基于SPPSO算法的时滞HBV模型的系统辨识研究

合集下载

永磁直驱风电系统建模及其机电暂态模型参数辨识

永磁直驱风电系统建模及其机电暂态模型参数辨识程玮;陈宏伟;石庆均【摘要】Aiming at the characters of direct-driven wind-power system with permanent magnet synchronous generator (PMSG) based on back-to-back pulse width modulation(PWM) converter, the wind turbine, the control strategies of turbine-side converter and grid-side con verter were analyzed. PMSG detail model using Matlah/Simulink was established. Based on this, electromechanical transient model for di rect-driven wind-turbine generator was constructed according to 3 orders synchronous generator model. Particle swarm optimization ( PSO) al gorithm was used to identify the parameter for the mathematical model. The simulation results show that the detail model can reflect direct- driven wind-power system' s operation as wind speed changing, while it can track the maximum power point. The electromechanical transient model coincides with the detail model well. It reflects the active and reactive power of the direct-driven wind-power system when grid voltage is changed. The parameter identification using PSO is effective. The results indicate that the detail model can be used to refine power output control strategy, the electromechanical transient model can be used to study direct-driven wind-power system interacted with the grid.%针对基于双脉宽调制(PWM)变换器的永磁直驱风电系统的运行特性,分析了风力机特性、电机侧变换器和电网侧变换器的控制策略,利用Matla/Simulink建立了反映电力电子开关动作的永磁直驱风电系统详细模型,并在此基础上根据同步电机3阶暂态模型,建立了直驱风机的机电暂态数学模型,采用粒子群算法(PSO)对模型进行了参数辨识.仿真结果表明,该详细模型能够描述永磁直驱风电系统对不同风速的响应,实现风能的最大功率跟踪；机电暂态数学模型与详细模型特性接近,能够从总体上反映永磁直驱风电系统对端电压变化的有功、无功响应,PS0参数辨识有效.研究结果表明,所建立的详细模型能够用于控制方式的研究以改善输出特性,机电暂态模型能够用于研究电网与永磁直驱风电系统的相互影响.【期刊名称】《机电工程》【年(卷),期】2012(029)007【总页数】4页(P817-820)【关键词】双脉宽调制变换器;机电暂态;参数辨识;粒子群算法【作者】程玮;陈宏伟;石庆均【作者单位】浙江大学电气工程学院,浙江杭州310027;浙江大学电气工程学院,浙江杭州310027;浙江大学电气工程学院,浙江杭州310027【正文语种】中文【中图分类】TM6140 引言当前，变速恒频(variable-speed constant-frequency，VSCF)风力发电系统已被广泛应用，其特点是通过先进的变速和变桨技术，在风速变化时调节发电机转速处于相应的最佳值从而最大限度地捕获风能，提高了风力发电的效率，且低风速情况下风机转速下降，从而大大降低了系统的机械应力和装置成本。

一种基于PSO算法的闭环辨识方法

２１粒子群优化算法来源．
自然界生物有时候是以群体形式存在的，工人
生命研究的主流之一就是探索这些自然生物是如何以群体的形式生存的，并在计算机里面重构这种模型。许多著名的科学家对鸟群的复杂群体活动，进
在每次迭代过程中，子根据以下式子来更新速度粒
２２ＰＯ算法．Ｓ
响，开环辨识也无法得到可靠的结果，因此闭环系统
的辨识就显得尤为重要。本文提出一种基于粒子群
优化算法（ａｉｅＳａｍＯｔｉｔｎＰＯ）Ｐｒｃｗｒｐｍｚｉ，Ｓ的辨识ｔｌｉａｏ方法，可以在有控制器的闭环条件下，较准确地得到模型参数。１９９５年，ｅｎｄＫｎｅｙ和Ｅｅａ提出了一种新兴ｂｒｒｈｔ的演化计算技术算法—— Ｐ０算法，Ｓ同其他算法
（北京化工大学信息科学与技术学院，北京１０２）００９
摘要：闲环模型辨识一直是工业先进控制领域中的一个主要课题。而现在基于粒子群优化算法ＰＯ的辨Ｓ
识．多都是连续开环系统的辨识。离散闭环模型辨识在计算机控制、大运算量等方面比连续开环系统的辨识有较大的优势。文中讨论了Ｉ０的时变惯性权重算法与参数初值的设置和选择方法。通过仿真实验表明，ＳＸ３ＰＯ与最
小二乘递推算法相比，有效性和一致性方面，着明显的优势。ＰＯ算法是一种有效地解决优化问题的群集智在有Ｓ
能算法，它的突出特点是算法中需要选择的参数少，程序实现简单，并在种群数量、寻优速度等方面较其他进化算

