一种基于粒子群优化的非线性系统辨识方法

针对单入单出离散时间非线性动态系统提出一种辨识方法.该方法采用带误差修正的改进泛模型作为非线性系统的结构模型,模型中的时变特征参量及误差修正系数采用粒子群（PSO）算法优化,优化后的模型可以逼近非线性系统.该方法简单、易于实现.通过对Box-Jenkins煤气炉数据等非线性被控对象的仿真研究及对模型的分析,表明了所提出算法的有效性.     

粒子群优化神经网络算法在非线性系统辨识中的应用研究

由于非线性系统在实际中大量存在,因此对其进行辨识研究显得十分重要.论文针对目前非线性系统难以辨识的问题,先利用BP神经网络对非线性对象进行逼近辨识,再采用粒子群算法优化BP网络的方法.仿真结果表明该方法能够实现更大精度的辨识效果.     

基于粒子群优化算法的非线性系统模型参数估计

非线性模型的参数估计是较为困难的寻优问题,经典方法常会陷入局部极值。由于粒子群算法是一种有效的解决优化问题的群集智能算法,它的突出特点是操作简便、容易实现且全局搜索功能较强,故将粒子群优化算法用于非线性系统模型参数估计,并通过对3种典型的非线性模型的参数估计进行了验证。实验结果表明：粒子群优化算法参数估计精度高,是一种有效的参数估计方法。     

基于混合进化策略的非线性系统辨识

进化策略是一类适用于非线性、不可微和多峰值复杂函数的优化方法。提出了基于混合进化策略的非线性系统辨识方法。方法的基本思想是将非线性系统辨识问题转化为参数空间上的函数优化问题,然后应用一种新的混合进化策略对整个参数空间进行搜索以获得系统参数的最优估计。仿真结果显示了该方法的有效性。     

粒子群优化算法训练神经网络辨识混沌系统

提出利用粒子群优化算法训练神经网络的算法,进行混沌系统辨识,并与神经网络、遗传神经网络对同一混沌系统辨识的结果进行比较。实验表明,利用粒子群优化算法训练神经网络进行混沌系统辨识,在不明显增加执行时间的基础上,寻求最优解的质量有显著提高,并且原理简单,容易实现,可有效用于混沌系统的辨识。     

基于粒子进化的多粒子群优化算法

提出了一种基于粒子进化的多粒子群优化算法。该算法采用局部版的粒子群优化方法,多个粒子群彼此独立地搜索解空间,从而增强了全局搜索能力;利用重置进化粒子位置的方法使陷入局部值的粒子摆脱局部最小,从而有效地避免了"早熟"问题,提高了算法的稳定性。对3个测试函数进行了对比实验,结果表明该算法优于标准粒子群算法。     

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.     

基于改进粒子群算法的时变系统辨识

针对时变系统辨识问题,在基本粒子群算法的基础上,提出了一种改进的粒子群算法对时变系统进行辨识的方法,实质是把辨识问题转换为参数空间上的函数优化问题,然后利用改进粒子群算法的并行搜索能力进行参数寻优。仿真实验表明,与其他算法相比,利用改进算法不仅提高了算法的辨识精度,改善了对时变参数的跟踪精度。     

基于改进差分进化算法的非线性系统模型参数辨识

针对非线性模型的参数估计寻优较为困难的问题,提出一种基于改进的差分进化算法的非线性系统模型参数辨识新方法。通过引入一个自适应变异率,随着迭代的进行自适应调整缩放因子,从而在初期保持种群多样性以避免早熟,并在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏。交叉概率采用动态非线性增加的方法,提高了收敛速度。为了验证算法性能,针对几类典型的非线性模型参数辨识问题进行了仿真研究,并将其应用于一类发酵动力学模型参数的估计中。结果表明改进算法的参数辨识精度高,收敛速度也比较快,有效提高了模型建立的精度与效率,为解决实际系统中参数估计问题提供了一条可行的途径。     

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。     

基于带近邻因子的粒子群算法的非线性系统辨识

针对非线性系统辨识的问题,提出了一种改进的粒子群算法.该算法引入近邻因子,增加了当前粒子的社会学习功能,可有效克服基本粒子群算法易陷于局部最优解的常见弊病.算法对未知非线性系统具有充分的逼近能力,对噪声不敏感,实现了对一类非线性系统的有效辨识.     

QPSO算法优化的非线性观测器设计方法研究

具有量子行为的粒子群优化算法(Quantum-behavedParticleSwarmOptimization,简称QPSO)是继粒子群优化算法(ParticleSwarmOptimization,简称PSO)后,最新提出的一种新型、高效的进化算法。论文在研究基于PSO算法的非线性观测器基础上,提出了一种基于QPSO算法的非线性观测设计方法。以vanderPol系统为例进行了仿真实验,其基本思想是将非线性连续时间系统的状态估计问题转换为非线性函数的在线优化问题,然后利用PSO或QPSO算法获得系统状态的最优估计。仿真结果显示了基于QPSO算法的非观测器比基于PSO算法的非线性观测器的性能更优越。     

非线性粒子群算法

提出了一种新型的粒子群算法一非线性粒子群算法,给出了计算公式并进行了实验模拟.非线性粒子群算法采用非线性计算公式调整粒子速度.由于非线性计算公式的多样性,因此可以构建种类繁多的具体的非线性粒子群算法.非线性粒子群算法一方面保持了标准粒子群算法的简单性,同时也具有更强的搜索能力.实际计算表明,只要能够选好非线性项中的参数,就可以提高算法的效率.     

基于粒子群优化算法的系统可靠性优化

系统可靠性优化问题是典型的NP难题,建立了可靠性冗余优化模型,采用粒子群优化算法对其进行求解。通过对其它文献中仿真实例的计算和结果对比,表明了算法对求解可靠性优化问题的可行性和有效性。     

求解非线性方程及方程组的粒子群算法

用随机搜索性能良好的粒子群算法求解非线性方程及方程组问题,计算中不需使用目标函数的导数信息;实验结果表明了该算法的有效性。     

基于进化能力的多策略粒子群优化算法

针对粒子群优化算法易早熟收敛、求解精度低等缺点,提出基于进化能力的多策略粒子群优化算法（multistrategy particle swarm optimization algorithm based on evolution ability）。将粒子按照适应值变化方向分为进步粒子和停退粒子。对于进步粒子按照原始进化策略更新,保留原算法的优点。对于停退粒子进一步根据粒子活性分为暂时停退粒子和长久停退粒子,针对暂时停退的粒子,减小对个体历史速度的依赖甚至向相反方向学习,针对长久停退粒子,根据粒子的适应值优劣采用不同的进化策略,提高全局寻优能力。同时,设计一种带随机波动的惯性权重,使粒子在算法后期仍然具有跳出当前区域的能力,利于全局搜索。通过与其他算法在10个测试函数不同维度上的优化结果对比表明,该算法无论对低维还是高维问题求解的收敛速度和求解精度均有优势。将EAMSPSO算法应用于半无限规划问题的求解,实验结果表明,该算法可以用于半无限规划问题的求解,且具有优势。     

基于差分演化的粒子群算法

粒子群优化算法是一种简单有效的随机全局优化算法.但粒子群优化算法有易陷入局部极值点,进化后期收敛速度慢,精度较差的缺点.为了改进粒子群优化算法,将差分演化算法融合到粒子群优化算法中,在算法中,将粒子每代的所有局部最优位置进行变异、杂交、选择操作,提出了基于差分演化的粒子群算法.使粒子群算法和差分演化的探测和开发能力得到有效利用与平衡,提高了求解进度和效率,并通过仿真验证算法的性能优于带线性递减权重的粒子群优化算法和差分演化算法.     

基于文化进化的并行粒子群算法

为了改善粒子群算法对大规模问题求解的性能,提出一种基于文化进化的并行粒子群算法,阐述了该算法的原理和具体实施方案。选取背包问题作为算法的应用对象,通过对仿真实例进行计算和结果比较,表明该算法在最优值、求解速度、稳定性等方面具有较好的 效果。     

基于粒子群优化的低阶时滞系统辨识

为了解决低阶时滞系统阶跃响应辨识问题,提出基于粒子群优化的参数估计方法.方法主要包括参数初值计算和参数估计两部分.首先,采用积分方程方法估计时滞系统参数初值,通过设置参数初值估计误差,得到系统参数取值范围.然后,为了减小由观测噪声引起的参数估计误差,采用粒子群优化算法优化模型参数.最后,通过仿真实验分别验证文中方法在不同噪声条件下辨识低阶时滞系统的性能.实验表明,文中方法具有良好的参数估计精度和较强的抗噪能力,可有效解决噪声条件下低阶时滞系统的阶跃响应辨识问题.     

基于动态非线性策略的粒子群优化算法研究

为解决支持向量机中核函数的参数优化选择问题,在对粒子群算法中惯性权重和加速因子非线性化的基础上,提出一种动态非线性策略的粒子群优化算法.算法的核心是通过调整和融合惯性权重ω和加速因子c1,c2选择策略,有效控制算法的全局寻优与局部寻优能力,限定粒子的搜索范围.采用单模态和多模态标准测试函数检验策略对算法的影响,并将该算法应用于标准支持向量机非线性测试函数的拟合问题中,最后应用优化后的支持向量机解决航空发动机振动监控问题.仿真结果表明,改进后算法能有效提高最优解精度,加快收敛速度,实现支持向量机参数的择优选取,具有良好的工程应用价值.