基于粒子群优化算法的作物生长和发展式的参数估计的研究.docVIP

基于粒子群优化算法的作物生长和发展模式的参数估计的研究 摘要：为了优化作物生长发育的非线性模型的参数，我们将粒子群优化（PSO）算法应用于非线性系统模型参数估计中，并通过番茄的生长和发展模式的参数估计来验证。在良好的人机界面的帮助下，该方法将更加准确、有效和方便。实验结果表明：用这种方法进行作物模型参数的优化和番茄生长的动态过程的模拟后，比较它们的模拟值与实测值，这二者有了良好的契合度。 关键词：作物；生长模拟模型；参数估计；PSO算法 简介 对作物生长发育的非线性模型的参数估计一直是科学研究的一个重要问题。到目前为止，有许多复杂的系统辨识与参数估计的方法，如最小二乘法[1] [2]，最大似然估计方法[1] ，基于神经网络的参数识别方法[3] 和遗传算法[4] [5] [6] 等。但是最小二乘法和最大似然估计方法的基础都是建立在假设的平滑连续导数的空间上的，是梯度优化方向的局部搜索技术。在某些情况下，很容易陷入相对极值。利用神经网络系统的辨识参数具有以任意精度逼近非线性函数的能力，但在实际应用中，只有选择一个合适的网络结构才能得到良好的效果。而选择一个合适的网络结构往往是非常困难的。当模型的参数估计方法与遗传算法，函数的复制、交叉、变异和群体的形式优化可以避免陷入局部最优解，但这种方法涉及繁琐的会影响其效率的编码和解码过程。 由肯尼迪等人提出的粒子群（PSO）算法[7]是一种有效的随机全局优化技术，并已被证明是一个非常好的优化方法。该算法不具有特殊要求的优化目标函数形式并没有交叉和变异算子的遗传算法。每个算子根据他们自己的速度进行搜索并且整个搜索过程伴随着当前最优解进行。目前。这种方法已广泛应用于函数优化、网络培训以及参数调整等许多领域。本文主要对在粒子群优化算法帮助下的农作物生长发育问题的非线性模型参数估计进行了深入的研究。 问题描述 非线性模型的一般形式描述如下： +，～ （1） 上式中，是系统的输入，是系统输出，是需进行估计的模型参数，e是白噪声，其均值为0，方差为2。 非线性模型参数估计问题有着确定的模型结构，根据已知的输入和输出观测数据，，解出，使得总和最小。我们可以看到，其实质是将模型的参数估计问题转化为非线性函数优化问题，这用传统的优化方法是难以解决的。为此，本文致力于用粒子群优化算法来克服传统方法的困难并实现非线性模型参数的估计。 粒子群优化算法 3.1算法原理 粒子群优化算法的基本原理是：有m个粒子在D维空间中，每个粒子的坐标是，并有与之相对应的优化目标函数（通常目标函数作为。。。可以直接看到）。与此同时，每个粒子都有自己的速度。对于第i个粒子，它经过的路径可以标注为，也可称为第t代i粒子。粒子群算法是计算第t+1代第j维粒子的速度和位置的。 （2） 上式中，，是粒子数，、是0到1之间的随机数，是惯性权重，、代表加速的程度。此外，粒子的速度受最高速度的限制，如果则。 3.2算法过程 算法过程如图1所示。 初始化群体参数 初始化群体参数 判断 的值给 的值给 如果函数可选？ 结束 是 否 是 否 否 是 设置初始参数 4、番茄生长发育模拟模型 番茄的生长是一个非常复杂的过程，是一个内部的生理特性和外部形态特征的变化过程，以及完成单个细胞的生成、组织分化和营养器官和生殖器官的分裂和生长过程。番茄的生长受其自身的遗传特性的影响，也与其生长的外部条件密切相关[8]。 番茄的生殖阶段与它全程的发展阶段的长短由其基因特征与环境因素共同决定。影响番茄的发展过程中的主要因素是温度和光线因素，其在不同发育阶段的角色是不一样的。因此，温度和日照时间的长度是在作物发展过程中具有重要影响的驱动变量。它们在番茄发展模式中的一般形式是： （3） 这里，是发展速度；是干物质的质量；是日平均气温；是一天的长度； 是待确定的模型参数。 仿真实验和分析结果 为了验证非线性模型的参数估计与粒子群优化算法的有效性，在本文中将对番茄生长和发展模式的参数优化估计作为一个例子进行模拟研究。 使用粒子群优化算法估计模型参数的目的是确定在番茄的生长和发展过程中的模型参数，这使得实际的观测值与模型的估计值具有较高的拟合程度。为了能够获得更精确的温度和日长，实验在温室中进行，因为这样可以手动控制温度和日长，以获得实际测量值（表1、表2）和使用粒子群优化算法的估计模型参数。表1、表2分别如下所示。 表1 番茄干重的实际测量值 日期 平均温度T（℃） 日长DL（小时） 干重（克） 9.16 28.1 10.5 24.6 9.17 27.6 10.33 30.2 9.18 26.8 10.17 38.5 9.19 27.1 10.0 17.6 9.20 25.9 9.83