一种基于非线性系统的动态感知系数的自适应PSO算法-doi详解.doc

doi: 10.6043/j.issn.0438-0479.201702023 一种基于非线性系统的动态感知系数的 自适应PSO算法 郭振雄1，陈玉叶1，肖 可1，何俊杰1，刘 畅1，潘书万2，陈松岩1* 厦门大学物理科学与技术学院，福建 厦门 361005；2.华侨大学信息科学与工程学院，福建 厦门 361021） Particle Swarm Optimization），将PSO算法的感知系数与神经网络算法结合，并在线学习训练过程中动态调整感知系数，改善了PSO算法的计算效率以及全局收敛效率。而两个相互关联的神经网络：PID（Proportion Integration Differentiation）神经网络及SPSO神经网络结合起来，使其能有效解决非线性控制模型。为了验证算法，本文引入了4个仿真例及两种PSO优化算法：CPSO（Conventional Particle Swarm Optimization）、MPSO[1]（Modified Particle Swarm Optimization），来比较SPSO算法在解决控制问题中的非线性复杂系统的高效性。其结果显示SPSO算法有较好的全局收敛性能、收敛速度以及较强的鲁棒性。 关键词：优化算法；自适应粒子群算法；动态感知系数；PID；神经网络；自调节非线性系统 中图分类号：TP15 文献标志码： A 在近几年，为了克服传统PID控制已难以解决工业控制中的越来越复杂的控制问题，智能算法吸引了工程师们大量地注意并得到快速的发展。大量有着高效计算效率的智能算法被人们提了出来，包括：神经网络、遗传算法[2]，模糊算法[3]，PSO算法[4]等等。智能算法被用来高效地解决工业控制中的复杂非线性系统，且在多样化的非线性问题中扮演着越来越重要的角色。其中，神经网络以运用最为广泛被人们熟知，该算法被广泛地应用在模式识别、凸优化问题、图像处理技术以及工业生产控制中[5]。PIDNN（Proportion Integration Differentiation Neural Network）将传统PID控制与神经网络结合起来，以此克服传统PID控制的缺陷[6][7]，并被广泛应用在复杂非线性系统的控制中。然而，尽管PIDNN能找到较优参数，但频繁出现的局部收敛问题以及收敛速度慢仍然是该领域中亟待解决的两个问题。 为了克服PID-NN的缺陷，又有大量学者结合神经网络提出了新颖的算法。PSO算法就是一个极具代表性的算法，它拥有易操作、快速收敛及卓越的计算性能等特性吸引了大批研究者的关注并得到快速发展[1,8-15]。PSO算法本身是一种解决连续复杂优化问题的简便方法，此外该算法也被大量结合其他算法来实现更高效的非凸优化问题。然而，当结合了越多算法，也就意味着将引入更多的参数，这也就使得在优化问题中不得不花费更多的精力在参数调优上。本文提出了一种动态感知系数的自适应PSO算法与PIDNN通过神经网络相互结合起来，不仅改善了PIDNN在复杂非线性系统中的局部收敛问题及收敛速度慢问题，还实现了参数自调优。 1 SPSO算法原理 1.1 PSO算法的原理 PSO算法是现代探索式算法中的一种，由Kennedy和Eberhart在1995年第一次提出[11],他们受到群居动物的觅食行为的启发，并发现这样的觅食行为与优化非线性问题相似。PSO算法模仿了群居动物觅食行为，并在每一次迭代过程中，每个粒子的位置都能被映射为优化问题的一个解，其粒子每次迭代过程中的速度及位置更新公式如下： (1) n: 粒子群中第n粒子的编号（n=1,2,...,N）； i: 多维解空间中的维数i（i=1,2,...,I）； k: 当前的迭代次数k； vk in: 第n个粒子的第n维在第k次迭代的速度； ??: 惰性系数，通常取1； xk in:第n个粒子的第i维在第k次迭代的位置； pin: 第n个粒子的第i维的最优位置； pig: 粒子群中第i维的最优位置； c1,c2: 自我感知系数及社会感知系数，通常都设置为2； ξ1,ξ2: 随机系数项。 1.2 SPSO算法 自1995年PSO算法提出来后，大量研究人员在传统PSO的基础上做了大量研究。且大部分文章都指出，变化的感知系数能够有效改善PSO算法的搜索性能,但不稳定的鲁棒性是另一个需要解决的问题。而神经网络算法的训练过程恰好能在线调整感知系数，使其更具鲁棒性，据此本文提出了将PSO算法的感知系数与神经网络算法结合起来的方法。 SPSO算法引入一个概念——动态感知系数（c1,c2）。根据公式（1）它们直接与粒子的速度相关，并以此影响到整个粒子群的收敛速度。c1与c2通常被设定为常量，不随迭代次数而发生变化。这就导致一些与此相关的计算性能不能得到改善。而文献[1