自适应变异的果蝇优化算法
自适应遗传算法讲解学习
自适应遗传算法
自适应遗传算法 一.主要流程： 1. 参数的初始化。设定遗传种群规模N ，阵元数M ，信源数P 等。 2. 编码。采用十进制编码方法。 3. 初始种群的产生。随机数生成。 4. 适应度函数的评价。选取 ()() R P ΘA )tr f = （1） 其中， H 1H )(A A A A P A -= （2） P A 是A 的投影矩阵，A 是阵列流型。 ∑==L i L 1 H 1XX R ) （3） R )是数据协方差矩阵的最大似然估计。 5. 选择。比例选择方法与精英选择方法结合使用，在当代种群中选择优良个体遗传到下一代。既保证了种群的多样性，也使最优个体得以保留。 1）比例选择方法（赌轮盘法）：每个个体被选中的概率与它的适应度函数值大小成正比，即适应度函数越高的个体被选中的概率也就越高。 2）精英选择方法：让种群中适应度函数值最高的个体不进行配对交叉，直接复制到下一代中。但是容易陷入局部最优解，全局搜索能力差。 6. 交叉。按照概率P c 对种群中个体两两配对，进行交叉操作。本文中选取算数交叉的方式。 算数交叉：是由两个个体的线性组合来产生新的个体，假设第t 代的两个个体为A (t)、B (t)，则算数交叉后产生的新个体是
()()()()t t t A B A αα-+=+11 （4） ()()()()t t t B A B αα-+=+11 （5） 其中，α选取（0，1）之间的随机数。 交叉概率：使交叉概率随着遗传代数的增长，逐渐减小，目的是进化前期注重交叉运算，全局搜索能力强。 2.02cos *4.0+?? ? ??*=πK T P c （6） 其中，T 是进化代数，K 是总进化次数。 7. 变异。按照概率P m 对种群个体进行变异。本文中选取均匀变异的方式。 均匀变异：如某基因座上的基因值为X k ，其取值范围为[Umin,Umax],对其进行变异后的值为 )U -r(U +U =X min max min k （7） 其中，r 选取[0,1]之间的随机数。 变异概率：使变异概率随着遗传代数的增长，逐渐增加，目的是进化后期注重变异运算，局部搜索能力强。 005.02sin *045.0+?? ? ??*=πK T P m （8） 其中，T 是进化代数，K 是总进化次数。 8. 终止条件判断。若已达到设定的最大遗传代数，则迭代终止，输出最优解；若不满足终止条件，则返回第4步，进行迭代寻优过程。
基于自适应交叉、变异遗传算法的PID整定
第!"卷第#期 纺织高校基础科学学报$%&’!"()%’##**+年,月-./01/102312/45673.859:2;:082630<27/0:0= =============================================================2/ >?@’(#**+文章编号A !**,B C D +!E #**+F *#B *!,"B *+ 基于自适应交叉G 变异遗传算法的H I J 整定 王莉 E 中国矿业大学信电学院(江苏徐州##!**C F 摘要A 提出了一种带有自适应交叉G 变异算子的遗传算法(并把它应用到H I J 参数的整定当中’仿真结果表明(该方法提高了参数的优化性能(对控制系统具有良好的控制精度G 动态性能和鲁棒性’ 关键词A 自适应遗传算法LH I J L 参数优化 中图分类号A M H#"D 文献标识码A N *前言 H I J 控制算法以其原理简单G 鲁棒性好G 可靠性高等特点(在生产过程自动控制的发展历程中(成为历史悠久G 生命力最强的控制方式’虽然随着科学技术的发展涌现出许多新的控制方法(但是直到现在(H I J 控制由仍然广泛地应用于各类控制系统中’ 常用的H I J 参数整定方法主要由传统整定方法G 最优整定方法和智能整定方法’传统的整定方法包括稳定边界法E 临界比例度法F G 衰减曲线法G 动态特性法和O P Q R &Q S )P T U %&V 经验公式E O )公式法F 等’ 图!H I J 控制图 典型的H I J 控制图如图!所示’ 随着计算机技术和最优控制理论的 发展(出现了基于计算机的H I J 参数最 优整定方法’最优控制理论的应用(加上 计算机的高速运算能力(赋予了H I J 参 数优化等多变量最优化问题以新的生命 力(该方法是针对特定的系统建立数学 模型(运用各种数值解法按照一定的性能指标进行优化’近年来(随着智能控制理论的发展(专家系统G 模糊控制以及神经网络日益受到控制界的重视(出现了一些智能优化手段(主要由专家智能型H I J 参数自整定技术G 基于模糊推理的H I J 自寻优技术G 以及基于先进优化方法的其他智能整定技术W !(#X 等’本文中提出的基于改进遗传算法的H I J 参数整定( 利用遗传算法对优化问题本身没有什么特殊要求(既不要连续也不要求可微的优点(实现了H I J 参数的在线寻优’ K 收稿日期A #**+B *#B #* 作者简介A 王莉E !Y "Z B F (女(安徽省人(中国矿业大学信电学院(硕士研究生(主要从事控制理论与控制工程方面的研究’万方数据
基于果蝇优化算法的多元质量控制故障模式诊断_杨明顺
