一种基于均衡单进化布谷鸟算法的迭代学习控制方法技术

本发明专利技术涉及一种基于均衡单进化布谷鸟算法的迭代学习控制方法，给出了新型的均衡单进化评价策略，每一代进化只随机更新目标函数的单个维度，并且随机更新的维度服从整数均匀分布，与其它维度组合构成一个新的候选解，然后评价该候选解，若优于上一代函数适应度值，则保留更新的候选解并继续进化，直至满足算法停止条件，由于采用贪婪法则，因此只接受能改善当前候选解的更新值，确保了在优化过程中搜索方向的针对性调整，并且不会影响效率。本发明专利技术能够有效平衡布谷鸟算法的全局搜索能力和局部寻优能力，避免优化算法执行末期出现的迟滞现象，从而提高算法的全局搜索速度和收敛精度。

【技术实现步骤摘要】
一种基于均衡单进化布谷鸟算法的迭代学习控制方法
本专利技术涉及迭代学习控制
，更具体地说，涉及一种基于均衡单进化布谷鸟算法的迭代学习控制方法。
技术介绍
迭代学习控制是寻求一种学习控制律，使得被控对象的系统输出在有限时间周期上沿理想期望轨迹实现零误差轨迹跟踪的控制方法。迭代学习控制最早是由日本学者Uchiyama于1978年提出，而自1984年由日本学者Arimoto等人做出的开创性贡献后被工业界广泛研究，获得了突飞猛进的发展。迭代学习控制适用于具有重复运动性质的被控对象，通过迭代修正获得控制输入的理想值。值得注意的是迭代学习控制方法不依赖于被控系统的精确数学模型，能够在有限迭代时间内，以极其简单的学习算法实现对非线性强耦合及不确定性高的动态系统完美控制。因此迭代学习控制广泛应用于数控机床、装配、智能焊接、伺服系统、磁盘和光盘驱动系统、注塑机等领域。迭代学习控制处理非因果动态时变系统时通常采用范数最优学习控制方法。然而，由于被控系统产生的前馈和反馈项需要借助复杂的数值积分解决，因此传统范数最优迭代学习控制算法的设计与实现变得极为困难。布谷鸟算法是模拟自然规律、生物行为或者物理现象的随机搜索算法。它由剑桥大学YangX.S.教授等人于2009年提出。该算法由于结构简单，调节参数较少，执行速度较快，因此广受国内外学者的关注，已经成功应用于集成电路设计、神经网络训练、工程结构优化、多目标优化和电子与电力系统控制等领域。国内外学者对布谷鸟算法进行了较为深入的研究，并取得了较为丰富的研究成果，极大地提高了算法的搜索速度和收敛精度。目前绝大部分文献在考察布谷鸟算法进化的有效性均采用目标函数适应度值整体评价的策略，即每次进化对目标函数的所有维度一起更新，然后再评价更新后的函数适应度值。这种函数适应度整体评价策略对于单维度优化问题效果较为有效，但对于多维度自变量相关问题，由于存在维度间相互耦合现象，因此这种评价策略会制约算法的搜索速度和收敛精度。
技术实现思路
本专利技术的目的是在现有的方法上做改进，提供一种基于均衡单进化布谷鸟算法的迭代学习控制方法，旨在克服传统范数最优迭代学习控制的缺陷。该方法每一代进化只随机更新目标函数的单个维度，并且随机更新的维度服从均匀分布，能够有效平衡布谷鸟算法的全局搜索能力和局部寻优能力，避免优化算法执行末期出现的迟滞现象，从而提高算法的全局搜索速度和收敛精度。本专利技术采用如下技术方案：本专利技术一种基于均衡单进化布谷鸟算法的迭代学习控制方法，包括：步骤1，计算随机化迭代控制输入和在迭代学习次数k＝0时，对应的迭代学习控制适应度值设置当前最优迭代输入计算当前最优迭代学习控制适应度值为其中，N表示种群包括的宿主巢穴个数，D表示迭代学习控制目标函数维度，为第k+1次迭代跟踪误差，为第k+1次迭代学习的系统输出，且G表示迭代控制系统的传递函数，yd表示迭代学习控制的理想跟踪轨迹；步骤2，产生均匀随机整数l(1≤l≤D)，利用Levy随机游动方式进行巢穴位置更新，并以发现概率P(0<P<1)舍弃迭代控制输入所述Levy随机游动方式表示为其中，η表示初始搜索步长，为k+1次迭代学习时第g代搜索的最优解对应的维度l数值，和分别代表k+1次迭代学习时进化至第i代和第i+1代时的第j个候选解和对应的维度l数值，表示点对点乘法，L(λ)表示Levy随机游动搜索路径，其表达式如下：其中，λ＝1.5,且θ,v服从标准高斯分布，即θ,v～N(0,1)；步骤3，采用偏好随机游动方式产生一组迭代控制输入，所述偏好随机游动方式表示为比较控制缩放系数w(w～U(0,1))与发现概率P的大小。若w>P则保持当前迭代输入不变。若w<P，用偏好随机游动方式产生的迭代控制输入替换步骤2中被舍弃的迭代控制输入其中，和分别代表k+1次迭代学习时进化至第i代时两个随机迭代控制输入和对应的维度l数值；步骤4，计算步骤3中种群产生的迭代控制输入对应的迭代学习控制适应度值更新步骤3中的当前最优解为和当前最优迭代学习控制适应度值为步骤5，更改迭代学习控制适应度值为重复执行步骤2～4，直至迭代学习次数为km；其中，km表示迭代学习控制的最大迭代次数，β表示权重因子；步骤6，若满足最大进化代数M，则输出当前最优迭代学习控制适应度值及最优解并停止执行，否则转向步骤2继续执行。由上述对本专利技术的描述可知，与现有技术相比，本专利技术具有如下有益效果：(1)本专利技术一种基于均衡单进化布谷鸟算法的迭代学习控制方法，给出一种新型的均衡单进化评价策略，即每一代进化只随机更新目标函数的单个维度，并且随机更新的维度服从均匀分布；不同于现有技术的采用的目标函数适应度值整体评价策略，均衡单进化评价策略能有效平衡布谷鸟算法的全局搜索能力和局部寻优能力，避免优化算法执行末期出现的迟滞现象，从而提高算法的全局搜索速度和收敛精度。(2)本专利技术一种基于均衡单进化布谷鸟算法的迭代学习控制方法，旨在克服传统范数最优迭代学习控制的缺陷。不仅注重整体进化结果，而且关注进化过程中各个维度的进化方向，强化全局勘探能力的同时提高了局部寻优能力，求解质量得到显著提高。附图说明图1是本专利技术实施例的均衡单进化评价策略和整体评价策略的比较图；图2是本专利技术实施例的迭代学习控制的不同迭代次数时系统输出信号与理想跟踪轨迹的波形图；图3是本专利技术实施例的迭代学习控制适应度值收敛波形图。具体实施方式以下通过具体实施方式对本专利技术作进一步的描述。本专利技术一种基于均衡单进化布谷鸟算法的迭代学习控制方法，包括：步骤1，计算随机化迭代控制输入和在迭代学习次数k＝0时，对应的迭代学习控制适应度值设置当前最优迭代输入计算当前最优迭代学习控制适应度值为其中，N表示种群包括的宿主巢穴个数，D表示迭代学习控制目标函数维度，为第k+1次迭代跟踪误差，为第k+1次迭代学习的系统输出，且G表示迭代控制系统的传递函数，yd表示迭代学习控制的理想跟踪轨迹；步骤2，产生均匀随机整数l(1≤l≤D)，利用Levy随机游动方式进行巢穴位置更新，并以发现概率P(0<P<1)舍弃迭代控制输入所述Levy随机游动方式表示为其中，η表示初始搜索步长，为k+1次迭代学习时第g代搜索的最优解对应的维度l数值，和分别代表k+1次迭代学习时进化至第i代和第i+1代时的第j个候选解和对应的维度l数值，表示点对点乘法，L(λ)表示Levy随机游动搜索路径，其表达式如下：其中，λ＝1.5,且θ,v服从标准高斯分布，即θ,v～N(0,1)；步骤3，采用偏好随机游动方式产生一组迭代控制输入，所述偏好随机游动方式表示为比较控制缩放系数w(w～U(0,1))与发现概率P的大小。若w>P则保持当前迭代输入不变。若w<P，用偏好随机游动方式产生的迭代控制输入替换步骤2中被舍弃的迭代控制输入其中，和分别代表k+1次迭代学习时进化至第i代时两个随机迭代控制输入和对应的维度l数值；步骤4，计算步骤3中种群产生的迭代控制输入对应的迭代学习控制适应度值更新步骤3中的当前最优解为和当前最优迭代学习控制适应度值为步骤5，更改迭代学习控制适应度值为重复执行步骤2～4，直至迭代学习次数为km；其中，km表示迭代学习控制的最大迭代次数，β表示权重因子；步骤6本文档来自技高网...

