基于粒子群优化算法非线性系统模型参数估计.docVIP

基于粒子群优化算法非线性系统模型参数估计 　　摘要：针对非线性系统模型的多样性,提出适用于多种非线性模型的基于粒子群优化算法的参数估计方法, 结果表明,粒子群优化算法是非线性系统模型参数估计的有效工具。 　　关键词：粒子群优化算法 非线性系统 参数估计 　　 　　▲▲ 一、引言 　　 　　非线性系统广泛地存在于人们的生产生活中，目前还很少有人研究各种表达方式之间是否存在等效关系。正因为如此,暂时还没有对所有非线性模型都适用的参数估计方法[1]。但是,如果能找到一种不依赖于非线性模型的表达方式的参数估计方法,那么,也就找到了对一般非线性系统进行参数估计的方法[2]。粒子群优化算法[3]具有多点寻优、并行处理等特点。而且粒子群优化算法的搜索过程是从初始解群开始, 以模型对应的适应函数作为寻优判据,从而直接对解群进行操作, 而与模型的具体表达方式无关。 　　 　　▲▲ 二、基于粒子群优化算法的非线性系统模型参数估计方法 　　 　　1.问题的提出 　　一般非线性系统模型可用下式表示: 　　 (1) 　　式中, y(t)为系统输出向量;u(t′)为系统输入向量,,0≤t′≤t ;θ=[θ1,θ2 , …,θk] T,为待定参数向量。f 的形式已知,且u(t)已知。现已知y(t)的一组实际测量的离散数据y0(t),t = 1 ,2 , …, n。 要求根据已知的y0(t)的值估计出θ的值。 　　2．基于粒子群优化算法的参数估计方法 　　具体步骤如下: 　　(1)、确定适应函数:在已知各参数值的基础上,基于式(1),可通过仿真实验求得各个时间的系统输出数值y(t) 。而辨识的目的就是要使求得的系统输出数值y(t) 尽量接近已知的系统输出数值y0(t) ,越接近说明仿真的效果越好, 也就证明仿真所用的一组参数更接近实际参数值, 因此应使这组参数对应的粒子群个体具有更小的适应值。所以,我们取y(t)曲线与y0(t) 曲线之间距离的为适应值。即: 　　 （2） 　　 (2)随机产生n个θ 。 3）计算适应值fi:再根据式（2）中确定的适应函数计算出各个θ对应的适应值fi 。（4）、计算每个粒子的适应值；（5）、对于每个粒子，将其适应值与所经历过的最优位置的适应值进行比较，若较好，则将其作为当前的最优位置；（6）、对于每个粒子，将其适应值与全局所经历的最优位置的适应值进行比较，若较好，则将其作为当前的全局最优位置；（7）、根据下面粒子群优化2个公式对粒子的速度和位置进行更新；(8）、如未达到结束条件通常为足够好的适应值或达到一个预设最大代数Gmax,则返回步骤2 直至算法收敛, 即所有个体基本相同,适应值很难进一步提高为止。 　　 　　▲▲ 三、仿真研究(Simulation) 　　 　　为了体现粒子群算法能适用于多种非线性系统模型的优点,我们分别以非线性系统的传递函数模型,为例进行仿真研究。 　　例1 传递函数模型。 形式如下 　　 　　上面三例虽然形式不一,但是通过一定的变换,总可归结为式(1)的形式。即一旦输入信号一定,参数确定后即可通过计算得到任何时刻的输出值。如果输出值是连续的,如例1所示,则需确定一些采样点,以采样点的输出数值为根据进行参数估计。 如系统离散,则只需确定时间采样范围即可,如例2。在仿真实验中, 参数设置如下：这个实例取学习因子c1=1。5，c2=2。5，惯性权重=1。4，将随着迭代次数的增加而逐渐减小，当小于0。4时，将令=0。4，即不再减小，以保证迭代后期粒子能够在一定空间探索更好的解。它们的群体规模是100，其他参数不变， 在搜索过程中,以100 代为上限(实际上,迭代50～80 次即可得到满意结果) 。 　　仿真结果如表1～表2 所示。 　　 　　在例1 的仿真实验中,因为模型结构简单,待定参数较少,应用粒子群算法搜索较为容易,所以为了提高运算速度, 参数精度定得较底, 仅为小数点后一位。但从搜索结果来看,参数估计是令人满意的。 这说明了以下几点: 　　1) 用粒子群优化算法进行参数估计是有效的;2) 在模型较简单, 需要估计的参数较少时,用粒子群算法进行参数估计可达到比较满意的精度。例2 的参数估计结果如表2所示。仿真实验中,参数精度定为小数点4位。仿真实验中,除d 以外参数的精度定为小数点后4位。在例2中,有个别参数的仿真结果和真实值差别较大,这是由于非线性系统本身的特性,即当其它参数基本确定时,单个参数并非越靠近真实值其适应值就越小,导致粒子群算法陷入局部最小值。 如例2 中最终估计值对应的适应值为0.197269 ,而将θ3的值改为1.18 时适应值仅为0.19635。解决的方法是进一步加强粒子群优化算法的寻优能力,在条件允许的情况下加大进化代数或