CN105974799B - 一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法 - Google Patents

一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法 Download PDF

Info

Publication number
CN105974799B
CN105974799B CN201610560402.6A CN201610560402A CN105974799B CN 105974799 B CN105974799 B CN 105974799B CN 201610560402 A CN201610560402 A CN 201610560402A CN 105974799 B CN105974799 B CN 105974799B
Authority
CN
China
Prior art keywords
vector
unimodal
differential evolution
population
algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610560402.6A
Other languages
English (en)
Other versions
CN105974799A (zh
Inventor
向文国
刘君
刘一君
陈时熠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201610560402.6A priority Critical patent/CN105974799B/zh
Publication of CN105974799A publication Critical patent/CN105974799A/zh
Application granted granted Critical
Publication of CN105974799B publication Critical patent/CN105974799B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于差分进化‑局部单峰采样算法的模糊控制系统优化方法，包括如下步骤：(1)确定适应度函数；(2)使用差分进化算法，设定合适的迭代次数，反复进行变异、交叉和选择操作，直到满足收敛精度或达到最大迭代次数，获得相应的参数组合；(3)使用局部单峰采样算法，将差分进化算法最终得到的参数组合作为其初始值，根据适应度值反复进行缩减搜索范围及转移目标向量操作，直到迭代结束，适应度值最好的参数组合作为最优化结果。本发明的有益效果为：将两者结合使用，减少差分进化算法的迭代次数，得到初步最优解之后切换为局部单峰采样算法，能充分发挥两种算法的优点，弥补各自的不足，极大的提高优化计算效率和全局收敛性。

