1):29 －41.［4］ Gambardella L M，Taillard E D，Dorigo M.Ant colonies for the QAP ［J］.Journal of the Operational Research Society.1999，50(2):167 －176. ［5］徐晓华，陈岐.一种自适应的蚂蚁聚类算法［J］.软件学报，2006，17(9):1884 －1889.。

基于变异算子改进蚁群算法学习的模糊认知图

基于变异算子改进蚁群算法学习的模糊认知图胡运杰;邓燕妮【摘要】传统的模糊认知图学习算法需要依靠专家知识来建立模糊认知图模型.在专家知识受到限制的一些领域,完全通过数据来学习模糊认知图的算法是有必要的.提出的基于蚁群优化的学习算法,可以有效做到通过历史数据学习模糊认知图;为避免蚁群算法陷入局部最优的问题;以及其学习所得模型不够精确的问题,引入变异算子以改进蚁群算法,来提高算法性能,避免局部最优问题,得到更准确的模型.最后,算法性能在人工数据上进行了测试.实验表明,算法性能良好,可以得到准确的模糊认知图模型.%Traditionally fuzzy cognitive maps are developed byexperts.Learning FCMs directly from data is nee-ded when expert knowledge is limited in some areas.An algorithm based on ant colony optimization is proposed to learn FCMs from data effectively. To avoid the problem of local optimization,mutation operator is lead up to improve the performance of ant colony algorithm and obtain more accurate FCM model. Finally,the performance of the algo-rithm is tested on artificial data.The experiment shows that the algorithm has good performance and can get an accurate FCM model.【期刊名称】《科学技术与工程》【年(卷),期】2018(018)007【总页数】5页(P203-207)【关键词】模糊认知图;蚁群算法;变异算子;数值优化【作者】胡运杰;邓燕妮【作者单位】武汉理工大学自动化学院,武汉430070;武汉理工大学自动化学院,武汉430070【正文语种】中文【中图分类】TP391.41因果关系的表示与推理是人工智能中一个重要的研究领域。

基于混沌蚁群优化算法的PMSM参数优化控制

基于混沌蚁群优化算法的PMSM参数优化控制李超峰;王志琛【摘要】针对永磁同步电机直接转矩控制中PI控制器参数直接影响系统控制性能好坏的问题,本文采用混沌蚁群算法优化直接转矩控制系统中PI控制器的参数.在蚁群初始化过程中进行混沌操作,改善个体质量,当搜索过程陷入局部最优时,可以利用混沌扰动跳出;兼顾蚁群算法的全局搜索能力和混沌算法的快速性,对PI参数进行寻优.仿真结果表明,将改进的控制策略进行PI参数优化后,可有效降低定子磁链脉动,提高系统动态响应能力.【期刊名称】《电子世界》【年(卷),期】2016(000)023【总页数】3页(P126-128)【关键词】永磁同步电机;直接转矩控制;混沌蚁群算法;PI控制器【作者】李超峰;王志琛【作者单位】太原重工技术中心;湖南世优电气股份有限公司【正文语种】中文永磁同步电机（PMSM）具有结构简单、体积小、高扭矩惯量比、动态响应速度快和高可靠性等优良性能，由于近年磁性材料成本不断下降，使基于永磁同步电机的变频驱动更具竞争力，已经广泛应用于各种工业产品中。

直接转矩控制(DTC)最早由TAKAHASHI Depenbroc提出，主要应用于感应电机的控制中[1]。

由于矢量控制计算复杂度大，工业应用中大多采用直接转矩控制。

电机在直接转矩控制下低速运行时，转矩和磁链脉动较大，需要进行控制。

PI控制是一种经典的工业控制算法，其参数的优劣直接影响到系统的性能[2]，参数的整定需要对系统有深刻的了解，反复进行调节。

目前人工智能算法已经应用到PI参数的整定中，如粒子群、蚁群和遗传等智能优化算法。

由于优化算法本身的局限，在运用中出现易陷入局部最优、计算复杂度大、收敛速度慢等问题，需加以改进。

本文采用由混沌算法和蚁群算法结合的混沌蚁群优化算法(Chaotic Ants Swarm Optimization，CASO)对永磁同步电机直接转矩控制进行参数整定，并对蚁群算法与混沌蚁群算法的控制性能进行比较。

