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.     

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。     

基于互补变异算子的自适应差分进化算法

在参数自适应的差分进化算法的基础上,同时采用DE/rand/1和DE/best/2两种具有互补特性的差分变异算子,提出了多种采用不同分配策略的新型差分变异算法.2种变异算子的分配分别采用随机分配、基于种群规模的单调分配、适应性随机分配以及基于种群规模的适应性分配4种策略.基于标准测试函数的数值优化结果表明:双变异模式的自适应差分进化算法总体上明显优于2种标准DE算法.在4种分配策略中,单调分配策略效果最佳.所提出的DE算法利用了DE/rand/1型变异在保持种群多样性方面的优势,并继承了DE/best/2型变异局部收敛速度快的优点,较好地实现了探索与利用的平衡,而且需要人工调节的参数较少,便于在实际中使用.     

无参数变异的二进制差分进化算法

鉴于差分进化算法在解决复杂连续问题上的优良性能,针对0-1变量的特点,提出了一种用于求解0-1规划问题的二进制差分进化算法(BDEPM).与采用离散变换和逻辑运算的改进算法相比,BDEPM算法中的变量采用二进制编码方式,在进化过程中无需变异率,即可根据个体间的差异直接在离散域内进行变异,算法的思路清晰、结构简单、控制参数少、易于理解和实现.将BDEPM用于求解0-1背包问题,针对其约束提出了一种二次贪婪变换的修复策略,两个背包实例的仿真对比实验验证了BDEPM算法的优越性.     

基于单纯形局部搜索的自适应差分进化算法

针对标准的差分进化（DE）算法在高维复杂的函数优化中易早熟收敛,进而导致搜索精度低甚至优化失败的问题,提出一种基于单纯形局部搜索的自适应的差分进化算法（SSADE）．将DE算法的快速全局搜索能力与单纯形的强局部寻优能力有机结合起来,进一步提高了解的精度．参数自适应变化有效地维持了种群的多样性,自适应的变异策略扩大了个体的搜索范围,增强了算法寻优效果,仿真实验验证了新混合算法的有效性．     

基于双变异策略差分进化算法的模糊PI参数整定

针对模糊PID控制器参数难以整定的问题,提出一种基于双变异策略协同工作的自适应差分进化算法DSDE。该算法采用随进化代数变化的权重因子,将经由DE/target-to-best/1和DE/rand/2两种变异策略生成的个体加权组合成一个新的变异个体,并采用Z型函数根据迭代次数自动调整变异因子,以适应于不同的进化阶段。将DSDE算法应用于二阶被控对象的模糊PI控制器(FPI)参数整定,MATLAB仿真结果表明,与传统的FPI、DE-FPI和采用自适应变异差分进化算法进行参数整定的AMDE-FPI相比,基于DSDE算法的模糊PI控制器具有更好的控制性能。     

随机变异差分进化算法

为了避免差分进化算法陷入早熟,提出了一种随机变异差分进化算法(RMDE).这种算法改进了差分进化算法的变异操作,采用随机选择的方式进行变异和扰动操作,增加种群的多样性,平衡算法的局部搜索和全局搜索.对几种标准的函数进行了测试,结果表明RMDE算法优于其他5种算法.并将该算法应用于13机组的电力系统经济调度问题,与文献其他算法相比,RMDE算法取得的结果优于最近文献所报道的结果.     

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%。     

负荷建模和参数辨识的遗传进化算法

提出了一种用于电力系统负荷建模和参数辨识的遗传进化算法,该方法与传统的最小二乘法相比具有全局搜索优化特点,适用于非线性、不连续或微分不连续的各种负荷模型.该方法已成功用于工业负荷实测数据辨识及动态和静态负荷建模.在静态负荷建模上,辨识结果略优于传统的最小二乘法,且通用性更好,只需做极小的修改就可以用于各种形式的静态负荷模型.在动态负荷建模上算法不仅给出了更优秀的结果,而且表现出很好的稳健性.结果表明此方法在负荷建模中的优势.     

基于差分进化算法的离心式压缩机建模

根据离心式压缩机的工作特性及流体力学、能量守恒和质量守恒等物理学原理,建立了单级压缩机的机理模型.将各级压缩机的模型串联得到了某钢厂CCPP煤气系统低压端三级离心式压缩机的机理模型,并把多级压缩机机理模型的参数辨识问题转化为优化问题,采用差分进化算法确定模型中的未知参数.模型验证结果表明,所建立的模型能够反映离心式压缩机的工作特性,为压缩机防喘控制奠定了模型基础.     

基于多种群的自适应差分进化算法

在分析了经典和改进变异操作算子的属性以及种群统计信息的基础上,按照个体适应度的差异,将个体分成不同的子种群并针对不同的个体适应度值,采用不同的变异算子,以保证在加快算法收敛速度的同时有效地跳出局部极值点.在参考经验值的基础上,加以自适应调整,使算法达到全局搜索能力与局部搜索能力的平衡.针对13个标准测试函数的仿真实验结果表明,所提出的算法与其他算法相比较具有较好的效果.     

