控制系统参数优化及仿真演示课件.ppt

6.3 多变量寻优技术 三、新点的选取 根据经验及考虑到计算方便 ，一般新的点取在被抛弃的点的“对面”，称为反射点。以图6.3.8所示为例，假定为要抛弃的点，则新点的坐标应为，坐标可以这样来求： 图6.3.7 单纯形法寻优过程 图6.3.8 反射点的确定 .. * 6.3 多变量寻优技术 先求出 及 两个点的中心 ，则 (6.3.59) 然后再求其反射点 ，即 (6.3.60) 推广到多变量(n维)的情况，则有 , 共 个点，假定其中 点是被抛弃的，那么， 反射点 为 (6.3.61) 其中: .. * 6.3 多变量寻优技术 四、关于新点的扩张压缩及单纯形的收敛问题 对组成单纯形的(n＋1)个点，可以定义： 为最坏点(即目标函数 最大的点) 为最好点(即 最小的点)； 为次坏点(即 比 小，但比其他各点的目标函数都大)。 如果新的点 的函数值 小于 ，这说明点可能前进得不够，此时可以沿反射方向再多前进一些(称为扩张)，即 (6.3.62) .. * 6.3 多变量寻优技术 反之，若按(6.3.61)式找到 ，而 大于 ，这说明 点前进得太远了，需要压缩，即要在 与 的延长线上(即沿原来的反射方向)后退一些，得 (6.3.63) 为压缩因子，它是0～1之间的一个常数，为了避免 与 重合(即 ＝ )，要求 ( 与 重合会使单纯形的空间维数降低，这不利于搜索)。 如果压缩后 仍然大于 ，这说明原先的单纯形取得太大了，可以将他们所有的边都缩小，构成新的单纯形，这叫单纯形的收缩。 具体办法是： (6.3.64) .. * 6.3 多变量寻优技术 五、什么时候停止搜索 若 则说明搜索成功，此时可以认为 即为极小点，而 为极小值。如果经过K次搜索，仍然不能满足上式，说明搜索失败。 根据上面的介绍，可画出单纯形法的程序框图，如图6.3.9所示。这个程序基本上包括以下7个部分： (1)计算原始的单纯形； (2)计算原始的单纯形各点的目标函数值； (3)找到最好点 ，最坏点 ，以及次坏点 ； (4)寻优次数 加1，并判断计算是否收敛，若收敛，则打印出结果； .. * 6.3 多变量寻优技术 (5)搜索次数是否超过规定，若已超过，则说明搜索失败，打印出结果，并停止搜索，若未超过，则计算反射点； (6)判断是否要压缩，若要，则进行压缩计算，若压缩失败，则进行收缩计算，然后转(3)或(4)； (7)判断是否要扩张，若要，则进行扩张计算，并评价扩张效果，然后转(4)； 关于单纯形法的详细程序可参看本书配套的程序，该程序除考虑了上述诸点之外，还考虑到参数变量上下界限制，这样在使用时就更为方便了。 .. * 6.3 多变量寻优技术 图6.3.9 单纯形法程序框图 .. * 6.4 随机寻优法 在第三节中已分别介绍了两种多变量寻优的方法。梯度法虽然每一步寻优方向十分明确——沿着梯度所给的信息来确定寻优方向，但是这种方法每一步都要计算目标函数的梯度，这常常占用相当长的计算时间。而单纯形法则不同梯度这个信息，它是利用对参数点的目标函数值的比较来确定寻优方向。这种方法对于变量较多，目标函数的形态比较复杂的情况(比如有好几个极值点)收敛都不十分快。随着统计仿真方法的发展，近年来随机寻优法也得到了发展，当变量数目较多，目标函数的形态又比较复杂时，用此法一般较好。。 .. * 6.4 随机寻优法 尤其是当采用混合仿真系统来进行控制系统参数寻优时，可以用模拟机部分来计算系统的运动方程，即计算目标函数；而用数字机部分来做