一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法技术方案

本发明专利技术公开了一种基于差分进化‑局部单峰采样算法的模糊控制系统优化方法，包括如下步骤：(1)确定适应度函数；(2)使用差分进化算法，设定合适的迭代次数，反复进行变异、交叉和选择操作，直到满足收敛精度或达到最大迭代次数，获得相应的参数组合；(3)使用局部单峰采样算法，将差分进化算法最终得到的参数组合作为其初始值，根据适应度值反复进行缩减搜索范围及转移目标向量操作，直到迭代结束，适应度值最好的参数组合作为最优化结果。本发明专利技术的有益效果为：将两者结合使用，减少差分进化算法的迭代次数，得到初步最优解之后切换为局部单峰采样算法，能充分发挥两种算法的优点，弥补各自的不足，极大的提高优化计算效率和全局收敛性。

【技术实现步骤摘要】

本专利技术涉及模糊控制领域，尤其是一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法。
技术介绍
随着计算机水平的发展，较多的智能算法被用于解决系统优化问题，如遗传(GA)算法、粒子群(PSO)算法、蚁群算法等，这些算法都是启发于自然界生物系统，以竞争机制为运行准则。差分进化(DE)算法是一种改进的遗传算法，但是差分算法仍然相对复杂，计算时间较长。
技术实现思路
本专利技术所要解决的技术问题在于，提供一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法，能有效的发挥两种算法的优点，作为一种解决模糊控制器参数整定的通用方法。为解决上述技术问题，本专利技术提供一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法，包括如下步骤：(1)确定适应度函数；分析模糊PID控制器的特征，选择系统的待优化参数，将其以合理的组成形式表达出来；(2)使用差分进化算法，设定合适的迭代次数，反复进行变异、交叉和选择操作来调整优化这5个参数，具体为模糊PID控制器的量化因子、误差以及误差的变化率、比例因子比例P、比例因子积分I和比例因子微分D，直到满足收敛精度或达到最大迭代次数，获得相应的参数组合；(3)使用局部单峰采样算法，将差分进化算法最终得到的参数组合作为其初始值，设定初始搜索范围并随机产生新的参数组合，根据适应度值反复进行缩减搜索范围及转移目标向量操作，直到迭代结束，适应度值最好的参数组合作为最优化结果。优选的，步骤(1)中合理的组成形式为函数表达式、模式向量或组合选择。优选的，步骤(2)具体包括以下步骤：(a)种群初始化；确定问题的n维可行解空间并随机产生M个个体作为初代种群，具体表达式如下： x i j ( 0 ) = rand i j ( 0 , 1 ) ( x i j U - x i j L ) + x i j L - - - ( 1 ) ]]>式中，xij(0)表示第0代的第j条“染色体”的第i个“基因”，和分别是第j条“染色体”的上界和下界，randij(0,1)是(0，1)区间均匀分布的随机数；(b)变异操作；从初代种群中随机选择3个个体xa，xb和xc，i≠a≠b≠c，将其中两个个体的向量差缩放后与待变异个体进行向量合成，即：vij(t+1)＝xaj(t)+F(xbj(t)-xcj(t)) (2)式中，xbj(t)-xcj(t)是差异化向量，F为缩放因子，a，b和c为表示个体在种群中序号的随机整数；(c)交叉操作；对第t代种群xij(t)及其变异种群vij(t+1)进行交叉操作： u i j ( t + 1 ) = v i j ( t + 1 ) , r a n d l i j ≤ C R x i j ( t ) , r a n d l i j > C R - - - ( 3 ) ]]>式中，rand lij是(0，1)区间的随机数，CR是交叉概率；(d)选择操作；利用适应度函数F评价目标向量xi(t)和交叉后向量ui(t+1)的优劣，并确定下一代种群个体： x i ( t + 1 ) = 本文档来自技高网...

【技术保护点】
一种基于差分进化‑局部单峰采样算法的模糊控制系统优化方法，其特征在于，包括如下步骤：(1)确定适应度函数；分析模糊PID控制器的特征，选择系统的待优化参数，将其以合理的组成形式表达出来；(2)使用差分进化算法，设定合适的迭代次数，反复进行变异、交叉和选择操作来调整优化这5个参数，具体为模糊PID控制器的量化因子、误差以及误差的变化率、比例因子比例P、比例因子积分I和比例因子微分D，直到满足收敛精度或达到最大迭代次数，获得相应的参数组合；(3)使用局部单峰采样算法，将差分进化算法最终得到的参数组合作为其初始值，设定初始搜索范围并随机产生新的参数组合，根据适应度值反复进行缩减搜索范围及转移目标向量操作，直到迭代结束，适应度值最好的参数组合作为最优化结果。

【技术特征摘要】
1.一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法，其特征在于，包括如下步骤：(1)确定适应度函数；分析模糊PID控制器的特征，选择系统的待优化参数，将其以合理的组成形式表达出来；(2)使用差分进化算法，设定合适的迭代次数，反复进行变异、交叉和选择操作来调整优化这5个参数，具体为模糊PID控制器的量化因子、误差以及误差的变化率、比例因子比例P、比例因子积分I和比例因子微分D，直到满足收敛精度或达到最大迭代次数，获得相应的参数组合；(3)使用局部单峰采样算法，将差分进化算法最终得到的参数组合作为其初始值，设定初始搜索范围并随机产生新的参数组合，根据适应度值反复进行缩减搜索范围及转移目标向量操作，直到迭代结束，适应度值最好的参数组合作为最优化结果。2.如权利要求1所述的基于差分进化-局部单峰采样算法的模糊控制系统优化方法，其特征在于，步骤(1)中合理的组成形式为函数表达式、模式向量或组合选择。3.如权利要求1所述的基于差分进化-局部单峰采样算法的模糊控制系统优化方法，其特征在于，步骤(2)包括以下步骤：(a)种群初始化；确定问题的n维可行解空间并随机产生M个个体作为初代种群，具体表达式如下： x i j ( 0 ) = rand i j ( 0 , 1 ) ( x i j U - x i j L ) + x i j L - - - ( 1 ) ]]>式中，xij(0)表示第0代的第j条“染色体”的第i个“基因”，和分别是第j条“染色体”的上界和下界，randij(0,1)是(0，1)区间均匀分布的随机数；(b)变异操作；从初代种群中随机选择3个个体xa，xb和xc，i≠a≠b≠c，将其中两个个体的向量差缩放后与待变异个体进行向量合成，即：vij(t+1)＝xaj(t)+F(xbj(t)-xcj(t)) (2)式中，xbj(t)-xcj(t)是差异化向量，F为缩放因子，a，b和c为表示个体在种群中序号的随机整数；(c)交叉操作；对第t代种群xij(t)及其变异种群vij(t+1)进行交叉操作： u i j ( t + 1 ) = v i j ( t + 1 ) , r a n d l i j ≤ C R x i j ( t ) , r a n d l i j > C R - - - ( 3 ) ]]>式中，rand lij是(0，1)区间的随机数，CR是交叉概率；(d)选择操作；利用适应度函数F评价目标向量xi(t)和交叉后向量ui(t+1)的优劣，并确定下一代种群个体： x i ( t + 1 ) = u i ( t + ...

【专利技术属性】
技术研发人员：向文国，刘一君，陈时熠，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32