CN109507891A - 一种半主动模糊控制方法 - Google Patents
一种半主动模糊控制方法 Download PDFInfo
- Publication number
- CN109507891A CN109507891A CN201910053885.4A CN201910053885A CN109507891A CN 109507891 A CN109507891 A CN 109507891A CN 201910053885 A CN201910053885 A CN 201910053885A CN 109507891 A CN109507891 A CN 109507891A
- Authority
- CN
- China
- Prior art keywords
- crow
- fuzzy
- semi
- active
- fuzzy control
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000004044 response Effects 0.000 claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000013016 damping Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 62
- 238000010845 search algorithm Methods 0.000 claims description 41
- 230000001133 acceleration Effects 0.000 claims description 39
- 238000006073 displacement reaction Methods 0.000 claims description 34
- 238000013461 design Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 26
- 238000013139 quantization Methods 0.000 claims description 24
- 230000008447 perception Effects 0.000 claims description 12
- 230000006872 improvement Effects 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 5
- 241001137251 Corvidae Species 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 6
- 230000000638 stimulation Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000002068 genetic effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种半主动模糊控制方法,在基于磁流变阻尼器的半主动控制中,鉴于模糊控制存在控制系统的参数选取困难和参数优化不全面的问题,本发明提出结合改进乌鸦搜索算法和模糊控制的半主动控制算法,将地震响应作为改进模糊控制器的输入,使其直接输出控制信号。在对原始乌鸦算法进行改进的基础上,实现了对模糊控制系统关键模块的全面优化。本发明所提出的这种控制方法能够精确控制磁流变阻尼器的电压信号,充分发挥磁流变阻尼器的减振性能,使在地震激励下的建筑结构的振动得到明显抑制,而且在地震波和结构参数发生变化时仍能有效减小结构的地震响应。
Description
技术领域
本发明涉及半主动控制领域,特别是一种半主动模糊控制方法。
背景技术
地震是一种严重威胁人类生命和财产安全的自然灾害,如何不断提高土木结构的抗震性能,从而保证结构本身的安全及其内部人员和财产的安全,是一项刻不容缓的使命,具有重要的现实意义。磁流变阻尼器是一种智能的半主动控制装置,兼具了主动控制装置和被动控制装置的优点,已经成为半主动控制装置中的研究热点。但是由于磁流变阻尼器中的磁流变液具有复杂的本构关系,使得阻尼力具有复杂的非线性。针对基于磁流变阻尼器的建筑结构减震需求,为了使磁流变阻尼器的优良减震特性得到充分发挥,需要对基于磁流变阻尼器的半主动控制算法进行深入研究。
模糊控制是将人类的先验知识融于控制算法中,可以在线实时调节,且不需要大量的统计数据,是一种简单而有效的控制策略。由于模糊控制不依赖系统主动控制力的计算,能够根据结构地震响应直接获得磁流变阻尼器的控制信号,因此众多学者开展了基于磁流变阻尼器的半主动模糊控制的研究。然而,模糊控制系统的关键模块参数的选取往往依赖于人工设计。当需要对多维度的受控系统设计多输入多输出模糊控制系统时,设计工作量和设计难度将急剧增大,此时依靠人工调试更加难以获得理想的控制效果。
目前,将智能优化算法与模糊控制相结合已经成为解决模糊控制设计问题的一种重要途径,前人有利用遗传算法(例如参见中国专利201210012197.1)和遗传蚁群算法(例如参见中国专利201010193427.X)等智能方法优化模糊控制器的先例。但大多数研究只考虑优化模糊控制系统的模糊规则,而隶属函数和模糊规则在影响模糊控制系统的控制效果方面具有同等重要的地位。此外,模糊控制器的输入量化因子也对控制效果具有一定的影响。目前,针对基于磁流变阻尼器的建筑结构模糊控制系统,对其关键模块的优化设计往往不够全面,这在一定程度上限制了磁流变阻尼器性能的充分发挥。
乌鸦搜索算法是一种新兴的群智能优化算法,这种算法模拟自然界中乌鸦的觅食行为。乌鸦是一种具有高智慧的群居鸟类,它们找到食物后会将多余的食物藏起来,然后在需要时取出。此外,乌鸦能跟踪其它同伴以窃取它们的食物,而被跟踪的乌鸦能以一定的感知概率防止自己的食物被窃。这种算法需要调节的参数很少,算法简单易实现,鲁棒性高,将是解决模糊控制器参数的优化问题的良好途径。但是现有的乌鸦算法存在解的质量不够高,并且搜索效率低下的问题。
发明内容
