非线性迟滞动力学模型参数识别的粒子群新算法制造技术

本发明专利技术公开了非线性迟滞动力学模型参数识别的粒子群新算法，属于非线性迟滞系统参数识别、群智能算法领域。针对非线性迟滞动力学模型的特征，本发明专利技术在标准粒子群算法的基础上，通过定义特殊的适应度函数，建立了识别非线性迟滞动力学模型参数的改进粒子群算法。本发明专利技术改善了标准粒子群算法的收敛性能，能够提高算法在前期迭代过程中的全局寻优能力以及在后期迭代过程中的局部寻优能力，避免优化识别过程陷入局部极值、发生早熟收敛，能够准确、快速地识别具有非线性迟滞特性的动力学模型的参数。

A new particle swarm optimization algorithm for parameter identification of nonlinear hysteretic dynamic model

The invention discloses a particle swarm optimization algorithm for nonlinear hysteretic dynamic model parameter identification, belonging to the field of nonlinear hysteretic system parameter identification and swarm intelligence algorithm. According to the characteristics of nonlinear hysteretic dynamics model, the invention is based on the standard particle swarm algorithm, by defining a special fitness function, improved particle swarm algorithm to establish the parameter identification of nonlinear hysteretic dynamics model. The invention improves the convergence performance of standard particle swarm algorithm, the algorithm can improve the iterative process in the early stage of global searching ability and later in the iteration process of local search ability, avoid the optimization recognition process into local extremum, premature convergence, parameters can quickly and accurately identify dynamic model with nonlinear hysteresis characteristics.

