外文翻譯--改進的粒子群優(yōu)化控制算法及其仿真研究【中文4900字】【中英文文獻譯文】

外文翻譯--改進的粒子群優(yōu)化控制算法及其仿真研究【中文4900字】【中英文文獻譯文】,中文4900字,中英文文獻譯文,外文,翻譯,改進,改良,粒子,優(yōu)化,控制,節(jié)制,算法,及其,仿真,研究,鉆研,中文,中英文,文獻,譯文 本科畢業(yè)設計論文外文文獻翻譯 專業(yè)名稱 自動化 學生姓名 胡晉 指導教師 王佩 畢業(yè)時間 2014.06 改進的粒子群優(yōu)化控制算法及其仿真研究 譚顯坤 中國重慶交通大學 應用技術學院,重慶,400074 摘要：控制系統(tǒng)的性能是由控制器的控制參數確定的。粒子群優(yōu)化控制算法中存在的參數選擇難題，如基本PSO算法易于陷入早熟收斂現象引起的局部最優(yōu)解，導致不可能收斂于全局最優(yōu)解，搜索精度不高以及收斂速度慢。針對以上問題，提出了一種改進的粒子群優(yōu)化控制算法。討論了具有遺傳思想的粒子群優(yōu)化算法，研究了改進的PSO控制算法，借助仿真實驗對所設計的控制算法作了比較研究，仿真試驗結果的響應曲線顯示，其動靜態(tài)特性優(yōu)于傳統(tǒng)方法的響應特性，驗證了所提出改進控制算法的合理性與可行性。研究結果表明，所提出的改進PSO控制算法對控制器參數整定更加有效。 關鍵詞：粒子群優(yōu)化算法；遺傳思想；參數整定；改進的PSO控制算法 1 簡介 粒子群算法和遺傳算法都是進化算法[1]，進化算法是以生物進化和遺傳等理論為基礎來解決優(yōu)化問題的，而且每一種進化算法都有其特點。粒子群算法有很多優(yōu)勢，比如，收斂率快，調整參數少，簡單且易實現，編碼比其他算法少等等。因此它應用范圍十分廣泛，例如目標函數的優(yōu)化，生物系統(tǒng)建模，神經網絡訓練，噪音系統(tǒng)的控制等。在機械控制領域，為了提高速度，精確度和可靠性，先進的智能控制技術需獲得廣泛且普遍的適應性，而粒子群算法總是用于智能控制的控制器的結構參數調整[2]。遺傳算法是一種尋找方法，這種方法是基于生物進化原則，并且在整體最優(yōu)和隨機優(yōu)化策略更有優(yōu)勢[3-4]。到目前為止，遺傳算法已經是一個成熟的分析方法，并且它廣泛應用于許多領域例如優(yōu)化組合，信號處理，機器改進，人造生命和自適應控制等等。粒子群算法和遺傳算法有許多不同[5]，可舉例說明，首先，粒子群算法有更好地記憶特性，以及保留具有優(yōu)勢解決方法的粒子的特點。遺傳算法只是利用現有一代通過交叉和突變產生的新的個體,延續(xù)下一代。其次，對于PSO算法，它的原則很簡單，控制參數少，減少了電腦負載。第三，PSO的進化方程,和它的位置,以及質點速度是量化并且模式化的，更重要的是它的可操作性比較強。PSO和GA都可以通過仿真和生物世界法則實驗描述，并且具有一定的隨機尋找技術，擁有整體最優(yōu)化特性和隱式并行性。與此同時，而對復雜的控制目標，它也顯示了早熟收斂和低收斂的不利一面。由于這個原因，本文探索了一種粒子群算法的改進算法，這一改進算法是基于遺傳思想，文中所提及的都通過了仿真實驗的驗證。 2 基于遺傳思想的粒子群算法 2.1 遺傳算法的調查 遺傳算法[6]最基本的思想是依靠編碼技術，使其對染色體（一串二進制數字）起作用，模仿由染色體組成的群體的進化過程，并且遺傳算法是一種隨機搜索的算法。遺傳算法形成了一個新的字符串群體，通過選擇，交叉和變異任意的組織染色體，以解決并改革染色體，遺傳算法選擇更健康的基因去完成基因的繁殖。下面簡要介紹算法的基本概念。 1） 基因編碼，由基因串決定的生物形狀。在遺傳算法中，通過二進制系統(tǒng)對每一個優(yōu)化目標進行解碼形成一個基因編碼串，即就是個體，也稱為染色體。 2） 群體，群體是一套個體，即是用于解決問題的一套方法[7]。 3） 交叉，在自然界中的繁殖時完全通過染色體交叉和基因算法的操作實現的。在交叉算子程序中，存在隨機信息交換，和制造新基因和新個體的目標。 