论文研究-一种改进粒子群算法及其在Wiener模型辨识中的应用.pdf

所需积分/C币:9 2019-07-22 23:17:47 1.21MB .PDF

针对标准粒子群算法收敛速度较慢、收敛精度较低、容易陷入局部最优等方面的缺点,提出一种融合细菌觅食算法和鲶鱼效应的混合粒子群算法。通过四个经典测试函数仿真实验,验证了该算法具有较其他改进方法更强的全局搜索能力、收敛速度和收敛精度。并针对一类可描述成Wiener模型的工业过程进行了参数辨识,通过数值仿真验证了混合粒子群算法的实用性以及较其他算法更强的非线性辨识能力。
第11期 吴憬琳,等:一种改进粒子群算法及其在 Wiener模型辨识中的应用 3339· minJ(h)=∑Ly(k-j)-y(k-j)」2 d)根据式(4)对第k代种群x(k)实现个体位置更新,并 进行范围限制 其中:L为辩识窗∏长度;y(-j)、(k-j为k-j(j=1,2,… e)对第i个个体比较f和F(h),若F2(k)<Fu,令 L)时刻输出测量信号和什计值。y(k-)可由式(7)得到 Fbest= F (h), pbest; =X, (k) ∫2(k-i)=-a12(k-i-1) f)根据趋化操作,按上一次粒子运动的方向再一次更新粒 子位置 bu、k-i-d)+…+ h)重复步骤e)和f),直至满足最大趋化次数N或Fl< 6, u(h-i-d-m) F1(k); y(k-i)=(k-i)]+e(k-i) g)若粒子i连续在N。次迭代中,F<F,(k),则引人鲶鱼 同时, Wiener模型的参数满足 机制,重新初始化x ≤0≤ i令h=k+1,转d)重复上述步骤,若达到最大迭代次数 因此,辨识Weer模型的间题就等价于求解在等式约束-,则终止迭代。 式(7)和不等式约束式(8)下式(6)的非线性极小值优化问题 参数佔计θ为优化变量 4.3 Wiener模型的辨识结果 考虑文軼[19]的 Wiener模型 x(h)=1.5x(k-1)-0.7x(h-2)+n(k-1)+0.5n(k-2) 1y(k)=x(k)]+e(k) x(k)≥0 8 fx()1= x 其中:e(h)为噪声,方差=0.I;输入信号u(k)为零均值的 18503高斯白噪声序列,方差O,=1。要辨识的参数真值向量为0 图3Akey函数的收敛示意图图4 Griewank函数的收敛示意图[a1a2bb1]=[-1.50.71.00.5],设Tmn、= 9"B()zk) 100.=-2X PD=2,=4,.=20 定义均方根误差( root mean square error,RMSE)来衡量辨 图5 Wiener模型 识精度。 4.2应用 BFOPSO辨识 Wiener模型 y()-;(2 对于式(6)的优化问题,令x=,粒」维数D=4,适应度 RMSE=A/=1 (10) 函数F(k)=J(k)。 BFOPSO算法辨识 Wiener模型的具体步骤其中:M是验证用的数据量,取M=200;y(j)、y(j是第j个过 如下 程输出测量值和估计值。 a)参数设置,并产生均匀分布的白噪声e(k) 表3 BFOPSO算法对 Wiener模型的辨识结果 b)设置个体位置范围X和X,迭代次数k=0,初始种群 b c teration x(0)(i=1,2,…,M)随机产生,X(0)=+rand×(x-x); 1.26870.51390.46531.95180.370 c)计算初始代每个个体的适应度F(0),得到最优适应值 0.70030.99150.50160.00350 0.70010.99970.50022.19F-004 F和最优个体xa; 1.50000.70001.0000.50001.96E-005100 表4各算法对 Wiener模型的辨识结果比铰 知群数量 QI PSO A SPSO DDPSO SAPSO ACMPSO BFOPSO min9.1767E-0037.3585E-0048.1343E-0046.8335E-0045.2345E-0047.0746E-0048.1750E-005 4.6000E-003 031.5000E-0031.4000E-0032.5100E-0038.7836E-0035.100E-004 dey2.1820E-0022.18C0E-0022.9400E-0022.7400E-0024.0800E-0032.4168E-0031.1000E-003 in7.7815E(047.0llOE0057.158IE0056.7187E0057.8874E0053.2800E0056.1726E006 ave 4.40F-0046.63120F.-0042.4546F-0041.5800F-0044.864lF-0041.50 dey3.5016E-C021.7300E-0032.1336E-0031.73l5E-0033.3500E-0032.2402E-0039.2100E-004 由表3可见,BOSO算法能准确地收敛到参数的真实参考文献 值,充分显示了应用 BFOPSO辨识方法的有效性和可行性。