智能優(yōu)化算法在過程控制中的應(yīng)用.pdf

1、通過學(xué)習(xí)生物群體的習(xí)性規(guī)律，總結(jié)出來的算法可以稱之為群體優(yōu)化算法，如蟻群算法(ACO)、魚群算法(AFSA)、布谷鳥算法(CS)等。其中布谷鳥算法以其簡單的算法結(jié)構(gòu)和優(yōu)秀的全局搜索能力被廣泛應(yīng)用于多種領(lǐng)域。本文就是研究了基本布谷鳥的特性，通過使用標(biāo)準(zhǔn)測試函數(shù)對基本布谷鳥算法進(jìn)行了測試，同時根據(jù)具體的工業(yè)生產(chǎn)問題對布谷鳥進(jìn)行了相應(yīng)的改進(jìn)，如CS-NLJ算法、改進(jìn)的CS-NLJ算法等。目前，已經(jīng)將這些改進(jìn)的布谷鳥算法應(yīng)用于過程控制領(lǐng)域的幾個

2、方面，包括:
　　(1)非線性Hammerstein模型的辨識?？梢哉f非線性情況是在實際運用中非常見的，在一些復(fù)雜的環(huán)境下的模型辨識使用簡單高斯噪聲模擬就顯得有些狹隘了，然而基于非高斯噪聲情況下（例如，重尾噪聲）的非線性系統(tǒng)辨識還沒有一個統(tǒng)一的方法?；谏鲜鲞@些條件下，本課題首次提出使用一款新的基于CS-NLJ算法的辨識方法來處理多輸入多輸出情況下Hammerstein模型的辨識問題。所提出的新方法借鑒了非線性隨機搜索算法(NLJ

3、)，并在此基礎(chǔ)之上提出了一種新的變異規(guī)則應(yīng)用于基本布谷鳥算法上。文中第二章仿真實例驗證:通過將這CS算法和NLJ算法結(jié)合得來的CS-NLJ算法將能夠獲得更好的全局最優(yōu)解。
　　(2)非線性Wiener模型的辨識。文中第三章提出將上述提到的CS-NLJ算法引入到非線性Wiener辨識中，需要指出的是本章中使用上一章中提到的統(tǒng)一的wiener模型結(jié)構(gòu)，即使用一種統(tǒng)一的二階動態(tài)模型代表wiener模型的動態(tài)線性環(huán)節(jié)，對于Wiener模型

4、中的非線性環(huán)節(jié)本文將考慮引入不同階次的多項式來進(jìn)行近似擬合。最后，使用兩個仿真實例來驗證辨識算法的有效性，值得注意的是，這兩個仿真模型分別基于兩種不同的典型的重尾噪聲。
　　(3)穩(wěn)定系統(tǒng)的PID控制器參數(shù)設(shè)計。文中考慮了工業(yè)實際系統(tǒng)的多目標(biāo)多約束情形，針對這些情況，本文第四章創(chuàng)新性提出一款改進(jìn)的CS優(yōu)化方法來處理此類問題。在所提出的算法中，為了提高算法的搜索性能，將重尾序列增加到基本布谷鳥算法中。這樣，這種改進(jìn)的算法將會獲得更好