有鉴于此,本发明的目的是提出一种半主动模糊控制方法,通过对乌鸦搜索算法进行改进,并用其设计模糊控制器,实现模糊控制器关键参数(包括隶属函数、模糊规则和量化因子)的优化配置,从而使优化后的模糊控制器能够充分发挥磁流变阻尼器的性能,最终实现对建筑物有效减震的目的。
本发明采用以下方案实现:一种半主动模糊控制方法,具体包括以下步骤:
步骤S1:针对地震波激励下的磁流变阻尼器建筑结构体系建立运动方程,推导其状态空间方程,并将结构响应作为模糊控制器的输入;
步骤S2:建立基于控制结构响应的多目标函数和适应度函数;
步骤S3:对乌鸦搜索算法进行改进;
步骤S4:用改进的乌鸦搜索算法对模糊控制器进行优化设计;
步骤S5:根据步骤S4优化得到的模糊控制器最优参数,确定最优的模糊控制器,从而确定最优的磁流变阻尼器控制电压;
步骤S6:利用步骤S5得到的最优的磁流变阻尼器控制电压,借助磁流变阻尼器的正向模型,利用仿真平台确定最优阻尼力,实现对建筑结构的半主动模糊控制。
本发明针对基于磁流变阻尼器的模糊控制系统参数设定困难的问题,对模糊控制系统进行改进,设计了一种能够精确确定阻尼器电压的智能系统。
进一步地,步骤S2中,为了兼顾结构的安全性和其间人员的舒适性,将所述多目标函数定为最小化结构的位移和加速度的最大值和均方根值,所述多目标函数为:
Obj=w×Obj1+(1-w)×Obj2;
其中,
Obj1=w1J1+(1-w1)J2;
Obj2=w2J3+(1-w2)J4;
式中,xi(t)和分别是受控时第i层的位移和加速度;xunc和分别是无控时的最大位移和最大加速度;xrms,unc和分别是无控时位移的均方根值和加速度的均方根值;为了方便起见,在下文中相对位移和绝对加速度分别简称为位移和加速度。J1和J2是分别使最大位移响应和最大加速度响应最小化的单目标函数,J3和J4是分别使位移响应的均方根值和加速度的响应均方根值最小化的单目标函数,w、w1以及w2是反映相对重要性的权重系数。在改进乌鸦搜索算法中,将该多目标函数作为适应度函数F。由于这是求最小解的问题,因此在优化过程中适应度越小越好。
其中所述位移和加速度分别为相对位移和绝对加速度。
进一步地,步骤S3具体包括:
一、根据模糊控制器的优化参数的特点,采用连续型和离散型相混合的编码形式,并提出相应的离散型编码更新策略;
二、为了提高收敛效率并防止搜索陷入局部最优解,对被跟踪的乌鸦进行优选;
三、在原始乌鸦搜索算法的基础上,对每只乌鸦位置的更新方案进行改进。
进一步地,第一点具体为:
针对模糊控制器的隶属函数参数和输入量化因子,采用连续型编码形式,即原始乌鸦搜索算法的编码形式;针对模糊控制器的模糊规则,采用离散型编码形式。
进一步地,所述离散型编码形式具体为:假设输出语言变量的数量为p,则针对每条模糊规则,用从1到p这p个整数对其相应的语言变量进行编码。相应地,代表模糊规则的编码段的更新方法如下所示:
式中,k是迭代次数;j∈[1,N];Xdi是乌鸦i的位置Xi中代表模糊规则的编码段;Xdi是乌鸦j食物藏匿记忆位置Mj中代表模糊规则的编码段;Ydi是随机产生的二进制序列;Xdi、Mdj和Ydi的长度均为len1;N代表乌鸦种群的大小。
进一步地,第二点具体为:为了提高收敛效率并防止搜索陷入局部最优解,使用三角概率法优选乌鸦j的食物藏匿记忆位置Mj:首先,按照适应度从小到大的顺序对藏匿食物记忆位置(M1,M2,…MN)进行排序,然后利用三角概率法优选出若干个Mj,具有这些位置记忆的乌鸦j成为被跟踪对象。
其中,所述三角概率法的具体操作如下:
如果
pi>t(i=1,2,…N)
则乌鸦i将被选中作为被跟踪对象,即乌鸦j,令其食物藏匿记忆位置为Mj。式中,pi=2(N+1-i)/[N(N+1)]是分配给乌鸦i的位置Xi的概率,t=[2+2(N-1)rand]/[N(N+1)],rand是从0到1之间的随机小数。
利用这种三角概率法可以避免原始算法中Mj选取的随机性和盲目性,可提高搜索效率。
进一步地,第三点具体为:改进乌鸦搜索算法的解的更新策略具体为:
;
式中,1≤i≤N;rand和rk都是在0-1之间均布的随机数;k是迭代次数;AP是感知概率;FL是飞行长度;Xci是乌鸦i的位置Xi中代表隶属函数参数和输入量化因子的编码段;Mcj是乌鸦j的食物藏匿记忆位置Mj中代表隶属函数参数和输入量化因子的编码段;Xci和Mcj的长度均为len-len1;Ydi是随机产生的二进制序列;Xdi是乌鸦i的位置Xi中代表模糊规则的编码段。
其中,所述感知概率AP=0.15;所述飞行长度FL=1.5。
进一步地,步骤S4具体包括以下步骤:
步骤S41:确定模糊控制器的结构,包括输入对象和输出对象,输入和输出的隶属函数的数量和类型;
步骤S42:对待优化对象进行编码设计,并确定每个优化参数的取值范围;
步骤S43:初始化改进乌鸦搜索算法的参数,包括种群大小N、迭代次数k、感知概率AP、飞行长度FL;
步骤S44:随机产生初始种群X(0)=(X1,X2,...XN),并令其为初始M(0)=(M1,M2,…MN);
步骤S45:计算Xi的适应度F(Xi);
步骤S46:开始第一次迭代,令Cycle=1;
步骤S47:判断是否满足终止条件,如果是,则输出最优解,否则将整个种群按照适应度值从小到大的顺序排列;
步骤S48:利用三角概率法找出较优的若干个乌鸦j,其藏匿食物记忆位置为Mj;
步骤S49:从优选的若干个Mj中任选一个,将与之相对应的乌鸦j作为Xi的跟踪对象;
步骤S410:根据下式,当随机数rk≥AP时,Xi向Mj逼近;当rk<AP时,则给Xi赋予规定范围内的随机数:
式中,1≤i≤N;rand和rk都是在0-1之间均布的随机数;Xci是乌鸦i的位置Xi中代表隶属函数参数和输入量化因子的编码段;Mcj是乌鸦j的食物藏匿记忆位置Mj中代表隶属函数参数和输入量化因子的编码段;Xci和Mcj的长度均为len-len1;Ydi是随机产生的二进制序列;Xdi是乌鸦i的位置Xi中代表模糊规则的编码段;
步骤S411:判断新产生的Xi是否为有效解,如果是,则用新产生的Xi替代原来的Xi,否则,令Xi保持原值;
步骤S412:判断新产生的Xi的适应度F(Xi)是否有改进,如果是,用新的Xi替代旧的Mi,否则令Mi保持原值;
