第4章节 系统辨识的人工智能方法.pptVIP

第4章 系统辨识的人工智能方法;4.1 模拟退火算法 4.2 遗传算法 4.3 蚁群算法 4.4 粒子群优化算法 4.5 模糊逻辑 4.6 神经网络;4.1 模拟退火算法SAA;组合优化问题;固体物质的退火过程;退火过程算法步骤;4.2 遗传算法(进化计算);⒈遗传算法的基本概念;⒊适应度计算;⒋随机选择(复制);⒌交换操作;⒍变异操作; (1) 在搜索过程中不容易陷入局部最优。即使在所定义的适应度函数是不连续的、非规则的或有噪声的情况下，遗传算法仍能以很大的概率找到最优解; (2) 具有并行计算能力及很高的计算效率; (3) 采用自然进化机制来表现高度复杂、强非线性现象，能快速可靠地解决问题; (4) 能介入到已有的模型中，并且具有可扩展性，易于同其它技术混合。;蚁群算法是受自然界中真实蚁群的集体觅食行为的启发而发展起来的一种基于群集智能的进化算法，属于随机搜索算法，它是由意大利学者Dorigo等人在二十世纪九十年代初首先提出来的。虽然蚂蚁本身的行为极其简单，但由这些简单个体所组成的蚁群却表现出极其复杂的行为特征。如蚁群除了能够找到蚁巢与食物源之间的最短路径外，还能适应环境的变化，即在蚁群运动的路线上突然出现障碍物时，蚂蚁能够很快地重新找到最短路径。;蚁群算法是一种基于群体的、用于求解复杂优化问题的通用搜索技术。与真实蚂蚁的间接通讯相类似，蚁群算法中一群简单的蚂蚁(主体)通过信息素(一种分布式的数字信息，与真实蚂蚁的外激素相对应)进行间接通讯，并利用该信息和与问题相关的启发式信息逐步构造问题的解。 所谓基本蚁群算法，指的是经典的ACS(Ant Colony System)算法，它具有当前很多种类的蚁群算法最基本的共同特征，后来一系列的改进蚁群算法都以此为基础。;粒子群优化（Particle Swarm Optimization, PSO）算法是由Kennedy和Eberhart于1995年提出的一种优化算法。PSO算法的运行机理不是依靠个体的自然进化规律，而是对生物群体的社会行为进行模拟，它最早源于对鸟群觅食行为的研究。在生物群体中存在着个体与个体、个体与群体间的相互作用、相互影响的行为，这种行为体现的是一种存在于生物群体中的信息共享的机制。;初始化一群???机粒子（随机解） 每次迭代中，粒子通过跟踪两个极值更新自己： －粒子本身找到的历史最后解（个体极值点pbest） －整个种群目前找到的最好解（全局极值点gbest） 需要计算粒子的适应值，以判断粒子位置距最优点的距离。 每次迭代中，根据适应度值更新pbest和gbest。 迭代中止条件：设置最大迭代次数或全局最优位置满足预定最小适应阈值。 ;开始;4.5 模糊逻辑;模糊辨识的基本要求:;4.6 神经网络辨识;基于神经网络的系统辨识原理;系统模型及逆模型的辨识⑴;系统模型及逆模型的辨识⑵;系统模型及逆模型的辨识⑶;神经网络辨识的特点;神经网络自适应控制也可分为模型参考控制(MRAC)和自校正控制(STC) 两种。 在模型参考控制中，闭环控制系统的期望性能由一个稳定的参考模型描述，控制系统的目的就是要使被控对象的输出y(t)一致渐近地趋于参考模型的输出。 自校正控制将根据对系统的正向和逆模型辨识的结果，直接调节控制器内部参数，使系统满足给定的性能指标。;神经网络直接模型参考自适应控制;神经网络间接自校正控制