基于大数据和双量子粒子群算法多变量系统辨识研究.docVIP

基于大数据和双量子粒子群算法多变量系统辨识研究 　　【 摘 要 】 大数据时代背景下，发掘生产现场的历史数据中有用的信息和知识，利用智能算法来模型辨识多变量系统，已经成为了主流的研究方向。论文经过多个实验探究分析历史大数据和智能算法相融合的多变量系统辨识中具有的问题，并且把输入变量对输出的影响进行了量化，同时把这种方案使用在热力发电厂的多变量协调控制系统的相关建模实验里，相应的辨识结果证明了这个方案的实效性。 　　【 关键词 】 大数据；双量子粒子；多变量系统 　　【 中图分类号 】 TP392 　　【 文献标识码 】 A 　　Research on Multivariable System Identification Based on Large Data and Double Quantum Particle Swarm Optimization 　　Yao Ye 　　（Liaoning Academy of Governance LiaoningShenyang 110161） 　　【 Abstract 】 In the era of large data， it is a mainstream research direction to discover useful information and knowledge in historical data， and to use intelligent algorithm to model multivariable system. In this paper， several experiments are carried out to analyze the problems of multivariable system identification with the integration of historical data and intelligent algorithms， and the influence of input variables on output is quantified， and this scheme is used in the multivariable Coordinated control system in the relevant modeling experiments， the corresponding identification results prove the effectiveness of this program. 　　【 Keywords 】 large data； double quantum particle； multivariable system 　　1 引言 　　本文融合了历史大数据以及智能算法，对于在多变量系统中难以准确的量化相应子系统的数据模型问题，研究出了相应的有效数据以及计算优化方案。为了避免量子粒子群算法在巡优精度和收敛速度方面的不足，应用双量子粒子群算法，对原来的进化搜索方案和粒子种群编码采用量子化处理方式进行函数试验，经过优化的算法比QPSO和PSO算法的搜索能力更强。而后使用现场生产历史数据，使用D-QPSO算法估计了参数，在热力发电厂负荷控制系统的传递函数识别流程中应用了相应的解决方案，相关的研究为控制器的优化和设计提供借鉴。 　　2 双量粒子群算法 　　2.1 关于优化问题的概述 　　双量子粒子群的算法，主要的原理就是能够先根据量子位的概率幅值来记性粒子种群的编码，不断对其进行拓展，提升其对空间能力的粒子遍布，同时对种群进行的过程进行量子化的处理。此过程中，对方程进行简化，以实现全面的控制。根据以下步骤计算：一般来说相应的连续优化问题可以用minf（x1，…，xn）来表述，其中xi∈[ai，bi ]， i=1，2，…，n，n指的是优化变量的个数，f是目标函数，[ai，bi ]是自变量的定义域。 　　2.1.2量子化粒子的初始位置 　　应用量子位的概率幅值当作粒子目前位置的编码。 　　Pi的取值范围是[-1，1]，把单位空间I=[-1，1]n映射到相应的优化问题解决空间。 　　2.1.3 粒子在更新流程中的量子化 　　通过研究量子的时空构造，可以做使用波函数？鬃（？兹 ，t）来表示粒子相应量子位概率幅值的状态。下面是粒子的进化方程： 　　其中：？准1，？准2是（0，1）之间随机的一个数值，m指的是种群规模，？兹best指的是在量子位概率幅值的最佳中值位置，？茁是收缩因子，相关实验证明？茁如果从1.0线形缩减到0.5，那么相应的算法能够在取得较好的寻优效果。 　　2.1.4 粒子的变异分析 　　为了能够避免出现种群的早