基于混合仿生学群体优化算法设计与实现——毕业论文

毕毕 业业 设设 计计 中文题目中文题目基于混合仿生学群体优化算法设计与实现基于混合仿生学群体优化算法设计与实现 英文题目英文题目Design and implementation of mixed group based on mixed group bionics optimization algorithm 院 系：计算机与信息工程学院 年级专业：软件金融工程 姓 名： 学 号： 指导教师： 职 称： 年 月 摘要 I 摘摘 要要 针对人工鱼群算法（AFSA）局部寻优不精确和人工蜂群算法（ABC）收敛 速率慢等问题，提出了一种具有改进算法，混合了人工蜂群和鱼群。为了使局部 寻优跟精确。然后为了提高全局收敛性，我们在每个修改干扰频率。此外，我们 使用一种更好的计算来确定和比较两种不同的方案。实验证明该算法比原有的算 法中算法都提高了准确和精确度。从而实现对 PID 神经元网络解耦控制算法进 行实现。对于具有非线性、大迟滞、强耦合特点的多变量系统，在解耦控制中， 研究人员很难找到理想方法解决控制中的问题。基于神经网络的 PID 控制。在 强耦合的多输入多输出系统的比例，积分和微分参数在线自整定的神经网络 PID 解耦控制器的基础上。 关键词：关键词：人工鱼群算法(AFSA)；人工蜂群算法(ABC)；PID 神经元解耦控制算法 ABSTRACT II ABSTRACT In view of the artificial fish algorithm (AFSA) and local optimization is not accurate and artificial swarm algorithm (ABC) problem such as slow convergence speed, puts forward a kind of improved algorithm, a mixture of artificial colony and fish. In order to make the local optimization with precision. Then in order to improve the global convergence, we modify at each frequency interference. In addition, we use a better calculation to determine and compare the two different solutions. Experimental results show the algorithm than the original 2 algorithm to improve the accuracy. So as to realize the PID neural network decoupling control algorithm is implemented. With nonlinear, large delay, strong coupling characteristic of multi-variable system,the decoupling control, the researchers are hard to find an ideal way to solve the problem of control. PID control based on neural network. At the strong coupling of multiple input multiple output system proportion, integral and differential parameters online self-tuning PID neural network decoupling controller based on. Key Words: Artificial fish algorithm (AFSA); the swarm algorithm (ABC); PID neuron decoupling control algorithm 目录 III 目目 录录 第 1 章引言1 1.1 研究背景.1 1.2 研究意义.1 1.3 研究现状.2 1.4 研究内容.2 第 2 