文章编号：１００６－４７１０（２０１５）０２－０１３８－ ０６基于果蝇优化算法的多元质量控制故障模式诊断 杨明顺，梁艳杰，雷丰丹，刘永，杜少博 （西安理工大学机械与精密仪器工程学院，陕西西安７１００４８ ）摘要：针对目前以神经网络为代表的主流智能故障模式诊断方法存在训练时间长、收敛速度慢、容易陷入局部最优等缺陷， 本文将果蝇优化算法用于多变量生成过程故障模式诊断，重点分析了果蝇优化算法（ＦＯＡ）的原理及其搜索优势，设计了一种基于ＦＯＡ的多变量生产过程故障模式诊断算法。将所设计的果蝇优化算法应用于汽车曲轴生产过程控制，并与神经网络模型处理结果进行对比。对比结果表明，果蝇优化算法训练时间短，收敛速度快且诊断结果更加准确。关键词：多变量生产过程；果蝇优化算法；过程控制；故障诊断；ＢＰ神经网络；质量控制中图分类号：ＴＨ１２２，ＴＰ３９１ 文献标志码：Ａ Ａ ｆａｕｌｔ ｄｉａｇ ｎｏｓｉｓ ｆｏｒ ｍｕｌｔｉｖａｒｉａｔｅ ｐｒｏｄｕｃｔｉｏｎ ｐｒｏｃｅｓｓｂａｓｅｄ ｏｎ Ｆｒｕｉｔ Ｆｌｙ Ｏｐｔｉｍｉｚａｔｉｏｎ ＡｌｇｏｒｉｔｈｍＹＡＮＧ Ｍｉｎｇｓｈｕｎ，ＬＩＡＮＧ Ｙａｎｊｉｅ，ＬＥＩ Ｆｅｎｇｄａｎ，ＬＩＵ Ｙｏｎｇ ，ＤＵ Ｓｈａｏｂｏ（Ｆａｃｕｌｔｙ ｏｆ Ｍｅｃｈａｎｉｃａｌ ａｎｄ Ｐｒｅｃｉｓｉｏｎ Ｉｎｓｔｒｕｍｅｎｔ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｘｉ’ａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｘｉ’ａｎ ７１００４８，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｓｅｒｖｅｄ ａｓ ａ ｒｅｐｒｅｓｅｎｔａｔｉｖｅ ｏｆ ｔｈｅ ｍａｉｎｓｔｒｅａｍ ｉｎｔｅｌｌｉｇｅｎｔ ｆａｕｌｔ ｍｏｄｅ ｄｉａｇ －ｎｏｓｉｓ ｍｅｔｈｏｄ，ｈａｓ ｈａｄ ｓｕｃｈ ｄｅｆｅｃｔｓ ａｓ ｌｏｎｇ ｌｅａｒｎｉｎｇ ｔｉｍｅ，ｄｉｆｆｉｃｕｌｔｙ ｏｆ ｃｏｎｖｅｒｇｅｎｃｅ ａｎｄ ｅａｓｉｌｙｐｌｕｎｇｉｎｇ ｉｎｔｏ ａ ｌｏｃａｌ ｏｐｔｉｍａｌ ｓｏｌｕｔｉｏｎ．Ｔｈｕｓ，ａ Ｆｒｕｉｔ Ｆｌｙ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ ｆｏｒ ｍｕｌｔｉｖａｒｉ－ａｂｌｅ ｐｒｏｃｅｓｓ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｍｏｄｅｌ ｉｓ ｅｓｔａｂｌｉｓｈｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ，ｔｈｅ ｐｒｉｎｃｉｐ ｌｅ ａｎｄ ｓｅａｒｃｈ ａｄｖａｎｔａｇｅｏｆ Ｆｒｕｉｔ Ｆｌｙ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ（ＦＯＡ）ｉｓ ｅｍｐｈａｔｉｃａｌｌｙ ａｎａｌｙｚｅｄ ａｎｄ ａ ｍｕｌｔｉｖａｒｉａｂｌｅ ｐｒｏｃｅｓｓｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ＦＯＡ ａｌｇｏｒｉｔｈｍ ｉｓ ｄｅｓｉｇｎｅｄ．Ｔｈｅ Ｆｒｕｉｔ Ｆｌｙ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｌｇｏｒｉｔｈｍｉｓ ｕｓｅｄ ｆｏｒ ａｎａｌｙｚｉｎｇ ｃｏｎｔｒｏｌ ｓａｍｐｌｅ ｄａｔａ ｉｎ ｔｈｅ ａｕｔｏｍｏｂｉｌｅ ｃｒａｎｋｓｈａｆｔ ｐｒｏｄｕｃｔｉｏｎ，ａｎｄ ａ ｃｏｎｔｒａｓｔｉｓ ｍａｄｅ ｗｉｔｈ ｔｈｅ ｒｅｓｕｌｔｓ ｏｂｔａｉｎｅｄ ｆｒｏｍ ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ．Ａｎｄ ｃｏｎｔｒａｓｔ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔＦｒｕｉｔ Ｆｌｙ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ ｈａｓ ａ ｓｈｏｒｔ ｔｒａｉｎｉｎｇ ｔｉｍｅ，ｆａｓｔ ｃｏｎｖｅｒｇｅｎｃｅ ｒａｔｅ ａｎｄ ｍｏｒｅ ａｃｃｕ－ｒａｔｅ ｄｉａｇ ｎｏｓｉｓ ｒｅｓｕｌｔ．Ｋｅｙ ｗｏｒｄｓ：ｍｕｌｔｉｖａｒｉａｔｅ ｐｒｏｄｕｃｔｉｏｎ ｐｒｏｃｅｓｓ；Ｆｒｕｉｔ Ｆｌｙ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ（ＦＯＡ）；ｐｒｏｃｅｓｓｃｏｎｔｒｏｌ；ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ；ＢＰ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｑｕａｌｉｔｙ ｃｏｎｔｒｏｌ收稿日期：２０１４－０９－ ０６基金项目：国家自然科学基金资助项目（６０９０３１２４）；陕西省教育厅科学研究计划资助项目（１４ＪＫ１５２１ ）；西安理工大学青年科技创新团队建设计划资助项目（１０２－ ２１１４０８）。作者简介：杨明顺，男，副教授，博士，主要研究方向为制造系统优化与控制、集成产品开发决策、集成质量管理。 Ｅ－ｍａｉｌ：ｙａｎｇｍｉｎｇ ｓｈｕｎ＠ｘａｕｔ．ｅｄｕ．ｃｎ。 在生产过程质量控制当中， 为了避免单个质量特性控制可能引起的“过控”或者“欠控”现象，必须同时考虑多个相互关联的多质量特性的相互影响以及其共同对产品质量的影响，因此多元质量控制故 障模式诊断成为保证产品质量的一个重要方面［ １－ ２］。多元质量控制诊断的研究对象是多变量正态过程，且变量间往往不是独立而是相关的，一个或几个变量的均值（或／和方差）或／和变量间的相关关系偏离总体，过程都会失控，监控该过程的控制图都会发出警告信号。国内外许多学者对此进行了广泛研 究。针对多元质量控制图不能准确确定导致失控信号产生的变量或变量集这一缺陷，Ｍｏｊｔａｂｓａ Ｓａｌｅ－ｈｉ［３］ 提出了一种基于混合学习的模型， 从而实现在多变量制造过程中失控信号在线分析；Ｚｈａｎｇ Ｊｉｕ－ｊ ｉｕ［４］针对使用单一控制图对多变量过程中数据平均值和变化同时进行监控的问题，提出了一种新的包含指数加权移动平均过程和广义似然比测试的控制图，实现多变量过程中平均值与变化过程的同时 监控；文昌俊［５］在分析多元Ｔ２控制图和多元过程能力指数的基础上，利用主成分分析法实现了多元 ８３１ 西安理工大学学报Ｊｏｕｒｎａｌ ｏｆ Ｘｉ’ａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ（２０１５）Ｖｏｌ．３１Ｎｏ．２