基于SA-PSO算法的异步电动机参数辨识

子时间常数、定子电感、定子电阻、漏感系数和
子电
辨识&文［%*滑观测器法
应用到异步电机参数辨识中，通过2个复滑模
用等效控制的原理对异步电动机转子电阻和
子时间常数
在线辨识。文［9*研究了
一种基于无功功率的参考自适应转子时间常
数在线辨识方法。文［10-11 *则用参考自
适应方法对永磁同步电机定子电阻和电感辨
—41 —
研究与设计I EMCA
电机与控剧定用2019,46 (5)
据可对电机电机等效电路参数
分析［心。
，对
准确辨识
电机高
能控制、能效管理和
的和&
统参数方法是通过
和
电
能要求，
能
在线辨识&在电机参数辨识方面研究
量研究，
参数辨识方法&
文献)5-7*用
法递推算法对电机转
Key words: asynchronous motor ； parameter iOentiOcation； particle swarm optimization algorithm (PSO) ； simulates annealing algorithm (SA)
0引言
异步电动机作为主要的用电负荷，的电
量
用电量的60 %。
动机控制、节能和
等方
，对异步电研究和
，
对异步电动机的应用7
生的 &要对异步电动机的高性能
控制⑴和能效
*[2* ，要准确
异步电动
机等效电路参数，同时，异步电动机等效电路参
数的变化可以反映电机的
，以此作为
作者简介：吴立泉（1996—），男，硕士研究生，研究方向为电机参数辨识和电机能效管理。刘永强（1961—）,男，教授，博士生导师，研究方向为电能质量检测与控制、用于供电系统的成套电力电子装置、嵌入式技术在电力系统中的应用。梁兆文（1989—）,男，博士研究生，研究方向为非侵入式负荷识别与分解、数据挖掘。

GLBest-PSO算法在热工过程模型参数辨识中的应用

… ，）并且具有与优化目标，坐标为＝（
函数，）（相关的适应度，同时每个粒子具有各自的速度＝（，，衄） … 。对于第ｉ粒子，历史个其最好位置为Ｐ＝（Ｐ … ，）记为ｐｅ记群ＰＰ，ｂｓ；ｔ体中所有粒子经过的最好位置为Ｐ＝（ｇ … ，ｇ，ｇ，）记为ｇｅｂｔｓ。对第ｔ的第ｉ粒子，子群算代个粒法根据式（）１计算第ｔ代的第＿的速度和位置。＋１『维
２基于全局－部参数最优粒子群优化算法局
２１标准ＰＯ算法．Ｓ
程控制系统，定要建立被控对象的数学模型。传一递函数是描述热工对象数学模型的一种方法，得获对象传递函数的方法有阶跃响应法、Ｊ－乘法、最／，－极大似然法以及基于神经网络、遗传算法（ｅｅｃＡ．Ｇｎｔ１ｉｇｒｈＧ等智能算法 ¨ 。但是，多算法由于ｏｔｍ，Ａ）ｉ很对输入信号有一定的要求或算法过于复杂，直很一
难在实际中实施。粒子群优化（ａｉｅＳａｍＯｔｉｔｎＰＯ）Ｐｒｃｗｒｐｉｚｉ，Ｓｔｌｍａｏ
ＰＯ算法是一种新型的演化计算方法，Ｓ其基本原理为：Ｄ维空间中存在ｍ个粒子，每个粒子的
的目的，出了一种基于全局．提局部参数最优的粒子群优化算法的辨识方法。将过程模型的每个参数作为群体的一个粒子，用粒子在空间进行高效并行的搜索来获得最佳参数值，高了辨识精度利提