由 表4可见,与其他改进算法的结果相比较, BFOPSO算法能更 [1 KENNEDY J, EBERHART R C. Particle swarm optimization[C// 精确地得到真实值,同时算法更为稳定可靠,且随着和群数量 Proe of Intelligence Conference on Neural Networks. Piscataway 的增加,算法的精度也随着增加 IEEE PIes,1995:1942-1948 [2]SHI Yu-hui, EBERHART R C. Empirical study of particle swarm op- 5结束语 timization[C// Proe of IEEE Congress on Evolutionary Computation 木文融合BFO算法和粒子群算法的优点,引入鲶鱼效应, Washington: IEEE Press, 1999: 1945-1950 提出的BOSO算法,不仅在对测试函数仿真实验,并在类[3]王俊伟,汪定伟粒子群算法中惯性权重的实验与分所[刀系统 工业过程中模型结构已知的可描述成 Wiener模型的非线性系 工程学报,2005,20(2):194-198 统中进行参数估计。仿真结果表明,本文提出的BωO算法[4]张顶学,关治洪,刘新芝.一神动态改变惯性权重的自适应粒子群 与其他几种改进的PSO算法相比,收敛速度和收敛精度都得 算法[J.控制与决策,2008,23(11):1253-1257 到提升 (下转第3343页) 第11期 顾鑫,等:数字标准平台中海量时空小文件合并策略研究 3343 HAR来说,更进一步减小了内存的开销。 在存储同样大小和数量的小文件情况下,与传统的HDFS和 3.3.2文件读取测试 HAR归档技术相比,本文所提的方法有效地降低了 Name node 根据网络应用示范平台所提供的应用,通过 HDfs Clent的内存消耗,并明显地提高了系统的读取效率。 客户端读取3.96GB包含1000文件的测试数据集,统参考文献: 计各自的读取速度,实验结果如图6所示。 [Ⅰ李德仁,李清泉,谢智颖,等.论空间信息与移动通信的集成应用 M 1 40 →统HDF5 [J].武汉大学学报:信息科学版,200)2,27(1):1-8. ▲本文算法 本文算法 100 [2」张丰.面向网格的海量时空数据访问、集成和互挟作研究[D]. 杭州:浙江大学,2007:17-18 L3」马灿,孟丹,能劲,等.曙光星云分布式文件系统:海量小文伫夺取 02000400006000080000100000 [J.小型微型计算丌系统,2012,33(7):1481-1488 文件数 并发用户数 [4 GHEMAWAT S, GOBIOFF H, LEUNG ST. The Google file system 图5 Namenode内存占用大小 图6读取速度测试 [C]//Proc of the 19th ACM Symposium on Operating Systems Princi 从图6中很明显地可以看出,在读取速度上,本文提出的 ples. New York: ACM Press, 2003: 29-43 算法要远远优于传统的HDFS和HAR归档技术。首先,对于[5]余思,桂小林,黄汝雏,等,一种捉高云存储中小文件存储效率的 不作任何合并的传统HDFS,每请求一个小文件都要先访问 方笑[J.西安交通大学学报,2011,45(6):59-60. Name Node获取元数据信息,再根据该信息联系数据节点Data-「61 Amazon, Amazon simple storage service( Amazon-s3)「EB(OL Node读取文件数据,过多的小文件导致元数据检索复杂,增加 (2009).http://www.amazoncom/en/83/ [7」 WBITE T. Hadoop权威指闽M].周敏奇,钱卫宁,仑浟清,等译 读取时间,而且相对于文件自身少量的数据传输所消耗的时 2版.北京:清华大学出版社,2011 间大部分时间都花在了系统开销上。其次,Had∞p自带的18」moo. adop archives guidel eB/(oL.(2011.hp:/hd HAR归档技术,是一个高效的将小文件放人HDFS块中的文 apache ory/doc/r1. 2. 1/hadoop_archives. html 件存档工具,它能够将多个小文件打包成一个HAR文件,有着[9 Hadoop Wiki. Sequencefile[ eB/OL.(2011).htp://wlk.ap 很高的存储效率,但是在文件的读取上,并没有考虑到文件之 ache. org/hadoop/'SequeneeFile 间的相关性,当连续读取几个相关联小文件不在同个HAR[0ENER., Pro Hadoop[ M. New York: Apress,019 文件中时,客户端就会与 Name Node和 Data node频繁通信,极[1 I JIANG Liu,Bin, SONG Mei-na. The optimization of HDFS based on small files[C// Proe of the 3rd IEEE International Conference on 大地影响了数据的读取速度。本文提到的合并算法是在分析 Broadband Network and Multimedia Technology. 2010: 912-915 用户访间规律和文件自身相关的基础上进行的,把相关联的文[12] DONG BC, ZHENG Qing-hua,TA、keng,ctal. An optimized a 件尽可能地合并到了一起,有效地提高了系统的读取速率。 