窗帘的款式与制作水波计算方法
水波帘头计算方法 窗户高度在2.8m以内的，这类水波一般1.4m布可以做2个单个水波，1.2m 布可以做2个帘头的两边旗子。如下图它就是3个单个的水波+2个旗子组成一个完整的水波帘头，值得注意的是这个1.4m做2个单个水波不可以算成0.7m 做一个单个的水波，因为我们做一个水波的布料是这样算的1.4mx1.4m所以只能是遇到单个的水波时我们不得不加一个水波来计算即使浪费也没有办法。如下图的帘头我们可以算出它的用料3个单个的水波，我们算4个也就是1.4m+1.4m+1.2m旗子=4m 复式楼高窗的水波 这类帘头有单独的计算方法：一般2.8M布做一个单个的水波（2.8mx2.8m），1.5m做一个旗子（1.5mx2.8m），如一个高窗的尺寸是5.6mx7.6m ，我们做这种大帘头时单个的水波宽度在1m至1.5m效果最佳旗子做0.5m一个，我们用帘头宽度5.6m减去帘头两边的2个旗子（0.5m+0.5m=1m再用1m减去盖在帘头上的旗子大概一边0.15m——2个旗子就是0.3m——1m—0.3m=0.7m）5.6m—0.7 m =4.9m,4.9m做4个单个的水波比较合适4个x2.8/个=11.2m+2个旗子3m=14.2m 如需要在水波的上面加个平板来增加帘头的高度，我们再加上平板的布就可以了。 计算出单个水波的宽度 要学会裁剪水波幔头，首先就要计算出单个水波的宽度和高度，然后乘以水波的个数，加上两边旗的用料就是帘头的用料量。通常1.5米布可以做成两个水波。通常单个水波帘头宽度75厘米左右，根据窗户宽度除以75厘米就是这个窗户需要水波的个数，这个宽度可大可小，不是一成不变，根据窗户的实际需要来设计，如果窗户小的话，这个尺寸可以适当减小，计算方法如下： 例如：我们先假设一个水波的宽度是75厘米，如果窗户宽度是3.95米，那么这个窗户需要做几个水波呢？ 用3.95米减去每边旗帜的宽度各15厘米（因为旗帜在水波帘头的两边），然后现除以75厘米，（395-15x2）/75=4.86个，因为水波不可能做半个，所以我们通常做5个那么当我们初步计算要5个水波后，每个水波的宽度就不是75厘米，而（395-15x2）/5=73厘米），也就是说我们根据窗户的宽度最终决定每个水波的宽度是73厘米，这个尺寸就是我们要裁剪的尺寸。这里请你务必记住：计算出单个水波的宽度后，在裁剪前要适当的加上边旗和水波、水波之间接缝的宽度。接缝的宽度根据具体需要来定。还有，要考虑到缝制之后帘头的宽度会缩短，这些问题要根据窗帘布料的收缩性能来定，也就是说收缩得厉害的就适当多算点进去，不怎么收缩得厉害的就适当少算点进去。 计算出单个水波的高度 水波高度的算法：正常是帘高的1/5边旗高是帘高的1/3. 如：窗帘定高3米，水波高度就是3米除5=60厘米边旗是3米除3=1米 窗帘有自己的高度，窗帘幔头也有自己的高度，搭配起来才实用做窗幔的比例，一般是按照所做窗帘的高度取1/5，但个别情况个别对待。一般都会按比例和美观裁剪。
自适应信号处理课后题答案
自适应信号处理课后题答案 1．求下列R 的特征值设 (1)?? ?? ? ?????=4202630341R (2)?? ? ???-=2)3/exp(6)3/exp(632ππj j R 解：(1)令λ为R 的特征值，则 (2)令λ为R 的特征值： 0)d e t (=-I R λ 0)d e t (=-I R λ 即： 042 2630 34=---λ λ λ 即： 02) 3/exp(6)3/exp(63=---λ ππλ j j 于是R 1的三个特征值分别为： 于是R 2 的两个特征值为： 1451454321－＝，＋＝，λλλ= 5,021==λλ 2．证明任何两个实数的单输入自适应线性组合器的特征向量矩阵均为： ?? ????-= 111121Q 证明：由已知条件知相关矩阵为R ： ? ? ? ???=a b b a R 则R 的特征值为：b a b a -=+=21,λλ 当b a +=1λ时，??? ???--=-b b b b I R λ，则特征向量为：]1,1[11q x = 当b a -=2λ时，? ? ? ???=-b b b b I R λ，则特征向量为：]1,1[22-=q x 则特征向量为： ?? ? ???-=111121Q 3．如图3.1所示，若自适应系统的输入和期待响应分别为：