基于PSO算法的城轨列车自动驾驶控制策略研究

群算法 ( PSO) 相较于布谷鸟搜索算法( CS) 具有更快的收敛速度,更简洁易操作等优点,因此,文章尝
试在此前 CS 算法研究的基础上,基于 PSO 算法对列车自动驾驶系统建立仿真模型并进行智能算法研
究。通过 MATLAB 软件对列车运行过程中的精度、误差、节能、舒适度等目标进行仿真并比较结果。
为。具体的研究场景为鸟群在随机地搜索食物,所有
鸟都不知道食物的具体位置。如果他们知道自己与
食物的距离,那么找到食物最有效的方式就是搜寻目
前离食物最近的鸟的周围区域。在这一过程中,个体
基于群体的随机搜索算法,通过模拟生物的活动和进
通过鸟群互相传递的位置来判断自己找到的是否为
最优解,并将结果反馈给鸟群,当整个鸟群都聚集在
表 1 线路参数度
列车编组数
列车总质量
牵引最大加速度( m / s 2 )
制动最大加速度( m / s 2 )
数值
120 m
6节
162 t
0. 8
-0. 8
3. 2 仿真结果及分析
在 MATLAB 仿真环境下对基于 PSO 算法的城轨
— 113 —
Copyright©博看网. All Rights Reserved.
号:JZ2012。
作者简介:吴秋艳(1986— ) ,女,江苏南京人, 助理实验员,硕士;研究方向:城市轨道交通列车控制策略
研究。
— 112 —
Copyright©博看网. All Rights Reserved.
第 15 期
2023 年 8 月
No. 15
August,2023
无线互联科技·技术应用
No. 15
August,2023

基于改进PSO-SMO的模型参数辨识及应用

采用改进的ＰＯＳＯ算法以提高辨识速度和精度。将该方法用于ＡＸ模型和长期预测模型的参Ｓ．ＭＲ数辨识中，结果表明，该算法比其他算法具有更高的准确性。
关键词：ＰＯＳＳ —ＭＯ；参数辨识；ＡＸ模型；长期预测模型Ｒ
Ｍｏｅａａｅｅｓｉｅｔｆｃｔｏｎｐｌｃｔｎｄｌｐｒｍｔｒｄｎｉａｉｎａｄａｐｉａｉｉｏ
下引：
一
种方法，主要包括Ｇ、Ｓ、Ａ算法等。Ｐ０算ＡＰ０ＳＳ
法具有简单快速易实现等显著优点，当今智能寻在
① 内层循环中最大优化步长改进ＩＥ一）ｌ（。，
优算法中，具有良好的前景。本文采用Ｐ０算法对Ｓ
ＳＭＯ参数进行寻优。用Ｐ０算法对ＳＳＭＯ参数寻优的步骤如下： ① 读取样本数据，随机产生一组｛｝为粒Ｃ，作
２ＥｔｎＨｙｒｐｗｒＳａｏ，ａｚｉｕ１００ｈｎ）．ｒａｄｏｏｅｔｔｎＰｎｈｈａ６７０，Ｃｉａｉ
ＡｂｔａｔＡｔｐｅｅｔｔｅｍｏｔｉｔｌｇｎｄｎｆａｉｎｍｅｏｓｃｎｏｌｄｎｆｅｏｔｕｆａｓｒｃ：ｒｓｎ，ｈｓｎｅｌｅｔｉｅｔｃｔｔｄａｎｙｉｅｔｙｔｕｐｔｏｉｉｉｏｈｉｈｓｓｅ，ｉｓａｆｈｄｌａａｔｒ．Ｆｒｉｒｂｅ，ｔｉｐｐｒｓｄｅｅｉｅｔｃｔｎａｇｒｍｙｔｍｎｔｄｏｅｍｏｅｒｍｅｅｓｏｓｐｏｌｍｈｓａｅｔｉｄｔｄｎｉａｉｌｏｉｅｔｐｈｔｕｈｉｆｏｈｔ

