【技术实现步骤摘要】
基于改进差分进化算法的非线性系统参数辨识方法
本专利技术涉及热工自动化
，特别是涉及基于改进差分进化算法的非线性系统参数辨识方法。
技术介绍
在工业领域中，研究对象通常非常复杂，内部机理模糊不清，很难有理论直接获得相应的数学模型，而且大部分为非线性模型，因此提出利用已知的观测数据来辨识研究对象的数学模型及其参数。随着智能优化算法的出现，非线性系统模型参数可以使用神经网络、遗传算法、粒子群算法等算法进行辨识。差分进化(DifferentialEvolution,DE)算法是为求解切比雪夫多项式共同提出的一种采用浮点矢量编码在连续空间中进行随机搜索的优化算法。DE的原理简单，受控参数少，实施随机、并行、直接的全局搜索，易于理解和实现,受到了广泛的关注。但差分进化算法存在随着进化代数的增加，容易收敛于局部最优点或算法停滞。为此需要寻找新的方法改进缺点，本专利将动态调整缩放因子和交叉率的方法结合在一起，提出新的改进方法，对非线性系统模型进行参数辨识。
技术实现思路
为了解决差分进化算法存在随着进化代数的增加，容易收敛于局部最优点或算法停滞的缺点，本专利技术提供基于改进差...
【技术保护点】
1.基于改进差分进化算法的非线性系统参数辨识方法，具体步骤如下，其特征在于：(1)初始化种群，在问题的可行解空间生成随机初始化种群：(2)变异操作，DE通过差分策略实现个体变异，将两个任意个体的差分向量加到另一个随机的个体向量上成为变异向量；(3)交叉操作，通过交叉操作生成试验向量，通过随机选择，使试验向量至少有一个分量由变异向量提供；(4)选择操作，DE采用“贪婪”选择策略，根据目标向量与试验向量的适应值来选择最优个体。
【技术特征摘要】
1.基于改进差分进化算法的非线性系统参数辨识方法，具体步骤如下，其特征在于：(1)初始化种群，在问题的可行解空间生成随机初始化种群：(2)变异操作，DE通过差分策略实现个体变异，将两个任意个体的差分向量加到另一个随机的个体向量上成为变异向量；(3)交叉操作，通过交叉操作生成试验向量，通过随机选择，使试验向量至少有一个分量由变异向量提供；(4)选择操作，DE采用“贪婪”选择策略，根据目标向量与试验向量的适应值来选择最优个体。2.根据权利要求1所述的基于改进差分进化算法的非线性系统参数辨识方法，其特征在于：所述步骤一详细步骤如下；初始化种群为xi＝(xi,1,xi,2,...,xi,D)，i＝1,2,…,NP，其中D为维数，NP为种群规模；寿命在个体生成时被赋值，个体的寿命每进化一代寿命降低1，当某个体的寿命降为0时，则认为此个体无继续进化的能力，淘汰此个体并复制精英个体，使算法寻优能力进一步加强，加快收敛速度，根据双线性分配策略分配寿命值，如式(1)、(2)所示；其中，minfit、maxfit和avgfit分别表示当前种群适应值的最小值、最大值和平均值，LFmin和LFmax分别代表寿命的最小值和最大值，LF∈(0,100)，这种分配策略利用当前种群的进化信息以及个体自身特性信息，加大具有相近适应值个体的寿命值差异。3.根据权利要求1所述的基于改进差分进化算法的非线性系统参数辨识方法，其特征在于：所述步骤二详细步骤如下；变异方式为：vi,g+1＝xr1,g+F*(xr2,g-xr3,g...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。