(1))6/2cos(],6/)1(2sin[),6/2sin(10k d k x k x k k k πππ=-== (2)6/)]5.1(2[]6/)2(2[]6)1(2[1)6/2(04,,2--+-=+==k j k k j k j k k j k e d e e x e x ππππ 试计算最佳权向量和最小均方误差输出，并说明在两种情况下的自适应系统有什么不同？ 解：(1)由题中条件知： 5.0][2 0=k x E 5.0][2 1=k x E [] 25.010=* k k x x E []00=k k x d E 4/3][1-=k k x d E 于是输入相关矩阵为： ??????=5.025.025.05.0R ? ?????-=4/30P 则最优权为：?? ? ???-==* -1547.15774.01 P R W opt 最小均方误差为：3889.0][2 min -=-=opt T k W P d E ζ (2)由题中已知条件知： 4][2 0=k x E 6/26/22 12][ππj j k e e x E -++= 6/308][πj k k e x d E =* 6/6/144][ππj j k k e e x d E -*+= 6/46/21022][ππj j k k e e x x E --*+= 6/46 /21122][ππj j k k e e x x E +=* 于是输入相关矩阵为： ??????++++=---6/26/26/46 /26/46/2222224ππππππj j j j j j e e e e e e R ?? ????+=-6/6 /6 /3448πππj j j e e e P R 的逆不存在， 则最优权为： ??? ? ????-=j c c W o p t 3234 最小均方误差为：0][2 min =-=opt T k W P d E ζ
基于自适应果蝇优化算法的PID参数优化
２０１８年１０月 第４６卷第２０期 机床与液压 ＭＡＣＨＩＮＥＴＯＯＬ＆ＨＹＤＲＡＵＬＩＣＳ Ｏｃｔ２０１８ Ｖｏｌ４６Ｎｏ２０ ＤＯＩ：１０．３９６９／ｊｉｓｓｎ１００１－３８８１２０１８２００３３ 收稿日期：２０１７－０５－０９ 基金项目：陕西省重点研发计划资助项目（２０１８ＧＹ?０４２）；咸阳市科技局资助项目（２０１７Ｋ０２?０５）作者简介：李明辉（１９７２ ），男，博士，教授，主要从事智能及高级过程控制的研究三Ｅ－ｍａｉｌ：６０３３４＠ｓｕｓｔｅｄｕｃｎ三 基于自适应果蝇优化算法的ＰＩＤ参数优化 李明辉１，曹泽１，王玉洁２ （１陕西科技大学机电工程学院，陕西西安７１００２１；２上海亚太计算机信息系统有限公司，上海２０００４０） 摘要：针对基本果蝇优化算法（ＦＯＡ）控制精度不高且易陷入局部最优的缺陷，提出一种自适应果蝇优化算法 （ＩＦＯＡ）的ＰＩＤ参数优化方案三该算法以控制偏差绝对值和输入平方项的时间积分作为适应度函数，经过迭代寻优得到最优的ＰＩＤ参数值三通过二阶时滞系统测试并与基本果蝇优化算法比较，结果表明：该算法控制精度高二响应速度快二鲁棒性好，为ＰＩＤ参数优化提供了参考三 关键词：自适应果蝇优化算法（ＩＦＯＡ）；适应度函数；ＰＩＤ；参数优化 中图分类号：ＴＰ２７３ 文献标志码：Ａ 文章编号：１００１－３８８１（２０１８）２０－１４４－４ ＯｐｔｉｍｉｚａｔｉｏｎｏｆＰＩＤＰａｒａｍｅｔｅｒｓＢａｓｅｄｏｎＩｍｐｒｏｖｅｄＦｒｕｉｔ?ｆｌｙＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍ ＬＩＭｉｎｇｈｕｉ１，ＣＡＯＺｅ１，ＷＡＮＧＹｕｊｉｅ２ （１ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａａｎｘｉＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｘｉ ａｎＳｈａａｎｘｉ７１００２１，Ｃｈｉｎａ；２ＳｈａｎｇｈａｉＡｓｉａ＆ＰａｃｉｆｉｃＣｏｍｐｕｔｅｒＩｎｆｏｒｍａｔｉｏｎＳｙｓｔｅｍＣｏ．，Ｌｔｄ．，Ｓｈａｎｇｈａｉ２０００４０，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｄｅｆｅｃｔｓｏｆｔｈｅｂａｓｉｃｆｒｕｉｔ?ｆｌｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ（ＦＯＡ），ｔｈｅｃｏｎｔｒｏｌａｃｃｕｒａｃｙｗａｓｎｏｔｈｉｇｈａｎｄｅａｓｙ ｔｏｆａｌｌｉｎｔｏｌｏｃａｌｏｐｔｉｍｕｍ，ａｍｅｔｈｏｄｆｏｒｐａｒａｍｅｔｅｒｏｐｔｉｍｉｚａｔｉｏｎｏｆＰＩＤｃｏｎｔｒｏｌｌｅｒｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｆｒｕｉｔ?ｆｌｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ（ＩＦＯＡ）ｗａｓｐｒｏｐｏｓｅｄ，ｉｎｗｈｉｃｈａｂｓｏｌｕｔｅｅｒｒｏｒａｎｄｔｈｅｓｑｕａｒｅｏｆｃｏｎｔｒｏｌｉｎｐｕｔｗｅｒｅｕｓｅｄａｓｆｉｔｎｅｓｓｆｕｎｃｔｉｏｎａｎｄｔｈｅｏｐｔｉｍａｌＰＩＤｐａｒａｍｅｔｅｒｖａｌｕｅｗａｓｏｂｔａｉｎｅｄｔｈｒｏｕｇｈｉｔｅｒａｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎ．Ｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｂａｓｉｃｆｒｕｉｔ?ｆｌｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ，ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｈａｓｈｉｇｈｃｏｎｔｒｏｌｐｒｅｃｉｓｉｏｎ，ｆａｓｔｒｅｓｐｏｎｓｅａｎｄｒｏｂｕｓｔｎｅｓｓｔｈｒｏｕｇｈｔｗｏｏｒｄｅｒｄｅｌａｙｓｙｓｔｅｍｔｅｓｔ．ＩｔｐｒｏｖｉｄｅｓａｒｅｆｅｒｅｎｃｅｆｏｒＰＩＤｐａｒａｍｅｔｅｒｏｐｔｉｍｉｚａｔｉｏｎ． Ｋｅｙｗｏｒｄｓ：Ｉｍｐｒｏｖｅｄｆｒｕｉｔ?ｆｌｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ（ＩＦＯＡ）；Ｆｉｔｎｅｓｓｆｕｎｃｔｉｏｎ；ＰＩＤ；Ｐａｒａｍｅｔｅｒｏｐｔｉｍｉｚａｔｉｏｎ ０ 前言 ＰＩＤ控制器由于其算法简单二鲁棒性好二可靠性 高，被广泛应用于工业过程控制中［１］三传统的ＰＩＤ 控制器参数整定采用人工经验，很难得到理想的最优值三目前，随着人工智能技术的发展，不少学者针对ＰＩＤ参数整定提出新的算法，如遗传算法二粒子群算法等得到了一定的效果［２］三这些算法灵活二简单二易理解，在解决工业过程控制的实际问题中具有非常广阔的应用前景［３］三然而，遗传算法编程复杂，参数较多；粒子群算法在进化后期收敛速度减慢，同时陷入局部最优的可能性加大三 果蝇优化算法（Ｆｒｕｉｔ?ｆｌｙＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍ，ＦＯＡ）是２０１１年台湾学者潘文超提出的一种新的全局优化进化算法［４］三该算法由于程序代码简单二易于 理解二参数较少，且全局寻优能力强二收敛速度快等优点，在近几年来引起广泛关注［５］三ＪＨＡＮ等［６］采用果蝇优化算法进行ＰＩＤ参数整定，得到ＦＯＡ避免早熟的结论；ＹＬＩＵ等［７ －８］ 采用混沌搜索的ＦＯＡ算法整 定ＰＩＤ参数，减少了适应度波动；宋娟［９］采用ＦＯＡ与ＰＳＯ相结合的混合寻优来优化ＰＩＤ整定参数，使得控制器有较好的控制效果和收敛特性三 作者针对基本果蝇优化算法（ＦＯＡ）寻优精度不高二容易陷入局部最优的缺陷，提出一种自适应果蝇优化算法［１０］的ＰＩＤ参数优化方案三通过在果蝇搜索过程中引入半径调节系数以及选择合适的适应度函数，对ＰＩＤ的３个参数进行了优化三结果表明该算法能够快速高效地寻找到最优参数，有效提高了ＰＩＤ控制器的控制精度三 １ ＰＩＤ控制器基本原理 ＰＩＤ控制器是通过对偏差信号进行比例二积分二微分３个参数的控制，使得系统表现较好性能三ＰＩＤ控制原理如图１所示 三 图１ ＰＩＤ控制系统框图 万方数据
智能优化算法
智能计算读书报告（二） 智能优化算法 姓名：XX 学号：XXXX 班级：XXXX 联系方式：XXXXXX
一、引言 智能优化算法又称为现代启发式算法，是一种具有全局优化性能、通用性强、且适用于并行处理的算法。这种算法一般具有严密的理论依据，而不是单纯凭借专家的经验，理论上可以在一定时间内找到最优解或者近似最优解。所以，智能优化算法是一数学为基础的，用于求解各种工程问题优化解的应用科学，其应用非常广泛，在系统控制、人工智能、模式识别、生产调度、VLSI技术和计算机工程等各个方面都可以看到它的踪影。 最优化的核心是模型，最优化方法也是随着模型的变化不断发展起来的，最优化问题就是在约束条件的限制下，利用优化方法达到某个优化目标的最优。线性规划、非线性规划、动态规划等优化模型使最优化方法进入飞速发展的时代。 20世纪80年代以来，涌现出了大量的智能优化算法，这些新颖的智能优化算法被提出来解决一系列的复杂实际应用问题。这些智能优化算法主要包括：遗传算法，粒子群优化算法，和声搜索算法，差分进化算法，人工神经网络、模拟退火算法等等。这些算法独特的优点和机制，引起了国内外学者的广泛重视并掀起了该领域的研究热潮，并且在很多领域得到了成功地应用。 二、模拟退火算法（SA） 1. 退火和模拟退火 模拟退火算法(Simulated Annealing，SA)最早的思想是由N. Metropolis 等人于1953年提出。1983 年,S. Kirkpatrick 等成功地将退火思想引入到组合优化领域。它是基于Monte-Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。模拟退火算法从某一较高初温出发，伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优。模拟退火算法是一种通用的优化算法，理论上算法具有概率的全局优化性能,目前已在工程中得到了广泛应用，诸如VLSI、生产调度、控制工程、机器学习、神经网络、信号处理等领域。 模拟退火算法是通过赋予搜索过程一种时变且最终趋于零的概率突跳性，从而可有效避免陷入局部极小并最终趋于全局最优的串行结构的优化算法。 模拟退火其实也是一种贪心算法，但是它的搜索过程引入了随机因素。模拟
水波动力学文献综述
华中科技大学 考生姓名陈刚 考生学号T201189948 系、年级研究生院 类别硕士 科目水波动力学理论与研究 日期2012年5月12日
水下滑翔器的水动力分析 摘要：水下滑翔器是一种无外挂推进系统，仅依靠内置执行机构调整重心位置和净浮力来控制其自身运动的新型水下装置，主要用于长时间、大范围的海洋环境监测，因此要求其具有低阻特性和高稳定性。文章主要从水下滑翔器水动力特性,纵剖面滑行时水动力特性计算和分析等方面对水下滑翔器的研究和设计提供理论参考。 关键词：水下滑翔器、水动力特性。 引言 水下滑翔器 (AUG)是为了满足海洋环境监测与测量的需要，将浮标、潜标技术与水下机器人技术相结合，研制出的一种无外挂推进系统，依靠自身浮力驱动，沿锯齿型航迹航行的新型水下机器人。AUG采用内置姿态调整机构和无外挂驱动装置，因此载体外置装置减少，避免了对载体线型的破坏，大大改善了载体的水动力特性。AUG具有制造成本和维护费用低、可重复利用、投放回收方便、续航能力强等特点，适宜于大量布放，大范围海洋环境的长期监测。AUG是海洋环境立体监测系统的补充和完善，在海洋环境的监测、凋查、探测等力面具有广阔的应用前景。 国内外现状 1989 年，美国人Henry Stommel 提出了采用一种能够在水下作滑翔运动的浮标进行海洋环境调查的设想，这就是水下滑翔机器人的最初概念。