4） 突變，變異操作通常需要執(zhí)行變異概率不是對應點的突變，即一些基因的染色體的變化從1到0或從0到1，從而得到新的個體。變異操作可以促進后代個體的多樣性，并且擴大了解決空間。變異操作是由基因算法本身固有的尋找能力來決定，并且和交叉操作儀器行動完成全部和本地區(qū)的優(yōu)化解決尋找。 5） 適應，存活下的生物體取決于對生物的適應程度。適應性反映了適應者生存的自然進化規(guī)律和自然選擇。在最優(yōu)化的問題中，每一個解決方案的相應方程值顯示了解決問題的趨勢是好還是壞。這一進化意義被稱作適應性運算。 6） 選擇，也被稱為繁殖或復制操作。高度適應的個體將提供一個確信的裝置以便準備進行交叉和突變操作。一般會在高適應性和高性能個體根源上選擇杰出的染色體，因此杰出的染色體可以廣泛分布在大范圍的下一代群體上，從而可以快速解決問題。 這三種不同操作，交叉，突變和變異,其中交叉和突變操作被用于產生新個體以便完成復制操作,選擇操作用于完成復制操作。 2.2 基因算法的基本步驟 存在于生物體內部染色體問題的基因控制解決方案，這一方法可以根據個體的高適應性進行選擇。通過交叉和突變操作運算，這樣形成新的群體，以便推測改進一套尋找算法為了下一代，因此最后匯聚到一個個體上的是最大適應環(huán)境能力，找到最優(yōu)化設計。基因算法參與五個必須的過程，參數編碼，最初群體設置，適宜方程設定，基因算法和控制參數。這五個關鍵因素，從基因算法的核心內容中形成?；舅惴ㄈ缦拢籟8] 1） 選擇編碼參數和決定適應方程。 2） 確定遺傳策略和初始化群體包括群體大小。具體是：選擇，交叉和突變的方位，交叉概率的參數，以及突變概率的參數等等。 3） 在解碼后估算個體位串在群體中的適應性。 4） 根據選擇遺傳策略使遺傳算法作用于當前群體，包括選擇。選擇進料，從目前的群體中選擇一些高適應性個體使下一代直接遺傳其特性。交叉，可以讓每一個個體在隨機選擇運算配對后，進入匹配集合，并且接受交叉概率從而通過基因伴侶彼此相互交換產生新個體。突變，通過突變并且利用突變概率，在交叉之后可以使得新個體攜帶特殊群體的基因。 5） 結束條件推斷。如果滿足條件終止，那么就停止計算，并且輸出結果。適應性最大的個體被認為是最優(yōu)結果。否則進入下一步。 3 進化的粒子算法 在廣泛空間內，尋找和交叉突變能力可以提高尋找整體最優(yōu)方案的效率。也就是說，遺傳算法可以幫助改進粒子算法。在迭代程序中，適應性最好的顆粒個體中的1/3通過選擇算法直接進入下一代，然后讓1/3下代中的任意兩個新形成粒子進行交叉，最后使這部分中的1/3進行突變，接著進行局部選擇。通過基因交叉算法運算，可以增加局部的多樣性，并且得到具有優(yōu)勢粒子，其攜帶最適生存特性的特點，加快粒子集合速度。通過粒子部分的突變運算可以放大搜索區(qū)域，避免局部運算的早熟現象。在提高PSO算法方面，采取非線性遞減模式，這是根據PSO算法的慣性重量，其可以提高原始算法的集合性能。 3.1 慣性重量的非線性遞減 慣性重量是通過全局和局部搜索算法定義的。如果值很大，那么質點先前一時刻的速度也遭受到很大的影響。這樣至少可以避免局部極值，并且全局搜索能力也可以變得很強。如果值很小，那么質點的前一刻速度也會受到影響變小，并且局部搜索能力會變強，這樣將會更適合集合算法。公式（1）展示了一個部分遞減非線性函數的慣性重量[9]，并且它的集中速度要優(yōu)于線性慣性重量系數，而且獲得更好地解決方式。 （1） 在此， ， ， ，代表了最大迭代次數，最大和最小慣性重量， 是目前當代迭代次數。由式（1），可以看出迭代重量系數在最開始的迭代中是最大的，在迭代過程中非線性遞減，在迭代最后時可達到最小值。因此可以獲得全局和局部搜索的平衡能力。 3.2 基因算法的操作認識 1）選擇算法的認識，適應部分選擇算法，首先計算所有在群體中適應的個體總數，然后計算在整個適應總數中適應個體的比例。為了選擇最好性能的1/3粒子，讓選擇運算直接進入下一代。以此來保持質點數量的能力。最好革命，可以更好地選出最佳的直接解決方案。 2）交叉算法的認識，首先在輸入的一個設備的1/3選擇出粒子，關注每一個粒子隨機交叉的概率在設備中，然后讓交叉算法在任意兩者中進行。