基于sapso-msfla算法的非线性系统模型参数估计研究

《基于sapso-msfla算法的非线性系统模型参数估计研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、西南交通大学硕士研究生学位论文第1页第1章绪论1．1课题背景及研究目的和意义非线性系统参数估计是现代控制领域研究的一个重要问题，它的建模和估计在控制领域受到了广泛的关注。系统控制的基础由此完成，有时系统可能会出现不同的非线性系统特性，此时不同的非线性问题也不可能采用统一的框架去处理对各种参数的估计，所以要实现非线性系统模型的参数估计还需要克服许多难点。一些传统的系统参数估计方法主要针对目标为线性定常系统，然而对时变的非线性系统参数估计不适用此类方法。主要原因归结为系统的非线性复杂程度较高，无法精确拟合非线性系统模型的动态特性，所以就无

2、法控制其未来的行为。因此深入对非线性系统模型参数估计理论的研究对寻求新的控制策略起到了十分重要的理论意义IlJ。1．2本课题国内外研究现状1．2．1非线性系统模型参数估计的研究现状非线性系统参数估计是现代控制领域研究的一个重要问题，它是系统控制的基础。在工业、工程生产等方面发挥着广泛的应用。目前，非线性系统模型参数估计经历了由线性模型发展到非线性模型的阶段。Nush和Walker．Smth在其专著中讨论了非线性系统参数估计的一些普遍方法，如直接搜索法、梯度下降法和变尺度法等【2J。目前常用的控制系统参数优化方法有最小二乘法、极大似然法

3、、极小化极大熵法和最小风险法等。还有一些基本的方法如最小二乘法和极大似然法。但是这些算法对模型的约束条件都有较强的要求，并且有时候只能针对某一类特定的问题才能进行有效的参数估计，比如对系统模型提出单峰、连续、可导等特性。方开泰等将基于数论的序贯方法应用到非线性系统参数估计问题当中【3】；其本质仍是一种“爬山”搜索法，这种方法初始化时对邻域的选取限制了算法的效率，一般情况下也只能给出代价函数的局部最优解。遗传算法(GeneticAlgorithm，GA)具有多点寻优、并行处理等特点，其寻优过程直接对解群进行操作，决定其可适用一般非线性系

4、统参数估计。为此潘正君等人在专著中深入讨论了利用遗传算法对非线性系统进行参数估计的方法【4j；他们通过研究了对的非线性回归模型的参数估计方法，从而得知，这种方法适用于通过采集分析大量的实验数据，然后判断非线性系统的内部规律，最后对其进行非线性系统参数估计。西南交通大学硕士研究生学位论文第2页姜波等人在专著中讨论了基于一般非线性系统模型参数估计的遗传算法，但是，它作为一种新方法，目前暂时还不能处理系统噪声等随机干扰问题、有时局部最优解并不能得到很好的收敛等缺陷，在估计精度方面也有待于进一步提高，所以该方法还拥有很大的改进空间[5]．；这

5、就需要通过改进遗传算法自身的搜索机制从而提高它对参数寻优的能力。另一方面，可以通过将遗传算法和别的参数估计方法相结合的方式以提高其对参数估计精度的提高。为解决标准遗传算法的不足之处，王凌，郑大钟提出了一种融合了遗传算法的并行结构的模拟退火算法的高效混合优化算法但是算法的实现比较复利61。苏成利，徐志成等人则是采用了由Kennedy等人提出的微粒群(Pso)算法【7J，该优化算法并不限制优化目标函数的形式，而且比遗传算法的参数要少，没有交叉因子和变异因子。但PSO算法与遗传算法一样对参数的选取比较敏感，并且存在着容易陷入局部最优解的现象

6、。文献[8]贝U是结合了PSO算法全局最好(Gbest)和局部最好(Lbest)两种模型的特点，在速度更新过程中并行分析粒子的Gbest和Lbest，从而提出了一种适合用于多种不同模型的基于复合微粒群优化算法的非线性系统参数估计方法。文酬别则是采用了一种基于惯性权重的改进微粒群算法，一定程度上优化了参数估计的精度，仿真结果表明了该优化算法也是一种有效的非线性系统模型参数估计方法，但是上述算法对参数的选取都比较敏感并且都存在着易陷入局部最优的情况。文献【1UJ采用改进实数编码量子进化算法使得状态空间模型在有噪声和无噪声的情况下都能获得较

7、高的精度，但是，其算法实现比较复杂，不易实现。上述方法最然在一定程度上改善了非线性系统模型参数估计的性能，但是在估计精度和收敛速度上还存在缺陷，且容易陷入局部极值，对此本论文对此进行了重点研究。1．2．2几种智能进化算法的研究现状1．2．2．1混合蛙跳算法(ShuffledFrogLeapingAlgorithm，SFLA)混合蛙跳算法[111在2000年由Eusu仃等人提出。它是一种后启发式智能算法，它结合了基因进化的模因演算法(MemeticAlgorithm)和群体行为的粒子群算法(ParticleSwarmOptimizati

8、on)两者的优点。该算法概念易于理解、参数较少(与PSO算法相比)、并且具有收敛速度快、易于实现等特点。这些优势被很多研究者注意到，并进行了大量的研究分析。近年来，出现了大量的对蛙跳算法的改进算法，Elbeltagi．E