基于混沌PSO的SCARA机器人参数辨识

基于混沌PSO的SCARA机器人参数辨识丰非;扈宏杰【摘要】The kinematic model and dynamic model of selective compliance assembly robot arm(SCARA) robot have been established based on Denavit-Hartenberg method and Lagrange equation.Then the model is simplified to reduce the computation,the kinetic equation is transformed into a linear form to get the observation matrix and the parameters to be identified.An incentive trajectory is designed to finish the parameter identification.A chaos particle swarm (CPSO) algorithm is introduced to overcome the problem of premature convergence,CPSO uses the properties of ergodicity,stochastic property,and regularity of chaos to lead particles' exploration,the accuracy of parameter identification and convergence rate have been improved.Through the Matlab simulation test,this algorithm is more reliable and efficient than the least square method and basic PSO method.%该文基于Denavit-Hartenberg参数方法和Lagrange方程分别建立了平面关节型SCARA机器人的运动学模型和动力学模型.将机器人的动力学模型用观测矩阵和待辨识参数矩阵表述.在优化了激励轨迹的前提下,采用一种基于混沌粒子群(CPSO)的参数辨识算法,辨识动力学模型中的待辨识参数,利用混沌特性来提高种群的多样性和粒子搜索的遍历性,从而提高了参数的辨识精度和收敛速度.通过Matlab仿真实验,表明与传统最小二乘和基本PSO方法相比,该方法具有明显的有效性.【期刊名称】《自动化与仪表》【年(卷),期】2017(032)012【总页数】5页(P14-18)【关键词】平面关节型机器人;动力学建模;参数辨识;混沌PSO算法【作者】丰非;扈宏杰【作者单位】北京航空航天大学自动化科学与电气工程学院,北京100191;北京航空航天大学自动化科学与电气工程学院,北京100191【正文语种】中文【中图分类】TP242;TP273随着我国工业的高速发展，平面关节型SCARA机器人在工业生产的各个领域得到了广泛的应用[1]。

基于PSO的Hammerstein模型辨识及其在雷达伺服系统应用

Ａｂｓｔｒａｃｔ：Ｔｈｅｒｅａｒｅｎｏｎｌｉｎｅａｒｃｈａｒａｃｔｅｉｓｒｔｉｃｓｉｎｒａｄａｒｓｅｒｖｏｓｙｓｔｅｍｓ，ｓｕｃｈａｓｆｉｃｒｔｉｏｎ，ｄｅａｄｚｏｎｅａｎｄｇｅａｒｇａｐ，ｗｈｉｃｈｃａｎｂｅｄｅｓｃｉｂｒｅｄｂｙｔｈｅＨａｍｍｅｒｓｔｅｉｎｍｏｄｅ１．ＴｈｅＰＳＯａｌｇｏｉｒｔｈｍｗａｓｕｓｅｄｔｏｔｈｅｐａｒａｍｅｔｅｒｓｉｄｅｎｔｉｉｆｃａｔｉｏｎｏｆｎｏｎｌｉｎｅａｒＨａｍｍｅｓｔｒｅｉｎｍｏｄｅ１．ＴｈｅＲＬＳ — ＰＳＯａｌｇｏｉｒｔｈｍｗａｓｐｒｏｐｏｓｅｄａｎｄａｐｐｌｉｅｄｔｏｔｈｅｍｏｄｅｌｉｎｇｏｆｒａｄａｒｓｅｒｖｏ
基于ＰＳＯ算法对Ｈａｍｍｅｒｓｔｅｉｎ非线性模型进行参数辨识，在此过程中提出ＲＬＳ — ＰＳＯ算法，并将该算法应用于雷
达伺服系统的建模。试验结果表明．该模型可以有效描述雷达伺服系统，为实现精确非线性控制奠定基础。关键词：Ｈａｍｍｅｒｓｔｅｉｎ模型；粒子群算法；雷达伺服系统