之后，美国开始了AUG 的研究与开发，自1995 年以来，在美国海军研究局的资助下，研制出SLOCUM( Battery) 、Sea glider 和Spray 等多种以二次电池为推进能源的水下滑翔机器人，以及以海洋垂直剖面的温差能作为驱动能源的Slocum 水下滑翔机器人。此外，美国的Prinston 大学建造了一个AUG 试验平台，主要用于AUG 的建模和控制方法研究。美国的Webb Research Corp 先后研制了Slocum Electric Glider 水下滑翔机器人和Slocum Thermal Glider 水下滑翔机器人，其中前者是一种高机动性、适合在浅海工作的水下滑翔机器人，而后者是一种利用海水热差驱动的水下机器人。华盛顿大学研制的Sea glider 水下滑翔机器人能够在广阔的海洋中航行数千千米，持续时间可达6个月，最大下潜深度可达1 000m。Sea glider 已经航行通过了阿拉斯加海湾和拉布拉多海的许多冬季风暴，能在目标位置进行垂直采样和测量。 Spray Glider 是美国的Scripps Institution of Oceanography 研制的水下滑翔机器人，它最初被设计用于深海海域调查，其最大下潜深度可达1 500m。天线内置于滑翔翼中，在浮出水面时机身旋转90°，使有天线的一个滑翔翼垂直露出水面，然后就可以进行GPS 定位和卫星通信。 我国的水下滑翔机器人研究起步较晚，但近年来有多家单位开展了大量的技术研究工作。其中以沈阳自动化研究所为代表研制的AUG 于2005 年10月成功进行了湖上试验，于2006 年通过验收，具有较高的技术水平。天津大学和国家海洋技术中心联合研制的温差能驱动的海洋监测平台也成功进行实验。此外包括沈阳工业大学在内的许多大学和研究所也于近年开
matlab自适应遗传算法
function [xv,fv]=AdapGA(fitness,a,b,NP,NG,Pc1,Pc2,Pm1,Pm2,eps) %×?êêó|ò?′???·¨ L = ceil(log2((b-a)/eps+1)); x = zeros(NP,L); for i=1:NP x(i,:) = Initial(L); fx(i) = fitness(Dec(a,b,x(i,:),L)); end for k=1:NG sumfx = sum(fx); Px = fx/sumfx; PPx = 0; PPx(1) = Px(1); for i=2:NP PPx(i) = PPx(i-1) + Px(i); end for i=1:NP sita = rand(); for n=1:NP if sita <= PPx(n) SelFather = n; break; end
end Selmother = round(rand()*(NP-1))+1; posCut = round(rand()*(L-2)) + 1; favg = sumfx/NP; fmax = max(fx); Fitness_f = fx(SelFather); Fitness_m = fx(Selmother); Fm = max(Fitness_f,Fitness_m); if Fm>=favg Pc = Pc1*(fmax - Fm)/(fmax - favg); else Pc = Pc2; end r1 = rand(); if r1<=Pc nx(i,1:posCut) = x(SelFather,1:posCut); nx(i,(posCut+1):L) = x(Selmother,(posCut+1):L); fmu = fitness(Dec(a,b,nx(i,:),L)); if fmu>=favg Pm = Pm1*(fmax - fmu)/(fmax - favg); else Pm = Pm2;
一种波浪能实验装置水动力学分析与优化设计_盛松伟
文章编号:1005-9865(2006)03-0107-06 一种波浪能实验装置水动力学分析与优化设计 盛松伟1,2,游亚戈1,马玉久1 (1.中国科学院广州能源研究所,广东广州 510640;2.中国科学院研究生院,北京 100049) 摘 要:将造波水槽内二维浮体牵引弹簧回复液压缸的受力系统简化为弹簧—质量—阻尼器系统,建立数学模型,并根据牛顿第二定律得到运动方程式。采用基于简单格林函数的边界元方法对所研究浮体的水动力学系数和波浪力进行计算,对于施加给液压系统的不同外部阻尼值,由运动方程可得到相应的浮体垂荡运动位移。为求浮体对液压系统做功的最大值,在给定条件下着重对外部阻尼系数进行了优化。 关键词:二维浮体;边界元;外部阻尼;优化设计;波浪能 中图分类号:P743.2 文献标识码:A Hydrodynamic analysis and optimal design of a wave energy device SHENG Song -wei 1,2,YOU Ya -ge 1,MA Yu -jiu 1 (1.Guan gzhou Institute of Energy Conversion ,Chinese Academy of Sciences ,Guangzhou 510640,China ;2.Graduate School of Chinese A -cademy of Sciences ,Beijin g 100049,China ) A bstract :The model of a kind of wave energy device moored on seabed is simplified into a spring -mass -damping