变异量子粒子群优化算法在系统辨识中的应用

为了增加全局搜索能力,避免陷入局部最小,在量子粒子群优化算法（QPSO）中引入变异机制,即基于QPSO的特点,用Cauchy分布分别对全局最优和所有个体极值的平均值进行变异。该算法称为带变异算子的量子粒子群优化算法（MQPSO）。通过对一典型的大海捞针类（NiH）问题的试验,证明了MQPSO在全局优化和快速收敛能力上有较大的提高。在此基础上将该算法应用于系统参数辨识中,辨识结果表明该方法具有参数辨识精度高,抗噪声能力强,对输入信号通用性强,也适用于非线性系统参数辫识,具有重要的工程应用价值。     

基于量子粒子群优化的动态标定辨识方法

针对传统辨识方法对非线性系统辨识效果不理想的情况,提出将量子粒子群优化（ QPSO）算法引入到力传感器的动态标定辨识中来。搭建了基于垂直正弦力加载的力传感器动态标定装置优化,该系统使用正弦运动机构作为激励装置,动态力由安装在正弦机构上的质量块产生。为验证QPSO算法进行系统辨识的可行性,进行了两组对比实验。结果显示：相比于递推最小二乘（ RLS）法,QPSO算法的辨识精度较高,适用于非线性系统的参数辨识。     

基于全局层次的自适应QPSO算法

阐明了具有量子行为的粒子群优化算法理论（QPSO）,并提出了一种基于全局领域的参数控制方法。在QPSO中引入多样性控制模型,使PSO系统成为一个开放式的进化粒子群,从而提出了自适应具有量子行为的粒子群优化算法（AQPSO）。最后,用若干个标准函数进行测试,比较了AQPSO算法与标准PSO（SPSO）和传统QPSO算法的性能。实验结果表明,AQPSO算法具有强的全局搜索能力,其性能优于其它两个算法,尤其体现在解决高维的优化问题。     

应用改进粒子群算法辨识Hammerstein模型

研究非线性系统辨识问题.针对非线性系统中单输入单输出Hammerstein模型,由于传统辨识方法对Hammerstein模型中非线性部分具有不易辨识的缺陷,造成辨识精度低、辨识效果差等问题.为此,在基本粒子群算法的基础上,提出了一种带有收缩因子的改进的粒子群算法对非线性系统进行辨识的方法,可将参数辨识问题转换为参数空间上的函数优化问题,然后利用粒子群算法的并行搜索能力进行参数寻优.通过MATLAB软件进行仿真,并与基本粒子群算法进行比较,结果表明,利用改进算法不仅提高了辨识精度而且获得了良好的辨识效果,从而验证了算法的有效性和可行性.     

水下机器人参数辨识的量子粒子群算法

水下机器人动力学模型参数辨识是水下机器人运动状态控制、路径跟踪、状态监测、故障诊断及容错系统开发的基础,是水下机器人研究的核心内容之一.针对Falcon开架缆控水下机器人的动力学模型,将量子粒子群优化算法引入到水下机器人动力学模型参数辨识之中,提出基于量子粒子群优化算法(Quantum-behaved PSO,QPSO)的水下机器人动力学模型参数辨识,并将其辨识结果与粒子群优化算法(Particle Swarm Optimization,PSO)及遗传算法(GA)的辨识结果进行比较.仿真结果表明应用QPSO算法的参数辨识结果明显优于其它对比方法,说明了算法的有效性与合理性.     

