一、基于免疫原理的自适应模糊控制器优化设计（论文文献综述）
樊劲辉[1]（2019）在《基于非线性不确定观测器的多模态智能轮椅自适应控制方法研究》文中进行了进一步梳理智能轮椅已经日渐成为下肢残障人士和行动不便的老年人的高效代步工具,其本质上属于移动机器人的一种特殊形式。智能轮椅与常规移动机器人在控制方式上最大的区别在于乘用者在轮椅运行过程中对控制起到的主导作用,而常规移动机器人则更强调其完全自主控制,各种控制算法和控制模式必须基于人的主观意识来进行实时动态控制,体现出“人在环中”的结构特点。随着残障人士及老年人对日常生活质量和参与社会活动需求的不断提高,对于智能轮椅控制的实时性和安全性研究日益成为研究人员关注的重点问题。目前普遍使用的轮椅存在的主要问题包括:首先,在控制方式上存在模态单一的不足,乘用者大多无法选择适合自身特点的人机交互方式,因此难以满足不同残疾程度差异乘用者的使用需求;其次,在室内环境狭小空间内,常规差动转向结构的轮椅由于运动形式上的局限性,存在转弯半径大且安全性难以得到保障、易出现轮椅倾倒等安全问题;再次,常规的移动机器人控制算法在大量环境数据处理过程中,存在运算量过大的问题,无法保证控制过程的实时性;另外,在智能轮椅控制系统中,由于乘用者个体差异及不断变化的环境参数,在控制器设计过程中如未充分考虑系统中存在非线性和不确定性因素,必然导致智能轮椅最终控制出现准确性和安全性等问题。鉴于上述问题,提出一种以人体坐姿二维重心作为主控模态的全向智能轮椅手动控制方法,便于乘用者实现对轮椅的控制,并在充分考虑外界扰动的情况下,给出实时智能避障和轨迹跟踪控制算法、基于改进RBF神经网络及非线性不确定观测器的智能轮椅自动控制器设计方法。主要研究内容和取得的成果如下:（1）提出一种基于改进的自组织映射特征（Self-organizing Feature Map,SOFM）神经网络的动态人体坐姿二维重心聚类算法。首先,该算法在SOFM神经网络的初始权值确定及邻域范围选择等方面进行了优化和改进,其中基于误差的邻域范围调整算法,能有效降低聚类算法的运算复杂度;改进的邻域范围选择算法提高了系统聚类的收敛速度。其次,引入重心偏移修正归一化算法,保证了实时地依据人体坐姿二维重心判断智能轮椅乘用者运动意图,并在保障系统安全性的同时,实现了乘用者无需双手控制轮椅的人机交互方式,为特定用户提供除手柄控制轮椅以外的灵活操控多模态选择。仿真与实验结果表明,与常规SOFM聚类算法及其他聚类算法相比,改进的SOFM算法在实时性及准确性方面均得到显着提升。（2）深入研究了智能轮椅的自主避障策略,针对传统的模糊避障算法中参数选取依赖设计者经验的问题,提出了一种基于改进模糊神经网络的智能轮椅自主避障算法。首先,针对避障特点提出一种改进型的模糊神经网络控制器。其次,充分考虑到智能轮椅控制系统“人在环中”的特殊性,采用改进的离线与在线相结合的神经网络训练模糊逻辑参数,降低了避障算法的运算复杂度。另外,同时引入经验矢量矩阵,解决乘用者期望运动方向与避障算法运动方向之间的选择冲突问题,使乘用者运动意图在避障过程中得到体现。最后,利用仿真与实验结果进一步验证了该算法能在保证避障可靠性和安全性的同时,有效提高智能轮椅自主避障的实时性、智能性和人性化程度。（3）针对智能轮椅控制系统内部乘用者差异和外部环境中存在的有界不可测外界扰动,提出一种利用改进的径向基函数（Radial Basis Function,RBF）神经网络实现智能轮椅轨迹跟踪控制的方法。首先,利用RBF神经网络在线逼近全向智能轮椅的非线性逆运动学模型。其次,设计并实现了轮椅轨迹跟踪的直接自适应控制方法,给出了自适应控制器的详细设计方法和步骤。另外,利用Lyapunov稳定性理论,证明了在外界扰动及神经网络权值误差逼近有界的条件下,全向智能轮椅控制器在轨迹跟踪控制中跟踪误差的一致稳定且有界。最后,仿真及实验结果表明,所提改进RBF算法能有效逼近系统非线性逆运动学模型,在提高智能轮椅的轨迹跟踪运动控制精度的同时,使系统鲁棒性也得到一定提升。（4）深入探讨了智能轮椅实时性要求较高及系统内外普遍存在非线性和不确定环境因素等问题,提出一种基于非线性不确定观测器的全向智能轮椅轨迹跟踪控制方法。该方法在建立并分析了全向智能轮椅系统的动力学模型的基础上,基于Lyapunov稳定性理论给出了控制系统稳定性证明,并进一步利用所提算法设计了非线性不确定观测器和跟踪控制器。实验和仿真结果表明,利用所提方法设计的观测器,能够有效重构并补偿由于系统内部非线性、未知参数及外界不确定扰动导致的控制误差,并降低控制算法的复杂度,实现智能轮椅控制器对期望轨迹的实时精确跟踪。
刘宝,叶会会,蔡梦迪[2]（2019）在《基于免疫调节机制的参数自整定模糊控制器设计》文中提出为进一步解决常规模糊控制算法存在的控制器参数不能在线调整、稳态精度较低等问题,提出一种基于免疫系统调节机制的参数自整定模糊控制算法。该算法在动态调节阶段借鉴生物免疫系统调的T细胞反馈调节机制来整定控制器参数,以获得较优的控制系统动态性能;稳态调节阶段利用免疫系统抗原提呈原理,将控制偏差视为抗原并进行非线性处理,同时微调控制器参数以提高模糊控制器的灵敏度,从而克服常规模糊控制器稳态精度不高的缺陷。为检验免疫模糊自整定控制算法的控制效果,将改进后的算法应用于生物反应器的非线性温度控制对象。研究结果表明:相比于常规模糊控制算法和PID算法,免疫模糊自整定控制算法具有较好的控制效果和较强的抗干扰能力。
黄丽华[3]（2019）在《基于网络环境的球杆系统控制方法的研究》文中认为随着控制、网络及通信技术在复杂控制系统中的发展与相互融合,网络化控制系统（Networked Control Systems,NCS）在自动化领域的研究变得尤为重要。传统控制系统因为网络的加入,使系统的控制性能得到扩展和增强,与此同时也存在使控制系统不稳定的因素,例如:网络延时、数据丢包、网络调度的问题等。因此,对网络化控制系统的研究具有非常重要的现实意义。控制领域中,控制器的设计一直是控制系统线性和非线性问题解决的重要方法。本文选用具有非线性特征的球杆系统作为控制对象展开研究。首先,在研究了球杆系统的装置结构以及数学模型的基础上,针对网络时延和丢包等不确定因素对控制系统性能的影响,研究借鉴生物免疫系统原理的PID控制器参数优化方法。一种是借鉴生物免疫反馈机制对PID参数进行在线自动调整的模糊免疫控制器;一种是采用人工免疫PSO算法优化的免疫控制器;一种是基于生物免疫机理,构造出一种与传统PID控制器完全不同的免疫控制器,即双因子免疫控制器,并采用人工免疫PSO算法对其免疫因子进行优化。本文分别采用MATLAB TrueTime2.0网络控制仿真平台和固高科技GBB2004球杆实时控制两种实验平台对三种控制器性能进行验证。仿真结果表明:在不同程度时延、丢包因素的网络环境下,系统中采用优化改进控制器的输出超调量和调节时间都要优于传统PID控制器,提高了球杆系统在网络环境下的鲁棒性和自适应性能,证明了优化后的控制系统有效性和可行性。
