CN109031944A - 一种基于布谷鸟算法和ogy方法的混沌系统混合控制 - Google Patents
一种基于布谷鸟算法和ogy方法的混沌系统混合控制 Download PDFInfo
- Publication number
- CN109031944A CN109031944A CN201810692470.7A CN201810692470A CN109031944A CN 109031944 A CN109031944 A CN 109031944A CN 201810692470 A CN201810692470 A CN 201810692470A CN 109031944 A CN109031944 A CN 109031944A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- cuckoo
- bird
- ogy
- chaos
- 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.)
- Pending
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
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system 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布谷鸟算法和OGY方法的混沌系统混合控制,其特征在于:用布谷鸟搜索算法对系统轨道进行前期的引导,减少参数扰动法(OGY方法)的等待时间;布谷鸟算法引导混沌轨道的实现过程为:在普通的线性误差反馈法基础上,用布谷鸟搜索算法找到一组适当的反馈增益,产生一系列特定的“小扰动”,在给定的有限步内,使混沌系统从初始点到达目标区域,实现对混沌系统的初步控制;其中将迭代值与不动点的距离作为布谷鸟算法的目标函数,到达目标区域后再利用OGY参数小扰动法将轨道最终稳定到不动点上,从而实现混沌系统的大区域快速稳定。
Description
技术领域
本发明涉及混沌控制领域,具体是用布谷鸟算法对系统轨道进行前期引导,使系统进入不动点的领域内再开启混沌参数小扰动控制方法(OGY方法)。
背景技术
上世纪六十年代以来,混沌现象逐渐引起了人们的广泛关注,并开始对其进行了深入的研究。混沌系统最基本的特征是对初值的极端敏感性,即初始状态的微小不同可以导致最终结果的巨大差别。研究发现,混沌现象广泛存在于各种非线性电子线路中。在实际中,希望能够通过抑制或避免混沌,以提高系统的性能,使系统能够稳定或达到预期的性能。为了利用有益混沌抑制不利混沌,人们对混沌的控制展开研究。
OGY方法是典型的混沌控制方法之一,理论基础是混沌吸引子中存在着不可数的不稳定周期轨道。因为混沌动力系统具有对初值敏感和遍历性的特性,所以只需等待混沌系统进入预定的区域之后给系统一个扰动,这个扰动是通过参数较小的变化实现的,从而系统的运动状态是稳定到固定点的周期轨道上,但这往往需要很长时间。引导轨道的主要思想是用特定的小扰动引导给定混沌系统的轨道,使混沌动力系统从给定的初始状态到达期望的目标区域,目的是减少达到希望区域的时间。
布谷鸟搜索算法(CS)是由剑桥大学YANG等提出的一种群体智能优化算法,它也是一种新型的元启发式搜索算法。其思想主要基于两个策略:布谷鸟的巢寄生行为和莱维飞行机制。通过随机游走的方式搜索得到一个最优的鸟窝来孵化自己的鸟蛋,这种方式可以达到一种高效的寻优模式。CS算法主要优点是参数少、操作简单、易实现、随机搜索路径优和寻优能力强等,备受学者关注,相关的科研成果也日益倍增。
发明内容
针对OGY方法控制混沌系统中,等待时间较长等问题,本发明设计了一种新型的OGY控制器(CS-OGY),一种基于布谷鸟算法和OGY方法的混沌系统混合控制。
本发明主要是通过如下方案所实现:
一种基于布谷鸟算法和OGY方法的混沌系统混合控制;
用CS对混沌系统轨道做初始引导,将其引导到不稳定不动点的邻域内,然后再对系统参数进行微调,最终使系统轨道达到稳定的轨道上,减少OGY方法的等待时间。
布谷鸟算法引导混沌轨道的实现过程为:在普通的线性误差反馈法基础上,用布谷鸟搜索算法找到一组适当的反馈增益,产生一系列特定的“小扰动”,在给定的有限步内,使混沌系统从初始点到达目标区域,实现对混沌系统的初步控制。其中将迭代值与不动点的距离作为布谷鸟算法的目标函数,到达目标区域后再利用OGY参数小扰动法将轨道最终稳定到不动点上,从而实现混沌系统的大区域快速稳定。
本发明的技术效果在于:用布谷鸟搜索算法对系统轨道进行前期的引导,减少参数扰动法(OGY方法)的等待时间。该算法的具体步骤如下:
步骤1:初始化算法基本参数。设置鸟窝个数,宿主发现外来鸟蛋概率Pa,以及最大迭代次数或搜索精度。
步骤2:初始化鸟窝位置。
步骤3:位置更新操作。利用位置更新公式,搜索下一代的鸟窝位置,从而得到一组新的鸟窝位置。
步骤4:计算目标函数值。将适应度值与上一代的进行对比,保留较好的位置。
步骤5:选择操作。鸟窝位置替换,找到当前最优鸟窝位置。
步骤6:判断操作。若达到迭代终止要求则输出最优鸟窝位置并进行步骤5,否则返回步骤2。
步骤7:将得到的最优值带入线性误差增益函数,使系统到达目标区域。
步骤8:开启OGY控制。
步骤9:系统稳定到不动点附近。
附图说明
图1一种基于布谷鸟算法和OGY方法的混沌系统混合控制流程图
具体实施方式
为了使本发明的目的、技术方案及发明内容更加清楚,以下结合附图详细说明。
步骤1:初始化算法基本参数。
设置鸟窝个数(一般设置为25),宿主发现外来鸟蛋概率Pa(发现概率一般设置为0.25),以及最大迭代次数或搜索精度。
步骤2:初始化鸟窝位置。
随机产生P个n×N维向量作为一个初始鸟窝位置,其中第i个鸟窝在解空间的位置(即每个位置就是一个潜在解)表示为[ki1,ki2,…,kiN](i=1,2,…,P).