Description

一种基于差分进化-局部单峰采样算法的模糊控制系统优化 方法
技术领域
本发明涉及模糊控制领域，尤其是一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法。
背景技术
随着计算机水平的发展，较多的智能算法被用于解决系统优化问题，如遗传(GA)算法、粒子群(PSO)算法、蚁群算法等，这些算法都是启发于自然界生物系统，以竞争机制为运行准则。差分进化(DE)算法是一种改进的遗传算法，但是差分算法仍然相对复杂，计算时间较长。
发明内容
本发明所要解决的技术问题在于，提供一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法，能有效的发挥两种算法的优点，作为一种解决模糊控制器参数整定的通用方法。
为解决上述技术问题，本发明提供一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法，包括如下步骤：
(1)确定适应度函数；分析模糊PID控制器的特征，选择系统的待优化参数，将其以合理的组成形式表达出来；
(2)使用差分进化算法，设定合适的迭代次数，反复进行变异、交叉和选择操作来调整优化这5个参数，具体为模糊PID控制器的量化因子、误差以及误差的变化率、比例因子比例P、比例因子积分I和比例因子微分D，直到满足收敛精度或达到最大迭代次数，获得相应的参数组合；
(3)使用局部单峰采样算法，将差分进化算法最终得到的参数组合作为其初始值，设定初始搜索范围并随机产生新的参数组合，根据适应度值反复进行缩减搜索范围及转移目标向量操作，直到迭代结束，适应度值最好的参数组合作为最优化结果。
优选的，步骤(1)中合理的组成形式为函数表达式、模式向量或组合选择。
优选的，步骤(2)具体包括以下步骤：
(a)种群初始化；确定问题的n维可行解空间并随机产生M个个体作为初代种群，具体表达式如下：
式中，xij(0)表示第0代的第j条“染色体”的第i个“基因”，和分别是第j条“染色体”的上界和下界，randij(0,1)是(0，1)区间均匀分布的随机数；
(b)变异操作；从初代种群中随机选择3个个体xa，xb和xc，i≠a≠b≠c，将其中两个个体的向量差缩放后与待变异个体进行向量合成，即：
vij(t+1)＝xaj(t)+F(xbj(t)-xcj(t)) (2)
式中，xbj(t)-xcj(t)是差异化向量，F为缩放因子，a，b和c为表示个体在种群中序号的随机整数；
(c)交叉操作；对第t代种群xij(t)及其变异种群vij(t+1)进行交叉操作：
式中，rand lij是(0，1)区间的随机数，CR是交叉概率；
(d)选择操作；利用适应度函数F评价目标向量xi(t)和交叉后向量ui(t+1)的优劣，并确定下一代种群个体：
反复执行步骤(a)至步骤(d)的操作，直到满足收敛精度或达到最大迭代次数。
优选的，步骤(2)的变异操作中，为了确保变异向量的有效性，保证“染色体”中各“基因”满足边界条件，和分别是第j条“染色体”的上界和下界，否则用随机法重新生成。
优选的，步骤(2)的交叉操作中，确保变异种群每个“染色体”至少有一个“基因”遗传至下一代，第一个交叉操作的基因随机选取变异种群中的某个“基因”作为交叉后对应“染色体”中的等位“基因”。
优选的，步骤(3)具体包括以下步骤：
(a)确定初始搜索范围；以当前的目标向量值为初始搜索位置，其中是n维向量，n为问题空间的维度，随机产生新的n维向量来调整搜索范围，假设是(-d，d)区间的随机向量，则d为初始搜索范围，且新的搜索位置为：
(b)调整搜索范围；计算并比较目标向量和的适应值，若的适应值低于则减小搜索范围来寻求适应值高于的目标向量；新的搜索范围为：
dnew＝Kn×d (6)
其中，Kn为缩减因子，当0<α<1，搜索范围缩小的速度较小，当α>1，搜索范围缩小的速度较大；
(c)目标向量转移；将目标向量加上dnew代替之前的并计算其适应度值，若此时的的适应度值高于则将的值赋予成为新的目标向量；重复执行步骤(b)和步骤(c)，直到满足收敛精度或达到迭代次数。
本发明的有益效果为：差分进化算法作为全局搜索策略，具有较好的鲁棒性，但当优化参数增多，或为了避免出现局部收敛增加迭代次数时，就会使计算复杂度和耗费时间增大；而局部单峰采样算法操作简单，可节约较多的计算时间，但初始值较难确定。将两者结合使用，减少差分进化算法的迭代次数，在得到初步最优解之后切换为局部单峰采样算法，这样能充分发挥两种算法的优点，弥补各自的不足，极大的提高优化计算效率和全局收敛性。
具体实施方式
一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法，包括如下步骤；
(1)确定适应度函数；分析模糊PID控制器的特征，选择系统的待优化参数，并将其以合理的组成形式表达出来，这个组成形式可以是函数表达式，模式向量，组合选择等；
(2)使用差分进化算法，设定合适的迭代次数，反复进行变异、交叉和选择操作来调整优化这几个参数，初步获得较优的参数组合；
(a)种群初始化
确定问题的n维可行解空间并随机产生M个个体作为初代种群，具体表达式如下：
式中，xij(0)表示第0代的第j条“染色体”的第i个“基因”，和分别是第j条“染色体”的上界和下界，randij(0,1)是(0，1)区间均匀分布的随机数。
(b)变异操作
从初代种群中随机选择3个个体xa，xb和xc，i≠a≠b≠c，将其中两个个体的向量差缩放后与待变异个体进行向量合成，即：
vij(t+1)＝xaj(t)+F(xbj(t)-xcj(t)) (2)
式中，xbj(t)-xcj(t)是差异化向量，F为缩放因子，a，b和c为表示个体在种群中序号的随机整数。为了确保变异向量的有效性，需要保证“染色体”中各“基因”满足边界条件，否则要用随机法重新生成。此差分变异策略是差分进化算法的关键，也是区别于遗传算法的重要标志。
(c)交叉操作
对第t代种群xij(t)及其变异种群vij(t+1)进行交叉操作：
式中，rand lij是(0，1)区间的随机数，CR是交叉概率。为了确保变异种群每个“染色体”至少有一个“基因”遗传至下一代，一般第一个交叉操作的基因随机选取变异种群中的某个“基因”作为交叉后对应“染色体”中的等位“基因”，交叉操作能够增加群体的多样性。
(d)选择操作
利用适应度函数F评价目标向量xi(t)和交叉后向量ui(t+1)的优劣，并确定下一代种群个体：
反复执行步骤(b)至步骤(d)的操作，直到满足收敛精度或达到最大迭代次数。
(3)使用局部单峰采样算法，将差分进化算法最终得到的参数组合作为其初始值，设定初始搜索范围并随机产生新的参数组合，根据适应度值反复进行缩减搜索范围及转移目标向量操作，直到迭代结束，适应度值最好的参数组合即可作为最优化结果：
(a)确定初始搜索范围
以当前的目标向量值为初始搜索位置，其中是n维向量(n为问题空间的维度)，随机产生新的n维向量来调整搜索范围，假设是(-d，d)区间的随机向量，则d为初始搜索范围，且新的搜索位置为：
(b)调整搜索范围
计算并比较目标向量和的适应值，若的适应值低于则减小搜索范围来寻求适应值高于的目标向量。新的搜索范围为：
dnew＝Kn×d (6)
其中，Kn为缩减因子。当0<α<1，搜索范围缩小的速度较小，当α>1，搜索范围缩小的速度较大。
(c)目标向量转移
将目标向量加上dnew代替之前的并计算其适应度值，若此时的的适应度值高于则将的值赋予成为新的目标向量。
重复执行步骤(b)和步骤(c)，直到满足收敛精度或达到迭代次数。
尽管本发明就优选实施方式进行了示意和描述，但本领域的技术人员应当理解，只要不超出本发明的权利要求所限定的范围，可以对本发明进行各种变化和修改。