非线性系统辨识方法研究

Computer Engineering and Applications 计算机工程与应用
2010 ，46 （6 ）
19
非线性系统辨识方法研究
2 4 徐小平 1，，钱富才 1，王峰 3， 2 4 ， XU Xiao-ping1， QIAN Fu-cai1， WANG Feng3，
1.西安理工大学 2.西安理工大学 3.西安交通大学 4.西安交通大学
1 2
其中， …， …，权值 wj，的优化通过对应 k=1， 2， K， i=1， 2， I， ak >0。 k 的小波变换尺度参数 ak 的优化实现。第 2 层和第 3 层之间的权值 wk ，恒等于 1。 k
i
乙 ψ（t）dt=0
-∞
∞
（1 ）
则称 ψ （t ）为一个基本小波，或者称为一个母小波。定义 2 对基本小波进行伸缩和平移得到：（） 1 ψ （ t-b ），（2 ） ψa， a， b∈R， a≠0 b t = a 姨 |a| 那么称 ψa，（）为小波函数，即可以简称为小波。这里， a 为尺度 b t 因子， b 为平移因子。因此，对于（）），其连续小波变换可定义为： f t ∈L （R ，） WT（ f a b = 1 姨 |a|
2 +∞
第 3 层的第 k 个神经元的输出为：
I
i
J 2
i
I
J
（（）） =Σ （Σ（） Ok =Σwk ， s j ak k Σwj， ks j
i=1 j=1 i=1 j=1
-
1 2
））（7 ） dt 乙 ψ（ t-b a
j+1 * i 2 j k
最后得出输出层的第 n 个神经元的输出为：

PSO算法与BP神经网络在电力系统辨识中的比较研究

法的一种逼近，是前向网络的核心部分，现了它体
人工神经网络的精华部分。系统辨识的目的就是
在系统正常工作条件及扰动条件下，握系统的掌
稳、态过程，暂跟踪其输出。ＢＰ神经网络主要由输入层、隐层和输出层三个层次构成。对神经网络训练采用脱机批处理模式方法聚类，以避免递归聚可类方法带来的计算复杂性高的问题。尽管ＢＰ算法是一种行之有效的算法，也不但可避免地存在一些缺点，收敛速度慢，如易产生局部极值，隐层和隐结点的个数难以确定。这就需
⑥
２１ＳｉＴｃ．ｎｒ．０２ｃｅｈＥｇｇ．
ＰＯ算法与ＢＳＰ神经网络在电力系统辨识中的比较研究
张鹏
（南师范学院物理与电气工程学院，南７４０）渭渭１００
摘
要
系统辨识是控制工程领域中研究的重要问题之一。首先对ＢＰ神经网络和微粒群算法进行了深入分析。以含ＳＡ — ＴＴ
ＢＰ网络是人工神经网络在实际应用中最常用的形式，由于在ＢＰ算法中误差计算是由输出层向
输人层的方向进行，此称为误差反向传播算因法。它是基于最速下降法的最小均方（Ｍ）ＬＳ算
文献标志码
Ａ
将系统辨识应用到电力系统中，提高电力系对统仿真模型的准确度，保证电力系统运行的可靠性

下肢外骨骼机器人系统参数辨识与控制器设计

摘　要外骨骼是一种能够穿戴于人体外侧并协助人体行走的机械装置,可以帮助患者、老人、残疾人正常行走，有效提高其生活质量，因此对用于康复医疗的下肢外骨骼机器人的研究具有重要的现实意义和应用价值。