在此必須值得注意的是應該確保產生的下一代質點具有相同數量以此確保質點數量不會改變。更新位置公式和速度，是由于新粒子是用公式（2）和式（3）表示的。第二，再次評價新產生一代的適應性，并且和上一代父母粒子的適應性進行比較。如果下一代的適應性優(yōu)于上一代，那么用下一代代替上一代，否則保持上一代不變進入下一代。 （2） （3） 在此代表矢量代置，表示維數，和代表位置向量和空間內的速度向量，用于交叉質點的選擇，并且和表示空間位置和速度向量，新一代質點在交叉后的向量。rand（）是一個隨機向量，在搜索空間內一般為[0，1] 范圍。 3）突變運算認識，首次選擇一個重新初始化的方法在這次論文中，以使質點初次突變以此來確定選擇質點的維數，并且可以避免出現早熟現象。其次可以再新子代和父母代進行適應性比較，這一進程和交叉運算的步驟2是相似的。 3.3 算法步驟 提高PSO算法步驟如下： 1） 初始化質點集 設置m大小數量，搜索空間維數n，在 維空間隨機制造m個質點，形成矩陣，每個質點隨機產生速度值，形成質點的制度改變矩陣，設置學習因子和，慣性重量系數和 ，編碼模型，最大初始化數字次數和最后設置初始化數次數，在現在一代成為1. 2） 更新初始化重量系數根據（1）式,評價每個質點的數量和計算適應性 根據客觀方程。 3） 實行基因運算操作。首先計算每個質點個體的適應性，根據步驟2，然后在1/3中選出最佳部分，直接進入下一代部分。其次，對他們進行交叉操作，為了創(chuàng)造1/3的質點的下一代，并且位置公式和速度交叉，速度交叉的代表是公式（2）和（3）.最后為了擴大參數搜索區(qū)域和調處區(qū)域集合，因此隨機初始化運算。 4） 更新每個粒子的個體極值在群體中，比較目前 和他們個體極值 。如果 超過 ，那么就更新個體極值讓 代替 。 5） 更新群體中的全局極值，比較全部群體，即全局 中的所有在歷史上新產生的個體 。如果 個體的適應值超過，那么就用代替全局極值 。 6） 通過式（2）和（3）更新質點的速度和位置，得出新的群體 。 7） 判斷是否滿足終值條件（通常檢驗是否滿足誤差精度或最大迭代次數）。如果不滿足則退回步驟2，否則停止尋找并且輸出結果。 圖1展示了改進PSO算法的慣性因子非線性減少和遺傳算法融合的步驟。 圖1 改進粒子算法的步驟 4. 仿真與分析 4.1 控制算法的設計 有兩種不同的仿真控制算法可以進行便利比較，他們分筆試改進PID控制算法和人為仿真智能控制算法。 1） 改進PID算法 （4） 在此E時特征誤差臨界值在特征模型中，并且控制參數需要分別協(xié)調一致，U，，和 。U可以通過實驗獲得， ， 和 可以通過論文前面所推理的方式求得。 2）HSIC基于控制算法 （5） 在此，， 是代表誤差的極限值，并且他們改變隨著典型特征值變化，還有個別控制參數 ， ，，，，和 。在此U可以從實驗中獲得，其它的可以根據論文前面所述的方法求得。為了得到更好地控制過程和動態(tài)特性，一般改進PSO算法的方程選擇下式（6）。 （6） 在此 是超越系統(tǒng)， 和 分別是重量值. 4.2參數確定 根據控制算法，采用改進粒子群算法整定控制參數，并且確定若干粒子參數范圍是50，大部分迭代次數是500，學習因子，慣性重量系數和，基因交叉系數是0.7，并且突變操作采用初始化模式。在Matlab環(huán)境下，大約可根據Simset和Sim的M文件，能夠優(yōu)化再控制算法內的所有參數，圖2和圖3動態(tài)描述了仿真迭代的過程。這兩幅圖精確展示了控制算法1和控制算法2的客觀精度。優(yōu)化參數的結果表示如下：，，，這是控制算法1的結果。，，，，，，以上是控制算法2的結果。 圖2控制算法1的迭代曲線圖 圖3 控制算法2的迭代曲線圖 4.3仿真及其分析 由程序模型[10]可得公式（7） （7） 在Matlab環(huán)境下進行仿真實驗，采取改進粒子群算法來優(yōu)化整定控制參數，圖4展示了系統(tǒng)的反應曲線。該圖可以被認作是過快響應時間和大振蕩產生的曲線，并且反映了超調現象，但是對于控制算法2的曲線而言，控制算法2的曲線顯得平滑和穩(wěn)定的多，并且沒有超調現象。