system ,and then its motion equation is built accordin g to Newton 's second law .Boundary element method based on simple Green function is presented to analyze the verti -cal motion of the buoy that drives a hydraulic pressure device below .Opti mal des ign of external -damping coefficient for attaining the maximum work produced by the buoy is discussed in detail .The res ult of the opti mal design can be used to guide the practical work directly .Key words :t wo -dimensional buoy ;boundary element method ;out -damping ;optimal design ;wave energy 收稿日期:2005-06-22 基金项目:广东省自然科学基金资助项目(05000727)作者简介:盛松伟(1972-),男,河南漯河人,硕士生,主要从事海洋波浪理论与技术研究。 成功且高效地利用海洋波浪能是当前各国开发海洋波浪能的重要内容之一。现拟设计一种系泊于海底的波浪能装置,在海面放置一浮体,其下端通过钢索与一倒立的弹簧回复液压缸底部连接,液压缸内的活塞杆伸向下端,与锚固于海底的钢索连接。静水时上下两段钢索都刚好伸直;来浪时浮子在波浪作用下产生运动将牵引液压缸做功,做功的形式可以是蓄能、发电、牵引运动机构等。对实验室造波水槽内该模型系统进行了受力分析并建立数学模型,进行水动力学计算,为求浮体对液压系统做功的最大值,着重对外部阻尼系数进行了优化。 系统受力计算和外部阻尼系数优化的基础是对浮体的水动力学分析。自上世纪50年代开始,许多学者对波浪与浮式结构物的相互作用问题进行了大量的研究[1～4]。采用的研究方法大致上可以分为3大类:理论分析法、数值模拟和实验研究。20世纪70年代以前,主要采用理论方法,如应用特征函数展开法和多极子技术等研究简单形状的结构物与正向波浪的相互作用[5～7]。随着计算机技术和数值求解技术的发展,有限元和边界元方法在波浪与海洋结构物相互作用的计算中得到了较广泛的应用。本文采用基于简单格林函数的边界元法来求解浮体的水动力学系数和所受的波浪力。 第24卷第3期 2006年8月海洋工程 THE OCE AN ENGINEERING Vol .24No .3Aug .2006
变异概率自适应调整的遗传算法GA程序
变异概率自适应调整的遗传算法算例 一：优化函数：()()*sin 10*2,[1,2] f x x x x =+∈-+ A.变异概率自适应调整公式： B.遗传算法参数 （1）种群规模设为80，遗传算子分别为轮盘法选择，多点点交叉和多点自适应变异； （2）交叉概率0.7，变异概率0.01； （3）最大进化代数为100代，保优操作。 C.程序框图 图 1 程序流程框图 ()()12max 1max 1 ,,m m m avg avg m m avg P P f f P f f f f P P f f --?-≥?-=??
二：程序及运行结果 （1）%变异概率自适应调整的GA程序 %优化函数为f=x*sin(10*x)+2，其中，-1= 2D特效之水波 水波特效在游戏当中也比较多见，波纹实时生成算法很多，这里介绍一种快速算法。之所以说它是一种快速算法，是因为它的计算既没有用到sin、cos函数也没有用到sin、cos函数的查表算法，它只是根据波的传播原理，通过少量的加减、位移运算来完成。如要多了解一些波的知识，赶快去翻书哦，现在去学或复习还来得及。当然快速的代价是内存的消耗，这一点我们曾在文章里也提到过，为了追求更高的效率，往往可采取牺牲部分内存这样一种手段来达到目的。 在开始之前我们先作一些假设，同时你可参考左面的图。首先假设波是从右往左传播，0为波在当前时刻的波形，1为前1/8周期时的波形，2为前1/4周期时的波形。设波的周期为T。图中向下的箭头是各点处的振动速度，箭头线长表示振动速度的大小。 现设有任一点x（Y方向暂不考虑），它在三个波形上分别对应点P0、P1和P2，三点在振幅方向的偏移量(含方向)分别为D0、D1和D2。设波形函数为D0 = sin(2*Pi/T*t+b)，则D1 = sin(2*Pi/T*(t-T/8)+b)，D2 = sin(2*Pi/T*(t-T/4)+b)，我们下面来证明21/2*D1 = D0+D2： 设2*Pi/T+b=a，则 D0 = sin(a)，D1=sin(a-Pi/4)，D2 = sin(a-Pi/2) ==》 D0+D2 = sin(a)+sin(a-Pi/2) =2*sin((a+(a-Pi/2))/2)*cos((a-(a-Pi/2))/2) =2*sin(a-Pi/4)*cos(pi/4) =21/2*D1 利用这一特征我们就可以来计算波形了，我们可以以1/8个周期为一显示帧，然后用两个缓冲区来保留前两帧的波形，用上述公式就可以依次推算出后续波的波形。这里需要做一些优化，首先将21/2放大为2，则有D0=2*D1-D2，计算后的D0会偏大一些（相当于波能加大），这样的波会越振越厉害，不停地振动下去永不止，所以要将D0的值减少一部分，办法是减去1/n个D0，将n值取成2的5(或其它？)