本文为开发一套下肢外骨骼机器人系统，涉及到机器人平台、系统参数辨识、人机运动控制的设计和实现，并利用该机器人平台开展相关健康人实验，为相关康复工程领域的关键问题研究奠定了基础。

首先搭建一套下肢外骨骼机器人平台。

主要工作有以下几点：1、首先在结构上通过设计可拉伸内凹连杆和腿部贴片以适应不同腿长人员穿戴的舒适性，使人机一体重心更偏向于中心，并根据腿部运动的极限位置设计可调安全限位模块，最后为充分检测人机之间耦合力和同步性，设计采用三维力传感器和姿态传感器测量人机之间各个维度耦合力矩和姿态误差。

2、其次根据下肢外骨骼系统应用场景设计测控系统。

其中电路系统的设计需要考虑电机驱动系统负载功率，硬件接口转换等。

其次为提高算法开发效率，针对下肢外骨骼机器人系统设计了一套基于MATLAB和LabVIEW联合开发软件平台，软件平台可自动将算法编译成控制器可识别的动态链接库并直接调用。

其次进行下肢外骨骼机器人系统建模与参数辨识。

对下肢外骨骼系统参数进行辨识是其运用的关键，根据其物理结构和运动特性对其采用拉格朗日动力学建模和人机接触力建模。

利用Bspline设计好的激励轨迹可减少回归矩阵病态，有效提高系统参数辨识结果的精度。

本文将采用一种基于生物地理学的学习粒子群优化(BLPSO)的启发式算法用于激励轨迹优化和系统参数识别，通过改善搜索策略，BLPSO不仅可以避免系统参数收敛到局部最小值，同时也可以提高系统参数的辨识精度。

然后为下肢外骨骼机器人设计控制器。

外骨骼机器人是一套高度非线性系统，结合系统辨识的模型参数并针对“机主人辅”控制方式设计了一套具有人机耦合力和运动摩擦力补偿的反步控制算法，通过稳定性分析证明了控制器的稳定性，该控制器相比与无模型控制(比如PID)，具有更多设计上的灵活性。

基于APSO算法的参数辨识与优化

ｓｉ型的辨识，ｔｎ模ｅ以及ＰＤ参数和多峰值函数的优Ｉ化问题进行了仿真试验研究，与遗传算法方法及并
ＰＯ算法进行了比较，Ｓ结果表明，方法在系统辨识该
能力，优化目标函数形式没有特殊的要求，在对已函数优化、经网络训练、数整定和工业系统优神参
３７７８科学来自技术与
工
程
８卷
个粒子将在可行解空间中运动，被当前的位置并和速度定义，常粒子根据自己的速度将追通随当前已知的最优位置，过迭代搜索，后得经最
优，在整个参数空间内并行寻找参数的最优解，粒子对全局最优的不断追踪使粒子的速度越来越小，在进化过程中表现出强烈的趋同性，易发生早熟容收敛，陷人局部最优。为了使ＰＯ算法在寻优过程Ｓ
维普资讯
第８卷
第１４期
２００８年７月
科
学
技
术
与
工
程
＠
Ｖｏ．Ｎｏ１Ｊｌ０８１８．４ｕｙ２０
１７ —８９２０）４３７ —６６１１１（０８１—７７０
ＳｉｎｃｃｎｏｏｙａｄＥｎｉｅｒｎｇｃｅｅＴｅｈｌｇｎｇｎｅｉ
数优化问题转化为参数空间寻优，利用ＡＳＰＯ算法在寻优过程中有效避免局部最优的特点，在整个参数空间内并行寻找获得系统参数的最优解。通过对多种模型的仿真实验研究表明，ＰＯ算法在系统辨识和参数优化问题中优于原有的ＧＡＳＡ和ＰＯＳ