基于自适应云粒子群算法的Wiener模型辨识

针对非线性系统Wiener模型的系统辨识问题,提出一种基于自适应云模型的粒子群优化(ACMPSO)算法的辨识方法。ACMPSO算法利用云模型实现优秀粒子的遗传和进化操作,根据进化状况动态调整云模型的参数,自适应地控制云模型算法的寻优范围和精度,有较强的全局搜索和局部求精能力。仿真实验证明该算法寻优精度高于其他主要PSO算法;将该算法应用于Wiener模型的系统辨识,通过实验证明了该辨识方法优于当前其他方法。     

基于差分进化算法的Wiener模型辨识

DE算法是一类基于种群的启发式全局搜索技术,该算法原理简单,控制参数少,鲁棒性强,具有良好的优化性能.本文利用差分进化算法对Wiener模型参数进行辨识,把辨识问题等价为以估计参数为优化变量的非线性极小值优化问题,并分析了算法中种群规模NP、缩放因子F、交叉概率CR等控制参数对辨识过程中的全局并行搜索能力和收敛速度的影响,以保证算法的全局收敛性.对Wiener模型的数值仿真结果表明了DE算法在参数辨识问题中的有效性,以及较PSO算法更强的非线性系统辨识能力。     

基于差分进化算法的Wiener模型辨识

DE算法是一类基于种群的启发式全局搜索技术,该算法原理简单,控制参数少,鲁棒性强,具有良好的优化性能.利用差分进化算法对Wiener模型参数进行辨识,把辨识问题等价为以估计参数为优化变量的非线性极小值优化问题,并分析了算法中种群规模NP、缩放因子F、交叉概率CR等控制参数对辨识过程中的全局并行搜索能力和收敛速度的影响,以保证算法的全局收敛性.对Wiener模型的数值仿真结果表明了DE算法在参数辨识问题中的有效性,以及较PSO算法更强的非线性系统辨识能力.     

随机系统的递推辨识: 从个例到一般框架

本文考察Hammerstein系统、Wiener系统和非线性带外源输入的自回归系统(autoregressive system with exogenous input,ARX)等常见的随机非线性系统的递推辨识和因特网PageRank的分布式、随机化算法.对非线性系统分别构造递推辨识算法,证明了估计的强一致性;对因特网PageRank的分布式、随机化算法,给出估计的强一致性和收敛速度;在此基础上,总结了这类问题的统一处理框架–将辨识(估计)问题转化为函数求根、进而基于随机逼近构造算法得到强一致的递推辨识;最后,通过数值例子来验证算法的有效性.     

基于控制器与辨识器的转台系统设计

为改善三轴转台系统性能.结合传统控制方法与神经网络控制,提出一种基于RBF辨识转台系统的CMAC神经网络与PID并行的复合控制算法.算法采用RBF辨识对象模型,CMAC实现前馈控制,并实现PID控制参数的在线整定和优化.也给出了CMAC控制器算法和系统辨识的RBF网络算法.以某转台模型为对象,仿真结果表明算法具有了传统控制的优点,进一步也证明了算法的可行性和优越性,且具有了更强的适应性和鲁棒性,能更为有效地应用于转台系统中.     

量子粒子群算法在图像分割中的应用

引入了一种广泛而实用的方法——基于量子行为的粒子群算法的理论应用于图像分割领域。QPSO算法不仅参数个数少,随机性强,并且能覆盖所有解空间,保证算法的全局收敛性。文章中把图像分割问题看成一个最优化问题,以最小误差法为例,对比了所提算法和标准粒子群算法在阈值处理中的性能,并用实验证明了所提算法的可行性。     

Training algorithm for radial basis function neural network based on quantum-behaved particle swarm optimization

Radial basis function (RBF) networks are widely applied in function approximation, system identification, chaotic time series forecasting, etc. To use a RBF network, a training algorithm is absolutely necessary for determining the network parameters. The existing training algorithms, such as orthogonal least squares (OLS) algorithm, clustering and gradient descent algorithm, have their own shortcomings respectively. In this paper, we propose a training algorithm based on a novel population-based evolutionary technique, quantum-behaved particle swarm optimization (QPSO), to train RBF neural network. The proposed QPSO-trained RBF network was tested on non-linear system identification problem and chaotic time series forecasting problem, and the results show that it can identify the system and forecast the chaotic time series more quickly and precisely than that trained by the particle swarm algorithm.     

Parameters identification of nonlinear state space model of synchronous generator

Synchronous generator (SG) modeling plays an important role in system planning, operation and post-disturbance analysis. This paper presents an improved algorithm named Particle Swarm Optimization with Quantum Operation (PSO–QO) to solve both offline and online parameters estimation problem for SG. First, the hybrid algorithm is proposed to increase the convergence speed and identification accuracy of the basic Particle Swarm Optimization (PSO). An illustrative example for parameters identification of SG is provided to confirm the validity, as compared with Linearly Decreasing Inertia Weight PSO (LDW-PSO), and the Quantum Particle Swarm Optimization (QPSO) in terms of parameter estimation accuracy and convergence speed. Second, PSO–QO is also improved to detect and determine parameters variation. In this case, a sentry particle is introduced to detect any changes in system parameters. Simulation results confirm that the proposed algorithm is a viable alternative for online parameters detection and parameters identification of SG.     

A hybrid Improved Quantum-behaved Particle Swarm Optimization–Simplex method (IQPSOS) to solve power system load flow problems

This study proposes a new approach, based on a hybrid algorithm combining of Improved Quantum-behaved Particle Swarm Optimization (IQPSO) and simplex algorithms. The Quantum-behaved Particle Swarm Optimization (QPSO) algorithm is the main optimizer of algorithm, which can give a good direction to the optimal global region and Nelder Mead Simplex method (NM) which is used as a local search to fine tune the obtained solution from QPSO. The proposed improved hybrid QPSO algorithm is tested on several benchmark functions and performed better than particle swarm optimization (PSO), QPSO and weighted QPSO (WQPSO). To assess the effectiveness and feasibility of the proposed method on real problems, it is used for solving the power system load flow problems and demonstrated by different standard and ill-conditioned test systems including IEEE 14, 30 and 57 buses test systems, and compared with the conventional Newton–Raphson (NR) method, PSO and some versions of QPSO algorithms. Furthermore, the proposed hybrid algorithm is proposed for solving load flow problems with considering the reactive limits at generation buses. Simulation results prove the robustness and better convergence of IQPSOS under normal and critical conditions, when conventional load flow methods fail.     

多尺度量子谐振子算法性能分析

多尺度量子谐振子算法(MQHOA)具有良好的全局收敛性以及自适应性。为分析研究MQHOA求解精度与速度具体性能,通过求解整数非线性规划问题,将MQHOA和采用量子行为模型且已被广泛使用的量子粒子群优化(QPSO)算法以及改进的随机平均最好位置量子粒子群(QPSO-RM)算法进行理论模型和实验对比,仿真实验中,MQHOA对7组无约束整数规划问题的求解均取得100%成功率且求解速度整体上略快于QPSO和QPSO-RM;对2组有约束整数规划问题的求解速度比QPSO、QPSO-RM稍慢,但MQHOA的求解成功率均为100%,高于后两者;通过和QPSO、QPSO-RM的收敛过程进行对比,MQHOA更快更早于对比算法收敛到全局最优解。实验结果表明:MQHOA能有效地适应整数规划求解问题,能够避免陷入局部最优解的情况从而获得全局最优解,并在求解精度和收敛速度上均优于对比算法。     

基于QPSO的图像融合算法的研究*

提出了一种基于量子行为的粒子群优化算法(QPSO)的图像融合方法.将图像融合问题归结为最优化问题,采用了QPSO算法进行优化.QPSO不仅参数个数少,其每一个迭代步的取样空间能覆盖整个解空间,因此能保证算法的全局收敛.与PSO算法和遗传算法进行了比较,证明了QPSO算法在图像融合中具有良好的效果.     

非线性系统的参数空间分割辨识方法

本文提出了一种新的非线性系统Volterra级数模型辨识方法,为非线性系统辨识中 的“维数灾难”问题提供了一种满意的解决．算法中参数空间分割和模型辨识同时完成,降 维依据采用输出拟合结果的均方误差,最终得到输出拟合均方误差意义上的准最优解．本算 法也可以作为非线性系统模型的结构辨识算法,并可以直接推广应用于其它很大一类非线性 系统模型．仿真试验结果表明,算法计算量小,精度高,并具有较好的稳定性,可以应用于 在线实时辨识．