系统理论及其应用报告.docxVIP

系统理论及其应用专业：电力系统及其自动化第一章学习内容概括1 传统算法1.1 梯度法梯度法，又名最速下降法，是一种求解无约束多元函数的极值方法，早在1847年由柯西提出。它是导出其他更为实用、更为有效的优化方法的理论基础。因此，梯度法师无约束方法中的最基本的优化方法。该方法选取搜索方向的出发点是：怎样选取可以使下降的最快。该方法的缺陷是：不是所有的函数是连续可导可求梯度的。1.2 随机类方法1958年由Brooks等提出的蒙特—卡罗法师典型的随机方法，以后还有各种改进的随机类方法。蒙特卡罗法又称随机统计法、随机抽样技术，是一种随机模拟方法。基本思想：当所求解问题是某种随机事件出现的概率，或者是某个随机变量的期望值时，通过某种“实验”的方法，以这种事件出现的频率估计这一随机事件的概率，或者得到这个随机变量的某些数字特征，并将其作为问题的解。2 遗传算法遗传算法（Genetic?Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。遗传算法的特点：(1)遗传算法从问题解的串集开始搜索，而不是从单个解开始。这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求最优解的；容易误入局部最优解。遗传算法从串集开始搜索，覆盖面大，利于全局择优。(2)遗传算法同时处理群体中的多个个体，即对搜索空间中的多个解进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。(3)遗传算法基本上不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传操作。适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。这一特点使得遗传算法的应用范围大大扩展。3 进化策略法进化策略(Evolutionary Strategies, ES)是由德国的I.Rechenberg和H.P.Sehwefel于1963年提出的。ES作为一种求解参数优化问题的方法，模仿生物进化原理，假设不论基因发生何种变化，产生的结果（性状）总遵循零均值、某一方差的高斯分布。进化策略和遗传算法（GA）是进化算法（EAS）的两类重要变种。4 蚁群算法蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。该算法模拟自然界中蚁群觅食的行为，采用有记忆的人工蚂蚁，通过个体之间的信息交流与相互协作来找到从蚁群到食物源的最短路径。针对PID控制器参数优化设计问题，将蚁群算法设计的结果与遗传算法设计的结果进行了比较，数值仿真结果表明，蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。该算法的特点：(1)是一种自组织的算法(2)本质上并行(3)是一种正反馈算法(4)具有较强的鲁棒性。模拟进化法是一种稳定且有效的最优化问题求解技术，其主要的三条研究途径(遗传算法、进化策略和进化规划)均不完全，但却实用；其间差异可过随机变换类型和选择机制来刻画。第二章具体的某种方法认识-粒子群算法2.1粒子群算法介绍粒子群算法，也称粒子群优化算法（Particle Swarm Optimization），缩写为 PSO，是1995年美国电气工程师Eberhart和社会心理学机Kennedy基于鸟群觅食行为提出。和遗传算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover) 和“变异”(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。2.2 基本粒子群算法在粒子群算法中，每个个体称为一个“粒子”，其实每个粒子代表着一个潜在的解。例如，在一个维的目标搜索空间中，每个粒子看成是空间内的一个点。设群体由个粒子组成。也被称为群体规模，过大的会影响算法的运算速度和收敛性。设为第个粒子的维位置矢量，根据事先设定的适应值函数(与要解决的问题有关)计算当前的适应值，即可衡量粒子位置的优劣；为粒子的飞行速度，即粒子移动的距离；为粒子迄今为止搜索到的最优位置；为整个粒子群迄今为止搜索到的最优位置。在每次迭代中，粒子根据以下公式更新速