文档介绍：------------------------------------------------------------------------------------------------ —————————————————————————————————————— PSO 算法在非线性系统模型参数估计中的应用第34卷第1期2005年2月 IIlf0皿ation锄dC ∞ tr01 信息与控制 Feb . .2005 文章编号: 1002-0411 ( 2005 ) 01-0123J D3 PSO算法在非线性系统模型参数估计中的应用苏成利,徐志成,王树青(浙江大学先进控制研究所工业控制技术国家重点实验室, 浙江杭州310027) 摘要: 将微粒群优化( PsO ) 算法用于非线性系统模型参数估计, 并通过对谷氨酸菌体生长模型的参数估计进行了验证. 实验结果表明:微粒群算法为非线性系统模型参数估计提供了一种有效的途径. 关键词:微粒群算法;非线性系统;参数估计中图分类号:11P13 文献标识码:B ? AppH ∞ tion ofPsofor ------------------------------------------------------------------------------------------------ —————————————————————————————————————— Para舭terEsti啪ti仰of NoIllinearSystem Model SUCheng — li , XUZhi — cheng , WANGS hu — qing (№幻Mf研瞄Dr Ⅱ￡D叮0,mf ‰‰锄。风豳廊旷A幽d舵以Pmce"coH￡rDZ, z的阮ng ‰矗梆妙。舶,蝴0u310027,仍￡№) Abstract:Inthis paper,t11e p枷cle swaHn叩timization (f, S0 ) algori thm 0ftllePs0 isu8edtoestimatethe par帅eters method of n砌inear estimate system咖dd(NSM ) .ne豳ct:ivenes8 model.%e ------------------------------------------------------------------------------------------------ —————————————————————————————————————— experimental ofNSM. algorithInistestedbyparamet erestimationof91utamic an acidbacteriumgmwthresllltss howthatthePSOalgorithmprovide s e&ctive to par蛐eters K∞唧班啦: partideswamop^imizatio n(PS0 ) ;nonline盯system;paramete r1 egtimation 引言(Introduction) 、非线性模型参数估计一直是控制领域研究的重要问题. 目前已有许多成熟的系统辨识和参数估计方法, 如最小二乘法…、极大似然估计法…、基于神经网络的参数辨识法[2 ] 、遗传算法口。3等等. 但是最小二乘法和极大似然估计法都是建立在具有连续导数的光滑------------------------------------------------------------------------------------------------ ——————————————————————————————————————搜索空间的假设基础上,且是在梯度方向上寻优的局部搜索技术,在某种情况下可能陷入局网络训练、参数整定等许多领域中得到了广泛应用. 本文借助P SO算法的群体寻优能力对非线性模型参数估计问题进行了研究. 2 问题描述(Problemstatement) 非线性模型的一般描述形式为: , y=以石,a)+e,e一Ⅳ(o, ∥) 型参数,e是均值为0、方差为铲的白噪声. (1) 部极值. 利用神经网络进行系统参数辨识虽然具有以任意精度逼近非线性函数的能力, 但是在实际应用中, 只有选择了合适的网络结构,才能获得好的结果,而选择合适的网络结构往往是非常困难的. 利用遗传算法对模型参数进行估计时, 复制、交叉和变异功能以及群体寻优的方式可避免陷入局部最优解, 但要涉及繁琐的编码、解码过程,影响其效率. 由Kennedy等人提出的微粒群(