基于蚁群算法的模糊建模方法的研究的开题报告

基于蚁群算法的模糊建模方法的研究的开题报告1.研究背景近年来，随着信息技术的不断发展，大数据的处理和分析越来越成为生产、管理和科学研究等领域中的重要技术手段。

在这些领域中，取得优异的成效往往需要对大量的多元数据进行建模、推理和决策，而这些数据的复杂性和不确定性通常会给建模、推理和决策带来困难和挑战。

因此，一种能够有效处理多元数据的建模方法的研究与应用已经成为当前信息技术领域的热点问题之一。

在这样的背景下，基于蚁群算法的模糊建模方法已经受到了研究者们的广泛关注。

蚁群算法是一种基于群体智能学习的算法，其具有分布式、自组织、自适应和生态环境适应等特点，因此能够在处理多元数据的建模和分析中发挥出重要的作用。

同时，模糊建模方法是一种能够有效处理不确定性数据的建模方法，与蚁群算法的适应性相互结合，从而成为了当前信息技术领域中的研究热点之一。

2.研究目的和意义本课题的主要研究目的是基于蚁群算法和模糊建模方法，提出一种能够更加有效处理多元数据的建模方法，并为当前信息技术领域中建模、推理和决策等方向的研究提供一种新的思路和方法。

具体来说，主要研究内容包括以下方面：（1）了解蚁群算法和模糊建模方法的原理，并深入研究二者之间的相互关系。

（2）提出一种能够有效处理多元数据的基于蚁群算法和模糊建模方法的建模框架，并深入分析其技术特点和优势。

（3）设计和实现基于该建模框架的建模实验，验证其在多元数据建模和分析方面的效果和实用性。

通过本课题研究，旨在发掘蚁群算法和模糊建模方法在信息技术领域中的应用价值，为建模、推理和决策等方向的研究提供一种新的思路和方法，并能够在生产、管理和科学研究等领域中提供一种新的技术手段和分析工具，具有重要的应用意义。

3.研究内容和技术路线本课题的主要研究内容包括：（1）蚁群算法和模糊建模方法的理论研究；（2）基于蚁群算法和模糊建模方法的建模框架设计；（3）多元数据建模和分析实验设计和实现；技术路线如下：（1）对蚁群算法和模糊建模方法的原理进行深入研究，明确二者之间的相互关系和优劣势；（2）提出一种基于蚁群算法和模糊建模方法的多元数据建模框架，深入分析其技术特点和适用范围；（3）设计和实现多元数据建模和分析实验，验证该框架在实际应用中的效果和实用性；（4）进行仿真实验和性能测试，对实验结果进行详细分析和评估；（5）总结结论和研究成果，撰写研究报告并进行论文发表。

基于遗传_蚁群算法的PHEB模糊控制策略优化

基于遗传-蚁群算法的PH EB 模糊控制策略优化尹安东赵韩张辉合肥工业大学,合肥,230009摘要:以并联式混合动力客车(PH EB)为研究对象,设计了以整车需求转矩与发动机最佳转矩之差以及超级电容荷电状态为输入,以发动机转矩为输出的模糊控制器,并应用遗传-蚁群算法对其进行隶属度函数和控制规则优化。

基于M ATLAB/Adv isor 建立了PH EB 模糊控制策略模型和整车模型,并对优化前后的实例PH EB 性能进行了仿真分析。

研究结果表明,优化后的模糊控制策略能够满足设计要求,且等效燃料消耗量比优化前降低了10.2%。

关键词:并联式混合动力客车(PH EB);遗传-蚁群算法;模糊控制策略;优化中图分类号:U 469.7 文章编号:1004 132X(2011)14 1754 06Optimization of Fuzzy Control Strategy for Parallel Hybrid Electric Bus Based on Genetic -ant C olony AlgorithmYin Ando ng Zhao H an Zhang H ui H efei U niversity of T echno logy ,H efei,230009Abstract :For a kind o f PH EB,a fuzzy controller w as constructed by using the difference betw een the r equested to rque and optim al engine to rque and taking the super capacito r state of char ge as in puts,and the eng ine torque as the output.T he m em bership functions and r ules of fuzzy contr oller w ere optimized sim ultaneously by using genetic-ant colony algo rithm.A simulatio n model of the fuzzy contr ol strateg y was established by M ATLAB/Adv isor.T he performance of the optim ized PH EB w ere sim ulated.T he results sho w that the optim ized fuzzy co ntro l str ategy can m eet the re quirements o f ov erall vehicle perform ance and the fuel co nsum ption is reduced by 10.2%compared w ith the non-o ptimized PH EB.Key words :parallel hy br id electr ic bus(PH EB);g enetic-ant colony alg orithm ;fuzzy co ntro l strat egy ;optim ization收稿日期:2010 08 16基金项目:国家高技术研究发展计划(863计划)资助重大项目(2008A A11A139)0 引言目前,混合动力汽车(hybrid electric vehicle,H EV)的控制策略主要有逻辑门限值控制策略、瞬时优化控制策略、全局优化控制策略和模糊控制策略等[1 2]。

