基于改进粒子群算法的受限广义预测控制方法技术

本专利针对大多数工业系统的控制输入输出存在约束的情况，提出一种基于改进粒子群算法的广义预测控制器。将粒子群优化算法引入广义预测控制的滚动优化环节，有效解决了广义预测控制在被控对象存在约束时难以获得最优预测控制输入及求解复杂的问题。并引入细菌觅食算法中的自适应迁徙机制对普通粒子群算法进行改进，提高了优化过程的求解精度和收敛速度。仿真结果表明了该方法的有效性和良好的控制性能。

Restricted generalized predictive control method based on Improved Particle Swarm Optimization

【技术实现步骤摘要】
基于改进粒子群算法的受限广义预测控制方法
本专利技术涉及涉及热工自动化
，特别是基于改进粒子群算法的受限广义预测控制方法。
技术介绍
传统的广义预测控制(GPC)没有考虑对控制作用的约束，但在实际的工业过程中，控制作用往往会受到各种条件的制约。因此，要将预测控制技术应用于工业过程控制，一定要考虑对控制作用约束条件，也就是在GPC算法的计算过程中融合这些限制条件。于是，将粒子群优化算法引入到广义预测控制的滚动优化环节，有效解决了广义预测控制在被控对象存在约束时难以获得最优预测控制输入及求解复杂的问题。但粒子群优化算法有一个明显的缺陷，在解决高维优化问题时，容易陷入局部最优。针对上述问题，本专利引入了细菌觅食算法中的自适应迁徙机制对标准粒子群算法进行改进，并将改进后的粒子群优化算法与传统的广义预测控制相结合，用于解决存在约束的工业控制问题。
技术实现思路
粒子群优化算法在解决高维优化问题时，容易陷入局部最优,为了解决上述存在问题。本专利技术提供基于改进粒子群算法的受限广义预测控制方法，引入了细菌觅食算法中的自适应迁徙机制对标准粒子群算法进行改进。每一代种群更新完毕后，对其粒子群的分布情况进行判断，若无法保持种群多样性，则对当前种群进行自适应迁徙操作。自适应迁徙的目的是既要提高种群的多样性，又要保留全局最优附近的精英个体，提高了优化过程的求解精度和收敛速度，最终使存在约束的控制问题控制效果更优。为达此目的：本专利技术提供基于改进粒子群算法的受限广义预测控制方法，具体步骤如下，其特征在于：<br>1)初始化参数，在设定范围内，随机初始化种群中各微粒的位置和速度；2)计算种群的适应度方差，判断是否小于种群多样性阈值，若是对种群执行自适应迁徙操作，否则执行步骤4；3)计算种群中每个粒子的病态值，并与迁徙概率进行比较，如果大于迁徙概率，对其进行迁徙操作，否则，粒子保持不变；4)判断是否满足停止条件，若满足，搜索停止，输出结果，否则，更新种群，返回步骤2。作为本专利技术进一步改进，所述步骤一详细步骤如下；初始化种群，设在一个D维空间中，由N个粒子组成的种群X＝(x1，…，xi，…，xN)，其中，第i个粒子的位置为xi＝(xi1，xi2，…，xiD)T，其速度为vi＝(vi1，vi2，…，viD)T。它的个体极值为pi＝(pi1，pi2，…，piD)T，种群的全局极值为pg＝(pg1，pg2，…，pgD)T；在标准粒子群算法中，粒子在其飞行过程中始终向着自己的个体最优位置和全局最优位置靠近。作为本专利技术进一步改进，所述步骤二详细步骤如下；设个体i的适应度为fi，当前种群的平均适应度为favg，σ2为种群的适应度方差，定义为：其中，N为种群个体数目，f为归一化定标因子，其作用是限制δ2的大小，f的取值采用如下公式：式(1)表明，群体的适应度方差反映的是群体中个体的聚集程度，δ2越小，则群体中个体的聚集程度越大；反之，则聚集程度越小，随着迭代次数的增加，种群的个体适应度值会越来越接近，因此δ2会越来越小。当δ2＜C，其中C为种群多样性阈值时，认为算法进入后期搜索，容易陷入局部最优，出现早熟收敛现象，此时，对当前粒子群进行自适应迁徙操作，增加种群多样性。作为本专利技术进一步改进，所述步骤三详细步骤如下；病态值函数F：其中，fx(i)为该粒子的适应度函数值，fmin为全局最优的适应度值，fmax为全局最差的适应度值，病态值越大，说明粒子离全局最优越远；病态值越小，说明粒子离全局最优越近；根据自适应迁徙的目的，提出一个迁徙概率Ped。若F(i)＞Ped，粒子作为较差粒子进行迁徙，将其重新分配到寻优空间中去，增加种群多样性；若F(i)＜Ped，则粒子作为精英个体保留下来，为了提高算法的收敛速度，需要让选定的较差粒子向更好的方向迁徙，于是，引入了一种迁徙策略；当选定该粒子为迁徙粒子时，通过给该粒子的局部最优位置重新赋值来改变粒子的原始运动轨迹，见式(4)，从而改变粒子更新后的速度向量，使粒子跳出局部最优；pi＝rand*(pg-xi)(4)式中，pi是该粒子的局部最优位置，pg是粒子群的全局最优位置，xi是该粒子的位置。本专利技术提供基于改进粒子群算法的受限广义预测控制方法，具有如下优点；1)本专利技术将细菌觅食算法中的自适应迁徙策略引入传统的粒子群优化算法中，改进后的粒子群优化算法比基本的粒子群优化算法的收敛速度更快，收敛精度更高。2)本专利技术将改进的粒子群优化算法引入广义预测控制的滚动优化环节，用于解决存在约束的控制问题效果更好。控制输出的超调更小，跟踪给定信号的能力更强。且控制量的波动更小，更加符合实际要求。附图说明图1为本专利技术改进算法流程图；图2为本专利技术基于改进粒子群算法的控制结构图；图3为本专利技术无约束广义预测控制仿真结果；图4为本专利技术基于AMPSO的约束广义预测控制仿真结果；图5为本专利技术GPC和AMPSOGPC再热汽温控制效果图。具体实施方式下面结合附图与具体实施方式对本专利技术作进一步详细描述：本专利技术提供基于改进粒子群算法的受限广义预测控制方法，引入了细菌觅食算法中的自适应迁徙机制对标准粒子群算法进行改进。每一代种群更新完毕后，对其粒子群的分布情况进行判断，若无法保持种群多样性，则对当前种群进行自适应迁徙操作。自适应迁徙的目的是既要提高种群的多样性，又要保留全局最优附近的精英个体，提高了优化过程的求解精度和收敛速度，最终使存在约束的控制问题控制效果更优。本专利技术提供基于改进粒子群算法的受限广义预测控制方法，如图1和2所示，具体步骤如下：1)初始化参数，在设定范围内，随机初始化种群中各微粒的位置和速度；2)计算种群的适应度方差，判断是否小于种群多样性阈值，若是对种群执行自适应迁徙操作，否则执行步骤4；3)计算种群中每个粒子的病态值，并与迁徙概率进行比较，如果大于迁徙概率，对其进行迁徙操作，否则，粒子保持不变；4)判断是否满足停止条件，若满足，搜索停止，输出结果，否则，更新种群，返回步骤2。本专利技术的进一步改进，所述步骤一详细步骤如下；初始化种群，设在一个D维空间中，由N个粒子组成的种群X＝(x1，…，xi，…，xN)，其中，第i个粒子的位置为xi＝(xi1，xi2，…，xiD)T，其速度为vi＝(vi1，vi2，…，viD)T。它的个体极值为pi＝(pi1，pi2，…，piD)T，种群的全局极值为pg＝(pg1，pg2，…，pgD)T。在标准粒子群算法中，粒子在其飞行过程中始终向着自己的个体最优位置和全局最优位置靠近。这种寻优方式类似于细菌觅食算法中的趋向性操作，很容易导致种群多样性的丧失，从而陷入局部最优点。于是，引入细菌觅食算法中的自适应迁徙机制对标准粒子群算法进行改进。如果对每一代种群都进行自适应迁徙操作，可能会导致收敛速度下降。因本文档来自技高网...