章蜂群算法的原理与实现3 2.1 蜂群算法.3 2.1.1 基于蜜蜂采蜜行为蜂群算法4 2.2 PID 神经结构 5 2.2.1 算法的实现步骤6 2.2.2 实验结果与分析7 2.3 蜂群算法的优缺点.9 2.4 鱼群算法.9 2.4.1 觅食行为10 2.4.2 聚群行为10 2.4.3 追尾行为10 2.4.4 实验结果与分析10 第 3 章基于改进混合仿生学的群体优化寻优算法13 3.1 PID 神经元网络结构 13 3.2 算法实现步骤.13 3.3 PID 神经网络的实现 14 第 4 章实验结果与分析15 4.1 PID 控制在二种算法中的结果 15 4.2 PID 神经网络提供给对象的控制输入 16 4.3 误差曲线.17 第 5 章总结19 5.1 结论.19 5.2 进一步工作的方向.19 参考文献20 致致 谢谢21 第 1 章 引言 1 第第 1 1 章章引言引言 1.1 研究背景研究背景 现如今科学技术的快速发展。大量生产问题都最终变为了对高维复杂函数求最 优的问题，最要的难点在于函数复杂，规模大，维度高，非线性，容易陷入局部最 优。最近 5 年来，智能群体算法的兴起为这一类问题求解开辟了新路线，其中，以 人工蜂群（Artificial Bee Colony,ABC）算法最为明显，但是也存在问题，比如存在 着早熟收敛，容易陷入局部极值，解的精度还不够等不足。为此，不少学者还提出 改进方案，比如说 Mansouri 等提出了 BABC（Bisection-ABC）算法1，这算法结合 了对分法（Bisection Method）和基本的人工蜂群算法，十分有效地对函数的固定点 问题一类问题得到了求解。生物界中有许多只能群体智能生物，如蚂蚁，鸟，鱼等。 单个个体只有简单的只能，但是多个个体组成的群体就远远超出了个体合起来的智 能，它们会相互合作于相互的影响。随着人们对群体智能的关注，提出了具有较强 适应性的许多优化算法，这为解决很多大型的问题提供了条件2。就驱使了神经网络 的进一步发展，人工智能这一领域急需大量的专业人才和科学家的投入。优化问题 中经常遇到众多应用程序的核心工程师荷兰国际集团设计经济学、统计物理、信息 理论和计算机科学等。群英特尔方法在人工智能用于解决实际的优化问题。这是灵 感来自社会的集体行为社会和其他动物。群体智慧有一些优点,如可伸缩性、容错、 适应、速度、模块化、战略性和并行性。 1.2 研究研究意义意义 生产过程一般都是有顺序的，变量之间关系十分的庞大，也是十分的复杂。一 个变量的变化，会影响多个变量的变化，这就是耦合。它是一种在生产过程中会有 的一种现象，需要去掉这种关系的过程叫解耦3。是二十多年来，是自动化领域中的 一个火爆的研究方向。在很多领域，如军工、机械、轻工、化工、石油、钢铁等诸 多领域。随着科学发展与许多学者的研究，生产正往大容量，高速的方向发展，要 求的解耦控制就也越来越复杂，需要的控制的方向加以解决。对未来的更多领域会 产出出很重大的影响。让生产越来越智能。越来也快生产的质量也越来越好。本文 侧重于设计一种定义逃逸半径指导早熟个体的逃逸方向，有效降低了个体逃逸的盲 目性。与自然过程相关的老化和退化，往往导致增加发生故障。如果这些失败是不 可避免的，他们可能会导致业务的增长成本、停止生产过程、最终引发严重事故。 第 1 章 引言 2 由于这些原因，系统维护方法一直是几十年的重要研究课题。到如今，已经有针对 不同的实际问题提出的成百上千的神经网络模型。并对这些神经网络模型的结构和 功能进行不断地改进，使其在处理实际问题中更有效率，更为精确。另一方面，神 经网络是一项新兴的技术，处于一个发展阶段，其在理论模型的提出、算法设计与 实现、运用于实际方面还需要不断探索，付出更多的努力。目前，许多国家的政府 和企业已经发现了神经网络在未来发展的潜力，投入了大量的人力物力致力于这项 研究。 1.3 研究现状研究现状 人工蜂群算法这么多年来，有了很多成果。也引起了很多科学家的聚集关注， 尤其是，对算法提出了很多合理的猜想，虽然没有理论分析和数学证明，但也很大 程度上推进了算法的发展于应用。1995 年在没过举办了第一届的国际群体只能研讨 会之后每年都举办一次群体智能研讨会，这对学术上的交流于应用的发展大大的促 进也发展。从提出几年来，改进是越来越多的，也更好地应用和服务越来越多的显 示问题。越来越多的学者选择群体优化的算法，也慢慢重视这些算法4。