群智能优化算法及其在分数阶系统参数辨识中的应用研究
发布时间：2023-06-01 00:14
群智能优化算法是一类通过模拟自然界生物种群的智能行为而产生的随机优化算法,具有对目标函数的要求不高、不依赖于初值的选取等特点,为许多领域中的优化问题提供了卓有成效的解决方案.目前,已经提出了多种新兴或改进的群智能优化算法,其中一些算法的有效性不仅在理论上得到了验证,在实际中也得到了应用,但是对群智能优化算法的研究在很多方面仍存在可以提升的空间.例如,如何在算法的探索能力和开发能力之间达到较好的平衡仍是一个值得探讨的问题.另外,有些算法在解决实际问题时存在计算精度不高、收敛速度慢或易于陷入局部最优等问题,提出相应的改进算法具有重要意义.此外,已提出的优化算法通常是针对某个特定问题而设计的,当将其应用到其他问题时存在失去效力的风险,具有一定的局限性,因此,采用具有不同复杂特性的测试函数来综合评判算法的优化性能很有必要.另一方面,分数阶系统的参数辨识问题是非线性系统的控制与同步领域中非常重要的一个研究课题,可以通过建立数学模型将其转化为一个多维优化问题,然而由于分数阶微分算子的引入和非线性系统的复杂性,构造的适应度函数可能存在多个局部极值点,传统的优化算法往往难以处理,而原始的群智能优化算法...
【文章页数】：160 页
【学位级别】：博士
【文章目录】：
致谢
摘要
ABSTRACT
第一章 绪论
1.1 优化问题与优化算法概述
1.1.1 优化问题及其分类
1.1.2 优化算法的研究现状
1.2 群智能优化算法概述
1.2.1 群智能优化算法的发展历程
1.2.2 群智能优化算法的研究现状
1.3 分数阶系统参数辨识的研究现状
1.3.1 混沌控制与同步概述
1.3.2 整数阶非线性系统的参数辨识方法
1.3.3 分数阶非线性系统的参数辨识方法
1.4 本文的主要工作
1.4.1 本文的研究内容
1.4.2 本文的组织结构
第二章 基础知识
2.1 布谷鸟搜索算法
2.1.1 布谷鸟搜索算法的启发背景
2.1.2 布谷鸟搜索算法的原理
2.1.3 布谷鸟搜索算法的研究现状
2.2 其他几种常见的群智能优化算法
2.2.1 蚁群优化算法
2.2.2 粒子群优化算法
2.2.3 人工蜂群算法
2.3 分数阶微积分概述
2.3.1 分数阶微积分的定义和性质
2.3.2 分数阶微分方程的数值解法
2.4 基于优化方法的分数阶系统的参数辨识
2.4.1 整数阶非线性系统的参数辨识模型
2.4.2 分数阶非线性系统的参数辨识模型
2.4.3 群智能优化算法对系统未知参数的辨识
第三章 基于混合布谷鸟搜索算法的整数阶非线性系统的参数辨识
3.1 引言
3.2 混合布谷鸟搜索(HCS)算法
3.2.1 基于差分进化的随机游走
3.2.2 反向学习方法
3.2.3 HCS算法的操作步骤
3.3 数值实验及结果分析
3.3.1 无时滞混沌系统的参数辨识
3.3.2 时滞混沌系统的参数辨识
3.3.3 HCS算法组成部分有效性的测试
3.4 本章小结
第四章 基于改进的量子行为粒子群优化算法的分数阶系统的参数辨识
4.1 引言
4.2 量子行为粒子群优化算法简介
4.2.1 量子行为粒子群优化算法的启发背景
4.2.2 量子行为粒子群优化算法原理
4.3 改进的量子行为粒子群优化(IQPSO)算法
4.3.1 基于适应度值的平均最优位置
4.3.2 推广的反向学习方法
4.3.3 差分变异算子
4.3.4 IQPSO算法的操作步骤
4.4 数值实验及结果分析
4.4.1 不同阶次分数阶经济混沌系统的参数辨识
4.4.2 不同阶次分数阶R¨ossler混沌系统的参数辨识
4.5 本章小结
第五章 基于参数自适应的新型布谷鸟搜索算法的函数优化及应用
5.1 参数自适应的新型布谷鸟搜索(CSAPC)算法
5.1.1 CSAPC算法的思想
5.1.2 CSAPC算法的操作步骤
5.2 数值实验及结果分析
5.2.1 测试函数和参数设置
5.2.2 参数自适应策略对CS算法的有效性研究
5.2.3 维数对CSAPC算法的影响研究
5.2.4 种群大小对CSAPC算法的影响研究
5.2.5 与其他CS改进算法的对比
5.2.6 与其他不同优化算法的对比
5.2.7 优化CEC2013测试函数集的实验结果
5.3 CSAPC算法及其改进算法在分数阶系统参数辨识中的应用
5.3.1 CSAPC算法对分数阶混沌系统未知参数的辨识
5.3.2 改进的CSAPC算法对分数阶生物系统未知参数的辨识
5.4 本章小结
第六章 基于带有外部存档的自适应布谷鸟搜索算法的函数优化及应用
6.1 带有外部存档的自适应布谷鸟搜索(ACS-OEA)算法
6.1.1 ACS-OEA算法的思想
6.1.2 ACS-OEA算法的操作步骤
6.2 数值实验及结果分析
6.2.1 测试函数和参数设置
6.2.2 搜索趋势的研究
6.2.3 所提出策略对CS算法的有效性研究
6.2.4 维数对ACS-OEA算法的影响研究
6.2.5 与其他CS改进算法的对比
6.2.6 与其他不同优化算法的对比
6.2.7 优化CEC2013测试函数集的实验结果
6.3 ACS-OEA算法在分数阶忆阻器系统参数辨识中的应用