次方，这样就可以用移位来计算：D0-=D0>>5，最后要处理的是波的传播了，一般我们在某一点给出一个干扰源（波源），这一点的能量要向四周传播出去我们才能看出波的抖动，否则光一个点上下抖动看起来是不会象水波的，我们用平均算法 在介绍编程之前，先让我们来回顾一下在高中的物理课上我们所学的关于水波的知识。 水波有如下几个特性： ?扩散：当你投一块石头到水中，你会看到一个以石头入水点为圆心所形成的一圈圈的水波，这里，你可能会被这个现象所误导，以为水波上的每一点都是以石头入水点为中心向外扩散的，这是错误的。实际上，水波上的任何一点在任何时候都是以自己为圆心向四周扩散的，之所以会形成一个环状的水波，是因为水波的内部因为扩散的对称而相互抵消了。 ?衰减：因为水是有阻尼的，否则，当你在水池中投入石头，水波就会永不停止的震荡下去。 ?水的折射：因为水波上不同地点的倾斜角度不同，所以，因为水的折射，我们从观察点垂直往下看到的水底并不是在观察点的正下方，而有一定的偏移。如果不考虑水面上部的光线反射，这就是我们能感觉到水波形状的原因。 ?反射：水波遇到障碍物会反射。 ?衍射：忽然又想到这一点，但是在程序里却看不到，如果能在水池中央放上一块礁石，或放一个中间有缝的隔板，那么就能看到水波的衍射现象了。 好了，有了这几个特性，再运用数学和几何知识，我们就可以模拟出真实的水波了。但是，如果你曾用3DMax做过水波的动画，你就会知道要渲染出一幅真实形状的水波画面少说也得好几十秒，而我们现在需要的是实时的渲染，每秒种至少也得渲染20帧才能使得水波得以平滑的显示。考虑到电脑运算的速度，我们不可能按照正弦函数或精确的公式来构造水波，不能用乘除法，更不能用sin、cos，只能用一种取近似值的快速算法，尽管这种算法存在一定误差，但是为了满足实时动画的要求，我们不得不这样做。 首先我们要建立两个与水池图象一样大小的数组buf1[PoolWidth*PoolHeight]和 buf2[PoolWidth*PoolHeight]（PoolWidth=水池图象的象素宽度、PoolHeight=水池图象的象素高度），用来保存水面上每一个点的前一时刻和后一时刻波幅数据，因为波幅也就代表了波的能量，所以以后我们称这两个数组为波能缓冲区。水面在初始状态时是一个平面，各点的波幅都为0，所以，这两个数组的初始值都等于0。 下面来推导计算波幅的公式 我们假设存在这样一个一次公式，可以在任意时刻根据某一个点周围前、后、左、右四个点以及该点自身的振幅来推算出下一时刻该点的振幅，那么，我们就有可能用归纳法求出任意时刻这个水面上任意一点的振幅。如左图，你可以看到，某一时刻，X0点的振幅除了受X0点自身振幅的影响外，同时受来自它周围前、后、左、右四个点（X1、X2、X3、X4）的影响（为了简化，我们忽略了其它所有点），而且，这四个点对a0点的影响力可以说是机会均等的。那么我们可以假设这个一次公式为： k ε2006年研究生自适应信号处理考试题 1. 简述人工自适应系统的特点和建立自适应系统一般应该满足的要求。（10%） 特点：随时间变化，针对变化的环境自我优化，能通过训练适应变化的任务，自我设计、修复，少量训练可以改变整个系统的结构，输入的变化可能影响系统的性能，系统的调节都针对特定的优化目标。 构造自适应系统，一般有两种形式，一种是开环系统，另一种是闭环系统。无论那种形式，系统的处理器都必须是可调节的。 2. 一个滤波器的特性函数为()2 115726 w ξ=-+，根据特征曲面搜索的最速下降法和牛 顿法，试分别写出其参数w 的调整算法。（15%） ()()()2 111115726 7 571349 13 577()7 5713 k k k k k k k k k k k w w w w w w w w w w w w w w w w w w ξξξξξμμ+++=-+'+'''=- ''+=- =+-?=-+解： 牛顿法：() ()= ()=() () w 调整算法最速下降法： 3. 设线性组合器110-+=k k k x w x w y ，画出它的原理图；当输入信号为 52sin k x k π=，期望输出信号为5 2cos 2k d k π=时，求出自相关矩阵R ，互相关矩阵P ，特性函数，梯度和最佳权值。（20%） 原理图： [] k 2 k 12 k-1k-12T T k 20.5 0.5cos x x 5 R=E 2x x 0.5cos 0.5 52P=E 5=E[d ]+W RW-2P W =2+0.5[k k T T x x πππξ-? ? ????=????????????? ? ? ?=???? k k k-1k-1解：自相关矩阵 互相关矩阵d x d x 0 -sin 特性函数0001112 20101121 cos 25 ]225cos 1 522=cos 2sin 2 55 =20.5 0.5cos 520.5cos 0.55πωωπωωπωωππωωωωωππ? ????? ????-???????????????????? ++?? ????????? 0 -sin 0.5(+)+ 梯度2RW-2P =201010 1*252+cos 5 22cos ++2sin 5522W 55 ωπωπωωππωωππ ???????????????????? ?????????? T 0 -2-sin = 最佳权值=[2cot -2csc ] 4. 设滤波器的自相关矩阵为300021018R ?? ?= ? ???，摄动为125P ?? ? = ? ??? ，写出最速下降法 的权值调整算法，给出它们的收敛条件。（10%）2D特效之水波
水波纹算法
研究生自适应信号处理考试题