【技术实现步骤摘要】
非线性迟滞动力学模型参数识别的粒子群新算法
本专利技术涉及非线性迟滞动力学模型参数识别的粒子群新算法，属于非线性迟滞系统参数识别、群智能算法的领域。
技术介绍
迟滞特性作为一种非线性动力学特性，广泛存在于橡胶、压电陶瓷、磁流变等材料中。在对此类材料进行非线性动力学分析时，为了建立准确的动力学模型，需采用非线性迟滞动力学模型。非线性迟滞动力学模型能够准确模拟结构的非线性迟滞特性，但具有较多的模型参数，需要利用优化算法进行识别。由于非线性迟滞动力学模型的参数较多，彼此之间存在耦合，这使得对模型参数准确、快速识别的难度大大增加。针对非线性迟滞动力学模型的特点，国内外提出了许多参数识别方法，如最小二乘法、遗传算法、帝国主义竞争算法、粒子群算法等。其中粒子群算法，由于具有收敛迅速、原理简单、易于实现的特点，被广泛运用于多目标优化、模式识别、信号处理、损伤识别等领域。但是标准粒子群算法作为一种随机搜索算法，容易陷入局部极值，发生早熟收敛，无法获得真正的最优解。为了克服标准粒子群算法的这些缺点，对标准粒子群算法的改进措施多集中于修改算法的惯性系数，引入新的机制，以及将标准粒子群算法同其他智能算法混合。
技术实现思路
专利技术目的：针对上述现有技术，提出一种非线性迟滞动力学模型参数识别的粒子群新算法，改进标准粒子群算法的收敛性能，保证粒子群算法在前期迭代过程中的全局寻优能力以及后期迭代过程中的局部寻优能力。技术方案：非线性迟滞动力学模型参数识别的粒子群新算法，包括如下步骤：步骤1，读入包含试验状态与迟滞回线在内的试验数据；步骤2，初始化粒子群，将D个代表待识别参数的N维粒子随机布置在搜索域内；步骤3，利用D个粒子的N维参数，调用非线性迟滞动力学模型的分析模块，计算全体粒子的迟滞回线；步骤4，计算各个粒子的迟滞回线计算值与试验值之间的差距，利用适应度函数确定各个粒子的适应度值；步骤5，通过将各个粒子的适应度值与各个粒子的历史最优适应度值以及全局最优适应度值比较，更新各个粒子的历史最优位置和粒子群的全局最优位置；步骤6，利用步骤5中确定的各个粒子新的历史最优位置和粒子群新的全局最优位置，更新各个粒子的位置；步骤7，当算法达到最大迭代步数时，输出识别结果，完成整个识别过程。进一步的，步骤4所述迟滞回线计算值与试验值之间的差距，利用公式计算；其中，M为迟滞回线试验值的个数，ωi为迟滞回线第i个试验值的权系数，为第i个试验值的纵坐标，为第i个试验值的横坐标处迟滞回线计算值的纵坐标。进一步的，步骤4所述适应度函数为其中a为平移因子，b为缩放因子。进一步的，所述平移因子a和缩放因子b的确定方法为：首先，利用标准粒子群算法对模型参数进行一次识别，确定适应度随迭代步的变化趋势，假设第1迭代步和最大迭代步J时，利用识别的模型参数计算得到的迟滞回线计算值与试验值之间的差距分别为e1和eJ，缩放因子b等于(x2-x1)/(e1-eJ)，平移因子a等于x1-eJ(x2-x1)/(e1-eJ)；其中[x1,x2]为区间，x1∈[0.15,0.35]，x2∈[2.5,4]。有益效果：(1)本专利技术通过定义适应度函数改进了标准粒子群算法的收敛性能，保证了算法在前期迭代过程中的全局寻优能力以及后期迭代过程中的局部寻优能力，避免算法陷入局部极值，发生早熟收敛，无法获得真正的最优解。(2)本专利技术能够实现对非线性迟滞动力学模型参数准确、快速地识别，可以广泛运用于各类非线性迟滞动力学模型的参数识别。附图说明图1是本专利技术的算法流程图；图2是迟滞回线示意图；图3是函数y＝1/x的示意图；图4是NACA0012翼型的迎角-法向力系数迟滞回线；图5是NACA0012翼型的适应度均值收敛曲线；图6是滞弹位移场模型的应变-应力迟滞回线；图7是滞弹位移场模型的适应度均值收敛曲线。具体实施方式下面结合附图对本专利技术做更进一步的解释。如图1所示，本专利技术非线性迟滞动力学模型参数识别的粒子群新算法，包括如下步骤：步骤1，读入包含试验状态与迟滞回线在内的试验数据。迟滞回线的试验值与利用粒子初始参数得到的迟滞回线计算值如图2所示。迟滞回线试验值的坐标为(i＝1,2,…,M)，M为迟滞回线试验值的个数，为第i个试验值的横坐标，为第i个试验值的纵坐标；迟滞回线计算值的坐标为(k＝1,2,…,K)，K为迟滞回线计算值的个数，为第k个迟滞回线计算值的横坐标，为第k个迟滞回线计算值的纵坐标。读入迟滞回线试验值时，从横坐标最小值处开始按顺时针方向读到横坐标最大值处，再读回横坐标最小值处，即图2中A-B-C-D-A的读入顺序。步骤2，初始化粒子群，将D个代表待识别参数的N维粒子随机布置在搜索域内。N维粒子对应需要识别的N个模型参数。第d个粒子的第n个模型参数的初始值记为(d＝1,2,…,D；n＝1,2,…,N)。步骤3，利用D个粒子的N维参数，调用非线性迟滞动力学模型的分析模块，计算各个粒子对应的迟滞回线。非线性迟滞动力学模型方程的一般形式为：y＝F(x,c1,c2,…,cN)(1)其中，c1,c2,…,cN即为待识别的N个模型参数。对于第d个粒子，利用公式(1)以及(n＝1,2,…,N)即可得到其对应迟滞回线的计算值的坐标(k＝1,2,…,K)。迟滞回线计算值同样按照A-B-C-D-A的顺序排列。步骤4，由于迟滞回线计算值与试验值的横坐标不同，计算各个粒子的迟滞回线计算值与试验值之间的差距时，需首先利用与试验值横坐标临近的计算值，线性插值确定横坐标处对应的计算值(i＝1,2,…,M)。再利用下式确定迟滞回线计算值与试验值之间的差距：其中，ωi为迟滞回线第i个试验值的权系数，即为第i个试验值的横坐标处迟滞回线计算值的纵坐标。迟滞回线计算值与试验值之间的差距越小，说明识别的模型参数越好。适应度值作为评价各个粒子的N个模型参数优劣的依据，如果直接将迟滞回线计算值与试验值之间的差距作为适应度值，那么前期迭代过程中各个粒子的适应度值差距较大，各个粒子会向其中最优的粒子方向收敛，发生早熟收敛；后期迭代过程中各个粒子的适应度差距较小，会使各个粒子陷入局部极值。这使得计算得到的最优位置可能并非真正的最优位置，识别出的参数也可能并非最优解。如果一个函数可以将前期迭代过程中各个粒子的适应度值差距缩小，将后期迭代过程中各个粒子的适应度值差距放大，那便可以克服标准粒子群算法的这些缺点。本专利技术采用下式定义适应度函数，本专利技术定义的适应度函数值越大，说明迟滞回线的计算值与试验值越接近，识别的模型参数越好。本专利技术定义的适应度函数基于函数y＝1/x，如图3所示。从图3可以看出，当x小于1时，x的变化对y影响较大；当x大于1时，x的变化对y影响较小。如果x对应于迟滞回线计算值与试验值之间的差距ed，利用平移因子a和缩放因子b可以将ed布置在合理区间[x1,x2]，使得ed在前期迭代过程被缩小，在后期迭代过程被放大。为了确定平移因子a和缩放因子b，首先，需利用标准粒子群算法对模型参数进行一次识别，确定适应度随迭代步的变化趋势。假设第1迭代步和最大迭代步J时，利用识别的模型参数计算得到的迟滞回线计算值与试验值之间的差距分别为e1和eJ。为了将区间[eJ,e1]转换到图3中的区间[x1,x2]，缩放因子b等于(x2-x1)/(e1-eJ)本文档来自技高网...

