[机械模具数控自动化专业毕业设计外文文献及翻译]【期刊】改进的粒子群优化控制算法及其仿真研究-中文翻译_第1页
[机械模具数控自动化专业毕业设计外文文献及翻译]【期刊】改进的粒子群优化控制算法及其仿真研究-中文翻译_第2页
[机械模具数控自动化专业毕业设计外文文献及翻译]【期刊】改进的粒子群优化控制算法及其仿真研究-中文翻译_第3页
[机械模具数控自动化专业毕业设计外文文献及翻译]【期刊】改进的粒子群优化控制算法及其仿真研究-中文翻译_第4页
[机械模具数控自动化专业毕业设计外文文献及翻译]【期刊】改进的粒子群优化控制算法及其仿真研究-中文翻译_第5页
免费预览已结束,剩余6页可下载查看

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

改进的粒子群优化控制算法及其仿真研究 谭显坤 中国重庆交通大学 应用技术学院 ,重庆 ,400074 摘要:控制系统的性能是由控制器的控制参数确定的。粒子群优化控制算法中存在的参数选择难题,如基本 PSO 算法易于陷入早熟收敛现象引起的局部最优解,导致不可能收敛于全局最优解,搜索精度不高以及收敛速度慢。针对以上问题,提出了一种改进的粒子群优化控制算法。讨论了具有遗传思想的粒子群优化算法,研究了改进的 PSO 控制算法,借助仿真实验对所设计的控制算法作了比较研究,仿真试验结果的响应曲线显示,其动静态特性优于传统方法的响应特性,验证了所提出改进控制算法的合理性与可行性。研究结果表明,所提出的改进 PSO 控制算法对控制器参数整定更加有效。 关键词 :粒子群优化算法;遗传思想;参数整定;改进的 PSO 控制算法 1 简介 粒子群算法和遗传算法都是进化算法 1,进化算法是以生物进化和遗传等理论为基础来解决优化问题的,而且每一种进化算法都有其特点。粒子群算法有很多优势,比如,收敛率快,调整参数少,简单且易实现,编码比其他算法少等等。因此它应用范围十分广泛,例如目标函数的优化,生物系统建模,神经网络训练,噪音系统的控制等。在机械控制领域,为了提高速度,精确度和可靠性,先进的智能控制技术需获得广泛且普遍的适应性,而粒子群算法总是用于智能控制的控制器的结构参数调整 2。遗传算法是一种寻找方法,这种方法是基于生物进化原则,并且在整体最优和随机优化策略更有优势 3-4。到目前为止,遗传算法已经是一个成熟的分析方法,并且它广泛应用于许多领域例如优化组合,信号处理,机器改进,人造生命和自适应控制等等。粒子群算法和遗传算法有许多不同 5,可举例说明,首先,粒子群算法有更好地记忆特性,以及保留具有优势解决方法的粒子的特点。遗传算法只是利用现有一代通过交叉和突变产生的新的个体 ,延续下一代。其次,对于 PSO 算法,它的原则很简单,控制参数少,减少了电脑负载。第三, PSO 的进化方程 ,和它的位置 ,以及质点速度是量化并且模式化的,更重要的是它的可操作性比较强。 PSO 和 GA都可以通过仿真和生物世界法则实验描述,并且具有一定的随机寻找技术,拥有整体最优化特性和隐式并行性。与此同时,而对复杂的控制目标,它也显示了早熟收敛和低收敛的不利一面。由于这个原因,本文探索了一种粒子群算法的改进算法,这一改进算法是基于遗传思想,文中所提及的都通过了仿真实验的验证。 2 基于遗传思想的粒子群算法 2.1 遗传算法的调查 遗传算法 6最基本的思想是依靠编码技术,使其对染色体(一串二进制数字)起作用,模仿由染色体组成的群体的进化过程,并且遗传算法是一种随机搜索的算法。遗传算法形成了一个新的字符串群体,通过选择,交叉和变异任意的组织染色体,以解决并改革染色体,遗传算法选择更健康的基因去完成基因的繁殖。下面简要介绍算法的基本概念。 1) 基因编码,由基因串决定的生物形状。在遗传算法中,通过二进制系统对每一个优化目标进行解码形成一个基因编码串,即就是个体,也称为染色体。 2) 群体,群体是一套个体,即是用于解决问题的一套方法 7。 