步骤S413:如果i<N,则i=i+1,并重复步骤S49至步骤S412的操作,直至i=N时记录本轮迭代最优解;
步骤S414:如果Cycle<K,则Cycle=Cycle+1,并重复步骤S47至步骤S413的操作,直至Cycle=K,输出最优解,即得到模糊控制器的最优参数。
特别的,本发明的模糊控制系统是利用结合改进乌鸦搜索算法和模糊逻辑理论的方法设计得到的,这种设计方法适用于单输入单输出系统和多输入多输出系统。其中,对乌鸦搜索算法的改进主要体现在编码形式的改进、离散型编码更新方案的改进、藏匿记忆位置的优选等方面。改进后的乌鸦搜索算法可同时优化模糊控制器的隶属函数参数、模糊规则和量化因子。所述的方法既能达到理想的阻尼器电压控制效果,又能使这种模糊控制系统的设计方法得到广泛推广,并获得可观的社会效益和经济效益。
与现有技术相比,本发明有以下有益效果:
1、本发明利用改进的模糊控制系统确定磁流变阻尼器的控制电压,将智能优化算法和模糊控制技术有机结合起来,最后构建出建筑结构的加速度响应与控制电压之间的映射关系。这种改进的模糊控制方法避免了传统控制器的设计依赖专家经验和控制器的关键参数优化不全面的问题,非常适合应用于具有复杂非线性的磁流变阻尼器的电压的计算。
2、本发明对乌鸦搜索算法进行了多方面的改进,与原始乌鸦搜索算法和遗传算法相比,本发明改进的乌鸦搜索算法具有更强的搜索能力,提高了最优解的质量且收敛效率更高,能够更加精确地控制磁流变阻尼器的电压。
3、本发明的将改进乌鸦搜索算法和模糊控制相结合的半主动控制方法能够充分发挥磁流变阻尼器的减震作用。虽然只是以最高楼层的位移响应和加速度响应作为优化目标,但半主动控制方法使建筑结构的所有地震响应都得到明显抑制。
4、当需要针对高层建筑物使用大量磁流变阻尼器时,可以利用本发明所述的方法设计多输入多输出控制系统。这种模糊控制器的设计方法简单可行,易于得到广泛推广。
5、当所有楼层的刚度都发生变化时,针对原始结构优化设计得到的模糊控制器仍能明显抑制现有结构的振动。
6、当地震波发生变化时,针对原始地震波优化设计得到的模糊控制器仍能明显抑制现有结构的振动。
附图说明
图1为本发明实施例的基于磁流变阻尼器的建筑结构振动模糊控制框图。
图2为本发明实施例的在地震波激励下的磁流变阻尼器建筑结构系统示意图。
图3为本发明实施例的基于改进乌鸦搜索算法的模糊控制器参数设计流程图。
图4为本发明实施例的三种优化算法的迭代比较图。
图5为本发明实施例的由改进乌鸦优化算法优化得到的模糊控制系统的隶属函数。
图6为本发明实施例的结构在受控和无控时各楼层的响应峰值比较图。
图7为本发明实施例的结构在受控和无控时各楼层的响应均方根值比较图。
图8为本发明实施例的刚度变化时结构在受控和无控时各楼层的响应峰值比较图。
图9为本发明实施例的刚度变化时结构在受控和无控时各楼层的响应均方根值比较图。
图10为本发明实施例的地震波变化时结构在受控和无控时各楼层的响应峰值比较图。
图11为本发明实施例的地震波变化时结构在受控和无控时各楼层的响应均方根值比较图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本实施例提供了一种半主动模糊控制方法,具体包括以下步骤:
步骤S1:针对地震波激励下的磁流变阻尼器建筑结构体系建立运动方程,推导其状态空间方程,并将结构响应作为模糊控制器的输入;
步骤S2:建立基于控制结构响应的多目标函数和适应度函数;
步骤S3:对乌鸦搜索算法进行改进;
步骤S4:用改进的乌鸦搜索算法对模糊控制器进行优化设计;
步骤S5:根据步骤S4优化得到的模糊控制器最优参数,确定最优的模糊控制器,从而确定最优的磁流变阻尼器控制电压;
步骤S6:利用步骤S5得到的最优的磁流变阻尼器控制电压,借助磁流变阻尼器的正向模型,利用仿真平台确定最优阻尼力,实现对建筑结构的半主动模糊控制。
本实施例针对基于磁流变阻尼器的模糊控制系统参数设定困难的问题,对模糊控制系统进行改进,设计了一种能够精确确定阻尼器电压的智能系统。
在本实施例中,步骤S2中,为了兼顾结构的安全性和其间人员的舒适性,将所述多目标函数定为最小化结构的位移和加速度的最大值和均方根值,所述多目标函数为:
Obj=w×Obj1+(1-w)×Obj2 (1);
其中,
Obj1=w1J1+(1-w1)J2;
Obj2=w2J3+(1-w2)J4;
式中,xi(t)和分别是受控时第i层的位移和加速度;xunc和分别是无控时的最大位移和最大加速度;xrms,unc和分别是无控时位移的均方根值和加速度的均方根值;为了方便起见,在下文中相对位移和绝对加速度分别简称为位移和加速度。J1和J2是分别使最大位移响应和最大加速度响应最小化的单目标函数,J3和J4是分别使位移响应的均方根值和加速度响应的均方根值最小化的单目标函数,w、w1以及w2是反映相对重要性的权重系数。在改进乌鸦搜索算法中,将该多目标函数作为适应度函数F。由于这是求最小解的问题,因此在优化过程中适应度越小越好;
其中所述位移和加速度分别为相对位移和绝对加速度。
在本实施例中,步骤S3具体包括:
一、根据模糊控制器的优化参数的特点,采用连续型和离散型相混合的编码形式,并提出相应的离散型编码更新策略;
二、为了提高收敛效率并防止搜索陷入局部最优解,对被跟踪的乌鸦进行优选;
三、在原始乌鸦搜索算法的基础上,对每只乌鸦位置的更新方案进行改进。
在本实施例中,第一点具体为:
针对模糊控制器的隶属函数参数和输入量化因子,采用连续型编码形式,即原始乌鸦搜索算法的编码形式;针对模糊控制器的模糊规则,采用离散型编码形式。
在本实施例中,所述离散型编码形式具体为:假设输出语言变量的数量为p,则针对每条模糊规则,用从1到p这p个整数对其相应的语言变量进行编码。相应的,代表模糊规则的编码段的更新方法如下所示:
式中,k是迭代次数;j∈[1,N];Xdi是乌鸦i的位置Xi中代表模糊规则的编码段;Xdi是乌鸦j食物藏匿记忆位置Mj中代表模糊规则的编码段;Ydi是随机产生的二进制序列;Xdi、Mdj和Ydi的长度均为len1;N代表乌鸦种群的大小。
