运用改进差分进化算法辨识Hammerstein模型

针对非线性系统Hammerstein模型,利用差分进化算法对非线性模型进行参数辨识,将非线性系统的辨识问题转化为参数空间上的函数优化问题。为了增强差分进化算法的辨识性能,采用一种自适应变异差分进化算法,即引入一个自适应变异率,随着迭代的进行自适应调整缩放因子,从而在初期保持种群多样性避免早熟;在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏。最后通过仿真对比实验表明,改进的差分进化算法比基本差分进化算法精度更高、非线性辨识能力更强。     

基于组合三角变异差分进化算法的化工参数辨识

针对传统方法在解决化工参数辨识问题中易陷入局部最优、导致求解精度不足的问题,提出了一种组合三角变异差分进化(CTMDE)算法,融入了组合三角高斯变异策略和DE/current-to-pbest/1变异策略.其中,组合三角高斯变异策略引入了组合权重来适应性利用较优个体、一般个体、当前个体的信息,维持种群多样性;而DE/current-to-pbest/1变异策略能够利用种群中的较优个体来指导搜索,对解空间的开采能力较强.两者结合使得算法在加快收敛速度的同时降低陷入局部最优的可能性.在12个基准测试函数上,将CTMDE算法与其他新近DE算法进行比较,并将CTMDE算法应用于甲醇转化为烃类物质的参数辨识问题.实验结果表明:CTMDE算法具有较好的寻优性能,且在化工参数辨识问题上具有较好的求解效果.     

差分进化算法在气动力参数辨识中的应用

差分进化算法是一种新兴的优化算法,与最小二乘法等梯度类算法相比,它能够进行全局寻优且对初值不敏感,具有广泛的应用前景.建立某型飞机刚体运动的6自由度非线性动力学模型,在叠加一定比例白噪声的情况下获得其仿真数据,使用差分进化算法辨识出该型飞机的纵向运动气动力参数,辨识结果与真实值较为吻合,证明该算法是可行的.多组试验表明:对于该型飞机的动力学模型和仿真数据,使用差分进化算法的辨识结果与使用最小二乘法、普通粒子群算法的辨识结果相比,具有更高的精度和更强的鲁棒性.     

挖掘机器人动力学参数辨识研究

为了使挖掘机在作业速度和挖掘力上适应负载的特性,需要对挖掘机工作装置进行动力学分析.在采用拉格朗日方法确定了挖掘机器人工作装置动力学模型的情况下,动力学参数的精确辨识对实现实时控制显得尤为重要.利用遗传算法对参数辨识问题进行了探讨,给出了利用遗传算法对整个问题的求解设计思路,引入格雷码混合编码、可变精度的交叉和混合变异等思想,形成了改进的遗传算法.该算法收敛速度快,鲁棒性强,通过仿真和现场实验,验证了所提出的算法的有效性.     

基于改进差分进化算法的超临界水氧化动力学参数估计

为了准确地估计反应动力学参数,提出一种改进差分进化算法(MDE),能根据算法搜索进展情况而自适应地确定变异率,使算法在初期保持个体的多样性,避免早熟;在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏,增加搜索到全局最优值的概率。与传统的差分进化算法(DE)相比较,MDE算法的离线性能和在线性能都有较大的改进,搜索到全局最优解的概率获得较大提高,对算法参数的敏感性低。将MDE算法应用于2-氯苯酚在超临界水中氧化反应动力学参数的估算,获得模型的拟合相对误差绝对值之和比文献报道值降低了14.2%。     

基于改进差分进化算法的RBF神经网络优化方法

提出了一种新的RBF神经网络训练方法——改进差分进化算法,并用改进差分进化优化的神经网络对非线性系统进行逼近.采用改进差分进化算法对RBF神经网络的中心值、宽度和权值进行了优化.仿真实验结果表明,改进的差分进化算法具有比遗传算法更强的非线性系统逼近能力.     

基于牛顿欧拉法的SCARA机器人动力学参数辨识

SCARA机器人在工业生产中得到了广泛应用.为满足高速、高精度的要求,必须对SCARA机器人进行动力学分析.文中用牛顿欧拉方法对SCARA机器人进行动力学建模,并将摩擦力以及电机转子对关节力矩的影响纳入动力学模型,得出了关节力矩关于一组可辨识参数集的线性表达式.采用傅里叶级数作为激励轨迹进行实验,并通过最小二乘法对得出的可辨识动力学参数集进行辨识.实验证明,通过推导的线性表达式计算出的关节力矩理论值与实际值的变化趋势一致.运用所提方法辨识的动力学参数进行动力学建模,能得到SCARA机器人运动时的关节力矩,可为后期的动力学控制提供基础计算公式.     

