论文部分内容阅读
粒子群优化(Prticle Swarm Optimization, PSO)算法是由Kennedy和Eberhart于1995年提出的一种基于群体智能的优化算法。PSO算法不同于遗传算法,它是通过群体中的信息共享机制来完成寻优搜索。在这个群体中,个体与群体、个体与个体相互作用,相互影响。PSO算法与遗传算法、蚁群算法等大多数进化计算方法类似,也是一种基于迭代的优化算法。系统初始化为一组随机解,然后通过公式迭代来寻找最优解。与其他进化算法相比,PSO算法的特点主要包括以下几点：(1)每一个粒子都有一个随机的速度,并可以在整个问题空间内移动；(2)每个粒子都具有记忆功能；(3)进化通过个体与个体之间的竞争与合作实现。PSO算法的优点：可并行运算、调整参数少、优化速度快、容易实现。算法的缺点是容易陷入局部极小值点,搜索精度不高。针对这个不足,本文将混沌引入粒子群优化算法,并将混沌粒子群优化算法用于优化问题寻优。混沌是一种普遍的非线性现象,其行为复杂且类似随机,但其实有极强的内在规律。混沌具有随机性,遍历性和对初值的敏感性。利用混沌的这些特点进行优化搜索,比随机搜索更优,而且它可以避免算法陷入局部最优点,提高算法的计算精度。本文将混沌与粒子群优化算法相结合,使得混沌应用于优化搜索中,分析了基于Logistic映射的混沌粒子群优化算法(CPSO)。通过测试函数测试算法性能,仿真结果表明了该算法的有效性和优越性。有限脉冲响应数字滤波器(FIR)的设计,从本质上来讲是一个多参数优化问题,因此可以用粒子群优化算法实现寻优。本文利用混沌粒子群优化算法对FIR数字滤波器作基于均方误差最小准则的设计,并用该方法设计了一个高通滤波器。与用Parks-McClellan算法设计得到的高通滤波器进行对比,发现基于混沌粒子群优化算法得的FIR滤波器通带波动小,阻带衰减大,从而证明了该算法的有效性和优越性。PID控制器具有结构简单、容易实现、控制效果好、鲁棒性强等特点,因此被广泛使用。PID控制器设计的关键在于PID参数的优化。为了能更快更好的解决PID参数的优化问题,引入混沌粒子群优化算法对PID控制参数进行调节,仿真结果表明,粒子群算法收敛速度快且结果可靠。