在本实施例中,第二点具体为:为了提高收敛效率并防止搜索陷入局部最优解,使用三角概率法优选乌鸦j的食物藏匿记忆位置Mj:首先,按照适应度从小到大的顺序对藏匿食物记忆位置(M1,M2,…MN)进行排序,然后利用三角概率法优选出若干个Mj,具有这些位置记忆的乌鸦j将成为被跟踪对象。
其中,所述三角概率法的具体操作如下:
如果
pi>t(i=1,2,…N);
则乌鸦i将被选中作为被跟踪对象,即乌鸦j,令其食物藏匿记忆位置为Mj。式中,pi=2(N+1-i)/[N(N+1)]是分配给乌鸦i的位置Xi的概率,t=[2+2(N-1)rand]/[N(N+1)],rand是从0到1之间的随机小数。
利用这种三角概率法可以避免原始算法中Mj选取的随机性和盲目性,可提高搜索效率。
在本实施例中,第三点具体为:改进乌鸦搜索算法的解的更新策略具体为:
式中,1≤i≤N;rand和rk都是在0-1之间均布的随机数;k是迭代次数;AP是感知概率;FL是飞行长度;Xci是乌鸦i的位置Xi中代表隶属函数参数和输入量化因子的编码段;Mcj是乌鸦j的食物藏匿记忆位置Mj中代表隶属函数参数和输入量化因子的编码段;Xci和Mcj的长度均为len-len1;Ydi是随机产生的二进制序列;Xdi是乌鸦i的位置Xi中代表模糊规则的编码段。
其中,所述感知概率AP=0.15;所述飞行长度FL=1.5。
在本实施例中,步骤S4具体包括以下步骤:
步骤S41:确定模糊控制器的结构,包括输入对象和输出对象,输入和输出的隶属函数的数量和类型;
步骤S42:对待优化对象进行编码设计,并确定每个优化参数的取值范围;
步骤S43:初始化改进乌鸦搜索算法的参数,包括种群大小N、迭代次数k、感知概率AP、飞行长度FL;
步骤S44:随机产生初始种群X(0)=(X1,X2,...XN),并令其为初始M(0)=(M1,M2,…MN);
步骤S45:计算Xi的适应度F(Xi);
步骤S46:开始第一次迭代,令Cycle=1;
步骤S47:判断是否满足终止条件,如果是,则输出最优解,否则将整个种群按照适应度值从小到大的顺序排列;
步骤S48:利用三角概率法找出较优的若干个乌鸦j,其藏匿食物记忆位置为Mj;
步骤S49:从优选的若干个Mj中任选一个,将与之相对应的乌鸦j作为Xi的跟踪对象;
步骤S410:根据下式,当随机数rk≥AP时,Xi向Mj逼近;当rk<AP时,则给Xi赋予规定范围内的随机数:
式中,1≤i≤N;rand和rk都是在0-1之间均布的随机数;Xci是乌鸦i的位置Xi中代表隶属函数参数和输入量化因子的编码段;Mcj是乌鸦j的食物藏匿记忆位置Mj中代表隶属函数参数和输入量化因子的编码段;Xci和Mcj的长度均为len-len1;Ydi是随机产生的二进制序列;Xdi是乌鸦i的位置Xi中代表模糊规则的编码;
步骤S411:判断新产生的Xi是否为有效解,如果是,则用新产生的Xi替代原来的Xi,否则,令Xi保持原值;
步骤S412:判断新产生的Xi的适应度F(Xi)是否有改进,如果是,用新的Xi替代旧的Mi,否则令Mi保持原值;
步骤S413:如果i<N,则i=i+1,并重复步骤S49至步骤S412的操作,直至i=N时记录本轮迭代最优解;
步骤S414:如果Cycle<K,则Cycle=Cycle+1,并重复步骤S47至步骤S413的操作,直至Cycle=K,输出最优解,即得到模糊控制器的最优参数。
特别的,本实施例的模糊控制系统是利用结合改进乌鸦搜索算法和模糊逻辑理论的方法设计得到的,这种设计方法适用于单输入单输出系统和多输入多输出系统。其中,对乌鸦搜索算法的改进主要体现在编码形式的改进、离散型编码更新方案的改进、藏匿记忆位置的优选等方面。改进后的乌鸦搜索算法可同时优化模糊控制器的隶属函数参数、模糊规则和量化因子。所述的方法既能达到理想的阻尼器电压控制效果,又能使这种模糊控制系统的设计方法得到广泛推广,并获得可观的社会效益和经济效益。
下面结合说明书附图对上述实施例进行更加详细的描述。
图1为本实施例所述的基于磁流变阻尼器的建筑结构振动模糊控制框图。由于加速度信号易于采集,所以将加速度作为模糊控制器的输入。采用改进乌鸦搜索算法优化模糊控制器的各模块参数,然后利用优化的模糊控制器调节磁流变阻尼器的控制电压,接着借助正向模型计算减震所需的阻尼力,从而实现结构的减震控制。需要指出的是,在实际控制中正向模型由真实的磁流变阻尼器替代。
(1)磁流变阻尼器建筑物系统的运动方程和标准状态空间形式的推导。
图2为本实施例中在地震波激励下的磁流变阻尼器建筑结构系统示意图。图中,在一个n自由度的结构上安装个磁流变阻尼器,则基于磁流变阻尼器的受控结构的运动方程可以表示为:
式中,x∈Rn是结构的相对位移向量;M、C和K∈Rn×n分别是结构的质量矩阵、阻尼矩阵和刚度矩阵;f∈Rr是磁流变阻尼器产生的阻尼力;Γ∈Rn×r是磁流变阻尼器的位置矩阵;Λ∈Rn×1是地面加速度系数矩阵;是地面震动加速度。
选取状态变量则式(3)可以改写成状态方程:
式中,
其中,In∈Rn是单位矩阵;0是具有不同维度的零矩阵。令为输出状态向量,为绝对加速度,则输出状态方程为:
y(t)=Cz(t)+D1f(t) (6)
其中,
综合式(5)和(6),则可将运动方程(4)的状态方程改写成标准形式:
其中,B=[B1 B2],D=[D1 0],
本例的受控对象是一个三层楼的Benchmark框剪结构。其质量矩阵M、刚度矩阵K和阻尼矩阵C分别为:
磁流变阻尼器安装于在地面和第一层之间,因此磁流变阻尼器的位移就等于结构第一层的位移。由公式(4)可知,此时,代表阻尼器位置的向量Γ=[-1,0,0]T,表征地面运动的影响向量Λ=[-1,-1,-1]T。将第二层和第三层的加速度作为模糊控制器的输入,其输出为磁流变阻尼器的控制电压,最大电压值设置为2.25V。地震波采用前20s的El-Centro波,按照相似准则,将地震波的时间历程缩短为原来的五分之一。
(2)模糊控制器的编码设计。
针对上述受控对象,拟设计一个2输入-1输出的模糊控制系统。令每个输入和输出变量都有5个隶属函数。将输入的模糊语言变量定义为:负大(NL)、负小(NS)、零(Z)、正小(PS)和正大(PL),输出的模糊语言变量定义为:非常小(VS)、小(S)、中(M)、大(L)、非常大(VL)。输入变量和输出变量的隶属函数类型选用广义钟型,表达式如下所示:
根据公式(8),其位置和形状取决于参数a、b和c,其中令函数曲线的中心c均匀分布,用改进的乌鸦搜索算法优化参数a和b,对这两个量采用连续性编码形式。由于输入和输出变量各有5个隶属函数,所以隶属函数的参数总数为:
n=2×5×(nin+nout) (9)
接着,根据控制对象的特性,将输入变量和输出变量的论域分别归一化定义为[-1,1]和[0,2],将输出量化因子取为最大电压值除以2.25,将输入量化因子作为待定参数,并规定其取值范围为在无控时相应楼层最大加速度的35%-80%。输入量化因子的编码形式与隶属函数参数相同,也采用连续型编码,其数量ngains等于上式中的nin。
模糊控制规则数表示为:
其中,n为输入变量数目,Ni为第i个输入变量对应的语言值数目。因此,本例的模糊控制规则有25条。由于一旦模糊控制系统的结构确定了,相应的每条规则的输入就确定了,所以仅需要对模糊规则的输出变量进行编码。为了便于编程,对上述从VS到VL的5个输出语言变量,拟针对从1到5的整数采用离散型编码。
综上所述,本例中模糊控制器的优化是一个1×57维的优化问题,将改进乌鸦搜索算法的编码结构定义如下:
[a1 a2…a15 b1 b2…b15 g1 g2 r1 r2…r25]
这个模因编码由四个部分组成:a1~a15为第一部分,表示15个隶属函数的参数a;b1~b15为第二部分,表示15个隶属函数参数b;g1和g2是第三部分,代表两个输入量化因子;最后一个部分代表模糊规则中的25个输出变量。
(3)改进乌鸦优化算法的流程设计和参数设定。
图3为本发明所述基于改进乌鸦搜索算法的模糊控制器参数设计流程图。
所述具体步骤可细化为:
Step1:确定模糊控制器的结构,包括输入对象和输出对象,输入和输出的隶属函数的数量和类型等;
Step2:对待优化对象进行编码设计,并确定每个优化参数的取值范围;
Step3:初始化改进乌鸦搜索算法的参数,包括种群大小N、迭代次数K、感知概率AP、飞行长度FL等;
Step4:随机产生初始种群X(0)=(X1,X2,…XN),并令其为初始M(0)=(M1,M2,…MN);
Step5:计算Xi的适应度F(Xi)。
Step6:开始第一次迭代,即Cycle=1;
Step7:判断是否满足终止条件,如果是,则输出最优解,否则将整个种群按照适应度值从小到大的顺序排列;
Step8:利用三角概率法找出较优的若干个乌鸦j,其藏匿食物记忆位置为Mj;
Step9:从优选的若干个Mj中任选一个,将与之相对应的乌鸦j作为Xi的跟踪对象;
Step10:根据公式(3),当随机数rk≥AP时,Xi向Mj逼近。当rk<AP时,则给Xi赋予规定范围内的随机数;
Step11:判断新产生的Xi是否为有效解,如果是,则用新产生的Xi替代原来的Xi,否则,令Xi保持原值;
Step12:判断新产生的Xi的适应度F(Xi)是否有改进,如果是,用新的Xi替代旧的Mi,否则令Mi保持原值;
Step13:如果i<N,则i=i+1,并重复Step 9~Step 12的操作,直至i=N时记录本轮迭代最优解;
Step14:如果Cycle<K,则Cycle=Cycle+1,并重复Step 7~Step 13的操作,直至Cycle=K,输出最优解,即得到模糊控制器的最优参数。
为了比较改进乌鸦搜索算法的寻优能力,在优化目标和编码形式都相同的前提下,还采用原始乌鸦搜索算法和遗传算法优化模糊控制器。其中,令多目标函数的权重w=0.5、w1=w2=0.5,改进乌鸦搜索算法的参数设置为:种群大小N=120、迭代次数K=300、感知概率AP=0.15、飞行长度FL=1.5。原始乌鸦搜索算法的N、K、AP以及FL与上述相同。遗传算法的种群大小、迭代次数K也与上述相同,其变异率=0.1、交叉率=0.9,进化操作选用轮盘赌选择法和双点交叉法。图4为这三种优化算法的迭代曲线比较图,可见相较于遗传算法和原始乌鸦搜索算法,改进乌鸦搜索算法能获得最小的目标函数值,即改进乌鸦搜索算法的寻优能力最强。
(4)利用最优解建立最优的模糊控制器,并求出所有楼层的各种响应、控制电压以及阻尼力。
图5为本发明由改进乌鸦搜索算法优化得到的模糊控制器的隶属函数的输入和输出图。第二层和第三层的最优输入量化因子分别为1/393和1/740。
图6和图7分别为本发明中结构在受控和无控时各楼层的响应峰值比较图和响应均方根值比较图。可见,虽然优化目标为第三层的位移响应和加速度响应,但是本发明所述的改进模糊控制策略能够有效减小所有楼层的所有响应峰值和均方根值。
为了检验所述模糊控制方法在结构刚度发生改变时的鲁棒性,假设结构各层刚度都增大了20%,图8和图9分别为本发明中刚度变化时结构在受控和无控时各楼层的响应峰值比较图和响应均方根值比较图。由图可见,在建筑物变形前优化得到的模糊控制器仍然能够有效地减小变形建筑物的响应。
为了检验所述模糊控制方法在地震波发生改变时的鲁棒性,假设El-Centro地震波的加速度增大了50%,图10和图11分别为本发明中地震波变化时结构在受控和无控时各楼层的响应峰值比较图和响应均方根值比较图。由图可见,当地震波响应发生变化时,先前优化得到的模糊控制器仍然能够有效地减小建筑物的响应。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (10)
1.一种半主动模糊控制方法,其特征在于:包括以下步骤:
步骤S1:针对地震波激励下的磁流变阻尼器建筑结构体系建立运动方程,推导其状态空间方程,并将结构响应作为模糊控制器的输入;
步骤S2:建立基于控制结构响应的多目标函数和适应度函数;
步骤S3:对乌鸦搜索算法进行改进;
步骤S4:用改进的乌鸦搜索算法对模糊控制器进行优化设计;
步骤S5:根据步骤S4优化得到的模糊控制器最优参数,确定最优的模糊控制器,从而确定最优的磁流变阻尼器控制电压;
步骤S6:利用步骤S5得到的最优的磁流变阻尼器控制电压,借助磁流变阻尼器的正向模型,利用仿真平台确定最优阻尼力,实现对建筑结构的半主动模糊控制。
2.根据权利要求1所述的一种半主动模糊控制方法,其特征在于:步骤S2中,为了兼顾结构的安全性和其间人员的舒适性,将所述多目标函数定为最小化结构的位移和加速度的最大值和均方根值,所述多目标函数为:
