论文部分内容阅读
现代控制对象越来越复杂,为了有效地进行控制策略的实施和优化、过程监视及故障诊断、控制对象仿真等工作,建立被控对象的准确数学模型是非常必要的。系统辨识是从系统的输入、输出数据建立系统数学模型的理论和方法,是系统科学和现代控制理论的重要分支。在本文中,将一种先进的可持续进化模型——层次化公平竞争模型(Hierarchical Fair Competition,简称HFC)与遗传编程(Genetic Programming,简称GP)算法相结合,实现了对非线性复杂目标系统结构和参数的一体化高效、准确、辨识。论文的研究内容体现在以下四点：1.在对当前已有系统辨识方法研究、分析、总结的基础上,将GP算法与系统辨识问题结合,构造了基本(单种群)GP辨识算法,可应用于静态和动态系统辨识问题,实现对目标系统结构和参数的同步辨识,从而形成一种适用范围比较广泛、基于进化计算的系统辨识方法,比其它现有辨识算法有优越之处。2.对进化算法中的早熟收敛现象进行了深刻剖析,阐明了传统的单种群GP算法无法为复杂系统建立精确数学模型的局限性。对当前各种抗早熟收敛技术进行了比较全面的回顾,分析了各种方法的机理及局限性。在基本的单种群GP算法的基础上,构造了两种抗早熟收敛的并行多种群GP算法：基于ISLAND模型的多种群GP算法(简称ISLAND GP)和HFC GP算法,可应用于复杂的随机非线性系统辨识。3.对各类系统模型实例进行了辨识。使用基本单种群GP算法对两个静态(波纹函数、二次多项式)模型进行了辨识；使用基本单种群GP、ISLAND GP、HFC GP三种算法对五个基于ARX/ARMAX/NARX/NARMAX的动态模型进行了辨识,并对结果进行了分析比较。4.对三种GP算法的效能进行了比较,证明HFC GP算法具有最好的抗早熟收敛和可持续进化能力,算法的运行效率也很高,是一种适合于复杂非线性系统辨识的优秀算法。