粒子群优化算法在随机分布控制中的应用-南京信息工程大学学报.pdfVIP

ＤＯＩ：１０．１３８７８／ ｊ．ｃｎｋｉ．ｊｎｕｉｓｔ．２０１６．０５．００５ １，２ １ １ 殷利平 　 吴珂 　 朱鹏渭 粒子群优化算法在随机分布控制中的应用 摘要 ０　 引言 将粒子群优化算法应用到随机分布 系统中，其随机系统控制目标不局限于 　 　 大多数工业过程不可避免地受随机干扰的影响，对该类系统进 传统的均值和方差，而是估算某些变量 行适当控制使其达到期望的运行状态具有一定的挑战性．正因如此， 的概率密度函数．该方法能减少基于泛 函算子模型的随机分布控制算法在仿真 对随机系统的研究一直都是近年来的热点，并由此产生了大量的控 过程中的计算量，避免计算中间变量的 制方法，其中最小方差控制和线性二次高斯控制一直以来占据着非 概率密度函数，且对模型的要求不高，从 ［１⁃２］ 常重要的地位 ．在系统输出服从高斯分布的假设条件下，利用均值 而使控制结果更加精确高效． 关键词 和方差可以全面地刻画系统的性能，因此上述方法具有很好的控制 随机分布控制；粒子群优化算法；概 品质．但是，在实际的工业生产中，随机干扰未必服从高斯分布，而且 率密度函数 在高斯噪声情况下，系统的非线性特性也往往使得系统输出服从非 ［３⁃５］ 中图分类号 ＴＰ１３ 高斯分布 ．对于此种情况，仅仅采用以均值和方差为控制目标的闭 文献标志码 Ａ 环随机控制系统不能全面反映系统输出或跟踪误差的高阶统计特 性，无法实现不确定性因素的极小化控制． 随机分布控制理论的提出 为解决这一问题提出了新思路． 从 １９９６年开始，王宏教授开始研究如何通过单纯的时间函数来 ［５⁃８］ 控制随机动态系统的输出概率密度函数 ，并将这一类系统称之为 随机分布控制系统．２００３年以后，郭雷和王宏两位教授所带领的团队 提出了基于分布泛函和统计信息集合的随机反馈控制、系统估计和 故障检测与诊断思想，建立了两类非高斯随机分布控制系统模型，一 类是基于动静混合两步智能优化方法的非线性神经网络／ 模糊随机 分布系统模型［４，９⁃１１］ ，一类是基于泛函算子描述的非高斯随机分布系 统模型［１４⁃２０］． 在随机分布系统的控制、估计等问题中都会涉及到到优化问题． 随机分布系统的优化比较复杂，其优化对象与概率密度函数有关，含 收稿日期 ２０１６⁃０３⁃１６ 有积分，有时还会出现对数［１２⁃１３，１６⁃１７］． 资助项目 国家自然科学基金（６１３２０１０６０１０， 文献［１２⁃１８］中采用的优化方法是梯度下降法，但由于随机分布 ６１５７１０１４）；江苏省杰出青年基金 （Ｂ；江苏省大学生实践创新训练 系统的特殊性，采用梯度下降法需在每一个采样时刻首先计算中间 计划（２０１４１０３０００９２ｘ）