[發明專利]基于改進粒子群算法的受限廣義預測控制方法

有效

• 申請號: 202010022534.X
• 申請日: 2020-01-09
• 公開（公告）號: CN111142387B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 張雨飛;吳君
• 申請（專利權）人: 東南大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 蔣昱

1.基于改進粒子群算法的受限廣義預測控制方法，具體步驟如下，其特征在于：

1)初始化參數，在設定范圍內，隨機初始化種群中各微粒的位置和速度；

所述步驟1)詳細步驟如下；

初始化種群，設在一個D維空間中，由N個粒子組成的種群X＝(x₁，…，x_i，…，x_N)，其中，第i個粒子的位置為x_i＝(x_i1，x_i2，…，x_iD)^T，其速度為v_i＝(v_i1，v_i2，…，v_iD)^T，它的個體極值為p_i＝(p_i1，p_i2，…，p_iD)^T，種群的全局極值為p_g＝(p_g1，p_g2，…，p_gD)^T；

在標準粒子群算法中，粒子在其飛行過程中始終向著自己的個體最優位置和全局最優位置靠近；

2)計算種群的適應度方差，判斷是否小于種群多樣性閾值，若是對種群執行自適應遷徙操作，否則執行步驟4)；

所述步驟2)詳細步驟如下；

設粒子i的適應度為f_i，當前種群的平均適應度為f_avg，δ²為種群的適應度方差，定義為：

其中，N為種群個體數目，f為歸一化定標因子，其作用是限制δ²的大小，f的取值采用如下公式：

式(1)表明，群體的適應度方差反映的是群體中個體的聚集程度，δ²越小，則群體中個體的聚集程度越大；反之，則聚集程度越小，隨著迭代次數的增加，種群的個體適應度值會越來越接近，因此δ²會越來越小，當δ²＜C，其中C為種群多樣性閾值時，認為算法進入后期搜索，容易陷入局部最優，出現早熟收斂現象，此時，對當前粒子群進行自適應遷徙操作，增加種群多樣性；

3)計算種群中每個粒子的病態值，并與遷徙概率進行比較，如果大于遷徙概率，對其進行遷徙操作，否則，粒子保持不變；

所述步驟3)詳細步驟如下；

病態值函數F：

其中，fx(i)為該粒子的適應度函數值，f_min為全局最優的適應度值，f_max為全局最差的適應度值，病態值越大，說明粒子離全局最優越遠；病態值越小，說明粒子離全局最優越近；

根據自適應遷徙的目的，提出一個遷徙概率P_ed，若F(i)P_ed，粒子作為較差粒子進行遷徙，將其重新分配到尋優空間中去，增加種群多樣性；若F(i)＜P_ed，則粒子作為精英個體保留下來，為了提高算法的收斂速度，需要讓選定的較差粒子向更好的方向遷徙，于是，引入了一種遷徙策略；

當選定該粒子為遷徙粒子時，通過給該粒子的局部最優位置重新賦值來改變粒子的原始運動軌跡，見式(4)，從而改變粒子更新后的速度向量，使粒子跳出局部最優；

p_i＝rand*(p_g-x_i) (4)

式中，p_i是該粒子的局部最優位置，p_g是粒子群的全局最優位置，x_i是該粒子的位置；

4)判斷是否滿足停止條件，若滿足，搜索停止，輸出結果，否則，更新種群，返回步驟2)。