叶会会[4]（2018）在《基于生物调节机制的智能控制及优化算法研究》文中进行了进一步梳理由于现代工业生产控制中的工艺流程越来越复杂和人们对控制目标要求的提高,传统的控制技术已经无法满足人们的控制需求。因此,需要研究更加智能、更加实用的智能控制技术。本文在研究基本智能控制算法的基础上,结合生物生理调节机制设计智能控制器,并将改进克隆选择优化算法应用于智能控制器的参数优化。（1）基于免疫调节机制的参数自整定模糊控制器设计。在分析传统模糊控制器缺陷的基础上,借鉴免疫系统中的T细胞调节原理整定模糊控制器的参数,使其能够在控制过程中自适应变化;利用免疫系统中的抗原提呈机制对控制偏差进行非线性处理,增强控制器灵敏度从而提高控制系统的稳态精度。将设计的控制器与传统PID控制器和模糊控制器进行对比,仿真实验证明该控制器控制性能的优越性。（2）受血糖调节机制启发的生物智能控制器设计。在分析血糖浓度调节机制的基础上,设计基于共轭梯度法的BP神经网络输出的增强和抑制单元以提高控制器动态性能;设计具有积分作用的稳态控制单元算法以保证控制系统的稳定运行;设计模糊协同控制单元以协调整个控制器各个单元的工作时间。将设计的控制器与传统PID控制器和BP神经网络控制器进行对比,仿真实验证明该控制器控制性能的优越性。（3）免疫克隆选择算法的研究与改进。在研究基本免疫克隆选择优化算法的基础上,对其存在的缺陷进行改进。利用混沌序列产生克隆选择算法的初始抗体群;在克隆算子中引入抗体生存度概念,利用激素分泌规律自适应调节抗体生存度的影响因子权重;在变异算子中引入自适应变异概率;从而提高算法的收敛速度和精度。并在典型测试函数上验证改进算法的寻优性能。（4）智能控制器的参数优化。利用改进后的克隆选择算法优化两种智能控制器参数,并将其应用在相同的生物反应器温度被控系统中,根据仿真实验结果对比分析两种智能控制器的控制性能。本文在模糊算法和BP神经网络算法的基础上,结合生物调节机制设计了两种智能控制器。此外,本文改进了免疫克隆选择算法并将其应用于智能控制器的参数优化。通过生物反应器的温度控制仿真实验结果验证了控制器具有较优的控制性能,并为生物机制与智能控制的融合研究提供了一种新途径。
章程明[5]（2016）在《循环流化床燃烧对象动态辨识与模糊自适应控制的研究》文中认为循环流化床锅炉燃烧技术是近几十年发展起来的一项洁净煤燃烧技术。它燃烧效率高,燃料适应性广,污染排放低,和煤粉炉相比具有独特的优势。燃烧控制系统作为CFB锅炉安全、经济、稳定运行的保障,显得格外重要,是众多学者研究的重点。但是由于其非线性、参数时变、多变量耦合等特点,常规控制方法的效果难以令人满意。本文将具有高效搜索性能的蚁群算法和具有分布性、鲁棒自适应性的免疫系统机制引入热工过程控制领域,为解决复杂对象的辨识建模和动态自适应控制研究提供了一个崭新的思路。具体内容如下：（1）在分析基本蚁群算法工作原理与特点的基础上,引入免疫系统的抗原识别、抗体多样性、浓度调节等机制,从信息素初始分布、信息素调整机制、选择概率函数等方面对基本蚁群算法加以改进,增强算法的初始搜索效率与调整信息素的能力,提高了算法的自适应性与鲁棒性。通过对测试函数的求解和简单热工对象的验证,表明改进蚁群算法与PSO等其他智能算法相比具有更好的寻优特性和辨识能力。（2）在分析CFB锅炉燃烧系统的控制目标与特点的基础上,明确控制任务与对象,深入了解锅炉床温、床压的控制特点与难点。采取分散控制策略,只考虑回料阀开度和一次风量这两个主要影响因素,建立被控对象模型。通过对回料阀开度和一次风量的作用机理研究,确定床温床压传递函数模型结构。进而运用改进蚁群算法对其进行辨识。结果表明该模型能够很好地反映对象的变化趋势,基本满足工程应用需求。（3）引入模糊变论域思想,设计了自适应直接型模糊控制器,通过调整量化因子和比例因子使得模糊控制器的论域能够自适应改变。同时运用模糊规则调整函数,使模糊规则表能够根据上文得到的传递函数模型参数而自适应调整,克服了传统建立模糊规则表方法的缺陷。最后对燃烧控制系统进行了给定值扰动、内扰、外扰等情况下的仿真。结果表明,自适应模糊控制器比常规PID控制器具有更好的控制性能以及抗干扰的能力。
周万顺[6]（2014）在《基于模糊控制的无刷直流电机速度控制系统设计》文中指出无刷直流电机以其较小体积，较高功率密度，结构简单，以及更好的速度调节性能等优点，在机电能量转换领域得以广泛应用。由于无刷直流电机的多变量，强耦合，非线性等特点，传统的PID控制方法对于在线寻找适合的PID参数十分困难，很难达到理想的效果。自适应控制算法对参数的分辨识别和电机状态的预估都是相对于线性模型的，而对于非线性的控制对象，很难满足控制的精确性和实时性。模糊控制不要求掌握被控对象的精确模型，但是主观的专家控制规则无法满足不同对象的控制要求。克隆选择算法可以有效的搜索到全局最优解，并避免陷入局部最优解。本文将多种控制策略相互结合，设计了基于多目标克隆选择算法优化的模糊自适应PID控制器。本文简述了无刷直流电机的组成结构和运行原理，对无刷直流电机的数学模型进行了学习，完成了对无刷直流电机的双闭环控制系统的建模。系统的外环转速调节模块利用多目标克隆选择算法优化过的模糊自适应PID控制器的，内环调节器则采用传统的PI控制器。本文提出了利用多目标克隆选择算法优化模糊控制规则，以及基于精英导向机制的模糊控制两种方法。这两种优化方法都可以提高无刷直流电机的控制性能：与常规的控制器相比，系统的响应时间得到了很好的提升，能够很快的达到稳定状态，相对于常规控制器来说具有较高的控制精度。只是多目标克隆选择算法优化模糊自适应PID控制器的控制规则，虽然能够获得控制规则整体上的最优，但无法满足决策者的偏好，而加入精英导向机制策略的控制器则能够可根据决策偏好快速有效地定向搜索Pareto最优解。在Matlab2012/Simulink中搭建了包括电机本体主回路模块、逻辑换相模块、速度环模块以及电流PI控制器模块的无刷直流电机双闭环控制的仿真模型。仿真结果表明：基于多目标克隆选择算法优化的模糊控制器，能够系统具有上升时间短，无超调，稳态误差小等优势，具有较强的鲁棒性和自适应性。
姜继民[7]（2012）在《免疫控制器的优化设计及应用》文中认为人工免疫是一种新兴的智能方法，正不断受到人们的广泛关注。由于人工免疫系统具有很好的记忆、识别、学习能力，一些传统方法难以解决的复杂问题，可以通过人工免疫方法解决。因此，免疫系统成为近年来研究的一个热点，并且一些研究成果在诸多领域中得到广泛应用。本文主要将免疫思想应用于自动控制领域，研究内容及成果主要集中在以下四个方面：第一：介绍了人工免疫系统的历史及研究现状，对论文用到的一些生物免疫系统概念进行了解释，着重论述了人工免疫系统的机理。第二：针对气动比例阀缸位置控制系统，设计了免疫反馈控制器（ImmuneFeedback Controller），并在MATLAB环境下进行了仿真实验。仿真结果表明，和模糊控制器相比，本文设计的IFC控制器具有较快的响应速度，稳定性好。当外界负载发生变化时，控制器具有较好的自适应能力，尤其是当外界负载加大，系统处于不稳定状态，控制器依然具有较好的控制效果，这是模糊控制器不能达到的。第三：对IFC控制器进行了改进，将其应用于火电厂过热气温控制。然后将改进的IFC控制器和模糊免疫Smith控制器的性能做了仿真分析，仿真结果表明，改进的IFC控制器比模糊免疫Smith控制器有更优的响应速度，当控制系统参数发生变化时，改进的IFC控制器的适应性更强。此外，还对控制系统做了超稳定性分析，以确保系统稳定。第四：针对IFC控制器，设计了免疫遗传优化算法，用以优化控制器参数，进而提高控制器的控制品质。在比例阀缸位置控制系统中，当外界负载加大，导致系统不稳定时，控制器会产生超调和震荡，通过免疫遗传算法优化后，从仿真结果看出，系统无超调，响应过程稳定，验证了算法的有效性。
