10.10 差分进化算法的函数优化与参数辨识.ppt

10.10差分进化算法的函数优化与参数辨识10.10.1基于差分进化算法的函数优化利用差分进化算法求Rosenbrock函数的极大值(10.18)该函数有两个局部极大点，分别是f(2.048,-2.048)=3897.7342和f(-2.048,-2.048)=3905.9262，其中后者为全局最大点。采用实数编码求函数极大值，用2个实数分别表示两个决策变量x1,x2，分别将x1,x2的定义域离散化为从离散点-2.048到离散点2.048的Size个实数。个体的适应度直接取为对应的目标函数值，越大越好。即取适应度函数为。在差分进化算法仿真中，取F=1.2，CR=0.90，样本个数为Size=50，最大迭代次数G=30。按式(10.13)至式(10.17)设计差分进化算法，经过30步迭代，最佳样本为BestS=[-2048-2.048]，即当x1=-2.048，x2=-2.048时，函数具有极大值，极大值为3905.9。适应度函数F的变化过程如图10-12所示，通过适当增大F值及增加样本数量，有效地避免了陷入局部最优解，仿真结果表明正确率接近100%。差分进化算法函数优化仿真程序为chap10_6.m和chap10_6obj.m。图10-12适应度函数F的优化过程10.10.2基于差分进化算法的参数辨识利用差分进化算法辨识非线性静态模型参数：(10.19)辨识参数集为，真实参数为采用实数编码，辨识误差指标取:(10.20)其中N为测试数据的数量，yi为模型第i个测试样本的输出。首先运行模型测试程序chap10_7.m，对象的输入样本区间为[-4,4]之间，步长为0.10，由式（10.19）计算样本输出值，共有81对输入输出样本对。将待辨识的参数向量记为X，取样本个数为Size=200，最大迭代次数G=200，采用实数编码，四个参数的有哪些信誉好的足球投注网站范围均为[0,5]。在差分进化算法仿真中，取F=0.70，CR=0.60。按式式(10.13)至式(10.17)设计差分进化算法，经过200步迭代，辨识误差函数J的优化过程如图10-13所示。辨识结果为，最终的辨识误差指标为图10-13辨识误差函数J的优化过程