本文侧重于 设计一种新的启发式函数、个体逃逸的方式，避免路径规划陷入局部最优，同时有 效的减少算法设计的时间，最后在 MATLAB(R2010b) 软件上进行计算机仿真实验证 明。 1.4 研究内容研究内容 神经网络算法是处理 PID 解耦控制中一个重要算法，研究的基本内容包括如下： 1、掌握神经网络的基本原理。 2、掌握人工蜂群算法，人工鱼群算法，PID 解耦算法算法。 3、对 2 种算法用 matlab 语言编写。 4、修改和完善神经网络算法，尽量缩短神经网络训练时间并提高预测精度。 5、分析改进的神经网络算法在不同情况下进行故障诊断预测的实验结果。 6、对改进的神经网络算法的试验结果进行分析总结。 第 2 章 蜂群算法的原理与实现 3 第第 2 2 章章蜂群算法的原理与实现蜂群算法的原理与实现 2.1 蜂群算法蜂群算法 一个完整的蜂群由工蜂、雄蜂、蜂王这三个部分组成，构成这三个部分分别代 表了采蜜蜂，观察蜂，侦察蜂。蜂王是蜂群中唯一能繁衍出下一代的雌蜜蜂，它的 寿命能达到 5-6 年之久，而一般的工蜂和雄蜂的寿命不到五分之一。体重是工蜂的 2 倍。蜂王它是有任务的，它的任务是在于与不同的雄蜂的进行繁殖。工蜂由受精卵 发育而来，个体最小，生殖器官不完全，没有繁殖能力，负责采蜜和照顾小型的幼 封的工作，让蜂窝有条不紊。5 蜂王性成熟之后，它会带领一群雄蜂吹随其后，蜂王选择其中的一只进行交配， 之后这个雄蜂会立马死亡，但蜂王可以多次进行交配，直至采完飞回蜂窝进行产卵。 为了减少死亡率蜂王会去找其他的蜂群中的雄蜂进行繁殖，刚开始的时候，蜂王会 飞的很快，每一次交配,都会进行加速,速度太快会影响效率。当蜂王接近要死亡时， 会在幼蜂中选择一只就能够当上蜂王的幼蜂产生就行新一代的蜂王，此时结束蜂王 的一生，新的蜂王也开始原来一样的模式。蜂王进化过程也是一直在更新的过程。6 如图 2.1 所示，繁殖行为过程的图示： 图 2.1 繁殖行为过程的图示 第 2 章 蜂群算法的原理与实现 4 2.1.1 基于蜜蜂采蜜行为蜂群算法基于蜜蜂采蜜行为蜂群算法 如图 2.2 所示，生物界的蜂群都能较好的找到比较好的的蜜源。 图 2.2 蜜蜂采蜜行为图示 初始化种群是必须的也是前提，初始化都是随机的，生成若干个个体组成初始 群体对算法的全局化的解有很关键的步骤。没有一个好的初始化这样会让它的解的 结合是否能够更好的生成，所以初始化需要注意。下面我将有这种方式初始化。 蜜 蜂的函数优化问题，采蜜行为的对应关系如下： 采蜜行为函数优化 食物源可行解 食物源适应度 可行解质量 寻找及觅食的速度 可行优化速度 最大适应度最优解 第 2 章 蜂群算法的原理与实现 5 蜂窝中的一部分会作为去收集蜂蜜的蜜蜂由候选可行解的集合通过进化来得到 比较好的那个一个解。7由 N 个可行解的计算公式： (3.0) ijij dXX 计算每一个新蜂源的适应度，如果适应度跟高就采用那一个高的代替。8搜索新 蜂源的公式： ()(2.2) ijijijijkj VXXX 对每一个适应度大小呈现正比例的概率，选择一个蜂源对起进行领域搜索。其 公式为： 1 (2.3) n f fn i fit P fit 2.2 PID 神经结构神经结构 隐含层有 3N 个神经元，包括 N 个比例神经元,N 个积分神经元合 N 个微分神经 元这些神经元的输入值相同，计算公式为： 2 1 ( )( )(2.4) sj ijij i netkk 比例神经元： 11 ( )( )(2.5) ss uknetk 积分神经元： 333 ( )( )(1)(2.6) sss uknetkuk 微分神经元： 333 ( )( )(1)(2.7) sss uknetkuk 输出层，包括一个神经元，完成网络的总输出功能，它的计算公式为： 3 1 ( )( )(2.8) n ijij i netkx k 其中是上面的权重神经元输出值。 