3) 交叉,在自然界中的繁殖时完全通过染色体交叉和基因算法的操作实现的。在交叉算子程序中,存在随机信息交换,和制造新基因和新个体的目标。 4) 突变,变异操作通常需要执行变异概率不是对应点的突变,即一些基因的染色体的变化从 1到 0或从 0到 1,从而得到新的个体。变异操作可以促进后代个体的多样性,并且扩大了解决空间。变异操作是由基因算法本身固有的寻找能力来决定,并且和交叉操作仪器行动完成全部和本地区的优化解决寻找。 5) 适应,存活下的生物体取决于对生物的适应程度。适应性反映了适应者生存的自然进化规律和自然选择。在最优化的问题中,每一个解决方案的相应方程值显示了解决问题的趋势是好还是坏。这一进化意义被称作适应性运算。 6) 选择,也被称为繁殖或复制操作。高度适应的个体将提供一个确信的装置以便准备进行交叉和突变操作。一般会在高适应性和高性能个体根源上选择杰出的染色体,因此杰出的染色体可以广泛分布在大范围的下一代群体上,从而可以快速解决问题。 这三种不同操作,交叉,突变和变异 ,其中交叉和突变操作被用于产生新个体以便完成复制操作 ,选择操作用于完成复制操作。 2.2 基因算法的基本步骤 存在于生物体内部染色体问题的基因控制解决方案,这一方法可以根据个体的高适应性进行选择。通过交叉和突变操作运算,这样形成新的群体,以便推测改进一套寻找算法为了下一代,因此最后汇聚到一个个体上的是最大适应环境能力,找到最优化设计。基因算法参与五个必须的过程,参数编码,最初群体设置,适宜方程设定,基因算法和控制参数。这五个关键因素,从基因算法的核心内容中形成。基本算法如下; 8 1) 选择编码参数和决定适应方程。 2) 确定遗传策略和初始化群体包括群体大小。具体是:选择,交叉和突变的方位,交叉概率 的参数,以及突变概率 的参数等等。 cPnp3) 在解码后估算个体位串在群体中的适应性。 4) 根据选择遗传策略使遗传算法作用于当前群体,包括选择。选择进料,从目前的群体中选择一些高适应性个体使下一代直接遗传其特性。交叉,可以让每一个个体在随机选择运算配对后,进入匹配集合,并且接受交叉概率从而通过基因伴侣彼此相互交换产生新个体。突变,通过突变并且利用突变概率,在交叉之后可以使得新个体携带特殊群体的基因。 5) 结束条件推断。如果满足条件终止,那么就停止计算,并且输出结果。适应性最大的个体被认为是最优结果。否则进入下一步。 3 进化的粒子算法 在广泛空间内,寻找和交叉突变能力可以提高寻找整体最优方案的效率。也就是说,遗传算法可以帮助改进粒子算法。在迭代程序中,适应性最好的颗粒个体中的 1/3通过选择算法直接进入下一代,然后让 1/3下代中的任意两个新形成粒子进行交叉,最后使这部分中的 1/3进行突变,接着进行局部选择。通过基因交叉算法运算,可以增加局部的多样性,并且得到具有优势粒子,其携带最适生存特性的特点,加快粒子集合速度。通过粒子部分的突变运算可以放大搜索区域,避免局部运算的早熟现象。在提高 PSO 算法方面,采取非线性递减模式,这是根据 PSO 算法的惯性重量,其可以提高原始算法的集合性能。 3.1 惯性重量的非线性递减 惯性重量是通过全局和局部搜索算法定义的。如果 值很大,那么质点先前一时刻的速度也遭受到很大的影响。这样至少可以避免局部极值,并且全局搜索能力也可以变得很强。如果 值很小,那么质点的前一刻速度也会受到影响变小,并且局部搜索能力会变强,这样将会更适合集合算法。公式( 1)展示了一个部分递减非线性函数的惯性重量 9,并且它的集中速度要优于线性惯性重量系数,而且获得更好地解决方式。 stariendstariendstari tt max2max2( 1) 在此, , , ,代表了最大迭代次数,最大和最小惯性重量, maxtstarend是目前当代迭代次数。由式( 1),可以看出迭代重量系数在最开始的迭代中是最大的,在迭代过程中非线性递减,在迭代最后时可达到最小值。因此可以获得全局和局部搜索的平衡能力。 