Claims (4)

1.一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法，其特征在于，包括如下步骤：
(1)确定适应度函数；分析模糊PID控制器的特征，选择系统的待优化参数，将其以函数表达式、模式向量或组合选择表达出来；
(2)使用差分进化算法，设定合适的迭代次数，反复进行变异、交叉和选择操作来调整优化这5个参数，具体为模糊PID控制器的量化因子、误差以及误差的变化率、比例因子比例P、比例因子积分I和比例因子微分D，直到满足收敛精度或达到最大迭代次数，获得相应的参数组合；
(3)使用局部单峰采样算法，将差分进化算法最终得到的参数组合作为其初始值，设定初始搜索范围并随机产生新的参数组合，根据适应度值反复进行缩减搜索范围及转移目标向量操作，直到迭代结束，适应度值最好的参数组合作为最优化结果；具体为：
(a)确定初始搜索范围；以当前的目标向量值为初始搜索位置，其中是n维向量，n为问题空间的维度，随机产生新的n维向量来调整搜索范围，假设是(-d，d)区间的随机向量，则d为初始搜索范围，且新的搜索位置为：
(b)调整搜索范围；计算并比较目标向量和的适应值，若的适应值低于则减小搜索范围来寻求适应值高于的目标向量；新的搜索范围为：
dnew＝Kn×d (6)
其中，Kn为缩减因子，当0<α<1，搜索范围缩小的速度较小，当α>1，搜索范围缩小的速度较大；
(c)目标向量转移；将目标向量加上dnew代替之前的并计算其适应度值，若此时的的适应度值高于则将的值赋予成为新的目标向量；重复执行步骤(b)和步骤(c)，直到满足收敛精度或达到迭代次数。
2.如权利要求1所述的基于差分进化-局部单峰采样算法的模糊控制系统优化方法，其特征在于，步骤(2)包括以下步骤：
(a)种群初始化；确定问题的n维可行解空间并随机产生M个个体作为初代种群，具体表达式如下：
式中，xij(0)表示第0代的第j条“染色体”的第i个“基因”，和分别是第j条“染色体”的上界和下界，randij(0,1)是(0，1)区间均匀分布的随机数；
(b)变异操作；从初代种群中随机选择3个个体xa，xb和xc，i≠a≠b≠c，将其中两个个体的向量差缩放后与待变异个体进行向量合成，即：
vij(t+1)＝xaj(t)+F(xbj(t)-xcj(t)) (2)
式中，xbj(t)-xcj(t)是差异化向量，F为缩放因子，a，b和c为表示个体在种群中序号的随机整数；
(c)交叉操作；对第t代种群xij(t)及其变异种群vij(t+1)进行交叉操作：
式中，rand lij是(0，1)区间的随机数，CR是交叉概率；
(d)选择操作；利用适应度函数F评价目标向量xi(t)和交叉后向量ui(t+1)的优劣，并确定下一代种群个体：
反复执行步骤(a)至步骤(d)的操作，直到满足收敛精度或达到最大迭代次数。
3.如权利要求2所述的基于差分进化-局部单峰采样算法的模糊控制系统优化方法，其特征在于，步骤(2)的变异操作中，为了确保变异向量的有效性，保证“染色体”中各“基因”满足边界条件，和分别是第j条“染色体”的上界和下界，否则用随机法重新生成。
4.如权利要求2所述的基于差分进化-局部单峰采样算法的模糊控制系统优化方法，其特征在于，步骤(2)的交叉操作中，确保变异种群每个“染色体”至少有一个“基因”遗传至下一代，第一个交叉操作的基因随机选取变异种群中的某个“基因”作为交叉后对应“染色体”中的等位“基因”。
CN201610560402.6A 2016-07-15 2016-07-15 一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法 Active CN105974799B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610560402.6A CN105974799B (zh) 2016-07-15 2016-07-15 一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610560402.6A CN105974799B (zh) 2016-07-15 2016-07-15 一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法