6.4 本章小结
第七章 对布谷鸟搜索算法中概率分布函数的分析
7.1 引言
7.2 基于不同重尾分布的布谷鸟搜索算法
7.2.1 几种常见的重尾分布
7.2.2 算法步骤
7.3 数值实验及结果分析
7.3.1 测试函数和参数设置
7.3.2 不同重尾分布对CS算法的影响研究
7.3.3 维数对算法的影响研究
7.4 本章小结
第八章 结论与展望
8.1 结论
8.2 展望
参考文献
作者简历及攻读博士学位期间取得的研究成果
学位论文数据集
本文编号：3826285
【文章页数】：160 页
【学位级别】：博士
【文章目录】：
致谢
摘要
ABSTRACT
第一章 绪论
1.1 优化问题与优化算法概述
1.1.1 优化问题及其分类
1.1.2 优化算法的研究现状
1.2 群智能优化算法概述
1.2.1 群智能优化算法的发展历程
1.2.2 群智能优化算法的研究现状
1.3 分数阶系统参数辨识的研究现状
1.3.1 混沌控制与同步概述
1.3.2 整数阶非线性系统的参数辨识方法
1.3.3 分数阶非线性系统的参数辨识方法
1.4 本文的主要工作
1.4.1 本文的研究内容
1.4.2 本文的组织结构
第二章 基础知识
2.1 布谷鸟搜索算法
2.1.1 布谷鸟搜索算法的启发背景
2.1.2 布谷鸟搜索算法的原理
2.1.3 布谷鸟搜索算法的研究现状
2.2 其他几种常见的群智能优化算法
2.2.1 蚁群优化算法
2.2.2 粒子群优化算法
2.2.3 人工蜂群算法
2.3 分数阶微积分概述
2.3.1 分数阶微积分的定义和性质
2.3.2 分数阶微分方程的数值解法
2.4 基于优化方法的分数阶系统的参数辨识
2.4.1 整数阶非线性系统的参数辨识模型
2.4.2 分数阶非线性系统的参数辨识模型
2.4.3 群智能优化算法对系统未知参数的辨识
第三章 基于混合布谷鸟搜索算法的整数阶非线性系统的参数辨识
3.1 引言
3.2 混合布谷鸟搜索(HCS)算法
3.2.1 基于差分进化的随机游走
3.2.2 反向学习方法
3.2.3 HCS算法的操作步骤
3.3 数值实验及结果分析
3.3.1 无时滞混沌系统的参数辨识
3.3.2 时滞混沌系统的参数辨识
3.3.3 HCS算法组成部分有效性的测试
3.4 本章小结
第四章 基于改进的量子行为粒子群优化算法的分数阶系统的参数辨识
4.1 引言
4.2 量子行为粒子群优化算法简介
4.2.1 量子行为粒子群优化算法的启发背景
4.2.2 量子行为粒子群优化算法原理
4.3 改进的量子行为粒子群优化(IQPSO)算法
4.3.1 基于适应度值的平均最优位置
4.3.2 推广的反向学习方法
4.3.3 差分变异算子
4.3.4 IQPSO算法的操作步骤
4.4 数值实验及结果分析
4.4.1 不同阶次分数阶经济混沌系统的参数辨识
4.4.2 不同阶次分数阶R¨ossler混沌系统的参数辨识
4.5 本章小结
第五章 基于参数自适应的新型布谷鸟搜索算法的函数优化及应用
5.1 参数自适应的新型布谷鸟搜索(CSAPC)算法
5.1.1 CSAPC算法的思想
5.1.2 CSAPC算法的操作步骤
5.2 数值实验及结果分析
5.2.1 测试函数和参数设置
5.2.2 参数自适应策略对CS算法的有效性研究
5.2.3 维数对CSAPC算法的影响研究
5.2.4 种群大小对CSAPC算法的影响研究
5.2.5 与其他CS改进算法的对比
5.2.6 与其他不同优化算法的对比
5.2.7 优化CEC2013测试函数集的实验结果
5.3 CSAPC算法及其改进算法在分数阶系统参数辨识中的应用
5.3.1 CSAPC算法对分数阶混沌系统未知参数的辨识
5.3.2 改进的CSAPC算法对分数阶生物系统未知参数的辨识
5.4 本章小结
第六章 基于带有外部存档的自适应布谷鸟搜索算法的函数优化及应用
6.1 带有外部存档的自适应布谷鸟搜索(ACS-OEA)算法
6.1.1 ACS-OEA算法的思想
6.1.2 ACS-OEA算法的操作步骤
6.2 数值实验及结果分析
6.2.1 测试函数和参数设置
6.2.2 搜索趋势的研究
6.2.3 所提出策略对CS算法的有效性研究
6.2.4 维数对ACS-OEA算法的影响研究
6.2.5 与其他CS改进算法的对比
6.2.6 与其他不同优化算法的对比
6.2.7 优化CEC2013测试函数集的实验结果
6.3 ACS-OEA算法在分数阶忆阻器系统参数辨识中的应用
6.4 本章小结
第七章 对布谷鸟搜索算法中概率分布函数的分析
7.1 引言
7.2 基于不同重尾分布的布谷鸟搜索算法
7.2.1 几种常见的重尾分布
7.2.2 算法步骤
7.3 数值实验及结果分析
7.3.1 测试函数和参数设置
7.3.2 不同重尾分布对CS算法的影响研究
7.3.3 维数对算法的影响研究
7.4 本章小结
第八章 结论与展望
8.1 结论
8.2 展望
参考文献
作者简历及攻读博士学位期间取得的研究成果
学位论文数据集
本文编号：3826285
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3826285.html