刘朝华[8]（2012）在《混合免疫智能优化算法研究及其在复杂系统中的应用》文中研究表明人工免疫系统模拟生物免疫系统进化行为的智能特征,具有自组织、自学习能力,具有解决复杂优化问题的优点。现代工业系统变得越来越复杂,而复杂系统的建模、优化与控制需要高性能的算法来辅助,依靠单一模式的优化方法难以满足系统性能要求。混合免疫智能处理技术为这类问题提供了有效的途径,同时也是人工免疫系统研究的发展方向。基于免疫系统的机理,深入挖掘生物免疫系统中蕴含的智能学习机制并结合其它智能处理方法的优点,本文研究了几类混合免疫智能优化算法及其相关应用,从算法理论、算法设计、性能测试、比较分析到实际应用展开一系列工作。在理论上研究了四类混合免疫智能优化方法,并通过实验仿真验证了算法的有效性；在应用上研究了混沌系统自抗扰优化控制与永磁同步电机系统多参数辨识这两类典型的复杂系统,并获得了良好的控制效果和辨识结果。概括如下：1.引入生态学中的协同进化Lotka-Volterra思想到人工免疫算法中,考虑了群体间的竞争合作关系,构造了一种竞争合作型协同进化免疫克隆选择模型。各子种群内部通过局部最优免疫优势、克隆扩增和动态高频变异等相关算子操作。运用信息熵理论改善种群多样性,所有子种群共享经过免疫杂交提升操作的高层记忆库,通过迁移操作实现整个种群信息共享与协同进化。2.为了扩大解的搜索空间,将粒子群体分为捕食与探索两种模态,建立一种免疫双态粒子群优化方法。对处于捕食状态的精英粒子采用精英学习策略；对处于探索状态的微粒采用探索策略；对微粒个体极值进行免疫克隆优化；对不活跃个体进行免疫受体编辑。算法兼顾了抑制早熟停滞现象和避免冗余迭代。3.融合免疫系统优化原理、协同进化思想及粒子群的邻域信息,构建免疫协同粒子群进化模型。算法采用并行计算框架,整个群体由记忆种群与若干个普通种群构成。普通微粒种群内部通过精英粒子保留、免疫网络及柯西变异等混合策略共同演化新个体；微粒个体极值采用自适应小波学习以加快收敛速度；免疫克隆选择算法对记忆库进行精细搜索；信息交互机制促进信息共享有效降低了算法的冗余迭代。扩大了算法解空间搜索范围,提高了对复杂问题的优化能力。4.利用克隆选择算法与蚁群算法各自的优势,构造了一种免疫克隆选择与蚁群自适应融合优化模型。引入混沌扰动增加抗体种群的多样性,通过克隆扩增、免疫基因等相关算子的操作增强了克隆选择算法搜索的效率；自适应控制参数实现了克隆选择与蚁群优化的有机结合及局部最优搜索策略的应用,克服了抗体种群“早熟”问题,提高了求解精度。5.应用免疫双态粒子群算法对自抗扰控制器进行优化设计。其一,将免疫双态粒子群算法应用于混沌系统自抗扰优化控制中,对自抗扰控制器参数进行优化,应用于混沌系统控制,构建一种基于免疫双态粒子群算法的混沌系统自抗扰优化控制器；其二,利用自抗扰控制器（ADRC）与小脑神经网络（CMAC）各自的优势并构造ADRC-CMAC并行控制器,利用免疫双态粒子群算法对ADRC-CMAC控制器参数进行自学习寻优,构造出一种自抗扰神经网络并行优化控制方法。针对离散混沌系统研究结果表明,以上两种控制方法具有更好的控制性能和较强的鲁棒性。6.构造了一种基于免疫协同粒子群进化算法的永磁同步电机多参数辨识模型方法。永磁同步电机参数辨识结果表明该方法不需要知道电机设计参数先验知识,能够有效地辨识电机电阻,d-q轴电感与转子磁链。同时,当电机参数发生变化时,该方法依然能够有效地追踪该参数变化值。
石刚[9]（2011）在《改进免疫克隆选择算法的研究与应用》文中认为优化问题大量存在于科学研究和工程应用中的各个领域,因而开展最优化方法的研究具有重要的理论意义和实用价值。传统的确定性优化方法存在诸多的局限性,难以解决当今社会日益增多的复杂问题。近年来,多学科交叉研究为解决此类问题提供了新的思路,其中以模仿生物免疫机理为理论基础的人工免疫优化算法在各领域的研究与应用中表现出优异的性能,已成为解决复杂优化问题的有力工具。免疫克隆选择算法是一种受生物免疫系统克隆选择原理启发而设计的新型智能优化算法。它结合了问题的先验知识和生物免疫系统的自适应能力,因而在信息处理方面具有较强的鲁棒性,在搜索过程中能更好地收敛到全局最优解。本文在归纳了基本免疫克隆选择算法的原理与特点的基础上,分析其不足之处,综合运用多种免疫学和进化学思想,从多种角度对算法进行改进,并将改进算法应用于几种典型的优化问题。通过实例仿真,验证改进算法的有效性和实用价值。本文的主要研究内容和结论如下：（1）本文深入分析了人工免疫系统的生物学原理及其仿生机理,详细阐述了人工免疫系统的具体研究内容和范围,并对克隆选择理论的工作机理进行了较为深入的研究。在分析基本免疫克隆选择算法的原理、框架及特点基础上,总结了该算法在某些方面的缺点和不足,确立了本文的基本研究方向,提出了相应的改进思路。（2）针对基本免疫克隆选择算法存在的算法寻优过程中收敛速度慢、易陷入局部最优等问题,借鉴生物免疫系统的显性基因特性,提出了免疫显性克隆选择算法（IDCSA）。通过在每次迭代中使用一批适应值高的抗体来引导整个种群的改良,该策略加强了抗体种群间的信息交流,并有效地指引抗体朝着有前途的方向搜索。这种方法既维持了种群的多样性,又保证了解的质量。同时,采用指数型分布的随机变异策略,充分开发解空间,有利于算法跳出局部最优。为说明改进算法的有效性,选取物流配送问题中的车辆路径调度做为应用实例。通过对不同规模、不同类型的物流配送问题的Benchmark算例进行仿真,将结果进行统计、对比和分析,证明了改进算法的有效性。（3）针对基本免疫克隆选择算法在单一种群进化中容易过早收敛的问题,为了增强免疫克隆选择算法的并行搜索能力,提出了基于多种群策略的主从式免疫克隆选择算法（MSICSA）。主从式免疫克隆选择算法设计了一种主从式结构,该结构上层只有一个主种群,而下层包含多个子种群。主种群和子种群之间实行迁入、迁出操作,以加强各种群间的信息交流,提高主种群的质量。同时,采用混沌序列作为变异操作的随机数,增强了算法搜索的随机性。在具体的实例应用分析中,采用主从式免疫克隆选择算法求解任务分配问题,给出算法的详细求解流程。通过改进算法与其他不同算法对实例进行仿真对比分析,证明了改进算法的有效性。（4）针对基本免疫克隆选择算法在寻优初期具有较快的收敛速度,而到了寻优后期则收敛缓慢,算法缺乏随机性,同时又缺乏局部搜索能力等缺点,提出自适应全局免疫克隆选择算法（AGICSA）。自适应全局免疫克隆选择算法引入了一种服从高斯分布的自适应全局变异策略。其中,变异率采用了一种与抗体适值相关的自适应正态云模型。在动态调整变异力度的同时,引入了一种基于正态分布的自适应变异操作,通过这种变异操作可以在全局范围内均匀、动态地对每个满足变异率的抗体的σ临域内进行高概率变异,增强了搜索的随机性和稳定倾向性。在具体的实例应用中,本文设计了一种模糊能量管理控制器（FEMC）来实现并联式混合动力汽车（PHEV）的电动辅助控制策略。并利用自适应全局免疫克隆选择算法对模糊逻辑控制器（FLC）的隶属函数进行优化,从而进一步地改善燃油经济性和综合能耗指标。针对不同的道路循环测试工况,将改进算法自适应全局免疫克隆选择算法与其它算法分别嵌入PHEV整车模型,进行仿真对比分析,证明了改进算法的有效性。本文通过以上的研究工作和仿真结果分析,对改进的免疫克隆选择算法进行综合性地概括、归纳和总结。在处理大规模复杂优化问题方面提出了一些改进的思想,并完成了算法的实现和应用仿真。最后,对有待进一步深入研究的问题进行了探讨,对免疫克隆选择算法未来的发展在理论和应用两个方面进行了展望。