步骤3:位置更新操作。
利用位置更新公式
Levy(λ)·u=t-λ,(1<λ≤3) (2)
搜索下一代的鸟窝位置,从而得到一组新的鸟窝位置。
步骤4:计算目标函数值。
计算各鸟窝位置对应的目标函数值,并获得当前最优鸟窝位置,具体实现为:
将线性误差反馈序列:
X1 m+1=f1(Xm,p)+km·(Xm-XF),
Xi m+1=fi(Xm,p),
(3)
其中m=1,2,…,N;i=2,3…,n;km∈R1×n的向量,即km=[k1 m,k2 m,…kn m]。经简化后由(3)式可知,要使系统到达目标区域,要找到一组适当的反馈增益[k1,k2,,kN],即一个n×N维的向量。
将如(3)式作用于系统Xm+1=F(Xm,p), (4)
求得系统状态XN,本发明采用N步的误差作为适应度函数,如(3)式,即带入XN可求得相应鸟窝的适应度值。
ei=||XN-XF||(i=1,2,…P) (5)
步骤5:选择操作。将宿主发现外来蛋的概率pa,与服从均匀分布的随机数r进行对比,如果r>pa那么我们可以随机改变鸟窝的位置,否则固定不变,对改变后得到的新位置进行测试,并与上一步所得到的鸟窝位置比较,选出较优的鸟窝位置。
步骤6:判断操作。按步骤4计算适应度是否满足迭代的终止条件,若达到,则找到最优解,否则将步骤6中得到的一组最好鸟窝位置返回步骤3开始下一轮的迭代。
步骤7:将得到的最优值带入线性误差增益函数(3)式中,使系统到达目标区域。此时布谷鸟算法引导轨道结束。
步骤8:开启OGY控制。通过参数微调公式
对参数P进行微调,使系统最终稳定到不动点。
其中,响应矢量g为
不稳定特征值对应的特征向量为eu
eu的对偶向量hu可按下列式子求得
当如下不等式成立时进行微扰控制:
步骤9:系统稳定到不动点。
Claims (2)
1.一种基于布谷鸟算法和OGY方法的混沌系统混合控制,其特征在于:用布谷鸟搜索算法对系统轨道进行前期的引导,减少参数扰动法(OGY方法)的等待时间,布谷鸟算法引导混沌轨道的实现过程为:在普通的线性误差反馈法基础上,用布谷鸟搜索算法找到一组适当的反馈增益,产生一系列特定的“小扰动”,在给定的有限步内,使混沌系统从初始点到达目标区域,实现对混沌系统的初步控制;其中将迭代值与不动点的距离作为布谷鸟算法的目标函数,到达目标区域后再利用OGY参数小扰动法将轨道最终稳定到不动点上,从而实现混沌系统的大区域快速稳定。
2.基于权利要求1提出的一种基于布谷鸟算法和OGY方法的混沌系统混合控制,其技术效果在于:用布谷鸟搜索算法对系统轨道进行前期的引导,减少参数扰动法(OGY方法)的等待时间,该算法的具体步骤如下:
步骤1:初始化算法基本参数,设置鸟窝个数,宿主发现外来鸟蛋概率Pa,以及最大迭代次数或搜索精度;
步骤2:初始化鸟窝位置;
步骤3:位置更新操作,利用位置更新公式,搜索下一代的鸟窝位置,从而得到一组新的鸟窝位置;
步骤4:计算目标函数值,将适应度值与上一代的进行对比,保留较好的位置;
步骤5:选择操作,鸟窝位置替换,找到当前最优鸟窝位置;
步骤6:判断操作,若达到迭代终止要求则输出最优鸟窝位置并进行步骤5,否则返回步骤2;
步骤7:将得到的最优值带入线性误差增益函数,使系统到达目标区域;
步骤8:开启OGY控制;
步骤9:系统稳定到不动点附近。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810692470.7A CN109031944A (zh) | 2018-06-28 | 2018-06-28 | 一种基于布谷鸟算法和ogy方法的混沌系统混合控制 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810692470.7A CN109031944A (zh) | 2018-06-28 | 2018-06-28 | 一种基于布谷鸟算法和ogy方法的混沌系统混合控制 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109031944A true CN109031944A (zh) | 2018-12-18 |
Family
ID=65520798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810692470.7A Pending CN109031944A (zh) | 2018-06-28 | 2018-06-28 | 一种基于布谷鸟算法和ogy方法的混沌系统混合控制 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109031944A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105867120A (zh) * | 2016-03-23 | 2016-08-17 | 华南理工大学 | 一种寻找混沌态开关变换器不稳定周期轨道的方法 |
CN106610656A (zh) * | 2016-04-14 | 2017-05-03 | 四川用联信息技术有限公司 | 一种改进的布谷鸟搜索算法求解作业车间调度问题 |
-
2018
- 2018-06-28 CN CN201810692470.7A patent/CN109031944A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105867120A (zh) * | 2016-03-23 | 2016-08-17 | 华南理工大学 | 一种寻找混沌态开关变换器不稳定周期轨道的方法 |
CN106610656A (zh) * | 2016-04-14 | 2017-05-03 | 四川用联信息技术有限公司 | 一种改进的布谷鸟搜索算法求解作业车间调度问题 |
Non-Patent Citations (2)
Title |
---|
战非等: "适应云计算的混沌布谷鸟算法应用优化研究", 《控制工程》 * |