【技术保护点】
1.一种基于均衡单进化布谷鸟算法的迭代学习控制方法，其特征在于，包括：步骤1，计算随机化迭代控制输入

【技术特征摘要】
1.一种基于均衡单进化布谷鸟算法的迭代学习控制方法，其特征在于，包括：步骤1，计算随机化迭代控制输入和在迭代学习次数k＝0时，对应的迭代学习控制适应度值设置当前最优迭代输入计算当前最优迭代学习控制适应度值为其中，N表示种群包括的宿主巢穴个数，D表示迭代学习控制目标函数维度，为第k+1次迭代跟踪误差，为第k+1次迭代学习的系统输出，且G表示迭代控制系统的传递函数，yd表示迭代学习控制的理想跟踪轨迹；步骤2，产生均匀随机整数l(1≤l≤D)，利用Levy随机游动方式进行巢穴位置更新，并以发现概率P(0<P<1)舍弃迭代控制输入所述Levy随机游动方式表示为其中，η表示初始搜索步长，为k+1次迭代学习时第g代搜索的最优解对应的维度l数值，和分别代表k+1次迭代学习时进化至第i代和第i+1代时的第j个候选解和对应的维度l数值，表示点对点乘法，L(λ)表示Levy随机游动搜索路径，...

【专利技术属性】
技术研发人员：傅文渊，余志同，
申请(专利权)人：华侨大学，
类型：发明
国别省市：福建,35