【技术实现步骤摘要】
非线性模型的参数确定方法和装置
本申请涉及一种非线性模型的参数确定方法和装置，属于计算机
技术介绍
粒子群优化算法(ParticleSwarmOptimization，PSO)是一种基于种群的随机优化技术，由Eberhart和Kennedy于1995年提出。粒子群优化算法可以应用于对非线性迟滞模型的模型参数进行估计。现有的粒子群优化算法对所有的粒子进行统一优化，但是，在优化过程中可能导致一部分粒子向最优位置优化，而另一部分粒子向远离最优位置的方向优化，这就会降低参数优化速度、降低参数优化精度。
技术实现思路
本申请提供了一种非线性模型的参数确定方法和装置，可以解决现有的粒子群优化算法确定模型参数的速度和精度较低的问题。本申请提供如下技术方案：第一方面，提供了一种非线性模型的参数确定方法，所述非线性模型包括至少两个模型参数，所述方法包括：将所述至少两个模型参数划分为至少两个参数种群；在每次参数迭代过程中，基于粒子群优化算法对所述至少两个中的一个目标参数种群进行参数优...
【技术保护点】
1.一种非线性模型的参数确定方法，其特征在于，所述非线性模型包括至少两个模型参数，所述方法包括：/n将所述至少两个模型参数划分为至少两个参数种群；/n在每次参数迭代过程中，基于粒子群优化算法对所述至少两个中的一个目标参数种群进行参数优化，其它参数种群的参数保持不变，直至所有参数种群确定完成时参数迭代过程停止，得到所述非线性模型的模型参数。/n
【技术特征摘要】
1.一种非线性模型的参数确定方法，其特征在于，所述非线性模型包括至少两个模型参数，所述方法包括：
将所述至少两个模型参数划分为至少两个参数种群；
在每次参数迭代过程中，基于粒子群优化算法对所述至少两个中的一个目标参数种群进行参数优化，其它参数种群的参数保持不变，直至所有参数种群确定完成时参数迭代过程停止，得到所述非线性模型的模型参数。
2.根据权利要求1所述的方法，其特征在于，所述基于粒子群优化算法对所述至少两个中的一个目标参数种群进行参数优化，包括：
获取所述目标参数种群中每个粒子的历史最优位置和所述目标参数种群的历史全局最优位置；
获取所述目标参数种群的上次迭代速度和上次迭代位置；
基于所述上次迭代速度、所述历史最优位置与所述上次迭代位置之差、历史全局最优位置与上次迭代位置之差，确定本次迭代速度；
基于所述本次迭代速度和所述上次迭代位置之和确定本次迭代位置；
使用所述本次迭代速度和所述本次迭代位置，基于所述粒子群优化算法对所述目标参数种群进行参数优化。
3.根据权利要求2所述的方法，其特征在于，所述使用所述本次迭代速度和所述本次迭代位置，基于所述粒子群优化算法对所述目标参数种群进行参数优化，包括：
在上次迭代结束后，使用所述本次迭代速度和所述本次迭代位置执行下述步骤，直至迭代次数达到最大迭代次数或者参数误差在预设范围内时停止：
确定所述目标参数种群中每个粒子的适应度；
对于每个粒子，在所述粒子的适应度小于所述历史最优位置的适应度时，使用所述粒子替换所述历史最优位置；在所述粒子的适应度小于所述历史全局最优位置的适应度时，使用所述粒子替换所述历史全局最优位置。
4.根据权利要求2所述的方法，其特征在于，在基于所述上次迭代速度确定所述本次迭代速度时，所述上次迭代速度的权重随上次迭代时各个粒子的适应度和历史权重值确定。
5.根据权利要求2所述的方法，其特征在于，所述本次迭代速度和所述本次迭代位置通过下式确定：
Vit+1＝ωVit+c1×r1×(Pbesti-Pit)+c2×r2×(gbest-Pit)
Pit+1＝Pit+Vit+1
其中，ω为上次迭代速度的权重，为上次迭代速度，c1、c2、r1、r2为预设常数，Pbesti为历史最优位置，gbesti为历史全局最优位置，为上次迭代位置，fmin为上次迭代中所有粒子的最小适应度，favg为上次迭代中所有粒子的平均适应度，fi为上次迭代中第i个粒子的适应度，i为目标参数种群中粒子的序号，ωmin为历...
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。