基于差分算法的低压载波通信信道模型多参数辨识

低压电力线载波通信是通过低压电力线网络传输模拟和数字信号的一种通信方式。本文在已有的传输模型结构上,将差分算法应用到低压载波通信信道模型的多参数辨识上,取得了不错的参数辨识效果,为电力线系统的研究和设计提供了依据。     

带有自适应变异和指数递增交叉算子的差分进化算法

针对基本差分进化算法的缺陷,融入指数递增交叉算子以增加算法的收敛速度.当算法陷入早熟后,对最优个体和随机选取的个体采用随机扰动的变异策略,帮助其跳出局部极值.数值仿真实验表明,该算法的收敛速度和精度都明显优于仅带有指数递增交叉算子的差分进化算法和仅带有随机扰动变异策略的差分进化算法.     

多种群并行的自适应差分进化算法

为了提高搜索速度,同时克服传统算法过早陷入局部最优值的不足,提出了一种改进自适应差分进化算法.改进算法在充分分析经典和改进变异操作算子的属性以及种群统计信息的基础上,按照个体适应度的差异,将个体分成不同的子种群并相应地引入与之匹配的变异算子,转换成一个多种群并行的优化问题,保证在加快算法收敛速度的同时有效跳出局部极值点...     

基于差分进化与RBF神经网络的热工过程辨识

针对热工过程的非线性辨识问题,提出了一种基于差分进化算法(DE)的径向基函数神经网络(RBFNN)模型设计方法.该方法将DE算法的种群分解为几组并行的子种群,每组子种群对应于一类隐节点数相同的RBF网络.在RBFNN的学习过程中进行多子种群并行优化,从而实现RBF网络结构与参数的同时调整.算法可以利用热工对象的输入输出数据,自动设计出满足误差精度要求且结构较小的RBFNN模型.然后将该算法应用于热工对象的辨识,对于单输入单输出系统,得到的RBFNN模型只需1个隐节点.对于多输入单输出系统,RBF网络也仅需较少的隐层节点.仿真结果表明,用该方法设计的RBFNN模型结构简单,且辨识误差小,具有较好的泛化能力.     

基于择优学习策略的差分进化算法

传统的差分进化算法在个体变异方面只是利用了随机个体和最优个体的信息.由于选用个体的随机性,导致其搜索效率比较低并且有可能找不到最优解,为此,提出了基于择优学习策略的差分进化算法.该算法选择性地利用种群中比较优秀的个体的信息,克服种群进化过程中的盲目性,增强了搜索能力.通过对多个具有不同特性的标准测试函数进行测试研究,结果表明该方法可以明显减少迭代次数,提高计算效率.     

基于差分进化算法的神经网络优化设计

【目的】研究解决传统神经网络手动设计网络结构的局限性,并探究差分进化算法对神经网络优化的有效性。【方法】提出了一种基于差分进化算法的多层前馈神经网络的优化设计方案,用以同时完成神经网络的权值空间和网络结构空间的搜索,给出不同场景下的最优网络结构。该算法采用（1+1）-ES二元进化策略,使用一种新的网络结构交叉和变异方法,通过双种群结构共同进化及自适应变异率等策略加快网络结构的搜索以及算法的收敛。【结果】在预测、分类等问题中,基于差分进化算法的神经网络优化设计能够较好地搜索到最优的神经网络结构,并与传统的BP神经网络以及经典的预测分类算法进行比较,实验结果具有较强的鲁棒性。【结论】基于差分进化算法的神经网络优化设计是解决网络结构寻优问题的有效方法。     

基于多邻域策略重心反向学习的差分进化算法

针对标准差分进化(DE)算法探索能力差、难以逃出局部最优的问题,提出一种基于多邻域策略和邻域重心反向学习的差分进化算法(MCOBDE)。该算法根据当前进化状态动态地选择不同的邻域策略:在算法前期大概率选择局部邻域策略,其采用的环形邻域结构有利于探索种群空间;在算法后期大概率选择全局邻域策略,其采用的星形邻域结构能加快算法收敛。同时在不同的邻域结构下辅以重心反向学习,能进一步扩大搜索范围,避免陷入局部最优。通过与其他DE算法针对15个CEC2015测试函数在低维和高维情况下的实验对比,证明本文算法具有较快的收敛速度和较高的收敛精度,能有效克服探索能力差、早熟收敛的缺点。     

一种求解约束优化问题的改进差分进化算法

针对原始差分进化算法在求解约束全局优化问题时存在陷入局部最优的缺陷,提出一种改进的差分进化算法.该算法在保留原始差分进化算法全局搜索能力的基础上,采用基于规则的方法进行约束处理和种群个体的比较及选择,并利用种群相似度和最优变异操作改善种群进行全局范围搜索的多样性,提高算法跳出局部最优的能力.数值实验表明,该算法稳定性较好,目标函数评价次数较少,收敛速度较快,全局寻优能力较强,不仅能有效求解连续变量约束优化问题,也适用于离散变量或混合变量优化问题.     

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.