Publications (2)

Publication Number Publication Date
CN105974799A CN105974799A (zh) 2016-09-28
CN105974799B true CN105974799B (zh) 2018-08-21

Family

ID=56952405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610560402.6A Active CN105974799B (zh) 2016-07-15 2016-07-15 一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法

Country Status (1)

Country Link
CN (1) CN105974799B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107743104B (zh) * 2017-09-29 2021-08-31 天津师范大学 基于扫描和缩放的广义频分复用技术中脉冲成形滤波器的滚降系数选择方法
CN107704678B (zh) * 2017-09-29 2022-03-15 天津师范大学 一种脉冲成形滤波器的滚降系数的最优选择方法
CN109284956B (zh) * 2018-08-10 2020-10-02 北京三快在线科技有限公司 一种任务时长确定方法及装置和电子设备
CN109304032B (zh) * 2018-08-17 2022-02-22 深圳市乐易网络股份有限公司 游戏系统的自适应进化方法、装置及服务器
CN109540163B (zh) * 2018-11-20 2022-06-07 太原科技大学 一种基于差分进化和模糊控制相结合的避障路径规划算法
CN109600710B (zh) * 2018-12-10 2020-10-30 浙江工业大学 一种视频传感器网络中基于差分算法的多移动目标监测方法
CN109688537A (zh) * 2018-12-21 2019-04-26 延安大学 基于差分进化算法的森林火灾监测物联网节点定位方法
CN109765789B (zh) * 2019-03-29 2022-04-19 华东理工大学 考虑罐底油属性的原油调合双调合头协调优化方法
CN111428311A (zh) * 2020-03-24 2020-07-17 中国人民解放军空军工程大学 基于平均差分进化算法的等效系统拟配方法
CN112414996B (zh) * 2020-07-24 2022-06-17 北京工商大学 基于有限差分和差分进化算法的icp-aes谱线重叠干扰校正方法
CN116859711B (zh) * 2023-06-27 2024-04-12 中科沃业江苏生物有限公司 一种基于iabc优化模糊pid的恒流泵控制系统
CN117970782B (zh) * 2024-03-28 2024-05-31 山东工商学院 一种基于鱼鳞进化gsom改进的模糊pid控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104345636A (zh) * 2013-08-05 2015-02-11 江南大学 一种基于改进差分算法的溶解氧控制方法
CN104635494A (zh) * 2015-02-06 2015-05-20 西安电子科技大学 一种基于遗传算法优化的车辆追尾碰撞模糊控制方法
CN105700353A (zh) * 2016-01-30 2016-06-22 河南城建学院 一种基于差分进化算法的pid控制器参数优化整定方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101022287A (zh) * 2007-04-09 2007-08-22 互芯集成电路（北京）有限公司 码分多址通信系统中的多径检测方法及接收机