基于PSO—BP算法的水下机器人运动模型辨识

摘要：将粒子群算法（ＰＳＯ）与误差反传算法
（ＢＰ）相结合，利用粒子群算法的全局突变性，使ＢＰ算法避免在神经网络权值寻优过程中陷入局部极小值。对Ｅｌｍａｎ神经网络结构进行调整，并将ＰＳＯ—
算法的改进Ｅｌｍａｎ神经网络对水下机器人运动规律有较好的辨识效果。
ｗｏｒｋｗｈｏｓｅｗｅｉｇｈｔｓｗｅｒｅｏｐｔｉｍｉｚｅｄｂｙｔｈｅＰＳＯ —
ＢＰａｌｇｏｒｉｔｈｍ，ｔｏｉｄｅｎｔｉｆｙｔｈｅｋｉｎｅｍａｔｉｃｍｏｄｅｌｏｆｕｎｄｅｒｗａｔｅｒｖｅｈｉｃｌｅｓａｎｄｔｈｅｓｉｍｕｌａｔｉｏｎｅｘｐｅｒｉ — ｍｅｎｔｓ，ｃｏｍｐａｒｉｓｏቤተ መጻሕፍቲ ባይዱ ｂｅｔｗｅｅｎｔｈｅｍｏｄｉｆｉｅｄＥｌｍａｎｎｅｔｗｏｒｋｂａｓｅｄｏｎＰＳＯａｎｄａｎｏｔｈｅｒｔｗｏｄｉｆｆｅｒｅｎｔ
０引言
神经网络具有自学习功能，理论上对任何非线性函数都能以任意精度逼近。同时，在对系统进行
ＢＰ算法用于改进后的Ｅｌｍａｎ网络的权值修改。最
后，对比了３种不同算法、结构的神经网络对水下机
基于ＰＳＯ— ＢＰ算法的水下机器人运动模型辨识

PSO算法介绍

PSO算法介绍张丽丽(山西省国家税务局培训中心,山西太原030006;太原理工大学,山西太原030001) [摘　要]介绍了PSO算法的发展、基本原理,分析了算法中的参数,提出了常见的算法改进方法与应用领域。

[关键词]PSO算法;收敛性能;惯性权重一、引言E berhart和Kennedy通过对Heppner鸟类模型进行研究,认为鸟类寻找栖息地与对一个特定问题寻找解很类似,并通过修正该模型,使其具有社会性和智能性,以使微粒能够降落在最优解处而不降落在其它解处,提出了微粒群算法。

微粒群算法的基本思想是模拟鸟类的群体行为构建的群体模型。

PSO算法自提出以来,受到了国际上相关领域众多学者的关注和研究。

目前,其研究大致有两个方面:算法的改进和算法的应用。

二、PSO算法原理微粒群算法作为一种进化计算,同样沿用进化计算中“群体”和“进化”的概念,同样是依据微粒的个体适应值进行计算。

在PSO算法中,微粒群中的微粒表示问题的一个候选解,是由速度和位置两部分组成的个体,在n维搜索空间中飞行。

该微粒一方面具有自我性,可以根据自我的经验去判断飞行的速度和位置;另一方面具有社会性,可以根据周围微粒的飞行情况去调整自己的飞行速度和位置,不断地寻找个性和社会性之间的平衡。

设X i=(x i1,x i2,…,x in)为微粒i当前位置,V i=(v i1, v i2,…,v in)为微粒i的当前速度。

在进化过程中,记录微粒到当前为止的历史最好位置为P i=(p i1,p i2,…,p in),所有微粒的全局最好位置为P g= (p g1,p g2,…,p g n)。

最初始的PSO算法的进化方程可描述为:v ij(t+1)=v ij(t)+c1r1j(p ij(t)-x ij(t))+c2r2j(p gj(t) -x ij(t))(1) x ij(t+1)=x ij(t)+v ij(t+1)(2)为了改善(1)式的收敛性能,Y Shi与R C Eberhart于1998年首次在速度进化方程中引入惯性权重,(1)式变为: v ij(t+1)=ωv ij(t)+c1r1j(p ij(t)-x ij(t))+c2r2j(p g j(t) -x ij(t))(3)其中,ω称为惯性权重,用来实现全局搜索和局部开发能力之间的平衡。