蚁群优化与模糊聚类结合的文本聚类研究

蚁群优化与模糊聚类结合的文本聚类研究王飞;张德贤;韩金淑;陶永波【摘要】针对模糊文本聚类算法(FCM)对输入顺序以及初始点敏感的问题,提出了一种使用蚁群优化的模糊聚类算法(FACA).该算法采用蚁群聚类算法(ACA)找到聚类的初始中心点,以解决模糊聚类的输入顺序以及初始点敏感等问题.模糊文本聚类算法的线性复杂度使其更便于在计算机实现.与经典的基本模糊聚类以及蚁群聚类在真实数据集上仿真相比较,结果表明经蚁群优化过的模糊聚类算法(FACA)效果更有效,更适合应用于大型的数据集.【期刊名称】《计算机工程与应用》【年(卷),期】2010(046)032【总页数】4页(P126-129)【关键词】文本聚类;模糊聚类(FCM);蚁群聚类(ACA);蚁群优化的模糊聚类算法(FACA)【作者】王飞;张德贤;韩金淑;陶永波【作者单位】河南工业大学,信息工程与科学学院,郑州,450001;河南工业大学,信息工程与科学学院,郑州,450001;河南工业大学,信息工程与科学学院,郑州,450001;河南工业大学,信息工程与科学学院,郑州,450001【正文语种】中文【中图分类】TP391随着Internet的飞速发展，信息过载已经成为一个严重的问题。

应运而生的各种数据挖掘技术[1]期望于可以帮助人们找到自己需要的资源。

但是，由于过多的冗余数据以及无序数据，导致搜索时间延长，命中效率不高，已经为人们提出了一个艰难的课题。

其中文本聚类技术[2-3]已经成为信息处理领域一项重要的研究。

由于模糊C均值（FCM）算法[4]复杂度为线性，并且容易使用计算机进行编程实现。

在聚类领域有着广泛的应用，尤其是文本聚类方向。

但是由于FCM算法天生存在的缺陷，导致它对文本输入顺序以及初始中心点十分敏感。

本文针对FCM聚类算法的发展现状，引入蚁群优化对模糊聚类算法进行改进，得到一种高效的文本聚类算法。

最后在通用数据集上验证了其有效性。

1 模糊文本聚类算法1.1 文本聚类的概念将物理或抽象对象的集合分组成为由类似对象组成的多个类的过程被称为聚类。

基于蚁群算法的PID参数优化设计_詹士昌

转移或作局部搜索 ;
计算并存储各区域当前已搜索到的目标函数最大值向量 ;
记录当前最好解 x max及最优值 f max ; 按公式(3)、(4)更新各区域的吸引强度 τj ;ncycle →ncycle +1主要是算法参数的设置 , 其设置原则目前还没有理论上的依据 , 经验结果为[ 14] :1 ≤α≤5;1 ≤β ≤5 ;0 .5 ≤ρ≤1 , 取 0 .7 左右为最佳 ;1 ≤Q ≤10 000 , Q 的取值
蚁刚开始随机地位于解空间[ x 0 , x f] 的 n1 ×n 2 个等分区域的某处 , 蚂蚁的状态转移概率按下式定义
Pij =
(τj)α(ηij)β , ηij > 0 i , j 0 , ηij ≤ 0
∈ {1, 2,
… , (n1 × n2)}, 且
i
≠j
(2)
式中 , τj 为第 j 个区域的吸引强度 ;期望值 ηij 定义为 ηij = f jmax
前位置向量 ,
x
k j0
为本次循环中第
k
组蚂蚁在区域
j
的局部随机
搜索中的初始位置向量。给定参数 ρ∈ (0, 1), 体现各个区域中
吸引强度的持久性 ;算法中有关的初始值可取为 τj(0)=C , Δτj
(0)=0;给定参数 Q 为蚂蚁释放的信息素密度。
处在区域 i 中的第 k 组蚂蚁选择转移及局部搜索的规则
- fimax , 即蚁群在区域 j 与区域 i 目前已经搜索到的目标函数
最大值的差值 ;给定参数 α, β >0 为启发式因子 , 分别表示蚂蚁
在运动过程中各个区域吸引强度 τj 及期望值 ηij 在蚂蚁选择搜