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104345636A (zh) * 2013-08-05 2015-02-11 江南大学 一种基于改进差分算法的溶解氧控制方法
CN104635494A (zh) * 2015-02-06 2015-05-20 西安电子科技大学 一种基于遗传算法优化的车辆追尾碰撞模糊控制方法
CN105700353A (zh) * 2016-01-30 2016-06-22 河南城建学院 一种基于差分进化算法的pid控制器参数优化整定方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于差分进化的模糊PID复合控制在汽轮机转速调节系统中的应用;王右等;《东南大学学报》;20110930;第41卷;第85-87页 *
基于探索-开发权衡的差分进化算法改进;李东;《全国硕士学位论文全文数据库》;20151215;全文 *
基于改进差分进化算法的智能PID控制器;金文静;《中国硕士学位论文全文数据库》;20111215;全文 *
基于贪婪策略的微分进化算法及其应用研究;赵广权;《中国博士学位论文全文数据库》;20081215;第三章 微分进化算法及其改进研究 *

Also Published As

Publication number Publication date
CN105974799A (zh) 2016-09-28

Similar Documents

Publication Publication Date Title
CN105974799B (zh) 一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法
CN110389819B (zh) 一种计算密集型批处理任务的调度方法和系统
EP3611799A1 (en) Array element arrangement method for l-type array antenna based on inheritance of acquired characteristics
CN105303252A (zh) 基于遗传算法的多阶段神经网络模型训练方法
CN103473482B (zh) 基于差分进化和构象空间退火的蛋白质三维结构预测方法
CN109931943B (zh) 无人船舶全局路径规划方法及电子设备
CN104615869A (zh) 一种基于相似度排挤的多种群模拟退火混合遗传算法
CN106934722A (zh) 基于k节点更新与相似度矩阵的多目标社区检测方法
CN115965169A (zh) 路径规划方法、智能设备及计算机可读存储介质
CN114632488A (zh) 一种连续式造粒反应釜模块式温度控制方法及系统
CN108830035A (zh) 一种新型水处理混凝投药控制方法、计算机、计算机程序
CN101853202B (zh) 一种基于遗传算法和带权匹配算法的测试案例自动生成方法
JP2007065900A (ja) 隆線方向抽出装置、隆線方向抽出方法、隆線方向抽出プログラム
CN104598657B (zh) 一种基于memetic算法的基因模体重构方法
CN112051796B (zh) 一种连接二维随机封闭图形生成最短路径的规划方法
CN103473599A (zh) 一种基于遗传算法和卡尔曼滤波的rbfn组合训练方法
CN105334824A (zh) 基于nsga-ⅱ算法的铝电解生产优化方法
CN105302976A (zh) 基于spea2算法的铝电解生产优化方法
CN109934917B (zh) 基于机器学习预测计算强度的并行化点云生成dem方法
CN105787296B (zh) 一种宏基因组和宏转录组样本相异度的比较方法
CN104200073A (zh) 一种基于局部Lipschitz估计的自适应群体全局优化方法
CN113141272B (zh) 基于迭代优化rbf神经网络的网络安全态势分析方法
CN111813669B (zh) 基于多目标群体智能的适应性随机测试用例生成方法
CN104570759B (zh) 控制系统中点定位问题的快速二叉树法
CN114036069A (zh) 基于分解的权重向量自适应的多目标测试用例排序方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant