基于微分演化算法的系统识别.pdfVIP

第25卷第4期 华 中 科 技 大 学 学 报 (城市科学版) VO1．25NO．4 2008年 12月 J．ofHUST．(UrbanScienceEdition) Dec．2008 基于微分演化算法的系统识别 曹威巍，唐和生 (同济大学 结构工程与防灾研究所，上海 200092) 摘 要：微分演化算法(DE)是一种启发式算法，它对于解决复杂的优化问题有很好效果。它构成简单，使用方 便，收敛速度快，求解有效，并且有很好的鲁棒性。本文把DE算法运用到了结构体系的参数估计中，可以描 述为一个多维优化问题。本文在无噪声干扰和有噪声干扰的情况下，用所提出的方法来识别非线性结构体系， 结果表明了此方法的有效性。 关键词：微分演化；优化算法；结构参数；系统识别 中图分类号：TU311-3；TP274+．2 文献标识码：A 文章编号：1672—7037(2008)04—0287．03 作为一项突破性的计算技术，自从 Storn和 的关注 以及应用 。然而在结构工程领域，基于DE Price在 1995年u引入了DE算法之后，DE算法 进行结构系统识别的工作鲜见有深入研究。本文 在解决复杂的优化问题上得到了很多关注。它和 采用 DE方法进行了结构系统识别研究：结构系 EA 算法的结构相似，但是在新的后备算法中， 统的参数估计可表述为多维空间的优化 问题，同 由于它的贪婪选择性，又不同于传统的算法。DE 时利用 DE方法求解，给出了一些算例来验证该 的另一个主要特点是用浮点语言来搜索的能力， 方法的有效性。 取代了在许多传统进化算法 (EA)中的二进制语 言。DE是一种混合算法，它结合了遗传算法(GA) 1 问题描述 的大范围概念和进化算法的自适应突变。这些特 征和其他的因素结合在一起，使 DE相 比EA收 结构系统识别问题可以视作一个优化问题， 敛的更快，鲁棒性更好。因为 DE只有三到四种 即最小化真实结构的实测反应数据与预测结构模 功能参数，伪代码也较简短，事实证明，DE 比 拟数值反应数据的误差。不失一般性，考虑普通 GA效果要好很多。DE除了方法比较简便之外， 结构系统如下： 它的突变合重组也比较明显和有效，尤其是在重 y(k)=，(()，0) (1) 组 自适应突变的时候要相对简单和有效，这是DE 式中，Y∈Rq表示系统输出，U∈Rp表示系统输 在演化方法中的一个优势。与 GA 相比，DE具 入，0=(，o2，…on)为需要估计的系统参数，k为 有以下特点： 系统离散时间点，k=01．．，T为采样时间终点。 (1)变异基于群体的差异，由于早期群体差 为了得到一个精确的系统识别过程，系统(1) 异度通常较大，使得早期探索能力较强，而随着 必须对任意的输入激励都能精确地产生数据 。因 代数的增加，差异度变小，使得后期开发能力增 此，问题归结为最小化实测输出与备选系统输出 加，这类似于一个退火过程 ； 之间的误差范数，如 (2)式所示的均方误差函数： (2)基于CR可控制个体参数的各维对交叉 1 ，()= ∑ 足)一多( ± (2) 的参与程度，以及全局与局部搜索能力的平衡；