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

I
江苏大学硕士学位论文
ห้องสมุดไป่ตู้
摘
要
作为智能控制的一种新技术，模糊控制以其实现简单、鲁棒性强等优点得到广泛应用。常规的模糊控制器设计是由设计者通过总结专家的经验成为模糊控制规则，同时设计出相应的输入、输出隶属函数。然而这样的模糊控制器的客观性很差，特别在专家经验不完善，甚至个别经验不正确的情况下，得到的模糊规则不能完全反映整个控制系统的本质特征；隶属函数的设计则更是完全依赖于设计者的经验或个人偏好；因此，这样设计出的模糊控制器不能保证在实际应用中达到满意的控制效果。在这些情况下，通过优化算法来优化模糊控制器的隶属函数和模糊规则，改善模糊控制器性能，已经成为当前模糊控制应用的重要课题。蚁群算法是近年来涌现出的一种新颖的优化算法，本文对其进行了较为全面的分析研究，针对基本蚁群算法的不足提出了相应的改进算法。然后作者尝试将蚁群算法和模糊控制相结合，提出了一种新的模糊控制器优化设计方法―― 基于蚁群算法的模糊控制器优化设计算法，实现了模糊控制规则、隶属函数参数以及量化因子、比例因子的自寻优辨识。系统仿真结果显示了本文所提出的算法具有高度的自适应性和较好的参数寻优效果，经自寻优得到模糊控制系统具有较好的动态性能和稳态性能。其中，对蚁群算法评价指标的分析和设计，使得设计者能够对模糊控制器动态性能和稳态性能的进行有效的调控。另外，对寻优所得的模糊控制器的鲁棒性分析也表明，寻优得到的模糊控制器具有较强的鲁棒性，充分体现了模糊控制的优点。
III
江苏大学硕士学位论文
目
录
第 1 章绪论 ...........................................................................................................1 1.1 引言................................................................................................................1 1.2 模糊控制器优化设计的国内外研究现状....................................................1 1.3 蚁群算法及其研究发展现状........................................................................2 1.3.1 蚁群算法的提出..................................................................................2 1.3.2 蚁群算法的研究现状及其应用..........................................................2 1.4 本文研究的内容和意义................................................................................5 1.4.1 本文工作工作简介..............................................................................5 1.4.2 本文研究的意义..................................................................................5 1.5 本文的体系结构............................................................................................6 第 2 章模糊控制的基本知识 ...................................................................................7 2.1 模糊控制的背景知识....................................................................................7 2.1.1 模糊逻辑的起源..................................................................................7 2.1.2 模糊控制的诞生..................................................................................7 2.1.3 模糊控制的发展及现状......................................................................8 2.2 模糊控制理论的主要内容............................................................................8 2.2.1 模糊控制系统的结构..........................................................................9 2.2.2 模糊控制器的组成..............................................................................9 2.2.3 常规模糊控制器设计方法................................................................10 2.3 本章小结...................................................................................................... 11 第 3 章蚁群算法及其理论分析 .............................................................................12 3.1 蚁群算法基本原理......................................................................................12 3.1.1 蚁群系统............................................................................................12 3.1.2 蚁群算法抽象模型............................................................................13 3.2 蚁群算法的特点..........................................................................................14 3.2.1 正反馈机制........................................................................................14 3.2.2 并行性................................................................................................14 3.2.3 分布式................................................................................................15 3.3 蚁群算法的 TSP 实现 .................................................................................15 3.3.1 问题分析............................................................................................15 3.3.2 TSP 实现算法的具体流程 ................................................................17 3.3.3 TSP 测试结果 ...................................................................................18 3.4 蚁群算法理论分析......................................................................................18 3.4.1 蚁群算法复杂度分析........................................................................19 3.4.2 蚁群算法的收敛性............................................................................20 IV
关键词：模糊控制器优化蚁群算法模糊规则辨识隶属函数参数辨识系统仿真
II
江苏大学硕士学位论文
ABSTRACT
As a new technology of intelligent control, fuzzy control is widely used for its virtues such as easy realization, robust. The routine method of fuzzy controller design is to sum experts’ experience up to fuzzy control rules, and design corresponding input-output membership functions. While this fuzzy controller’s subjectivity is serious, especially with the incomplete experts’ experience, indeed with incorrect individual experience, and the gained fuzzy rules can not reflect the essence characteristic of the whole control system. While the design of membership functions completely depended on the experience of designers or individual taste, so the designed fuzzy controller cannot ensure to achieve the satisfactory of control effect. In this circumstance, it is an important task of application in design of fuzzy controller to improve the capability of fuzzy controller by optimizing the membership functions of fuzzy controller and fuzzy rules. Ant colony algorithm is a novel optimization algorithm welled up in recent years, In this paper, ant colony algorithm is applied into the optimization design of fuzzy controller. A lot of simulation result indicates the feasibility and validity of the algorithm, and the optimized fuzzy controller has more dynamic, steadier and more robust capability. Keywords: fuzzy controller optimization, ant colony algorithm, fuzzy rules identification, membership function parameter identification, system simulation