3.2 基因算法的操作认识 1)选择算法的认识,适应部分选择算法,首先计算所有在群体中适应的个体总数,然后计算在整个适应总数中适应个体的比例。为了选择最好性能的 1/3粒子,让选择运算直接进入下一代。以此来保持质点数量的能力。最好革命,可以更好地选出最佳的直接解决方案。 2)交叉算法的认识,首先在输入的一个设备的 1/3选择出粒子,关注每一个粒子随机交叉的概率在设备中,然后让交叉算法在任意两者中进行。在此必须值得注意的是应该确保产生的下一代质点具有相同数量以此确保质点数量不会改变。更新位置公式和速度,是由于新粒子是用公式( 2)和式( 3)表示的。第二,再次评价新产生一代的适应性,并且和上一代父母粒子的适应性进行比较。如果下一代的适应性优于上一代,那么用下一代代替上一代,否则保持上一代不变进入下一代。 tXrandtXrandtX122 211( 2) tVtttVt2122 111( 3) 在此 代表矢量代置, 表示维数, 和 代表位置向量和空间内的速度XDtXV向量,用于交叉质点的选择,并且 和 表示空间位置和速度向量,新一代质点在交叉后的向量。 rand()是一个随机向量,在搜索空间内一般为 0,1 范围。 3)突变运算认识,首次选择一个重新初始化的方法在这次论文中,以使质点初次突变以此来确定选择质点的维数,并且可以避免出现早熟现象。其次可以再新子代和父母代进行适应性比较,这一进程和交叉运算的步骤 2是相似的。 3.3 算法步骤 提高 PSO 算法步骤如下: 1) 初始化质点集 设置 m 大小数量,搜索空间维数 n,在 维空间随机制造 m 个质点,形nR成矩阵 ,每个质点随机产生速度值,形成质点的制度改mixxX ,21变矩阵 ,设置学习因子 和 ,惯性重量系数 和 ivvV 1c2star,编码模型,最大初始化数字次数 和最后设置初始化数次数,在现在endmaxt一代成为 1. 2) 更新初始化重量系数根据( 1)式 ,评价每个质点的数量和计算适应性 根据客观方程。 ixF3) 实行基因运算操作。首先计算每个质点个体的适应性,根据步骤 2,然后在 1/3中选出最佳部分,直接进入下一代部分。其次,对他们进行交叉操作,为了创造 1/3的质点的下一代,并且位置公式和速度交叉,速度交叉的代表是公式( 2)和( 3) .最后为了扩大参数搜索区域和调处区域集合,因此随机初始化运算。 4) 更新每个粒子的个体极值在群体中,比较目前 和他们个体极值 ixFiP。如果 超过 ,那么就更新个体极值让 代替 。 ixFiPi5) 更新群体中的全局极值,比较全部群体,即全局 中的所有在历史上gP新产生的个体 。如果 个体的适应值超过 ,那么就用 代替全局极值 ii gi gP。 6) 通过式( 2)和( 3)更新质点的速度和位置,得出新的群体 1tX。 7) 判断是否满足终值条件(通常检验是否满足误差精度或最大迭代次数)。如果不满足则退回步骤 2,否则停止寻找并且输出结果。 图 1展示了改进 PSO 算法的惯性因子非线性减少和遗传算法融合的步骤。 开始初始化粒子群各参数根据 PS 的适应性更新 Pi 和 Gi遗传算法 : 选择 , 交叉 ,和突变运算更新粒子的速度和位置判断是否满足终止条件结束NY图 1 改进粒子算法的步骤 4.仿真与分析 4.1 控制算法的设计 有两种不同的仿真控制算法可以进行便利比较,他们分笔试改进 PID 控制算法和人为仿真智能控制算法。 1) 改进 PID 算法 tdip eKeKuU0sgnEe( 4) 在此 E 时特征误差临界值在特征模型中,并且控制参数需要分别协调一致, U, , 和 。 U 可以通过实验获得, , 和 可以通pdi pdKi过论文前面所推理的方式求得。 2) HSIC 基于控制算法 1332211sgnnDpueKu232312122EeEee( 5) 在此, , 是代表误差的极限值,并且他们改变随着典型特征值变化,Ee还有个别控制参数 , , , , , 和 。在此 U 可以从UpK2Dp2dK3p3D实验中获得,其它的可以根据论文前面所述的方法求得。