【技术保护点】
1.基于改进粒子群算法的受限广义预测控制方法，具体步骤如下，其特征在于：/n1)初始化参数，在设定范围内，随机初始化种群中各微粒的位置和速度；/n2)计算种群的适应度方差，判断是否小于种群多样性阈值，若是对种群执行自适应迁徙操作，否则执行步骤4；/n3)计算种群中每个粒子的病态值，并与迁徙概率进行比较，如果大于迁徙概率，对其进行迁徙操作，否则，粒子保持不变；/n4)判断是否满足停止条件，若满足，搜索停止，输出结果，否则，更新种群，返回步骤2。/n

【技术特征摘要】
1.基于改进粒子群算法的受限广义预测控制方法，具体步骤如下，其特征在于：
1)初始化参数，在设定范围内，随机初始化种群中各微粒的位置和速度；
2)计算种群的适应度方差，判断是否小于种群多样性阈值，若是对种群执行自适应迁徙操作，否则执行步骤4；
3)计算种群中每个粒子的病态值，并与迁徙概率进行比较，如果大于迁徙概率，对其进行迁徙操作，否则，粒子保持不变；
4)判断是否满足停止条件，若满足，搜索停止，输出结果，否则，更新种群，返回步骤2。


2.根据权利要求1所述的基于改进粒子群算法的受限广义预测控制方法，其特征在于：所述步骤一详细步骤如下；
初始化种群，设在一个D维空间中，由N个粒子组成的种群X＝(x1，…，xi，…，xN)，其中，第i个粒子的位置为xi＝(xi1，xi2，…，xiD)T，其速度为vi＝(vi1，vi2，…，viD)T。它的个体极值为pi＝(pi1，pi2，…，piD)T，种群的全局极值为pg＝(pg1，pg2，…，pgD)T；
在标准粒子群算法中，粒子在其飞行过程中始终向着自己的个体最优位置和全局最优位置靠近。


3.根据权利要求1所述的基于改进粒子群算法的受限广义预测控制方法，其特征在于：所述步骤二详细步骤如下；
设个体i的适应度为fi，当前种群的平均适应度为favg，σ2为种群的适应度方差，定义为：



其中，N为种群个体数目，f为归一化定标因子，其作用是限制δ2的大小，...

【专利技术属性】
技术研发人员：张雨飞，吴君，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32