Obj=w×Obj1+(1-w)×Obj2;
其中,
Obj1=w1J1+(1-w1)J2;
Obj2=w2J3+(1-w2)J4;
式中,xi(t)和分别是受控时第i层的位移和加速度;xunc和分别是无控时的最大位移和最大加速度;xrms,unc和分别是无控时位移的均方根值和加速度的均方根值;J1和J2是分别使最大位移响应和最大加速度响应最小化的单目标函数,J3和J4是分别使位移响应的均方根值和加速度响应的均方根值最小化的单目标函数,w、w1以及w2是反映相对重要性的权重系数;在改进乌鸦搜索算法中,将该多目标函数作为适应度函数F;由于这是求最小解的问题,因此在优化过程中适应度越小越好;
其中所述位移和加速度分别为相对位移和绝对加速度。
3.根据权利要求1所述的一种半主动模糊控制方法,其特征在于:步骤S3具体包括:
一、根据模糊控制器的优化参数的特点,采用连续型和离散型相混合的编码形式,并提出相应的离散型编码更新策略;
二、为了提高收敛效率并防止搜索陷入局部最优解,对被跟踪的乌鸦进行优选;
三、在原始乌鸦搜索算法的基础上,对每只乌鸦位置的更新方案进行改进。
4.根据权利要求3所述的一种半主动模糊控制方法,其特征在于:第一点具体为:
针对模糊控制器的隶属函数参数和输入量化因子,采用连续型编码形式,即原始乌鸦搜索算法的编码形式;针对模糊控制器的模糊规则,采用离散型编码形式。
5.根据权利要求4所述的一种半主动模糊控制方法,其特征在于:所述离散型编码形式具体为:假设输出语言变量的数量为p,则针对每条模糊规则,用从1到p这p个整数对其相应的语言变量进行编码;相应地,代表模糊规则的编码段的更新方法如下所示:
式中,k是迭代次数;j∈[1,N];Xdi是乌鸦i的位置Xi中代表模糊规则的编码段;Xdi是乌鸦j食物藏匿记忆位置Mj中代表模糊规则的编码段;Ydi是随机产生的二进制序列;Xdi、Mdj和Ydi的长度均为len1;N代表乌鸦种群的大小。
6.根据权利要求3所述的一种半主动模糊控制方法,其特征在于:第二点具体为:为了提高收敛效率并防止搜索陷入局部最优解,使用三角概率法优选乌鸦j的食物藏匿记忆位置Mj:首先,按照适应度从小到大的顺序对藏匿食物记忆位置(M1,M2,...MN)进行排序,然后利用三角概率法优选出若干个Mj,具有这些位置记忆的乌鸦j将成为被跟踪对象。
7.根据权利要求6所述的一种半主动模糊控制方法,其特征在于:所述三角概率法的具体操作如下:
如果
pi>t (i=1,2,…N)
则乌鸦i将被选中作为被跟踪对象,即乌鸦j,令其食物藏匿记忆位置为Mj;式中,pi=2(N+1-i)/[N(N+1)]是分配给乌鸦i的位置Xi的概率,t=[2+2(N-1)rand]/[N(N+1)],rand是从0到1之间的随机小数。
8.根据权利要求3所述的一种半主动模糊控制方法,其特征在于:第三点具体为:改进乌鸦搜索算法的解的更新策略具体为:
式中,1≤i≤N;rand和rk都是在0-1之间均布的随机数;k是迭代次数;AP是感知概率;FL是飞行长度;Xci是乌鸦i的位置Xi中代表隶属函数参数和输入量化因子的编码段;Mcj是乌鸦j的食物藏匿记忆位置Mj中代表隶属函数参数和输入量化因子的编码段;Xci和Mcj的长度均为len-len1;Ydi是随机产生的二进制序列;Xdi是乌鸦i的位置Xi中代表模糊规则的编码段。
9.根据权利要求8所述的一种半主动模糊控制方法,其特征在于:所述感知概率AP=0.15;所述飞行长度FL=1.5。
10.根据权利要求1所述的一种半主动模糊控制方法,其特征在于:步骤S4具体包括以下步骤:
步骤S41:确定模糊控制器的结构,包括输入对象和输出对象,输入和输出的隶属函数的数量和类型;
步骤S42:对待优化对象进行编码设计,并确定每个优化参数的取值范围;
步骤S43:初始化改进乌鸦搜索算法的参数,包括种群大小N、迭代次数k、感知概率AP、飞行长度FL;
步骤S44:随机产生初始种群X(0)=(X1,X2,...XN),并令其为初始M(0)=(M1,M2,…MN);
步骤S45:计算Xi的适应度F(Xi);
步骤S46:开始第一次迭代,令Cycle=1;
步骤S47:判断是否满足终止条件,如果是,则输出最优解,否则将整个种群按照适应度值从小到大的顺序排列;
步骤S48:利用三角概率法找出较优的若干个乌鸦j,其藏匿食物记忆位置为Mj;
步骤S49:从优选的若干个Mj中任选一个,将与之相对应的乌鸦j作为Xi的跟踪对象;
步骤S410:根据下式,当随机数rk≥AP时,Xi向Mj逼近;当rk<AP时,则给Xi赋予规定范围内的随机数:
式中,1≤i≤N;rand和rk都是在0-1之间均布的随机数;Xci是乌鸦i的位置Xi中代表隶属函数参数和输入量化因子的编码段;Mcj是乌鸦j的食物藏匿记忆位置Mj中代表隶属函数参数和输入量化因子的编码段;Xci和Mcj的长度均为len-len1;Ydi是随机产生的二进制序列;Xdi是乌鸦i的位置Xi中代表模糊规则的编码段;
步骤S411:判断新产生的Xi是否为有效解,如果是,则用新产生的Xi替代原来的Xi,否则,令Xi保持原值;
步骤S412:判断新产生的Xi的适应度F(Xi)是否有改进,如果是,用新的Xi替代旧的Mi,否则令Mi保持原值;
步骤S413:如果i<N,则i=i+1,并重复步骤S49至步骤S412的操作,直至i=N时记录本轮迭代最优解;
步骤S414:如果Cycle<K,则Cycle=Cycle+1,并重复步骤S47至步骤S413的操作,直至Cycle=K,输出最优解,即得到模糊控制器的最优参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910053885.4A CN109507891B (zh) | 2019-01-21 | 2019-01-21 | 一种半主动模糊控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910053885.4A CN109507891B (zh) | 2019-01-21 | 2019-01-21 | 一种半主动模糊控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109507891A true CN109507891A (zh) | 2019-03-22 |