机器人负载的动力学参数辨识

为解决机器人末端负载的时变性给高速运动的机器人带来控制精度降低的问题,研究了参数差值法、力矩求解法、全局参数辨识法的机器人末端负载动力学参数辨识的方法,以提高末端负载的辨识精度.得到的负载动力学参数用于动力学控制以提高机器人动态精度.通过建立拉格朗日动力学线性辨识模型,以最优激励轨迹进行实时数据采集,采样数据经过低通滤波及中心差分的处理后,代入相应的负载辨识方程式,并用加权最小二乘法解决线性方程组,可辨识到不同负载的动力学参数.实验验证了负载辨识方法的可行性.     

基于随机权重粒子群算法的SCARA机器人动力学参数辨识

针对SCARA机器人在负载条件下末端动力学参数难以辨识的问题,在分析负载对各关节力矩影响的基础上,对SCARA机器人进行了结构简化,利用Lagrange法建立带负载机器人的动力学数学模型,确定了需要辨识的机器人末端动力学参数。在传统粒子群算法的基础上,提出一种随机权重粒子群算法对机器人动力学参数进行辨识,并编写了相应的程序。仿真辨识结果表明:随机权重粒子群算法的收敛速度与参数粒子搜索范围得到明显提升,辨识出的机器人力矩与实际输出力矩基本吻合,说明该算法对机器人动力学参数的辨识具有较高的精度;与遗传算法、基本粒子群算法相比,随机权重粒子群算法辨识得到的适应度函数最优值最小,不易陷入局部最优,便于全局搜索,参数辨识精确更高。     

一种工业机器人动力学参数的辨识方法

机器人动力学参数辨识方程随着关节的增多变得更加繁琐,关节数超过4个后,甚至难以获得准确的参数辨识方程.为此,文中提出一种分步辨识的方法.该方法每次辨识的惯性参数较少,辨识方程相对简单,计算量小,辨识累计误差小,能很好地实现对超过四自由度的关节机器人动力学参数的辨识.文中还以某型六自由度关节机器人为对象,设计了辨识实验,对分步辨识方法进行了验证.结果表明:在保有机器人关键动力学特性的情况下,文中方法能简单而有效地获得机器人的关键动力学参数.     

基于WLS-ABC算法的工业机器人参数辨识

针对工业机器人在不带负载时的动力学参数辨识问题,提出了一种基于加权最小二乘法与人工蜂群算法(WLS-ABC)的辨识算法.首先计及关节摩擦特性,推导出机器人动力学模型的线性形式;接着设计五阶傅里叶级数作为激励轨迹,采集辨识实验数据;然后根据文中辨识算法,采用加权最小二乘法得到待辨识参数初始解,并以蜂群为搜索单位,通过群体之间的信息交流与优胜劣汰机制找到全局最优参数;最后对得到的模型进行验证与分析.实验结果表明,通过文中辨识算法得到的预测力矩与测量力矩有较高的匹配度,所建立的模型能够反映机器人的动力学特性.     

差分进化算法的改进及其应用研究

针对差分进化(DE)算法后期收敛速度变慢、收敛精度变低以及易陷入局部最优解的缺点,提出一种基于双种群自适应进化的改进差分进化算法。于算法初始化阶段同时初始化2个种群,2个种群分别采用不同的自适应变异算子、变异策略和交叉算子进行进化操作,在改进选择操作中选择2个种群的最优个体进入下一次进化过程。采用5个标准测试函数对改进算法进行测试,检验算法的改进效果。结果表明,改进DE算法比j DE算法与标准DE算法具有更好的全局收敛能力,更快的收敛速度以及更高的收敛精度。将改进DE算法与SVM算法结合应用于短期电力负荷预测,预测结果表明,改进DE算法比标准DE算法能够更好的寻找到SVM的最优参数组合。     

基于K-means的改进差分进化聚类算法

K-means聚类算法简单,收敛速度快,但是聚类算法的结果很容易受到初始聚类种群的影响,往往导致局部最优。差分进化算法具有很强的全局收敛能力和鲁棒性,但其收敛速度较慢。为此,将K-means聚类算法和差分进化算法相结合,提出一种基于K-means的改进差分进化聚类算法。该算法设置在一定范围内随迭代次数动态增加的交叉算子,以使算法在迭代过程中先进行全局搜索,再进行局部搜索,这样有助于平衡算法的全局寻优和局部搜索能力,并且加快了算法的收敛速度。最后,通过实验测试了算法的有效性。     