這也反映了控制算法2優(yōu)于控制算法1。 圖4 通過PID和HSIC的反應曲線圖 5．總結 針對在相同結構的模型中，設計的這兩種算法，即改進PID控制算法和多模式給予HSIC的控制算法。依靠改進的PSO算法，整定和優(yōu)化了控制參數的這兩種控制算法。在Matlab環(huán)境下，仿真結果顯示通過基于改進PSO算法的參數整定控制系統(tǒng)其控制效果更好。 參考文獻： [1]Van den Bergh ,Enegelbrecht A. Using neighborhood with the guaranteed convergence PSO [Z].2003 IEEE swarm intelligence symposium .USA [s.n.] 2003 :235-242. [2]LEI Kai-fa. Particle Swarm Optimization and Its Application Research [D].Chongqing: Southwest University ,2006:23-72. [3]WANG Hao .Comparative Study on Four Sorts of Intelligent Alogorithm [J].Fire Control and Command Control ,2008(33):71-75. [4]WANG Yuhong ,LI Wei .A simulated annealing algorithm for training empirical potential function of protein folding [J] .CHEN RES CHINESE U,2005,21(1):73-77. [5] DUAN Haibin ,WANG Daobo ,YU Xiufen .Research on Some Novel Bionic Optimization Algorithms [J].Computer Simulation ,2007 ,24 (3):169-172. [6]LUO Chunsong .Improved PSO algorithm and its application in control parameter sketch [D]. Changsha: Human University ,2009. [7]QIU Zhiping ,ZHANG Yuxing . Parametric optimization design of aircraft based on hybrid parallel multi-objective tabu search algorithm[J] .Chinese Journal of Aeronautics,2010 ,23 (4) :430-437. [8]LI Minjiang .Basic Theory and Its Application of Genetic Algorithm [M].Beijing: Science Press,2002. [9]YU Miao ,ZHU Lixi, DONG Xiao-min et al. Human simulated intelligent control of buffer system based on vibration insulation of magnetic current [J] .Journal of Central South University : Nature Science Edition ,2009 ,40(9):58-62. [10]ZHAO Jinxian ,ZHANG Zhijiang .Application of Fuzzy Adaptive PID Control in Sewage Treatment Dissolved Oxygen Control [J].Machin Building & Automation ,2011,40(4);164-164.