CN109507891B CN109507891B (zh) | 2021-07-27 |
Family
ID=65758236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910053885.4A Active CN109507891B (zh) | 2019-01-21 | 2019-01-21 | 一种半主动模糊控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109507891B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110824570A (zh) * | 2019-10-28 | 2020-02-21 | 杭州电子科技大学 | 一种三轴磁传感器的本体磁性校正方法 |
CN113238487A (zh) * | 2021-06-03 | 2021-08-10 | 中国第一汽车股份有限公司 | 一种可调阻尼减振器的模糊控制方法及控制系统 |
CN116911903A (zh) * | 2023-09-12 | 2023-10-20 | 福建福诺移动通信技术有限公司 | 一种分析用户的模型自动调参的方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002222500A (ja) * | 2001-01-25 | 2002-08-09 | Univ Nihon | 遺伝的アルゴリズムによる船舶の衝突回避システム |
CN102004443A (zh) * | 2010-04-12 | 2011-04-06 | 南京师范大学 | 磁流变智能车辆悬架混合半主动变结构控制方法 |
CN102176120A (zh) * | 2011-02-24 | 2011-09-07 | 同济大学 | 随机地震激励系统磁流变阻尼最优控制的方法 |
CN102866631A (zh) * | 2011-12-31 | 2013-01-09 | 上海绿地建设(集团)有限公司 | 基于在线支持向量机的建筑结构地震反应智能控制设计方法 |
CN103809458A (zh) * | 2014-03-04 | 2014-05-21 | 福州大学 | 一种基于改进蛙跳算法的磁流变阻尼控制方法 |
CN103926836A (zh) * | 2014-04-18 | 2014-07-16 | 郑州大学 | 一种渡槽结构在随机荷载作用下的减震控制方法 |
CN105155717A (zh) * | 2015-09-18 | 2015-12-16 | 福州大学 | 一种基于殖民竞争算法的磁流变阻尼模糊控制器设计方法 |
CN108279570A (zh) * | 2018-01-15 | 2018-07-13 | 杭州职业技术学院 | 一种含mrd的拖拉机驾驶室悬置控制方法 |
CN108549402A (zh) * | 2018-03-19 | 2018-09-18 | 哈尔滨工程大学 | 基于量子乌鸦群搜索机制的无人机群任务分配方法 |
-
2019
- 2019-01-21 CN CN201910053885.4A patent/CN109507891B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002222500A (ja) * | 2001-01-25 | 2002-08-09 | Univ Nihon | 遺伝的アルゴリズムによる船舶の衝突回避システム |
CN102004443A (zh) * | 2010-04-12 | 2011-04-06 | 南京师范大学 | 磁流变智能车辆悬架混合半主动变结构控制方法 |
CN102176120A (zh) * | 2011-02-24 | 2011-09-07 | 同济大学 | 随机地震激励系统磁流变阻尼最优控制的方法 |
CN102866631A (zh) * | 2011-12-31 | 2013-01-09 | 上海绿地建设(集团)有限公司 | 基于在线支持向量机的建筑结构地震反应智能控制设计方法 |
CN103809458A (zh) * | 2014-03-04 | 2014-05-21 | 福州大学 | 一种基于改进蛙跳算法的磁流变阻尼控制方法 |
CN103926836A (zh) * | 2014-04-18 | 2014-07-16 | 郑州大学 | 一种渡槽结构在随机荷载作用下的减震控制方法 |
CN105155717A (zh) * | 2015-09-18 | 2015-12-16 | 福州大学 | 一种基于殖民竞争算法的磁流变阻尼模糊控制器设计方法 |
CN108279570A (zh) * | 2018-01-15 | 2018-07-13 | 杭州职业技术学院 | 一种含mrd的拖拉机驾驶室悬置控制方法 |
CN108549402A (zh) * | 2018-03-19 | 2018-09-18 | 哈尔滨工程大学 | 基于量子乌鸦群搜索机制的无人机群任务分配方法 |
Non-Patent Citations (3)
Title |
---|
刘雪静等: "《求解0-1 背包问题的混沌二进制乌鸦算法》", 《计算机工程与应用》 * |
李焰华等: "《基于莱维飞行的乌鸦搜索算法》", 《智能计算机与应用》 * |
林秀芳等: "《运用遗传算法的磁流变阻尼器减震的模糊控制》", 《重庆理工大学学报(自然科学)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110824570A (zh) * | 2019-10-28 | 2020-02-21 | 杭州电子科技大学 | 一种三轴磁传感器的本体磁性校正方法 |
CN110824570B (zh) * | 2019-10-28 | 2021-07-27 | 杭州电子科技大学 | 一种三轴磁传感器的本体磁性校正方法 |