基于改进差分进化算法的估计等值法

为解决现有的用于电力系统在线安全分析的估计等值法精度低、收敛性弱的问题,给出了较精细的等值发电机加综合负荷的等值系统模型,以提高等值精度,并提出了基于差分进化(DE)算法的等值系统参数辨识策略.为解决DE存在的早熟收敛问题,构造变异方式不同的两个差分进化群,两群并行进化且定时交换信息,以增加种群的多样性,改善算法的收敛性.仿真结果表明:改进的双群体DE算法有效解决了等值系统的参数辨识问题,算法简单、收敛快,辨识的参数精度高、鲁棒性好;所建立的等值系统模型更符合电网实际,等值后外部系统的动态特性基本被保留;所提基于改进DE的估计等值法可用于在线大规模外部系统的等值化简.     

基于改进差分进化的高精度粒子滤波算法

针对智能优化粒子滤波算法精度较低和收敛速度慢的问题,提出一种改进适应度函数和搜索策略的差分进化粒子滤波算法(IDE-PF).该算法通过自适应融合粒子权值和量测误差得到适应度函数,并利用该函数评价粒子的可信度,引导粒子向后验概率密度取值高的位置移动,同时引入新的搜索策略,不仅保持了粒子多样性,还加快了算法收敛的速度.仿真结果表明,该算法可有效提高智能优化粒子滤波对于非线性系统状态估计的精度和实时性.     

基于改进差分进化算法的分布式发电系统调度

针对分布式发电（ DG）系统调度的经济成本和环境成本,提出了一种新的改进差分进化算法。首先对建筑物DG系统进行优化设计,在考虑建筑中电能和热能需求以及分布式发电技术特性的基础上,确定技术最优组合、容量和运营计划;其次,针对DG调度中存在的整数规划限制及非线性等式约束问题,提出了改进的差分进化算法来解决混合整数非线性规划（ MINLP）问题,对所设计的DG系统进行经济和环境成本的最小化调度,并与传统方法进行比较。结果表明,文中所提出的方法在经济性和收敛时间上都明显优于传统算法。研究结果可以应用于同时包含发电、供热、储电、储热的完善的分布式发电系统,可为分布式发电系统商业部门的运营提供参考。     

基于改进差分进化算法的光伏阵列多峰MPPT方法

针对局部遮阴下光伏阵列呈现多峰P-U特性时,传统的MPPT方法存在陷入局部峰值点的问题,提出一种基于双变异策略差分进化算法的多峰MPPT方法.该方法前期采用全局搜索性能较好的DE/rand/1变异策略,以避免系统陷入局部峰值点;后期改用局部搜索能力强的DE/best/1变异策略,并对该变异策略进行优化,以提高算法跟踪速度和精度.仿真结果证明,该方法可准确搜索到全局最大功率点,且搜索速度相对于标准DE算法提高了35%.应用该算法的MPPT控制可有效提高光伏发电系统在复杂工作条件下的发电效率.     

一种改进的差分进化算法

针对基本差分进化算法收敛速度较慢的问题,将粒子群优化算法中的社会学习部分引入到差分进化算法中,提出一种改进的差分进化算法。该算法通过小概率随机变异操作增加种群的多样性和全局搜索能力;变异向量和个体向群体最优个体学习的结果进行交叉操作,利用最优个体指导进化过程,加快了算法的收敛速度,提高了优化精度。仿真实验结果表明,该算法具有更好的优化性能。     

基于GA-SA算法的机器人几何参数误差辨识

几何参数误差对机器人末端绝对定位精度影响最大,而几何误差参数辨识是一个高维非线性问题,求解困难,所以建立一种简单高效的辨识算法是有必要的,本文提出了遗传模拟退火算法(GA-SA)对机器人几何参数误差辨识。以机器人末端位姿误差最小为目标,采用遗传模拟退火算法辨识机器人几何参数误差,以ABB IRB120为算例迭代1100次,遗传算法在200代陷入局部最优,模拟退火参与后最终适应度为0.0914。误差补偿结果表明：机器人末端位置误差沿X,Y,Z轴方向分别降低了88.05%,81.73%,83.72%,姿态误差分别降低了93.92%,83.64%,83.44%,证明遗传模拟退火算法可以有效辨识机器人几何参数误差,提高误差补偿后的机器人末端位姿精度。