[发明专利]一种采用改进蚁群算法的热工过程模型参数辨识方法

摘要

本发明公开一种采用改进蚁群算法的热工过程模型参数辨识方法，包括以下步骤：确定系统辨识结构与待辨识参数、确定算法路径与初始信息素分布和循环迭代完成搜索。本发明在基本蚁群算法的基础上，针对热工过程做出几点相应改进，将辨识问题转化成为参数空间上的优化问题，使算法更加精确高效。在已知输入输出数据的基础上，在MATLAB软件上利用改进蚁群算法对整个参数空间进行高效并行的搜索，能够较快辨识出模型参数，达到精确建模的目的。

主权项

一种采用改进蚁群算法的热工过程模型参数辨识方法，其特征在于：包括如下步骤：(1)确定系统辨识结构与待辨识参数热工系统的目标函数为：$J\left(k\right)=\underset{k=1}{\overset{n}{\Σ}}{\[\hat{y}\left(k\right)-y\left(k\right)\]}^2---\left(1\right)$其中，为模型输出，y(k)为系统实际输出，k为时间；待辨识对象为具有纯延迟的高阶惯性对象，即：$\hat{G}\left(s\right)=\frac{K}{{(1+Ts)}^n}{e}^{-\mathrm{\τ}s}---\left(2\right)$其中，G(s)为待辨识对象，为估计模型，K为增益系数、T为时间常数、n为模型阶次，τ为迟延时间；$G\left(s\right)=\frac{y\left(s\right)}{u\left(s\right)}=\frac{L\[y\left(k\right)\]}{L\[u\left(k\right)\]},\hat{G}\left(s\right)=\frac{\hat{y}\left(s\right)}{u\left(s\right)}=\frac{L\[\hat{y}\left(k\right)\]}{L\[u\left(k\right)\]},$式中，L为拉普拉斯变换算子，u(k)为系统输入；(2)确定算法路径与初始信息素分布蚁群算法中的所有可行路径代表问题的所有可行解，对上述待辨识参数采用十进制编码，形成10×10的路径矩阵：设定各参数取值范围然后规划路径规模形成10×10矩阵：蚂蚁从矩阵左边出发向右前进，每一列选取一个节点，到达最右时所有经过节点组成该蚂蚁的路径；同时，路径矩阵中的每一个节点对应一个信息素含量，由此构成10×10的信息素矩阵；产生一批较优初始解，将每个解对应的信息素含量叠加起来，形成信息素的初始分布；(3)循环迭代完成搜索信息素矩阵初始化完成后，所有蚂蚁依次前进，蚂蚁在前进中由节点处的信息素大小选择路径下一节点，第k次迭代中选择概率函数为：$P_i\left(k\right)=\frac{{\mathrm{\τ}}_i^{\mathrm{\α}}(k-1)}{\underset{i=1}{\overset{10}{\Σ}}{\mathrm{\τ}}_i^{\mathrm{\α}}(k-1)}---\left(3\right)$式中，τ_i(k‑1)是节点i的信息素含量；α是表示信息素的重要程度系数；所有蚂蚁完成一次循环后，各路径上信息素量根据式(5)调整：其中，ρ为信息素蒸发系数，表示信息素在历次迭代过程中慢慢衰减，取值为(0,1)；Δτ_i表示节点i的信息素总增量；Δτ_i^j表示在本次循环中蚂蚁j留在节点i上的信息素增量；m表示蚂蚁的总个数；Q^j表示蚂蚁j所走路径对应的目标函数计算值，目标函数计算值越小，信息素释放的就越多；Q_min表示本次循环中所有Q^j的最小值；同时，对信息素分布做出交叉操作、变异操作和退火操作：蚂蚁在完成每次循环搜索之后，按上述各式更新信息素矩阵，通过不断迭代，算法最终找到全局最优解，使得式(1)中的J(k)最小。