论文部分内容阅读
非线性系统参数估计是现代控制领域研究的一个重要组成部分。传统非线性参数估计算法对估计模型的限制条件较强、并且基于梯度信息、容易陷入局部最优、收敛速度慢。遗传算法(Genetic Algorithm, GA)具有多点寻优、并行处理等特点,其寻优过程直接对解群进行操作,决定其可适用一般非线性系统参数估计。但是遗传算法要进行编码,复制、交叉、变异等操作,存在着收敛速度慢、易陷入局部最优等问题。结合几种智能进化算法,寻求估计效果更好的训练算法是本文的主要研究内容。针对遗传算法存在的问题,本文分别采用遗传算法(Genetic Algorithm, GA)、粒子群算法(Particle Swarm Optimization, PSO)、混合蛙跳算法(shuffled frog leaping algorithm,SFLA)应用于非线性系统参数估计。仿真结果表明,三种算法中,SFLA算法与PSO算法具有较优的参数估计效果,但其存在“早熟”收敛陷入局部最优解和收敛速度慢的情况,。为了克服混合蛙跳算法容易陷入局部最优的问题,通过改进蛙跳规则,采用NM(Nelder-Mead algorithm)单一形状搜索算法,增强了算法的局部搜索能力,提出一种基于改进蛙跳规则的NM搜索的改进蛙跳算法NM-SFLA。针对改进蛙跳算法收敛速度下降等问题,结合自适应粒子群算法(self-adaptive particle swarm optimization,SAPSO)提出一种SAPSO-MSFLA混合算法(self-adaptive particle swarm optimization&modified shuffled frog leaping algorithm, SAPSO-MSFLA).并且与NM-SFLA算法进行对比。仿真结果表明本文提出的SAPSO-MSFLA算法可以提高非线性系统参数估计的准确性,同时SAPSO-MSFLA算法可以有效降低算法在非线性系统参数估计中陷入局部最优解的几率并提高收敛速度。