基于PSO-BP算法的神经网络模型预测策略研究

波评估和抑制提供了依据，对电源及其使用设计都具有
十分重要的意义。
［崔亚奇，４］宋强，何友．系统偏差情况下的目标跟踪技术［．Ｊ］
至达到所要求的性能指标。（输入测试样本，６１测试网络的泛化性能。
３ＰＯＢＳ — Ｐ神经网络预测模型的仿真研究
所谓ＰＯＢＳ — Ｐ神经网络预测模型就是用ＰＯＢＳ — Ｐ算
法训练一个前馈网络，得到ＰＯＢＳ — Ｐ神经网络并采用多
步递推建立非线性系统的神经网络预测模型，进行模型
—■）
８
电子质量（０２３２１第０期）
电源纹泼分析测试与抑制
测量法和电流信号测量法进行了介绍，并对两种方法进行了比较。针对实际使用要求对纹波抑制方法进行了探
讨，保证了电子设备性能的发挥。为以后设计中的电源纹
素的影响分析阴．电子测量技术，１，（： — ４２０３）２４．０３４４［］２刘志平．７仪表中粗大误差的剔除分析ｆ．检、贝０Ｊ电子测量１技术，０，（１５ — ７２９３１）５５．０２：［赵志宏，３】杨鹤勇．某军用传感器网络远程终端数据采集器设计【．Ｊ电子测量技术，１，（：４１６］２０３）３— ３．０３４１
始位置、初始速度、惯性权值、加速因子等。（根据输入、出样本对神经网络的输入样本进行３１输学习训练，计算出每个粒子的自适应度值，并依据设定的
误差
００７ｌ．３
ＰＳＢＰＯ—

基于APSO算法的发电机励磁系统参数辨识

。
。
的适应
p tiv
e
P
a lr t
ic le
S
w
a r m
O p tim iz
t
io
n
．
A PS O )
．
度值就是个体极值中的最好的
( 2 ) 自适应调节惯性权重
：
算法
是
一
种基于群体演化的随机全局优化算法
．
设第 k 代粒子群由 (k ) 构成
，
( A P S O ) 算法的发电机励磁系统参数辨识的方法
通过建立待辨识励磁系统的传递函数结构模型
．
以励磁
系统的实际输入作为模型的输入对模型参数进行优化涮整时域上进行参数辨识的问题关键词
、
．
以实际励磁系统和模型的输出误差最小作为目标函数
∞
由最大惯性权重
。
线
利用自适应调节惯性权重和自
性减小到最小惯性权重
∞ 。
即：
收稿日期
：
2 0 0 9 0 9 2 3 ：修回日期
— 一
：
200 9 11 30
—
作者简介：李天云 ( 19 4 5
) 男吉林市人教授从事非线性理论在电力系统中的应用研究
：
A PS 0
；
算法具有较快的收敛速度和较高的辨识精度
白适应粒子群优化算法

基于PSO算法的系统辨识方法

量， mk 为此模型中的参数个数， k = 1,2,", N ； pkmj 为 M k (x, pk1, pk 2 ,", pkmk ) 中的第 j 个参数， j = 1,2,", mk ； p0 为常数项； N 为子模型个数。
总之，样本数据模型实质上描述的是各变量可能会以各
种子模型的形式对系统产生影响
Abstract: A novel method was studied for system identification based on particle swarm optimization (PSO) algorithm. The basic idea of the method employs a system model composed with classical models so as to transform the system structure identification problem into a combinational optimization problem. A PSO algorithm is then adopted to implement the identification on the system structure and parameters. Finally, simulation results show the rationality and effectiveness of the presented new method, and that the new method has high identification accuracy and very practical. Key words: structure identification; parameter identification; particle swarm optimization (PSO); meta model