袁桂丽[10]（2010）在《人工免疫系统及其在电站控制中的应用研究》文中指出本文设计了几种基于免疫反馈原理的控制器和基于免疫原理的自适应免疫遗传算法,并在电站控制系统进行了大量的应用仿真研究。第一：通过免疫反馈原理的研究,将免疫反馈控制器与模糊控制、PID控制有效的结合,设计模糊自调整免疫增量PID控制,并将其与传统方法整定的PID控制在球磨机负荷控制系统进行仿真对比研究,将模糊免疫PID控制与解决大迟延的Smith控制、内模控制进行仿真对比实验。仿真结果表明,模糊免疫PID控制器具有很好的快速性和抗干扰性。第二：在充分分析不完全微分和串级控制内回路作用基础上,设计了免疫不完全微分PID一免疫P串级控制,并将其应用到电站给水系统中。仿真结果表明,该控制策略下,即使参数在很大范围变化,给水系统仍具有很好的快速性和具有很好的克服给水扰动、蒸汽扰动的能力,大大减小了虚假水位的影响。第三：设计模糊免疫Smith控制器,利用Smith控制解决大迟延问题,利用模糊免疫控制解决快速性和抗干扰性、模型不匹配时系统的稳定性问题。并将其应用于给水系统,仿真结果表明,模糊免疫改进Smith控制具有比Smith控制更好的快速性和抗干扰性。第四：设计了免疫内模控制器。利用免疫控制实现在线整定内模控制器的滤波器参数,解决内模控制系统快速性和鲁棒性之间的矛盾。并将其用于球磨机负荷控制系统,仿真结果表明,免疫内模控制比内模控制具有更好的快速性和抗干扰性。第五：设计了基于相似性矢量距的自适应免疫遗传算法。给出了自适应免疫遗传算法各个模块的设计方法,同时将自适应免疫遗传算法同遗传算法收敛性函数验证做了仿真实验对比,仿真结果表明,自适应免疫遗传算法较遗传算法具有更好、更快的寻优能力。第六：将自适应免疫遗传算法用于电站主汽温控制系统PID参数的优化和电站机组的经济负荷优化分配。仿真结果表明,自适应免疫遗传算法具有比遗传算法更强的寻优能力,尤其它的全局、快速收敛性能,为电站系统在线实时优化运行的实施,提供了有利的保证。
二、基于免疫原理的自适应模糊控制器优化设计（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于免疫原理的自适应模糊控制器优化设计（论文提纲范文）
（1）基于非线性不确定观测器的多模态智能轮椅自适应控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外智能轮椅研究现状及发展趋势 |
| 1.2.1 国外发展现状 |
| 1.2.2 国内发展概况 |
| 1.3 智能轮椅的关键技术现状分析 |
| 1.3.1 人机交互模态技术现状 |
| 1.3.2 模式识别技术现状 |
| 1.3.3 多传感器信息融合技术现状 |
| 1.3.4 自主避障控制方法现状 |
| 1.3.5 自适应控制算法现状 |
| 1.4 论文的主要研究内容与结构安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 结构安排 |
| 第2章 基于二维坐姿重心的改进SOFM聚类算法研究 |
| 2.1 引言 |
| 2.2 全向智能轮椅硬件结构及动力学模型 |
| 2.2.1 智能轮椅平台的硬件结构 |
| 2.2.2 全向轮椅动力学模型分析 |
| 2.3 人体坐姿二维重心模型的建立 |
| 2.3.1 人体二维重心数据采集原理 |
| 2.3.2 人体二维重心计算方法建模 |
| 2.4 改进的SOFM聚类算法 |
| 2.4.1 标准的SOFM算法 |
| 2.4.2 SOFM聚类算法的改进 |
| 2.4.3 改进的SOFM聚类算法流程 |
| 2.4.4 初始重心偏移修正算法 |
| 2.5 仿真及实验结果 |
| 2.5.1 仿真结果及分析 |
| 2.5.2 实验结果及分析 |
| 2.5.3 存在的问题及有待改进之处 |
| 2.6 本章小结 |
| 第3章 基于改进FNN的自主避障算法研究 |
| 3.1 引言 |
| 3.2 常规的FNN神经网络 |
| 3.2.1 常规FNN的分类及FNN网络结构 |
| 3.2.2 常用的FNN学习算法 |
| 3.3 基于改进FNN的智能轮椅自主避障算法 |
| 3.3.1 智能轮椅避障算法现状及功能分析 |
| 3.3.2 改进的FNN算法流程 |
| 3.3.3 改进的FNN避障控制算法 |
| 3.3.4 改进FNN的参数调整算法 |
| 3.3.5 避障经验矢量矩阵选取 |
| 3.4 仿真及实验结果分析 |
| 3.4.1 仿真结果及分析 |
| 3.4.2 实验结果及分析 |
| 3.5 本章小结 |
| 第4章 基于改进RBF神经网络的智能轮椅自适应控制研究 |
| 4.1 引言 |
| 4.2 全向智能轮椅的动力学建模 |
| 4.2.1 全向智能轮椅动力学建模 |
| 4.2.2 全向智能轮椅逆运动学建模 |
| 4.3 标准的RBF神经网络 |
| 4.3.1 标准RBF网络的主要特点及优缺点 |
| 4.3.2 标准RBF神经网络结构及参数计算 |
| 4.4 RBF神经网络权值优化算法 |
| 4.5 基于改进RBF的自适应控制器设计及稳定性分析 |
| 4.5.1 基于改进RBF的智能轮椅误差动力学建模及分析 |
| 4.5.2 基于改进RBF的自适应控制器设计 |
| 4.5.3 基于改进RBF的自适应控制稳定性分析 |
| 4.6 仿真及实验结果分析 |
| 4.6.1 仿真结果及分析 |
| 4.6.2 实验结果及分析 |
| 4.7 本章小结 |
| 第5章 基于非线性不确定观测器的智能轮椅跟踪控制研究 |
| 5.1 引言 |
| 5.2 非线性不确定条件下的智能轮椅动力学建模与分析 |
| 5.2.1 非线性不确定条件下的智能轮椅动力学建模 |
| 5.2.2 非线性不确定条件下智能轮椅跟踪问题分析 |
| 5.3 非线性不确定观测器的设计 |
| 5.3.1 非线性不确定系统分析 |
| 5.3.2 非线性不确定系统观测器的设计 |
| 5.4 非线性不确定轨迹跟踪控制器的设计 |
| 5.4.1 位置动力学控制器的设计 |
| 5.4.2 位姿角动力学控制器的设计 |
| 5.5 仿真及实验结果分析 |
| 5.5.1 无扰动条件下仿真结果及分析 |
| 5.5.2 实验结果及分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间所发表的学术论文 |
| 致谢 |
（2）基于免疫调节机制的参数自整定模糊控制器设计（论文提纲范文）
| 1 生物免疫系统调节原理 |
| 2 基于免疫调节机制的参数自整定智能模糊控制器设计 |
| 2.1 主控模块 |
| 2.2 动态调节模块算法设计 |
| 2.2.1 T细胞调节规律 |
| 2.2.2 模糊控制器参数自整定算法设计 |
| 2.3 稳态调节模块算法设计 |
| 2.3.1 控制偏差提呈 |
| 2.3.2 免疫提呈抗干扰设计 |
| 2.4 免疫模糊自整定控制器整体工作过程 |
| 3 系统仿真及结果分析 |
| 3.1 仿真被控对象 |
| 3.2 生物反应器模型辨识 |
| 3.3 免疫控制参数的影响作用分析 |
| 3.3.1 免疫参数K1, K2, K3和η的作用分析 |
| 3.3.2 免疫参数b的作用分析 |
| 3.4 控制效果仿真 |
| 4 结论 |
（3）基于网络环境的球杆系统控制方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景和意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 网络控制理论的研究 |
| 1.2.2 球杆系统的研究 |
| 1.2.3 人工免疫系统的研究 |
| 1.3 本论文主要研究内容和结构安排 |
| 1.4 本章小结 |
| 第二章 基于生物免疫机制的控制方法 |
| 2.1 生物免疫的发展 |
| 2.1.1 免疫的定义 |
| 2.1.2 免疫学发展史 |
| 2.2 生物免疫系统的特征 |
| 2.2.1 免疫系统的结构与特点 |
| 2.2.2 免疫系统的主要功能 |
| 2.2.3 免疫系统的功能实现 |
| 2.3 控制系统可借鉴的免疫原理和机制 |
| 2.4 本章小结 |
| 第三章 基于模糊免疫PID控制的球杆系统 |
| 3.1 球杆系统结构 |
| 3.2 球杆系统建模 |
| 3.2.1 球杆机械部分建模 |
| 3.2.2 转盘与连杆机构部分建模 |
| 3.2.3 伺服机构建模 |
| 3.3 球杆系统模糊控制策略研究 |
| 3.3.1 模糊控制原理 |
| 3.3.2 模糊PID控制器设计 |
| 3.3.3 模糊免疫PID控制器的改进设计 |
| 3.4 球杆系统网络控制的模糊控制 |
| 3.5 仿真结果及分析 |
| 3.5.1 仿真模型构建 |
| 3.5.2 仿真结果对比与分析 |
| 3.5.3 球杆系统实时控制验证及分析 |
| 3.6 本章小结 |
| 第四章 基于免疫PSO优化的球杆控制系统研究 |
| 4.1 免疫优化算法的概述 |
| 4.1.1 克隆选择算法 |
| 4.1.2 B细胞网络算法 |
| 4.1.3 阴性选择算法 |
| 4.1.4 免疫进化规划算法 |
| 4.2 人工免疫粒子群算法 |
| 4.2.1 人工免疫PSO算法的基本原理 |
| 4.2.2 算法流程 |
| 4.2.3 仿真验证 |
| 4.3 本章小结 |
| 第五章 基于双因子免疫的球杆控制系统研究 |
| 5.1 免疫控制器 |
| 5.2 双因子免疫控制器 |
| 5.2.1 基本双因子调节免疫动力学方程 |
| 5.2.2 双因子免疫控制器的设计与实现 |
| 5.3 基于人工免疫PSO参数优化的双因子免疫控制器的研究 |
| 5.3.1 人工免疫PSO算法的双因子控制器的设计 |
| 5.3.2 仿真实验及结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录A(攻读硕士学位期间的学术成果) |
（4）基于生物调节机制的智能控制及优化算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 课题背景及意义 |
| 1.2 智能控制国内外研究现状 |
| 1.2.1 模糊控制研究现状 |
| 1.2.2 生物智能控制研究现状 |
| 1.3 本文研究内容 |
| 第2章 基于免疫调节机制的参数自整定模糊控制器设计 |
| 2.1 模糊控制算法原理 |
| 2.2 生物免疫系统调节原理 |
| 2.3 基于免疫调节机制的参数自整定模糊控制器设计 |
| 2.3.1 控制器架构设计 |
| 2.3.2 主控模块算法设计 |
| 2.3.3 动态调节模块算法设计 |
| 2.3.4 稳态调节模块算法设计 |
| 2.3.5 免疫模糊参数自整定控制器整体工作过程 |
| 2.4 系统仿真及结果分析 |
| 2.4.1 仿真被控对象 |
| 2.4.2 生物反应器模型辨识 |
| 2.4.3 免疫控制参数的影响作用分析 |
| 2.4.4 控制效果对比分析 |
| 2.5 本章小结 |
| 第3章 受血糖调节机制启发的生物智能控制器设计 |
| 3.1 人体内血糖浓度双向协同调节机制 |
| 3.1.1 双向调节机制 |
| 3.1.2 血糖浓度调节过程 |
| 3.2 受血糖调节机制启发的智能控制器设计 |
| 3.2.1 受启发的控制器架构设计 |
| 3.2.2 基于神经网络的动态增强控制单元算法 |
| 3.2.3 基于神经网络的动态抑制控制单元算法 |
| 3.2.4 基于积分作用的稳态控制单元算法 |
| 3.2.5 基于模糊的协同控制单元算法 |
| 3.2.6 智能控制器整体工作过程 |
| 3.3 仿真实验及结果分析 |
| 3.3.1 受血糖调节机制启发的智能控制器控制效果 |
| 3.3.2 控制效果对比分析 |
| 3.4 本章小结 |
| 第4章 改进克隆选择优化算法研究 |
| 4.1 克隆选择优化算法原理 |
| 4.1.1 克隆选择学说 |
| 4.1.2 克隆选择优化算法流程 |
| 4.1.3 克隆选择优化算法的缺陷 |
| 4.2 改进克隆选择优化算法 |
| 4.2.1 初始抗体的产生方法 |
| 4.2.2 克隆算子的改进策略 |
| 4.2.3 变异算子的改进策略 |
| 4.2.4 改进克隆选择优化算法流程 |
| 4.3 寻优性能测试 |
| 4.4 本章小结 |
| 第5章 改进克隆选择算法在控制器参数优化中的应用 |
| 5.1 改进克隆选择算法优化控制器参数过程 |
| 5.1.1 定义亲和度函数 |
| 5.1.2 控制器参数优化流程 |
| 5.2 基于免疫调节机制的参数自整定模糊控制器的参数优化 |
| 5.3 受血糖调节机制启发的智能控制器的参数优化 |
| 5.4 两种智能控制器的对比分析 |
| 5.5 本章小节 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（5）循环流化床燃烧对象动态辨识与模糊自适应控制的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 循环流化床锅炉简介 |
| 1.2.1 循环流化床锅炉结构与运行原理 |
| 1.2.2 循环流化床锅炉发展与现状 |
| 1.2.3 循环流化床锅炉燃烧特点 |
| 1.2.4 循环流化床锅炉控制研究现状 |
| 1.3 蚁群优化算法简介 |
| 1.3.1 蚁群优化算法的产生与发展 |
| 1.3.2 蚁群算法的研究现状 |
| 1.4 热工过程辨识现状 |
| 1.5 本文主要研究内容 |
| 第二章 基本蚁群算法 |
| 2.1 蚁群行为的原理与特点 |
| 2.2 蚁群算法模型与流程 |
| 2.2.1 基本蚁群算法模型 |
| 2.2.2 基本蚁群算法流程 |
| 2.3 基本蚁群算法的参数设置 |
| 2.4 基本蚁群算法的优点与缺陷 |
| 2.5 本章小结 |
| 第三章 改进蚁群算法及其在系统辨识中的应用 |
| 3.1 人工免疫算法 |
| 3.1.1 人工免疫系统简介 |
| 3.1.2 人工免疫算法流程 |
| 3.1.3 人工免疫算法特点 |
| 3.2 基于免疫原理的改进蚁群算法辨识 |
| 3.2.1 热工过程辨识原理 |
| 3.2.2 辨识方案流程设计 |
| 3.2.3 改进初始信息素分布 |
| 3.2.4 建立信息素分布调整机制 |
| 3.2.5 改进选择概率函数 |
| 3.3 辨识仿真 |
| 3.3.1 改进蚁群算法性能测试 |
| 3.3.2 给定模型辨识仿真 |
| 3.3.3 现场数据的辨识仿真 |
| 3.4 本章小结 |
| 第四章 CFB锅炉燃烧对象动态辨识 |
| 4.1 CFB锅炉燃烧系统控制任务分析 |
| 4.1.1 CFB锅炉燃烧系统被控对象 |
| 4.1.2 CFB锅炉燃烧系统控制目标 |
| 4.1.3 CFB锅炉燃烧系统控制特点 |
| 4.2 CFB锅炉燃烧对象动态特性分析及模型确定 |
| 4.2.1 回料阀开度对床温床压的影响 |
| 4.2.2 一次风量对床温床压的影响 |
| 4.3 燃烧对象动态辨识 |
| 4.4 本章小结 |
| 第五章 CFB锅炉燃烧系统自适应模糊控制研究 |
| 5.1 模糊控制器设计 |
| 5.1.1 模糊控制器输入输出变量的确定 |
| 5.1.2 输入变量的模糊化 |
| 5.1.3 定义模糊子集与隶属度函数 |
| 5.1.4 确定模糊控制规则 |
| 5.1.5 确定模糊推理机制 |
| 5.1.6 去模糊化处理 |
| 5.2 变论域模糊控制器研究 |
| 5.2.1 模糊变论域思想 |
| 5.2.2 量化因子和比例因子的自适应调整 |
| 5.3 自适应模糊控制规则 |
| 5.3.1 自适应模糊规则调整函数 |
| 5.3.2 函数变量调整原则 |
| 5.4 燃烧对象模糊控制系统设计 |
| 5.4.1 多变量模糊控制系统 |
| 5.4.2 燃烧对象控制器结构设计 |
| 5.4.3 燃烧系统模糊控制规则 |
| 5.5 CFB锅炉燃烧系统控制仿真 |
| 5.5.1 给定值扰动下的控制系统仿真 |
| 5.5.2 内扰下的控制系统仿真 |
| 5.5.3 外扰下的控制系统仿真 |
| 5.6 本章小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 硕士期间发表的学术论文 |
（6）基于模糊控制的无刷直流电机速度控制系统设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 无刷直流电机的发展历史 |
| 1.3 无刷直流电机的研究现状 |
| 1.3.1 无位置传感器控制技术 |
| 1.3.2 转矩脉动抑制技术 |
| 1.3.3 智能控制法 |
| 1.4 本文主要内容和结构安排 |
| 第2章 无刷直流电机运行原理与数学模型 |
| 2.1 无刷直流电机的结构 |
| 2.1.1 无刷直流电机的本体结构 |
| 2.1.2 无刷直流电机的位置传感器 |
| 2.1.3 无刷直流电机的电子开关线路 |
| 2.2 无刷直流电机运行基本原理 |
| 2.3 无刷直流电机的数学模型 |
| 2.3.1 电压方程 |
| 2.3.2 电磁转矩方程 |
| 2.3.3 电机的运动方程 |
| 2.3.4 无刷直流电机的传递函数 |
| 2.4 无刷直流电机的双闭环控制系统 |
| 2.5 本章小结 |
| 第3章 基于多目标克隆选择算法的自适应模糊控制器设计 |
| 3.1 PID 控制器 |
| 3.1.1 PID 控制的原理 |
| 3.1.2 PID 参数之间的关系 |
| 3.2 模糊控制理论与应用 |
| 3.2.1 模糊控制的基本原理 |
| 3.2.2 模糊控制器的基本组成 |
| 3.2.3 设计模糊控制器的基本步骤 |
| 3.3 自适应模糊-PID 控制 |
| 3.3.1 自适应模糊控制系统 |
| 3.3.2 自适应模糊 PID 控制系统 |
| 3.3.3 参数自整定的设计思想 |
| 3.3.4 模糊 PID 自整定参数控制算法 |
| 3.4 多目标克隆选择算法 |
| 3.4.1 人工免疫系统概述 |
| 3.4.2 克隆选择原理 |
| 3.4.3 克隆选择算法的特点 |
| 3.4.4 多目标克隆选择算法的特点 |
| 3.5 基于多目标克隆选择算法的自适应模糊控制 |
| 3.5.1 基于 MCSA 的优化的自适应模糊控制器 |
| 3.5.2 算法流程 |
| 3.5.3 免疫细胞编码 |
| 3.5.4 克隆与变异 |
| 3.6 本章小结 |
| 第4章 基于 MCSA 的无刷直流电机速度控制系统的研究 |
| 4.1 BLDCM 调速系统的仿真模型 |
| 4.1.1 Matlab 软件简介 |
| 4.1.2 Simulink 软件包 |
| 4.1.3 BLDCM 系统整体模型 |
| 4.1.4 电机回路模型 |
| 4.1.5 速度控制回路 |
| 4.1.6 电流控制器 |
| 4.2 基于 MCSA 的 PID 参数寻优 |
| 4.2.1 MCSA 优化 PID 控制器的仿真结果及分析 |
| 4.3 基于自适应模糊 PID 控制的 BLDCM 调速仿真 |
| 4.3.1 MCSA 优化自适应模糊控制器的结果 |
| 4.3.2 BLDCM 控制系统的调速仿真结果及分析 |
| 4.4 基于精英进化导向机制的自适应模糊控制 |
| 4.4.1 基于精英进化导向机制的 MCSA 算法 |
| 4.4.2 基于精英导向机制的 BLDCM 仿真结果 |
| 4.5 本章小结 |
| 第5章 结论 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（7）免疫控制器的优化设计及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 人工免疫系统研究现状 |
| 1.2.2 基于免疫原理的控制系统设计方法 |
| 1.2.3 人工免疫系统发展趋势 |
| 1.3 本文的研究内容和结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 结构安排 |
| 第2章 生物免疫系统 |
| 2.1 生物免疫学发展史 |
| 2.1.1 免疫的定义 |
| 2.1.2 免疫学发展史 |
| 2.2 生物免疫系统的结构及特点 |
| 2.2.1 免疫系统的结构 |
| 2.2.2 免疫系统的特点 |
| 2.3 免疫系统的功能及其实现 |
| 2.3.1 免疫系统的主要功能 |
| 2.3.2 免疫系统的功能实现 |
| 2.4 免疫系统可供借鉴的免疫原理和机制 |
| 2.5 总结 |
| 第3章 IFC 控制器及其在比例阀位置系统中的应用 |
| 3.1 模糊控制器的设计 |
| 3.1.1 模糊控制概述 |
| 3.1.2 模糊控制原理及控制器结构 |
| 3.1.3 比例阀缸系统位置控制的模糊控制 |
| 3.2 IFC 控制器的设计 |
| 3.2.1 免疫反馈原理 |
| 3.2.2 基于免疫原理的控制器设计方案 |
| 3.3 气动比例阀缸位置控制系统及模型建立 |
| 3.3.1 比例阀缸位置控制系统 |
| 3.3.2 系统数学模型 |
| 3.3.3 系统传递函数模型 |
| 3.4 IFC 控制器在比例阀缸系统位置控制的仿真研究 |
| 3.5 总结 |
| 第4章 改进的 IFC 控制器在火电厂过热汽温系统的控制研究 |
| 4.1 模糊自适应免疫 PID 控制器 |
| 4.1.1 模糊自适应免疫控制器的设计 |
| 4.1.2 模糊免疫 PID 控制器 |
| 4.2 模糊免疫 Smith 控制器 |
| 4.2.1 Smith 预估基本原理 |
| 4.2.2 模糊免疫 Smith 控制器设计 |
| 4.3 改进的 IFC 控制器设计方案 |
| 4.4 控制器性能仿真分析 |
| 4.4.1 主温控制系统 |
| 4.4.2 主温控制系统的超稳定性分析 |
| 4.4.3 控制器性能仿真分析 |
| 4.5 总结 |
| 第5章 免疫优化算法及其在比例阀位置系统中的参数优化 |
| 5.1 免疫优化算法概述 |
| 5.1.1 B 细胞网络算法（B-Cell Algorithm） |
| 5.1.2 克隆选择算法（Clone Selection Algorithm） |
| 5.1.3 阴性选择算法（Negative Selection Algorithm） |
| 5.1.4 免疫规划算法（Immune programmng） |
| 5.2 免疫遗传算法 |
| 5.3 基于免疫遗传算法的控制器参数优化方法 |
| 5.3.1 IFC 控制器参数优化的数学模型 |
| 5.3.2 IFC 控制器参数优化设计方案 |
| 5.3.3 仿真分析 |
| 5.4 结论 |
| 第6章 结论与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（8）混合免疫智能优化算法研究及其在复杂系统中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 插图索引 |
| 附表索引 |
| 第1章 绪论 |
| 1.1 人工免疫系统的研究概况 |
| 1.1.1 生物免疫系统 |
| 1.1.2 人工免疫系统 |
| 1.1.3 人工免疫算法 |
| 1.2 混合免疫智能算法研究概况 |
| 1.2.1 混合免疫智能算法 |
| 1.2.2 混合免疫智能算法应用研究进展 |
| 1.3 存在的主要问题及解决途径 |
| 1.3.1 混合免疫智能算法理论研究的缺陷及解决思路 |
| 1.3.2 混合免疫智能算法应用研究的局限及拓展 |
| 1.4 本文的主要工作及内容安排 |
| 第2章 竞争合作型协同免疫进化算法 |
| 2.1 引言 |
| 2.2 竞争合作协同免疫进化模型(CCCICA) |
| 2.2.1 基于生态种群密度的种群竞争操作 |
| 2.2.2 群体协同合作操作 |
| 2.3 种群内部免疫优势克隆选择操作 |
| 2.3.1 抗体局部最优免疫优势算子 |
| 2.3.2 基于信息熵的种群多样性控制 |
| 2.3.3 种群内部抗体克隆选择操作 |
| 2.4 算法流程及其收敛性能分析 |
| 2.4.1 竞争合作型协同免疫进化算法步骤 |
| 2.4.2 收敛性分析 |
| 2.4.3 时间复杂度分析 |
| 2.5 实验仿真 |
| 2.5.1 三种不同形式ICA算法性能比较 |
| 2.5.2 CCCICA与其它免疫克隆选择算法的性能比较 |
| 2.5.3 CCCICA与其它智能算法的性能比较 |
| 2.6 小结 |
| 第3章 免疫双态粒子群算法 |
| 3.1 引言 |
| 3.2 粒子群算法优化原理 |
| 3.3 免疫双态粒子群算法(IBPSO) |
| 3.3.1 双态粒子群算法机理 |
| 3.3.2 精英粒子局部增强学习算子 |
| 3.3.3 粒子免疫优化 |
| 3.4 IBPSO算法流程及性能分析 |
| 3.4.1 算法IBPSO流程 |
| 3.4.2 算法性能及收敛性分析 |
| 3.5 仿真实验及分析 |
| 3.5.1 BPSO(双模态粒子群)比例参数 |
| 3.5.2 算法精度比较 |
| 3.5.3 t-test测试比较 |
| 3.5.4 高维函数实验 |
| 3.5.5 多模态函数及多样性实验 |
| 3.6 小结 |
| 第4章 免疫协同粒子群算法 |
| 4.1 引言 |
| 4.2 免疫协同粒子群进化算法(ICPSO) |
| 4.2.1 免疫协同粒子群进化模型 |
| 4.2.2 普通种群混合免疫网络粒子群算法 |
| 4.2.3 记忆库免疫进化 |
| 4.3 协作操作 |
| 4.3.1 个体极值小波学习 |
| 4.3.2 优势抗体迁移与共享 |
| 4.4 ICPSO算法流程 |
| 4.5 实验仿真及分析 |
| 4.5.1 算法精度比较 |
| 4.5.2 算法计算复杂度比较 |
| 4.5.3 算法t-test值比较 |
| 4.5.4 相关参数及其算子分析 |
| 4.5.5 动态性能测试 |
| 4.5.6 ICPSO与IBPSO的性能比较 |
| 4.6 小结 |
| 第5章 免疫蚁群自适应融合算法 |
| 5.1 引言 |
| 5.2 蚁群算法优化机理 |
| 5.3 改进的蚁群算法 |
| 5.3.1 带混沌扰动算子启发式蚁群算法 |
| 5.3.2 MAX-MIN机制 |
| 5.4 免疫操作搜索算子 |
| 5.4.1 抗体片段的局部最优搜索算子(LS) |
| 5.4.2 基于抗体片段的最小生成树(MST)搜索算子 |
| 5.4.3 免疫疫苗操作 |
| 5.5 自适应融合算法(ACALA) |
| 5.5.1 控制参数P_g自适应调节策略 |
| 5.5.2 自适应融合算法(ACALA)流程 |
| 5.6 算法收敛性分析及实验仿真 |
| 5.6.1 算法收敛性分析 |
| 5.6.2 实验仿真及分析 |
| 5.7 小结 |
| 第6章 混沌系统自抗扰优化控制 |
| 6.1 引言 |
| 6.2 自抗扰控制 |
| 6.3 基于免疫双态粒子群(IBPSO)算法的混沌系统自抗扰优化控制 |
| 6.3.1 非线性混沌系统 |
| 6.3.2 评价函数的选择 |
| 6.3.3 混沌系统自抗扰优化控制系统结构图 |
| 6.3.4 基于IBPSO算法的混沌系统ADRC优化控制算法流程 |
| 6.3.5 实验 |
| 6.4 基于IBPSO算法的混沌系统ADRC-CMAC并行优化控制 |
| 6.4.1 CMAC结构 |
| 6.4.2 ADRC与CMAC并行控制算法 |
| 6.4.3 基于IBPSO的ADRC-CMAC优化设计流程 |
| 6.4.4 实验 |
| 6.5 小结 |
| 第7章 永磁同步电机系统多参数辨识 |
| 7.1 引言 |
| 7.2 PMSM数学模型 |
| 7.3 基于免疫协同粒子群算法(ICPSO)的永磁同步电机多参数辨识模型 |
| 7.3.1 基于ICPSO的永磁同步电机多参数辨识思想 |
| 7.3.2 基于ICPSO的永磁同步电机多参数辨识模型 |
| 7.4 实验及分析 |
| 7.4.1 实验方案与平台 |
| 7.4.2 实验结果 |
| 7.5 小结 |
| 全文总结及工作展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间发表的学术论文目录 |
| 附录B 攻读学位期间完成的科研课题目录 |
（9）改进免疫克隆选择算法的研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 最优化问题 |
| 1.3 智能优化算法 |
| 1.3.1 进化算法 |
| 1.3.2 群智能算法 |
| 1.3.3 其它优化算法 |
| 1.4 人工免疫系统研究概述 |
| 1.4.1 人工免疫系统的生物学基础 |
| 1.4.2 人工免疫系统的发展及研究现状 |
| 1.4.3 人工免疫算法研究现状 |
| 1.5 本文的主要研究内容 |
| 1.5.1 本文的主要工作 |
| 1.5.2 论文组织结构 |
| 第2章 生物免疫系统与免疫克隆选择算法 |
| 2.1 引言 |
| 2.2 生物免疫系统 |
| 2.2.1 免疫学基本概念 |
| 2.2.2 生物免疫系统的组成 |
| 2.2.3 生物免疫系统的分类 |
| 2.2.4 生物免疫系统的功能 |
| 2.2.5 免疫应答与免疫记忆 |
| 2.3 人工免疫算法研究 |
| 2.3.1 人工免疫算法原理 |
| 2.3.2 人工免疫算法特点 |
| 2.3.3 人工免疫算法流程 |
| 2.3.4 人工免疫算法与其它算法的比较 |
| 2.4 免疫克隆选择算法 |
| 2.4.1 克隆选择原理与应用 |
| 2.4.2 克隆选择算子机理与构造 |
| 2.4.3 免疫克隆选择算法的流程 |
| 2.4.4 免疫克隆选择算法特点 |
| 2.5 小结 |
| 第3章 免疫克隆选择算法的改进研究 |
| 3.1 引言 |
| 3.2 基本免疫克隆选择算法的不足 |
| 3.3 免疫显性克隆选择算法 |
| 3.3.1 抗体免疫显性 |
| 3.3.2 克隆算子 |
| 3.3.3 指数型变异 |
| 3.3.4 免疫显性克隆选择算法流程 |
| 3.4 主从式免疫克隆选择算法 |
| 3.4.1 主从式结构 |
| 3.4.2 子种群的改良 |
| 3.4.3 主种群的改良 |
| 3.4.4 迁入和迁出 |
| 3.4.5 主从式免疫克隆选择算法流程 |
| 3.5 自适应全局免疫克隆选择算法 |
| 3.5.1 选择算子 |
| 3.5.2 克隆算子 |
| 3.5.3 变异算子 |
| 3.5.4 自适应全局免疫克隆选择算法流程 |
| 3.6 不同算法之间的比较 |
| 3.7 小结 |
| 第4章 免疫显性克隆选择算法求解CVRP |
| 4.1 引言 |
| 4.2 物流配送问题描述 |
| 4.3 物流配送问题数学模型的建立 |
| 4.3.1 问题的假设与说明 |
| 4.3.2 物流配送问题数学模型 |
| 4.4 物流配送问题求解方法 |
| 4.5 免疫显性克隆选择算法解决CVRP的算法实现 |
| 4.6 仿真实例与分析 |
| 4.6.1 小规模Benchmark实例仿真与分析 |