proach for storing and accessing small files on cloud slorage[J]. Jour nal of Network and Computer Applications, 2012, 35 (6): 1847- 4结束语 1862. [13]泰冬雪.基于 Ha tloop的海量小文件的处理方法的研究[D].沈 木文针对该问题,创新性地提出了将用户的访问规律与文 阳:辽宁大学,2011:28-29 件自身属性相结合这一方案,把用户的访问看成是一个连续的[14]LUxu-hui, han Ji-zhong, ZHONG Y un-qin. Implementing Web 数据请求序列,并利用数据自身的属性参数化该请求序列。但 IS on Hadoop: a case study of improving small file I/O performance 是仅仅简单地参数化表示该请求序列,并不能很好地发现访问 on HDFS [C] //Proc of IEEE International Conference on Cluster 规律和薮据文件之间的相关性;为此,本文又进一步把文件自 Computing and Workshops. 2009: 1-8 身属性的变化看成该序列的一个特征,通过特征提取将原始的[15] DUNG Bo,QUJc, ZHENG Qing-hua. A novel approach to impro ving the efficiency of storing and accessing small files on Hadoop 数据请求序列映射到一个新的特征空间.构建成所要分析的特 case study by powerpoint files[ c]//Proc of the 7th IEEE Internatio- 征序列;然后利用序列模式挖掘 Prefix span算法,找到若干个 nal Conference on Services Computing. 2010: 65-72 匹配不同访问模式下的最佳模板,将这些特征模板映射到最初116」 The apache software foundation. Hadoop LeB/OL」.(2009).htp:// 的数据请求序列,从而合并相关数据文件。实验结果表明, hadoop apac he ory/core/ (上接第3339页) [12]黄利,社伟伟,丁立新.基于 Signor惯性重自适应调整的粒子 [5]胥小波,郑康锋,李丹,等,訢的泥沌粒子群优化算汰[J.通信学 群优化算決[J].计算杌应用研究,2012,29(1):32-34 报,2012,33(1):24-30. [13]赵付青,唐建新,张秋余。一种带有递减扰动项的粒子群优化算法 [段玉红,高岳林.基于差分演化的粒子群算法[冂].计算机仿真, [J].兰州理工大学学报,2011,37(6):88-93 2009,26(6):1326-1339 [I4]王星惇,李本威,李泽辉,等,一种基亍生物趋化的改选粒子彩算 [7〗李季,孙秀霞,李士波,基于遺传交又因子的改进粒子群优化算法 法[J].海军航空工程学院学报,2012,27(1):89-9 「J.计算机工程,2008,34(2):81-183 「I5]高尚,杨静宇,吴小俊,等.基于模拟退火算法思恚的粒子群优化 [8]李辉,禁忌粒子群算法[J].陕西理工学院学报:自然科学版, 算法「J.计算机应用与软件,2005,22(1):103-104 2011,27(1):85-90 [9 LIANG I L, QIN A K, SLGANTHAN P N, et al. Comprehensive [16]张朝龙,余春日,江善和,等,基于自适应云粒子群算法的 Wiener learning particle swarm optimizer for global optimization of multimodal 模型辨识[J].计算杌应用研究,2012,29(l1):4041-4044 functions[ J. IEEE Trans on Evolutionary Computation, 2006 [17]张艳,李少运,王笑波,等.基于粒子群优化的 Wiener模型辨识与 10(3):281-295 实例研究LJ」.控制理论与应用,2006,23(6):149-15 lo] PASSINO KM. Biomimiery of bacterial foraging for distributed opti-.[I8]沈佳宁,孙悛,须文波运用QPSO算法进行系统辨识的研究[冂 mization and controlL. EEE Control Systems Magazine, 2002 计算机工程与应用,2009,45(9):67-70 [19 HATANAKA T, UOSAKT K, KOGA M. Evolutionary r amputation [11 CHUANG L Y, TSAI S W, YANG C H Catfish particle ewarm opti approach to Wiener model identification[ C//Proe of IEEE Congres mization[C//Proc of IEEE Swarm Intelligence Symposium 2008 on Evolutionary Computation. 2002

...展开详情
img

关注 私信 TA的资源

上传资源赚积分,得勋章
    最新推荐