为了得到更好地控制过程和动态特性,一般改进 PSO 算法的方程选择下式( 6)。 t dtueJ0221 ( 6) 在此 是超越系统, 和 分别是重量值 . 124.2 参数确定 根据控制算法,采用改进粒子群算法整定控制参数,并且确定若干粒子参数范围是 50,大部分迭代次数是 500,学习因子 ,惯性重量系数2.11c和 ,基因交叉系数是 0.7,并且突变操作采用初始化模式。2.1star4.0end在 Matlab 环境下,大约可根据 Simset 和 Sim 的 M 文件,能够优化再控制算法内的所有参数,图 2 和图 3 动态描述了仿真迭代的过程。这两幅图精确展示了控制算法 1 和控制算法 2 的客观精度。优化参数的结果表示如下: 3984.0pK, , ,这是控制算法 1 的结果。 ,07.iK40.d .61p, , , , ,8541d 652p 48.2dK48.23pK53d以上是控制算法 2 的结果。 图 2 控制算法 1 的迭代曲线图 图 3 控制算法 2 的迭代曲线图 4.3 仿真及其分析 由程序模型 10可得公式( 7) sesG201485.( 7) 在 Matlab 环境下进行仿真实验,采取改进粒子群算法来优化整定控制参数,图 4 展示了系统的反应曲线。该图可以被认作是过快响应时间和大振荡产生的曲线,并且反映了超调现象,但是对于控制算法 2 的曲线而言,控制算法2 的曲线显得平滑和稳定的多,并且没有超调现象。这也反映了控制算法 2 优于控制算法 1。 图 4 通过 PID 和 HSIC 的反应曲线图 5总结 针对在相同结构的模型中,设计的这两种算法,即改进 PID 控制算法和多模式给予 HSIC 的控制算法。依靠改进的 PSO 算法,整定和优化了控制参数的这两种控制算法。在 Matlab 环境下,仿真结果显示通过基于改进 PSO 算法的参数整定控制系统其控制效果更好。 参考文献: 1Van den Bergh ,Enegelbrecht A. Using neighborhood with the guaranteed convergence PSO Z.2003 IEEE swarm intelligence symposium .USA s.n. 2003 :235-242. 2LEI Kai-fa. Particle Swarm Optimization and Its Application Research D.Chongqing: Southwest University ,2006:23-72. 3WANG Hao .Comparative Study on Four Sorts of Intelligent Alogorithm J.Fire Control and Command Control ,2008(33):71-75. 4WANG Yuhong ,LI Wei .A simulated annealing algorithm for training empirical potential function of protein folding J .CHEN RES CHINESE U,2005,21(1):73-77. 5 DUAN Haibin ,WANG Daobo ,YU Xiufen .Research on Some Novel Bionic Optimization Algorithms J.Computer Simulation ,2007 ,24 (3):169-172. 6LUO Chunsong .Improved PSO algorithm and its application in control parameter sketch D. Changsha: Human Univ

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论