欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020104812742
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于粒子群-蚁群并行交叉算法的改进PI模型辨识方法,其特征在于:其步骤是:步骤一:根据传统PI模型和死区算子得到改进的PI模型:先依据传统单边play算子提出映射关系为曲线形式的改进单边play算子,然后串联死区算子得到非对称的改进单边play算子,进而加权叠加得到改进PI模型;

传统PI模型的离散形式为Play算子的加权和形式:式中,k=1,2,...,K,K为系统输入数据个数,n=1,2,...N,N代表PI模型中Play算子总数目,wn表示第n个Play算子的权值系数,Fn[u](k)为第n个单边Play算子,传统单边Play算子形式为:式中:

rn表示第n个算子的阈值,0≤r1<r2<…<rN≤rmax,将传统PI模型进行改进;

首先提出改进Play算子,其映射关系为曲线形式,表达式如下:其中wb(k)表示算子在变化过程中的斜率,wb(k)=Fn′[u](k-1)e-Δu(k),Δu(k)=u(k)-u(k-1);

然后采用单边死区算子与改进Play算子串联结合,得到基于死区算子的非对称改进PI模型,其中单边死区算子形式如下:最终得到改进的PI模型表达式如下:

式中 为第n个死区环节的权值向量, 为PI模型第n个改进Play算子的权值向量;

步骤二:设计粒子群-蚁群并行交叉算法辨识改进PI模型的参数:首先分别给出粒子群与蚁群算法辨识模型参数过程,为了综合发挥两种算法的优点随后提出粒子群-蚁群并行交叉算法用于辨识模型参数;

2.1粒子群优化

用一个矩阵 表示,个体的运动速度表示为

选出其中距离目标最近的个体坐标作为最优的个体坐标,将

1 2 D

代表当前种群中每个粒子最佳位置,gbest=[p ,p ,…,p]是全局最佳位置,c1代表学习因子,c2代表社会系数,个体的坐标和速度更新限定在 和内取随机值,G为最大迭代次数,粒子群优化算法步骤如下:(1)粒子的初始化:

初始化每个粒子的位置和速度:

其中, 和 表示种群中第d个粒子的初始位置和速度,d=1,2,...,D,0≤rand≤1代表系统生成的一个随机数;

(2)计算每个粒子的适应度函数,并根据适应度函数选取第g次迭代的每个粒子最佳位置和全局最佳位置:选取适应度函数:

其中yd(k)是实际的输出,y(k)是改进PI模型输出,当前种群中每个粒子最佳位置和全局最佳位置gbest=[p1,p2,…,pD]的选取规则如下:gbest(g)=min(pbestm(g))    (10)(3)每个粒子的位置和速度的更新公式为:

Vm(g+1)=Vm(g)+c1rand(pbestm(g)-Xm(g))+c2rand(gbest(g)-Xm(g))    (11)Xm(g+1)=Xm(g)+Vm(g+1)(12)(4)根据适应度函数选取第g次迭代的每个粒子最佳位置和全局最佳位置,如果迭代次数达到设定的值,此时将gbest为最优解;否则,令迭代次数加一返回步骤(2);

2.2蚁群算法

(1)参数初始化

蚁群算法在用于模型参数辨识时,首先确定待辨识参数个数为I个,那么蚁群需要经过I条相互平行且等距离间隔的线段上的节点,每条线段均等分为(J-1)分,即每条线段各有J个节点,节点值记为j=1,2,...,J,设定蚂蚁总数目为L,每只蚂蚁l经过的节点定义为一个矩阵 其中h=1,2,...,H迭代次数,H为最大迭代次数,其中待辨识参数的初始取值 由如下公式给出:

其中, 表示第l只蚂蚁在第i条线段上的初始值,i=1,2,..,I,0≤rand≤1代表系统生成的一个随机数, 和 为 的最大值和最小值;

设 为j节点的信息素浓度,j=1,2,..,J,初始时刻各节点信息素浓度相同设定信息素挥发系数α和信息素蒸发系数ρ;

(2)计算第l只蚂蚁的适应度函数,

最佳适应度

flmin(h)=min(fl(h)),l=1,2,...,L  (15)选取适应度函数值最小的蚂蚁经过的节点为当前迭代周期的最佳路径矩阵Zgood(h)=[z1(h),z2(h),...,zI(h)];

(3)计算第l只蚂蚁由第i-1条线段上任意节点向下一条平行线上节点j移动的概率第l只蚂蚁由第i-1条线段上任意节点向下一条线段上概率最大的节点移动;

(4)更新蚂蚁l经过的路径节点

ji为第h迭代中,第l只蚂蚁由第i-1条线段上任意节点向下一条线段上概率最大的节点值;

(5)更新信息素

表示第l只蚂蚁由第i-1条线段上任意节点向下一条线段上移动所路径上释放的信息素浓度增量,Δτ(zi(h),j)表示所有蚂蚁在第i-1条线段上所有节点向下一条线段上节点j移动连接路径上释放的信息素浓度之和;

(6)判断是否达到最大迭代次数H,若否,则当前迭代次数加一,返回步骤(2),若是,输出最优解;

2.3粒子群-蚁群并行交叉算法

(1)产生初始种群:在初始范围[a,b]内划分N个小区间,每个小区间随机产生两个数,记Q1,Q2,...,QN作为粒子群算法粒子初始位置,P1,P2,...,PN作为蚁群初始路径节点对应数值信息;

(2)依据粒子群算法与蚁群算法的执行步骤并行执行两种算法,执行10代以后,利用公式(8)和(15)分别计算两种算法得到的新种群对应的适应度值;

(3)对两种算法得到粒子最佳位置和蚁群最佳路径节点对应的数值,将此时粒子群算法的位置数据计为S1,S2,...,SN,蚁群算法的路径节点数据记为R1,R2,...,RN;

(4)将R1,R2,…,Rξ与SN-ξ+1,SN-ξ+2,…,SN进行数据融合交换,令S1,S2,..,Sξ,R1,R2,...,Rξ作为粒子群的新位置数据,SN-ξ+1,SN-ξ+2,...,SN,Rξ+1,Rξ+2,...,RN作为蚁群的新路径节点数据,ξ取1到N/2之间的随机整数;

(5)判断是否满足算法终止条件算法最大迭代次数70,若满足,则算法终止;否则,粒子群-蚁群并行交叉算法的初始迭代周期T加一,转到步骤(2)继续执行;

步骤三:搭建压电微定位平台采集辨识模型所需的数据,依据步骤二所述的粒子群-蚁群并行交叉算法辨识最终的模型参数并给出建模结果。