【技术保护点】
非线性迟滞动力学模型参数识别的粒子群新算法，其特征在于，包括如下步骤：步骤1，读入包含试验状态与迟滞回线在内的试验数据；步骤2，初始化粒子群，将D个代表待识别参数的N维粒子随机布置在搜索域内；步骤3，利用D个粒子的N维参数，调用非线性迟滞动力学模型的分析模块，计算全体粒子的迟滞回线；步骤4，计算各个粒子的迟滞回线计算值与试验值之间的差距，利用适应度函数确定各个粒子的适应度值；步骤5，通过将各个粒子的适应度值与各个粒子的历史最优适应度值以及全局最优适应度值比较，更新各个粒子的历史最优位置和粒子群的全局最优位置；步骤6，利用步骤5中确定的各个粒子新的历史最优位置和粒子群新的全局最优位置，更新各个粒子的位置；步骤7，当算法达到最大迭代步数时，输出识别结果，完成整个识别过程。

【技术特征摘要】
2017.01.20 CN 20171004064131.非线性迟滞动力学模型参数识别的粒子群新算法，其特征在于，包括如下步骤：步骤1，读入包含试验状态与迟滞回线在内的试验数据；步骤2，初始化粒子群，将D个代表待识别参数的N维粒子随机布置在搜索域内；步骤3，利用D个粒子的N维参数，调用非线性迟滞动力学模型的分析模块，计算全体粒子的迟滞回线；步骤4，计算各个粒子的迟滞回线计算值与试验值之间的差距，利用适应度函数确定各个粒子的适应度值；步骤5，通过将各个粒子的适应度值与各个粒子的历史最优适应度值以及全局最优适应度值比较，更新各个粒子的历史最优位置和粒子群的全局最优位置；步骤6，利用步骤5中确定的各个粒子新的历史最优位置和粒子群新的全局最优位置，更新各个粒子的位置；步骤7，当算法达到最大迭代步数时，输出识别结果，完成整个识别过程。2.根据权利要求1所述的非线性迟滞动力学模型参数识别的粒子...

【专利技术属性】
技术研发人员：张俊豪，夏品奇，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32