CN113238487A (zh) * | 2021-06-03 | 2021-08-10 | 中国第一汽车股份有限公司 | 一种可调阻尼减振器的模糊控制方法及控制系统 |
CN113238487B (zh) * | 2021-06-03 | 2022-08-09 | 中国第一汽车股份有限公司 | 一种可调阻尼减振器的模糊控制方法及控制系统 |
CN116911903A (zh) * | 2023-09-12 | 2023-10-20 | 福建福诺移动通信技术有限公司 | 一种分析用户的模型自动调参的方法及装置 |
CN116911903B (zh) * | 2023-09-12 | 2023-12-22 | 福建福诺移动通信技术有限公司 | 一种分析用户的模型自动调参的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109507891B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109507891B (zh) | 一种半主动模糊控制方法 | |
CN109725537B (zh) | 一种改进的线性最优半主动控制方法 | |
CN110046710A (zh) | 一种神经网络的非线性函数极值优化方法及系统 | |
CN108646734A (zh) | 基于量子粒子群算法的非线性模型预测控制方法 | |
Debnath et al. | Particle swarm optimization based adaptive strategy for tuning of fuzzy logic controller | |
CN109800517B (zh) | 一种改进的磁流变阻尼器逆向建模方法 | |
Mahmoodabadi et al. | Pareto optimal design of the decoupled sliding mode controller for an inverted pendulum system and its stability simulation via Java programming | |
Ren | Optimal control | |
CN116520909A (zh) | 哈里斯鹰算法优化模糊pid参数的高值耗材柜温度控制方法 | |
CN115342812A (zh) | 一种基于改进蝴蝶优化算法的无人机三维航迹规划方法 | |
CN110824928A (zh) | 一种改进的半主动h∞鲁棒控制方法 | |
Sabes et al. | Reinforcement learning by probability matching | |
CN117471919A (zh) | 一种基于改进鹈鹕优化算法的机器人路径规划方法 | |
CN110865541B (zh) | 一种结构半主动最优预测控制方法 | |
Sayed et al. | Hybrid Quantum Salp Swarm Algorithm for Contrast Enhancement of Natural Images. | |
Elkhateeb et al. | A novel variable population size artificial bee colony algorithm with convergence analysis for optimal parameter tuning | |
Meng et al. | Research on multi-npc marine game ai system based on q-learning algorithm | |
Halabian et al. | Optimal semi-active control of seismically excited MR-equipped nonlinear buildings using FLC and multi-objective NSGAII algorithms considering ground excitations | |
CN115629538A (zh) | 一种基于改进鸡群算法的磁流变阻尼器半主动控制方法 | |
CN113485107B (zh) | 基于一致性约束建模的强化学习机器人控制方法及系统 | |
CN113485099B (zh) | 一种非线性离散时间系统的在线学习控制方法 | |
Praczyk | Using augmenting modular neural networks to evolve neuro-controllers for a team of underwater vehicles | |
Sher | DXNN: evolving complex organisms in complex environments using a novel tweann system | |
Angélico et al. | Heuristic search applied to fuzzy cognitive maps learning | |
Degertekin et al. | Sizing optimization of truss structures using the firefly algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240201 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Country or region after: China Address before: 200 xiyuangong Road, Shangjie Town, Minhou County, Fuzhou City, Fujian Province Patentee before: MINJIANG University Country or region before: China |
|
TR01 | Transfer of patent right |