QPSO算法在非线性观测器设计中应用.docVIP

QPSO算法在非线性观测器设计中应用 　　摘要:具有量子行为的粒子群优化(Quantum??behaved Particle Swarm Optimization,QPSO)算法是继粒子群优化算法(Particle Swarm Optimization,PSO)后,最新提出的一种新型#65380;高效的进化算法#65377;提出了运用QPSO算法设计的非线性观测器方法#65377;该方法属于滚动时域估计方法,利用具有量子行为的粒子群算法优化获得系统状态的最优估计#65377;仿真结果显示该方法对初始条件不敏感,具有很强的跟踪能力#65377; 　　关键词:具有量子行为的粒子群优化算法;非线性观测器;滚动时域观测器;状态估计 　　中图分类号:TP391.9; TP273.5文献标志码:A 　　文章编号:1001-3695(2007)04-0246-03 　　有关非线性系统控制设计的研究近年来取得了很大的进展,但在非线性观测器方面取得的成果却较少#65377;尽管已经提出了多种非线性系统状态观测器设计方法,但是每种方法通常只适合于满足一类条件的非线性系统,对于一般非线性系统的状态观测器设计依然是一个难点#65377;?? 　　近年来,许多研究者在关注基于优化的非线性系统状态观测器设计方法#65377;针对满足一致重构条件的一般非线性连续时间系统,文献[1]提出了一种滚动时域观测器(Moving Horizon Observer)#65377;其基本思想是通过最小化区间[t-T,t]上的某个代价函数对t时刻非线性系统的状态进行估计#65377;滚动时域估计方法简单#65380;可操作性强#65380;应用范围广,缺点是计算量较大#65377;基于数值优化中的Newton法,针对一类由常微分方程和观测方程描述的非线性可观测系统,提出了一种状态逼近的迭代方法,其基本思想是通过计算一个分段连续函数来逼近真实状态#65377;该方法需要计算代价函数的Hessian阵,不适合实时应用;此外,如果代价函数不满足二次可微,则会导致Newton法无法应用#65377;从本质上看,Newton法也可以属于滚动时域估计的范畴#65377;?? 　　有研究者提出运用进化算法优化滚动时域的计算方法#65377;进化算法具有较强的全局收敛能力和较强的鲁棒性,且不需要借助问题的特征信息#65377;本文提出了一种新的能保证全局收敛的进化算法――具有量子行为的算法(Quantum??behaved Particle Swarm Optimization, QPSO)[2,3]#65377;QPSO算法是一种高效并行的优化算法,可用于解决大量非线性#65380;不可微和多峰值复杂优化问题,这种方法实现简单#65380;调整参数较少,并适应非线性系统有可能异常复杂的特性,达到了较高的辨识精度#65377;本文将提出运用QPSO的非线性观测器的设计研究方法#65377;?? 　　 　　1QPSO算法?? 　　 　　1.1QPSO算法思想?? 　　2004年,Sun等人在研究了Clerc等人的关于粒子收敛行为的研究成果后,从量子力学的角度出发提出了一种新的PSO算法模型#65377;这种模型是以Deleta势阱为基础,认为粒子具有量子的行为,并根据这种模型提出了量子粒子群算法[2,3]#65377;?? 　　在量子空间中粒子的满足聚集态的性质完全不同,它可以在整个可行解空间中进行搜索,因而量子PSO算法的全局搜索性能远远优于标准PSO算法#65377;在量子空间中,粒子的速度和位置是不能同时确定的#65377;因此文献[2]通过波函数ψ(x,t)(其物理意义为:波函数的平方是粒子在空间某一点出现的概率密度)来描述粒子的状态,并通过求解薛定谔方程得到粒子在空间某一点出现的概率密度函数#65377;随后通过蒙特卡罗随机模拟的方式得到粒子的位置方程为?? 　　其中,u为[0,1]范围内变化的随机数;L被定义为?? 　　其中,β称为活力系数;M为粒子的数目;D为粒子的维数;Pi为第i个粒子的pbest#65377;最后得到粒子的位置方程为?? 　　QPSO的算法流程如下:?? 　　初始化种群的每个粒子的位置向量?? 　　直到终止条件满足?? 　　在QPSO算法中,粒子的状态只需用位置向量来描述,并且算法中只有一个控制参数β,对这个参数的选择和控制是非常重要的,它关系到整个算法的收敛速度#65377;?? 　　 　　1.2QPSO算法的优点?? 　　量子粒子群算法能够克服一般粒子群算法在收敛性能上的缺陷是由于其具有如下三点特性:?? 　　(1)量子系统是一个复杂的非线性系统并且符合状态重叠原理#65377;因此量子系统比一个线性系统