基于AEPSO优化的神经网络多步预测控制

被引：17

作者：

侯志祥 ^{[1
]}

吴义虎 ^{[2
]}

袁松贵 ^{[1
]}

申群太 ^{[1
]}

机构：

[1] 长沙理工大学汽车与机械工程学院

[2] 中南大学信息科学与工程学院

来源：

中南大学学报(自然科学版) | 2007年 / 06期

基金：

湖南省自然科学基金;

关键词：

预测控制; 神经网络; 粒子群优化; 收敛性;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

140502 [人工智能];

摘要：

为提高神经网络预测控制的性能,提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中,每个粒子的更新受粒子个体极值和局部极值的影响,为了提高其全局收敛性,采用多粒子策略,使每个粒子的更新受更多其他粒子的影响;为提高收敛速度,采用自适应策略,对参数c0进行自适应调整,使c0随着迭代次数的增加而逐渐减小,这样,在PSO算法的搜索过程中,随着迭代次数的增加,搜索区域会越来越小,从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化,在有限时域内对控制序列进行寻列,给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明,基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。

引用

页码：1162 / 1168

页数：7

共 8 条

[1]

基于Elman神经网络的汽油机过渡工况空燃比多步预测模型 [J].