王校锋等: "基于粒子群算法和OGY方法的混沌系统混合控制", 《物理学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Arora et al. | A conceptual comparison of firefly algorithm, bat algorithm and cuckoo search | |
CN111176807A (zh) | 一种多星协同任务规划方法 | |
Yang et al. | Efficient deep reinforcement learning via adaptive policy transfer | |
Koh et al. | A modified particle swarm optimization for efficient maximum power point tracking under partial shading condition | |
Abbasi-Yadkori et al. | Tracking adversarial targets | |
Raman et al. | Dragonfly algorithm based global maximum power point tracker for photovoltaic systems | |
Chen et al. | An adaptive clipping approach for proximal policy optimization | |
Yang et al. | An improved evolution fruit fly optimization algorithm and its application | |
Ye et al. | K-means clustering algorithm based on improved Cuckoo search algorithm and its application | |
Diab et al. | Optimum exact/approximate point synthesis of planar mechanisms | |
CN109031944A (zh) | 一种基于布谷鸟算法和ogy方法的混沌系统混合控制 | |
Yang et al. | Efficient Deep Reinforcement Learning through Policy Transfer. | |
Pilakkat et al. | A comprehensive review of swarm optimization algorithms for MPPT control of PV systems under partially shaded conditions | |
Hong et al. | Nonlinear identification using orthogonal forward regression with nested optimal regularization | |
Oladipo et al. | optimization of FOPID controller with hybrid Particle Swarm and Grey Wolf optimization for AVR System | |
Panda et al. | Reduction of linear time-invariant systems using Routh-approximation and PSO | |
CN105159941B (zh) | 数据记录查找方法及装置 | |
Rosic et al. | An improved chaos driven hybrid differential evolution and butterfly optimization algorithm for passive target localization using TDOA measurements | |
Sheik Mohammed et al. | Learning Automata based fuzzy MPPT controller for solar photovoltaic system under fast changing environmental conditions | |
Ivanov et al. | Metaheuristic Approaches for Distributed Generation Placement Optimization in Electrical Grids: A comparison between PSO, Tiki-Taka and Archimedes Optimzation Algorithms | |
Jacknoon et al. | Design of RST controllers based on intelligent optimization algorithms | |
Rudin et al. | On the dynamics of boosting | |
Zhang et al. | Fast adaptive search on the line in dual environments | |
Baiomy et al. | Parameter selection procedure for an amplitude-and rate-saturated controller | |
Paul et al. | Oppositional cuckoo optimization algorithm for optimal tuning of power system stabilizers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181218 |