ij ( ) s x k 输出神经元的状态与比例元的状态函数相同，状态为： 第 2 章 蜂群算法的原理与实现 6 ( )( )(2.9) n s u knetk 输出神经元的输出值为： ( ) s x k 1,( )1 (3.0) ( ) ,1 si i sii u k fit u kf 算法参数规定如图 2.3 所示： 图 2.3 PID 控制算法参数 2.2.1 算法的实现步骤算法的实现步骤 步骤 1：初始化种群； 步骤 2：侦测蜜蜂对食物进行探索； 步骤 3：计算转移概率并进行角色转换 步骤 4：跟蜂群依据概率同引蜂群一起对食物进行开采 步骤 5：连续经过 limit 循环，解是否改善 步骤 6：放弃该解，随机产生一个新解代替原有解 算法流程图，如图 2.4 所示： 第 2 章 蜂群算法的原理与实现 7 侦测蜜蜂对食物进 行探索 计算转移概率并进 行角色转换 跟蜂群依据概率同 引蜂群一起对食物 进行开采 是否满足条件 放弃该解，随机产 生一个新解代替原 有解 连续经过limit循 环，解是否改 善 是 否 否 结束 结束 是 初始化种群 图 2.4 蜂群算法流程图 2.2.2 实验结果与分析实验结果与分析 蜂群算法的迭代半径与错误率的函数如下图 2.9： 第 2 章 蜂群算法的原理与实现 8 图 2.5 蜂群算法对比图 改进蜂群的迭代如下图 3.1： 第 2 章 蜂群算法的原理与实现 9 图 2.6 改进蜂群群算法对比图 2.3 蜂群算法的优缺点蜂群算法的优缺点 蜂群算法由于自身的某些属性，在求解组合优化问题上具有优势。9其主要优点 如下： a) 多样性：确保算法不会进入死循环，是一种创造能力；10 b) 正反馈机制：确保得到的优良信息不会丢失，是一种学习强化能力； c) 并行计算：具有蚁群的特性，算法性能可以并行实现； d) 强鲁棒性：建议修改后便可应用于其他相似问题； e) 易与其他算法相结合：与其他算法可以相辅相成的实现同一目标。 然而，蜂群算法同样有着缺点，例如： a) 易于陷入局部最优：正反馈可缩小搜索范围导致算法未关注全局信息；11 b) 算法运行速度慢：并行计算可得到较多解，同样在多组解中找最优解耗时； c) 理论不充足：在计算上得以验证，但不一定可以用公式化来表示算法过程。 第 2 章 蜂群算法的原理与实现 10 2.4 鱼群算法鱼群算法 第 2 章 蜂群算法的原理与实现 11 2.4.1 觅食行为觅食行为 假设 N 条人工鱼，其中一条人工鱼的状态为 Xi=(x1,x2,xn) 在解决极大值问题时，设当前人工鱼的状态为 Xi，其适应度为 Yi=f(X)(食物浓度)， 人工鱼之间的距离为: (3.0) ijij dXX 在解决极大值问题时，随机选择其感知范围内的一个状态 Xj，其适应度为 Y，若 Yibesty besty=Ymax; bestx=X(:,index); BestY(gen)=Ymax; BestX(:,gen)=X(:,index); else BestY(gen)=BestY(gen-1); BestX(:,gen)=BestX(:,gen-1); end gen=gen+1; 2.4.2 聚群行为聚群行为 设当前人工鱼的状态 Xi, 其适应度为 Yi,搜索该人工鱼范围中心位子 Xc 聚群行 为可以表示为: *, (3.2) (), ci iij ci imove XX XRandStepYY XX X prey Xi 反之 Xi1,Yi1=AF_swarm(X,i,visual,step,delta,try_number,LBUB,Y); 2.4.3 追尾行为追尾行为 当钱人工鱼搜索其视野范围内食物浓度最大的人工鱼群 Xmax，则追尾行为可以表示为: 第 2 章 蜂群算法的原理与实现 12 max max max *, (3.3) (), i iij i i XX XRandStepYY XXX prey Xi 反之 Xi2,Yi2=AF_follow(X,i,visual,step,delta,try_number,LBUB,Y); if Yi1Yi2 X(:,i)=Xi1; Y(1,i)=Yi1; else X(:,i)=Xi2; Y(1,i)=Yi2; end 2.4.4 实验结果与分析实验结果与分析 设置鱼群的数量为 50，如下图 2.5 所示： 图 2.7 鱼群数量为 50 设置鱼群的数量为 100，如下图 2.6 所示： 第 2 章 蜂群算法的原理与实现 13 图 2.8 鱼群数量为 100 图 2.9 原本鱼群算法对比图 第 2 章 蜂群算法的原理与实现 14 图 2.10 改进鱼群算法对比图 第第 3 3 章章基于改进混合仿生学的群体优化寻优算法基于改进混合仿生学的群体优化寻优算法 3.1 PID 神经元网络结构神经元网络结构 PID(Proportional、Integral and Differential)控制是最早发展起来的控制策略之一，它以 算法简单、可靠性高等优点而梭广泛应用于工业过程控制中。13 图 3.1PID 神经元结构 3.2 算法实现步骤算法实现步骤 步骤 1：网络结构初始化,权值初始化，值限定； 第 3 章 基于改进混合仿生学的群体优化寻优算法 15 步骤 2：网络迭代优化,控制变量输出,网络权值修正； 步骤 3：计算转移概率并进行角色转换。14 算法流程图，如图 3.2 所示： 开始 网络结构初始化权值初始化 值限定 网络迭代优化 网络权值修正 控制变量输出 结果分析 图 3.2 PID 控制实现 3.3 PID 神经网络的实现神经网络的实现 神经网络包含输入层、隐藏层、输出层。其中，隐藏层可以为一层或多层。下图 是一个隐藏层为两层的 BP 神经网络的拓扑结构图。如图所示： P1 P2 pm wij wjk a1 am 图 3.3 BP 神经网络拓扑结构 图 3.3 中，P1，P2，Pm 为神经网络的输入值，a1，a2，am 为 BP 神经 第 3 章 基于改进混合仿生学的群体优化寻优算法 16 网络的预测值。Wij 和 Wjk 为 BP 神经网络的权值。 第 4 章 实验结果与分析 17 第第 4 4 章章实验结果与分析实验结果与分析 4.1 PID 控制在二种算法中的结果控制在二种算法中的结果 利用原始的蜂群导入的 PID 变量项的 PID 神经元网络控制神经控制效果，3 个输 出变量 PID15： 图 4.1 PID 神经元网络控制 3 个输出 利用改进的的蜂群导入的 PID 变量项的 PID 神经元网络控制神经控制效果，3 个 输出变量 PID3 个控制变量变量如图 4.2ID 神经元网络控制 3 个输出： 第 4 章 实验结果与分析 18 图 4.2 PID 神经元网络控制 3 个输出 显然，可以看出上面原来的第一个控制量 u1,在 0.1 秒的适合接近控制目标，而改 进的在 0.04 秒时在时间上显著提高，大概是原来的一倍多。其他 2 个变量基本也是提 高了一倍及其以上，所以可以看出这个控制变量的控制效果显然是改进算法的控制显 然会提高很多。16 4.2 PID 神经网络提供给对象的控制输入神经网络提供给对象的控制输入 在原有的蜂群算法中，PID 的神经提供给对像的控制输出值为:u1,u2,u3。我们给可 以在下图中看到17： 图 4.3 PID 神经网络提供对象的控制对象输出 第 4 章 实验结果与分析 19 改进的算法的如下： 图 4.4 改进算法神经网络控制输出 这个是对比图，显然这个跟我们上述的结果是一样的。 4.3 误差曲线误差曲线 实验的最后我们可以看下误差曲线： 图 4.5 误差曲线图 改进算法的的误差 J 型曲线： 第 4 章 实验结果与分析 20 图 4.6 改进算法的误差曲线 显然这个算法的优化最后的收敛速度非常快直接有了一个跨度，直接从 0.08 左 右直接到了 0.03 直接进行了一个跨度可以说这个算法为机械手的反应提供了一个非常 快的的一个控制为之后的操作节约了非常多的时间。可想而知，对工业的生产也会提 高非常多效率。18 第 4 章 实验结果与分析 21 4.4 跟其他算法的比较跟其他算法的比较 跟其他算法的比较 1 第 5 章 总结 22 第第 5 5 章章总结总结 5.1 结论结论 通过以上一系列实验，可以看出基于混合仿生学群体优化算法的运动检测存在缺 陷可以看出修改的算法在后期有较好的结果，加大了收敛域，不断优化目标函数的值， 而且到了最优值所用的代数也比基本人工鱼群，蜂群算法少。这样达到了之前设计优 化的人工鱼群算法的目标。19 1. 该算法能有效地解决 PID 解耦控制； 2. 该算法不仅能够适用于复杂的群体优化。运动场景，克服了误把背景移动检测 为运动目标移动的缺点。对检测出来的运动区域进行矩形框标识，并绘制出运 动区域的中心点，即运动的路径； 3. 弥补了单一方法带来的不足，使得刚开始的解在一定的邻域内质量较优； 4. 第一阶段的时候避免了陷入部分极值，为后面的的步骤坐下准备工作； 5. 第二阶段有这较为强大的去采蜜的能力，使得快速收敛，然后到了全局最优解， 有着调节功能能较好的加速算法与加速收敛的速度。 实验的结果满足预期目标，说明本课题已经把基础和理论很好地结合在一起，克 服旧算法存在的缺陷，构造新的算法，得到适应性较强的基于邻阶差分法的快速运动 检测。在检测适应性、性能上都有进一步的提升。在有限的时间和有限的技术能力限 制下怀着本人对毕业设计工作的认真对待以及对技术的认真学习的态度完成了本次的 毕业设计工作，希望本次的毕业设计能呈现代表我大学四年的完美作品。 5.2 进一步工作的方向进一步工作的方向 目前引入动量因子改进的蜂群算法可以避免神经网络陷入极小值。但还存在缺陷， 如以上各算法的仿真结果所示，均方误差不如 L-M 优化算法。基于神经网络理论的神 经网络时间序列预测方法，充分利用网络和记忆函数的数值逼近。根据时间序列的历 史价值，该算法识别时间序列的固有模式。神经网络时间序列预测方法可以根据历史 数据来预测未来值。神经网络算法虽然具有较强的信息处理能力，但仍存在一定的缺 陷。例如，该算法容易陷入局部极值点，具有网络抖动的问题和网络初始权值和阈值 的选取。粒子群优化算法是一种模拟鸟类捕食的群体智能优化算法。在未来进一步进 展中，可以继续研究基于 BP 神经网络算法的网络的初始权值和阈值的选择和陷入局部 最小点缺陷的 PSO-BP 算法。但该算法还在刚起步的阶段，需要更多的理论分析，生 物学基础，算法的改进，算法的应用。 参考文献 23 参考文献参考文献 1牛江川，申永军，杨绍普，等. 基于速度反馈分数阶 PID 控制的达芬振子的主共振J. 力学学 报，2016(2). 2赵学观，徐丽明，何绍林，等. 玉米定向种子带恒张力卷绕系统自适应模糊 PID 控制J. 农业 机械学报，2015，46(3): 90-96. 3臧明相，马轩，段奕明. 一种改进的人工蜂群算法J. 西安电子科技大学学报（自然科学版） ， 2015，42(2): 65-70. 4徐晓飞，刘志中，王忠杰，等. S-ABC-面向服务领域的人工蜂群算法范型J. 计算机学报， 2015，(11): 2301-2317. 5暴励. 一种思维进化蜂群算法J. 电子学报，2015，43(5):948-955. 6喻俊松，王琪，徐蓉瑞. 基于改进人工鱼群算法的无人机路径规划J. 弹箭与制导学报， 2015，35(3): 37-40. 7朱旭辉，倪志伟，程美英. 变步长自适应的改进人工鱼群算法J. 计算机科学，2015，42(2): 210-216. 8宋荣荣，陈滋利. 基于 PSO 算法的磁浮系统 PID 控制器优化与评价J. 西南交通大学学报， 2015，50(1): 36-43. 9王博，闫军，侯倩倩，等. 基于粒子群算法的弹簧-阻尼系统 PID 控制器优化设计J. 计算机科 学，2015，(S2): 529-531. 10 张睿. 基于多径 PID 控制的网络终端动态干扰监测设计J. 科技通报，2014，(6): 188-190. 11 荣盘祥，董文波，于林，等. 混沌自调整模糊 PID 控制器的研究与应用J. 哈尔滨理工大学学 报，2014，19(2): 26-30. 12 孙大鹰，徐申，孙伟锋，等. Buck 型 DC-DC 变换器中数字预测模糊 PID 控制器的设计与实现 J. 东南大学学报（自然科学版） ，2014，(5): 897-901. 13 Wang,B. A novel artificial bee colony algorithm based on modified search strategy and generalized opposition-based learningJ. Journal of Intelligent & Fuzzy Systems Applications in Engineering & Technology,2015,28(3): 1023-1037. 14 Ayan,K.&U.Kl.&B.Barakl. Chaotic artificial bee colony algorithm based solution of security and transient stability constrained optimal power flowJ. International Journal of Electrical Power & Energy Systems,2015, 64(64): 136147. 15 Xu,C.H. A novel approach for data stream clustering using artificial bee colony algorithmJ. International Journal of Wireless & Mobile Computing,2015, 8.1: 59-65. 16 Abdul,R.B.&W.Shahzad.&S.K