多目标微分进化改进算法及应用.pdf

《多目标微分进化改进算法及应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、多目标微分进化改进算法及应用刘长良，等ImprovedMulti—objectiveDifferentialEvolutionAlgorithmandItsApplication纠长良予明(华北电力大学控制科学与工程学院，河北保定071003)摘要：微分进化算法作为一种新型、简单、高效的并行随机优化算法，近年来在许多领域得到了应用，多目标微分进化便是其中的一种。针对传统多目标微分进化算法中微分进化控制参数不能自适应调整、算法容易出现早熟和退化的现象，采用惯性权莺参数自适应调整的控制策略以及改进的拥挤距离算法对多目标微分进化进行改进，并

2、将改进后的算法用于控制系统PID参数优化仿真试验。结果表明，改进后的多目标微分进化算法具有较好的收敛性和分布性以及较高的搜索效率。关键词：多目标优化算法微分进化自适应参数优化PID中图分类号：TPl8文献标志码：AAbstract：Asanewtypeofsimpleandefficientparallelstochasticoptimizationmethod，thedifferentialevolutionalgorithmhasbeenappliedinmanyfieldsinrecentyearsandmulti—object

3、ivedifferentialevolutionisjustoneofthem．Intraditionalmulti—objectivedifferentialevolutionalgorithm，thedifferentialevolutioncontrolparameterscannotbeadaptivelyadjusted。thusthealgorithmiseasytobeprecociousanddegraded．Byadoptingthecontrolstrategyofinertiaweightparameterada

4、ptiveadjustmentandtheimprovedcrowdingdistancealgorithm，themulti-objectivedifferentialevolutionisimproved．TheimprovedalgorithmisusedinsimulationexperimentforparameteroptimizationofPIDcontrolsystem．Theresultindicatesthattheimprovedalgorithmfeaturesbetterconvergence，distri

5、butionandhighsearchefficiency．Keywords：Multi-objectiveOptimizationalgorithmDifferentialevolutionSelf-adaptiveParameteroptimizationPID0引言控制系统PID参数优化属于多目标优化的问题，因其各个目标函数之间存在相互竞争的关系，采用单目标优化往往不能统筹兼顾，从而造成控制质量的下降⋯。虽然目前国内外广泛采用传统工业过程调节PID控制方法，但对控制器参数进行人工整定不仅需要熟练的整定技巧和经验，而且当被控对象特

6、性发生变化时，控制器参数没有相应的自适应调节能力。多目标进化算法(multi-objectiveevolutionaryalgorithms，MOEAs)的研究始于20世纪80年代【21。在其研究过程中，由Deb等人提出的NSGA．1I算法以及由Zitzler等人提出的SPEA-H算法应用较多p1。自RainerStore和KennethPrice于1995年提出了一种更有效、更简便的微分进化算法(differentialevolution。DE)以来，许多学者致力于将其扩展应用到多目标进化领域的研究中，先后出现了PDE、PDEA、M

7、ODE和DEMO等算法”。1o田零863计划基金责助项目(缡号：2007AA041106)。修改稿收到日期：201l—03—30。第一作者刘长良(1966一)．男。2002毕业于华北电力大学自动化专业，荻博士学位．教授，博士生导师；主要从事火电机组热工系蜕建模与控制方面的研究。《自动化仪表》第33卷第2期2012年2月以上这些多目标进化算法均旨在追求收敛性和多样性这两个优化指标。并且这些算法基本上都用到了以下两种策略：①通过构造Pareto候选解集保留所获得的非劣解，并通过适当的措施(空间分布密度信息)来维持解的多样性；②依据解集中个

8、体间的Pareto支配关系和空间密度信息来确定个体的优劣¨1。但由于基本微分进化算法存在控制参数不能自适应调整的问题，参数的人为设定难以使寻优效果达到最佳；算法中的贪婪选择策略导致选择压力过大，并且当种群中决策变量中的某