| 4.6.2 中大规模Benchmark实例仿真与分析 |
| 4.7 小结 |
| 第5章 主从式免疫克隆选择算法求解TAP |
| 5.1 引言 |
| 5.2 任务分配问题描述 |
| 5.3 任务分配问题的数学模型 |
| 5.4 主从式免疫克隆选择算法解决TAP的算法实现 |
| 5.4.1 抗体编码及适值函数建立 |
| 5.4.2 主从式免疫克隆选择算法解决TAP的流程 |
| 5.5 仿真实例与分析 |
| 5.6 小结 |
| 第6章 自适应全局免疫克隆选择算法优化FLC |
| 6.1 引言 |
| 6.2 模糊逻辑控制器的设计 |
| 6.2.1 FLC的语言变量 |
| 6.2.2 语言变量值的选取 |
| 6.2.3 隶属度函数的选取 |
| 6.2.4 控制规则的确定 |
| 6.2.5 模糊推理及决策 |
| 6.3 基于AGICSA的FLC优化设计 |
| 6.4 基于AGICSA的PHEV FEMC设计与优化 |
| 6.4.1 并联式混合动力汽车描述 |
| 6.4.2 模糊能量管理控制器设计 |
| 6.4.3 模糊能量管理控制器优化 |
| 6.4.4 仿真结果与分析 |
| 6.5 小结 |
| 第7章 结论与展望 |
| 附录 CVRP BENCHMARK |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表的论文 |
| 作者简历 |
| 附件 |
（10）人工免疫系统及其在电站控制中的应用研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及其意义 |
| 1.2 国内外研究现状 |
| 1.3 人工免疫系统今后研究方向 |
| 1.4 本文的主要内容和结构安排 |
| 第二章 生物免疫系统 |
| 2.1 生物免疫系统组成 |
| 2.1.1 免疫器官 |
| 2.1.2 免疫分子 |
| 2.1.3 免疫细胞 |
| 2.2 免疫系统的主要功能 |
| 2.3 免疫系统的功能实现环节 |
| 2.3.1 自己与非己区分 |
| 2.3.2 免疫应答 |
| 2.3.3 免疫调节 |
| 2.4 免疫系统的特点 |
| 第三章 免疫控制器的设计及其在电站控制中的应用研究 |
| 3.1 基于免疫调节的免疫反馈原理 |
| 3.1.1 免疫系统的自调节 |
| 3.1.2 免疫系统的反馈调节任务 |
| 3.1.3 免疫系统与控制系统的类比 |
| 3.2 模糊免疫P控制器 |
| 3.2.1 基于免疫原理的免疫控制器算法 |
| 3.2.2 基于免疫原理的免疫P控制器 |
| 3.2.3 f(u(k),△u(k))的非线性实现 |
| 3.2.4 模糊控制的特点 |
| 3.2.5 模糊控制的原理及结构 |
| 3.2.6 基本模糊控制器的设计 |
| 3.2.7 模糊免疫P控制器设计 |
| 3.3 模糊自调整免疫增量PID控制器设计 |
| 3.4 模糊免疫PID控制在球磨机负荷控制系统仿真研究 |
| 3.4.1 球磨机负荷系统运行原理 |
| 3.4.2 球磨机负荷控制系统的工作特性 |
| 3.4.3 负荷控制系统的动态模型 |
| 3.4.4 模糊免疫PID控制在球磨机负荷控制系统中的仿真研究 |
| 3.5 免疫不完全微分PID—免疫P构成串级控制器 |
| 3.5.1 免疫不完全微分PID的主控制器设计 |
| 3.5.2 副回路的免疫P调节 |
| 3.5.3 免疫PID主控制器结构及免疫P副控制器结构 |
| 3.6 免疫不完全微分PID-免疫P串级控制在给水系统的仿真研究 |
| 3.6.1 三冲量汽包水位控制系统工作原理 |
| 3.6.2 三冲量汽包水位控制系统的数学模型 |
| 3.6.3 仿真研究 |
| 3.7 基于模糊免疫的改进Smith预估补偿控制器设计 |
| 3.7.1 改进的Smith预估补偿控制 |
| 3.7.2 基于模糊免疫的Smith控制器设计 |
| 3.7.3 模糊免疫Smith控制在给水系统的仿真研究 |
| 3.8 免疫内模控制器的设计 |
| 3.8.1 内模控制器结构、性质和设计 |
| 3.8.2 内模控制与Smith控制的关系 |
| 3.8.3 基于Smith预估原理的IMC控制器设计 |
| 3.8.4 免疫Smith内模控制 |
| 3.8.5 免疫内模控制在球磨机负荷系统的应用研究 |
| 第四章 自适应免疫遗传算法的设计 |
| 4.1 研究自适应免疫遗传算法的意义 |
| 4.2 遗传算法 |
| 4.2.1 遗传算法发展概述 |
| 4.2.2 遗传算法的基本原理 |
| 4.2.3 遗传算法流程图及基本步骤 |
| 4.2.4 遗传算法的构造过程 |
| 4.2.5 遗传算法作为算法具有如下优点、不足和改进方向 |
| 4.3 免疫算法 |
| 4.3.1 免疫机制简介 |
| 4.3.2 免疫算法发展概述 |
| 4.3.3 免疫算法基本思想和基本类型 |
| 4.3.4 免疫算法的特点和免疫算法的基本步骤 |
| 4.3.5 免疫算法与遗传算法的区别 |
| 4.4 免疫遗传算法基本原理 |
| 4.4.1 免疫遗传算法的基本思想 |
| 4.4.2 自适应免疫遗传算法流程图与遗传算法流程图比较 |
| 4.5 自适应免疫遗传算法模块设计 |
| 4.6 基于矢量距免疫遗传算法收敛性 |
| 4.7 自适应免疫遗传算法的性能测试 |
| 第五章 自适应免疫遗传算法在电站优化控制中的应用研究 |
| 5.1 自适应免疫遗传算法在主汽温控制系统中的应用研究 |
| 5.1.1 基于自适应免疫遗传算法的控制系统PID自整定研究的背景及意义 |
| 5.1.2 基于免疫遗传算法的主汽温系统PID参数优化设计方案 |
| 5.1.3 主汽温对象动态特性 |
| 5.1.4 仿真研究 |
| 5.2 自适应免疫遗传算法在厂级负荷优化中的应用研究 |
| 5.2.1 厂级负荷优化的背景及意义 |
| 5.2.2 厂级分配的国内外研究现状 |
| 5.2.3 火电厂单元机组煤耗特性曲线的确定 |
| 5.2.4 自适应免疫遗传算法的参数设置 |
| 5.2.5 仿真研究 |
| 第六章 结论 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文 |
| 攻读博士学位期间参加的科研工作 |
四、基于免疫原理的自适应模糊控制器优化设计（论文参考文献）
- [1]基于非线性不确定观测器的多模态智能轮椅自适应控制方法研究[D]. 樊劲辉. 北京工业大学, 2019
- [2]基于免疫调节机制的参数自整定模糊控制器设计[J]. 刘宝,叶会会,蔡梦迪. 中南大学学报(自然科学版), 2019(04)
- [3]基于网络环境的球杆系统控制方法的研究[D]. 黄丽华. 昆明理工大学, 2019(04)
- [4]基于生物调节机制的智能控制及优化算法研究[D]. 叶会会. 中国石油大学(华东), 2018(07)
- [5]循环流化床燃烧对象动态辨识与模糊自适应控制的研究[D]. 章程明. 东南大学, 2016(03)
- [6]基于模糊控制的无刷直流电机速度控制系统设计[D]. 周万顺. 河南科技大学, 2014(02)
- [7]免疫控制器的优化设计及应用[D]. 姜继民. 河南科技大学, 2012(04)
- [8]混合免疫智能优化算法研究及其在复杂系统中的应用[D]. 刘朝华. 湖南大学, 2012(04)
- [9]改进免疫克隆选择算法的研究与应用[D]. 石刚. 东北大学, 2011(07)
- [10]人工免疫系统及其在电站控制中的应用研究[D]. 袁桂丽. 华北电力大学（北京）, 2010(09)