多目标优化算法是近年来进化计算研究领域的一个热点,大多数的多目标优化算法试图找到问题的完整的Pareto前沿.然而,随着待优化问题目标个数的增加,算法需要更大的种群规模才能合理地描绘出完整的Pareto前沿.显然这样不仅增加了算法的运行时间,更增加了(决策者)最终解的选择难度.因此,聚焦于搜索Pareto前沿上的特定区域显得尤为重要,近年来也得到了越来越多学者的关注.Knee点指的是Pareto前沿上具有最大边际效用的点,在这个点附近,一个目标值的微小提升将带来至少一个其他目标值的巨大衰退,因此该点通常被
微小故障因其幅值低而易被噪声和过程扰动所掩盖,并且会随时间慢慢演变成过程中的严重故障.因此,微小故障的检测和诊断变得越来越重要.为了更有效地监测和诊断微小故障,提出了基于规范变量残差的化工过程微小故障检测和诊断方法.首先,对Hankel矩阵执行奇异值分解来获得主元和残差空间并根据过去和未来数据的差异,求得两个不同的规范变量残差d
1,d
2.其次,考虑数据的时间序列特性,提出了基于规范变量残差的两个加权平均统计量W
D1,W
D2
本文针对一类具有非参数不确定性和输出约束的非线性系统,提出一种双迭代优化学习控制策略,将复杂的迭代学习过程简化为两个相对简单的迭代控制器.首先引入一类饱和非线性函数不仅可以满足系统的位置约束,同时能够保证系统跟踪误差收敛于给定的邻域,然后针对每次迭代初始误差设计参考轨迹自修正策略,在每个迭代周期上设置一个固定的调整时间域,根据上次迭代的输出调整下一次迭代的参考轨迹.双迭代的控制结构可以同时更新两个迭代控制器的参数,来处理系统的非参数不确定性.进一步利用Barrier复合能量函数证明双迭代控制策略的收敛性和
针对有向切换拓扑条件下多航天器分组姿态协同控制问题,提出一种基于变量代换和矩阵分解的控制方法.首先,给出分组情况下系统Laplacian矩阵特征值的性质,并对航天器姿态模型
针对列装时间短的现役装备故障样本匮乏、现有算法故障检测准确率较低的问题,将多核学习(multiple kernel learning,MKL)与一类超限学习机(OC-ELM)相结合,提出lp-范数约束下
针对智能车辆队列横纵向控制及误差快速收敛问题,本文提出一种分布式横纵向有限时间滑模控制策略.首先,考虑跟踪误差的连锁反应及横纵向耦合效应,利用投影变换建立车辆队列横纵向误差模型,提出一种车辆队列横纵向控制框架.而后,针对误差快速收敛问题,设计非奇异积分终端滑模面(NITSM)与自适应幂次积分趋近律(APIRL),通过构造Lyapunov函数分析系统的有限时间稳定性与队列稳定性.最后,基于Trucksim/Simulink联合仿真以及实车实验进一步验证了本文方法的有效性.结果表明,本文所提方法能保证队列稳定
以大规模物联网为支撑的新一代信息技术的深入应用,为基于海量大数据挖掘的煤矿安全知识发现提供了实现的可能.现有的针对煤矿安全大数据的研究大多基于定量模型,其解决问题
基于5 kW固体氧化物燃料电池(SOFC)电堆,考虑建模仿真—2温度层模型在模型精度与复杂度上做了更好的折中,可以更有效地应用于控制器设计.本文首先对2温度层模型在常用稳态工作点附近采用泰勒级数展开,获得其状态空间方程.然后考虑其安全操作特性,设计了两种带约束的预测控制器:即面向SOFC电堆的快速负载跟踪与燃料亏空控制器与面向SOFC电堆温度安全的控制器.重点分析了不同切换速率工况下的温度及其梯度、功率以及燃料亏空特性,使得系统在快速进行功率跟踪的同时工作在安全范围以内.结果发现随着电流调节速率的增大,跟
倾转旋翼无人机以低速悬停以及快速巡航能力得到了大量的关注,但是其变化的飞行器结构(旋翼的倾转)以及较强的非线性特性(飞行速度的大范围变化)都增大了飞行控制的难度.针对一种四倾转旋翼无人机的飞行控制问题,本文中的研究内容主要基于无源性概念,改进了互联和阻尼分配无源控制以提出此飞行器的姿态与高度控制方法.通过对于飞行器动力学模型的公式化,其姿态与位置模型均可表示为端口受控哈密尔顿算子模型形式,模型中的旋翼倾转角度被格外关注以实现对于飞行模式过渡时动力学特性的分析与简化.根据上述模型简化,改进且包含积分作用的互
最优尺度组合是多尺度决策系统中的研究热点之一,现有的研究大多是从一致性、不确定性的角度出发,而没有充分考虑代价信息的影响.针对该问题,首先分析最优尺度组合中考虑代价