APP下载

基于自适应蚁群优化的Volterra核辨识算法研究

2011-09-17李志农唐高松肖尧先邬冠华

振动与冲击 2011年10期
关键词:优化方法模型

李志农,唐高松,肖尧先,邬冠华

(1.南昌航空大学 无损检测技术教育部重点实验室,南昌 330063;2.郑州大学 机械工程学院,郑州 450001)

蚁群优化(Ant Colony Optimization,ACO)算法是20世纪90年代意大利学者Dorigo[1]提出的一种新型模拟进化算法。它具有较强的鲁棒性、良好的搜索性能和并行运算能力。其研究已经渗透到许多应用领域,为多维动态优化问题提供了一种新的智能方法。基于Volterra级数模型的非线性系统辨识已经成为当前非线性研究领域的一个热点,该模型的辨识实质上是一个优化问题,基于此,我们把蚁群优化引入到非线性Volterra级数模型辨识中,提出了一种基于蚁群优化的Volterra核辨识方法[2],该方法与传统的基于最小二乘算法的Volterra级数模型辨识方法相比,它克服了传统方法要求目标函数连续可导,对测量噪声很敏感,且需要利用梯度信息等缺陷。

然而,随着研究不断深入,我们发现,基于蚁群优化的Volterra级数模型的非线性系统辨识方法存在一些不足,如在算法,蚁群中多个个体的运动是随机的,当群体规模较大时,要找出一条较好的路径需要较长的搜索时间,另外,在算法中采用了正反馈机理,正反馈过强,很容易使优化过程陷于局部极小,正反馈强度过小,则使运行速度过慢,要得到最优解,往往需要很长的寻优时间。

针对基于蚁群优化的Volterra级数模型的非线性系统辨识方法存在的以上不足,本文将自适应的蚁群算法引入到非线性系统的Volterra时域核辨识中,提出了一种基于自适应蚁群优化的Volterra核辨识算法。……

登录APP查看全文

猜你喜欢

优化方法模型
一半模型
超限高层建筑结构设计与优化思考
民用建筑防烟排烟设计优化探讨
关于优化消防安全告知承诺的一些思考
一道优化题的几何解法
重尾非线性自回归模型自加权M-估计的渐近分布
3D打印中的模型分割与打包
用对方法才能瘦
四大方法 教你不再“坐以待病”!
捕鱼