智能算法在辨识系统中的应用.docVIP

智能方法在辨识系统中的应用 无论是最小二乘法还是极大似然法，它们在精确辨识线性模型上的成功是毋庸置疑的；但是对生产过程中更多非线性模型的辨识，显然有些束手无策。在最近的几十年中，计算机技术的高速发展和优化计算方法的进步，各种辨识问题的理论研究发展迅速，新方法不断出现，实际应用日益广泛。 近年来，随着智能控制理论研究的不断深入及其在控制领域的广泛应用，神经网络、遗传算法、蚁群算法、小波网络、模糊理论等知识被应用于系统辨识中，发展为很多新的系统辨识方法。它们可以用于线性、非线性的在线辨识。 它的基本过程是：首先通过系统仿真，求出与实际系统在相同外界扰动下的模型输出，然后比较模型输出与系统的实际输出这两者之间的差异，构成误差函数，利用误差函数来不断修正数学模型中的未知参数。当误差函数取极小值时，就认为此时数学模型的参数就是待辨识系统的参数。 一、常用系统辨识的智能算法简介 1.蚁群算法 蚁群算法的主要特点是算法利用正反馈的原理使得该方法能很快发现较好解；分布式计算使得该方法易于并行实现，与启发式算法相结合，使得该方法易于发现较好解。研究结果表明，蚁群算法具有较强的鲁棒性。目前，该算法的优越性已经得到一定的体现，初步的研究结果已显示出该算法在求解复杂优化问题（特别是离散优化问题）方面的优越性．但是该算法也存在一些缺点，如需要较长的搜索时间，容易出现停滞现象等。 但从当前的应用效果来看，这种模仿自然生物的新型系统寻优思想无疑具有十分光明的前景。 2.神经网络算法 人们对神经网络是从 20 世纪 40 年代开始。1943 年首先提出了人工神经网络的模型，迈出了人类研究神经网络的第一步。之后神经网络经历了发展阶段和低潮阶段。直到 80 年代，随着 Hopfield 神经网络模型和 BP 神经网络模型的理论的提出，神经网络理论逐渐引起各国科学研究工作者的关注。 目前，自动控制领域面临着控制对象的复杂程度、非线性程度愈加严重，这样，对控制系统的要求更加提高。人工神经网络有很强的适应于复杂环境能力和对多目标控制自学能力，并可以任意精度逼近任意非线性连续函数。正好解决控制领域的许多难题。 3.遗传算法 遗传算法是一种建立在生物界自然选择原理和自然遗传机制的随机搜索法，采纳了自然进化模型，将“优胜劣汰，适者生存”的生物进化原理引入到人工系统中实现特定目标的优化。 在过去十年，随着工业生产规模的不断扩大，最优化的重要性不断提高，许多重要的大规模组合优化问题及具有复杂约束条件的工程设计问题只能用现代的计算机获得近似解。遗传算法能够在对象数学模型上不十分明确，且存在大量约束条件的情况下，更好地排除局部最优解的干扰，达到全局最优解，因而它被用于与复杂或未知对象相关的参数优化过程中。遗传算法属于概率型搜索算法的一种，但是与直接的随机搜索方法不同的是它在搜索过程中始终保持一个可行解的群体，因此该算法比一般的直接搜索算法更强大。 4.退火算法 1982 年，Kirkpatrick 等首先意识到固体退火过程与组合优化问题之间存在的类似性，Metropolis 等对固体在恒定温度下达到热平衡过程的模拟也给他们以启迪：应该把Metropolis 准则引入到优化过程中来。最终他们得到一种对Metropolis 算法进行迭代的组合优化算法，这种算法模拟了固体的退火过程，因此称之为“模拟退火算法”。 当模拟退火算法最初被引入时，这个算法主要应用于集成电路芯片的设计。现在则已经被各个领域所应用，如模糊模式识别、城市土地布局以及配电网络优化等。 随着研究的不断进展，人们对原始的模拟退火算法不断的改进，逐渐形成了如：加温退火法，有记忆的模拟退火算法、多次寻找法、回火退火法以及并行模拟退火算法以及将模拟退火算法与基因算法混和的算法等等。这些算法极大的提高了模拟退火算法的优化能力。 二、蚁群算法用于系统辨识的研究 1.蚁群算法的基础 人工蚂蚁“寻找食物”群体行为模型如图所示。假设蚂蚁以 l 单位长度/单位时间的爬行速度往返于蚁巢 E 和食物源 A 之间，并且沿途释放的信息素浓度为1。 图 （a）中 d 表示距离，每过 1 个单位时间各有 30 只蚂蚁离开 E 和 A。图（b）中时间 T=0 时，第一代 30 只蚂蚁分别从A 和 E 出发到达 B 和 D，此时路径上无信息素，蚂蚁将以相同的概率选择两条路径中的一条行进，即有 15 只蚂蚁选择通向 C 的路径，15 只选择通往 H 的路径。 图 （c）中 T=l 时，BCD 上留有 30 只蚂蚁的信息素，路径 BHD 上留有15 只蚂蚁的信息素，即 BCD 上信息素的浓度为 BHD 上的 2 倍。此时第二代 30只蚂蚁分别从 A 和 E 出发到达 B 和 D 时按概率选择，将有 20 只蚂蚁选择 C，10 只蚂蚁选择 H。于是 BCD