应用速度变异粒子群的系统辨识方法研究

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (1): 31-34.

应用速度变异粒子群的系统辨识方法研究

徐小平^1,2,钱富才¹,王峰³

1.西安理工大学自动化与信息工程学院，西安 710048
2.西安理工大学理学院，西安 710048
3.西安交通大学理学院，西安 710049

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-01 发布日期:2008-01-01
通讯作者: 徐小平

Research on new method of system identification based on velocity mutation Particle Swarm Optimization

XU Xiao-ping^1,2,QIAN Fu-cai¹,WANG Feng³

1.School of Automation and Information Engineering，Xi’an University of Technology，Xi’an 710048，China
2.School of Sciences，Xi’an University of Technology，Xi’an 710048，China
3.School of Sciences，Xi’an Jiaotong University，Xi’an 710049，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-01 Published:2008-01-01
Contact: XU Xiao-ping

摘要/Abstract

摘要： 论文研究了一种利用粒子群优化（PSO）算法对系统模型进行辨识的新方法。该方法的基本思想是将典型的数学模型的相互组合而构成系统模型的新颖辨识方法，即首先将系统结构辨识问题转化为组合优化问题，然后采用粒子群优化算法同时实现了系统的结构辨识与参数辨识。为了进一步增强粒子群优化算法的辨识性能，提出了一种利用速度变异的粒子群优化（VMPSO）算法。最后，给出了仿真示例，其结果表明了所给的系统辨识方法的合理性和求解算法的有效性。

关键词: 系统辨识, 粒子群优化算法, 速度变异, 元模型, 组合优化

Abstract: A new method was researched for system model identification via Particle Swarm Optimization（PSO） in this paper.The basic idea of the method employs a system model composed with classical models so as to transform the system structure identification problem into a combinational problem.The PSO is then adopted to implement the identification on the system structure and parameters.In order to enhance the performance of the PSO identification，a Velocity Mutation Particle Swarm Optimization（VMPSO） algorithm is also presented.Finally，simulation results indicate the rationality of the novel identification method and the effectiveness of the solving algorithm.

Key words: system identification, particle swarm optimization, velocity mutation, meta model, combinatorial optimization

徐小平^1,2,钱富才¹,王峰³. 应用速度变异粒子群的系统辨识方法研究[J]. 计算机工程与应用, 2008, 44(1): 31-34.

XU Xiao-ping^1,2,QIAN Fu-cai¹,WANG Feng³. Research on new method of system identification based on velocity mutation Particle Swarm Optimization[J]. Computer Engineering and Applications, 2008, 44(1): 31-34.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[3]	陈展，公建宁，刘媛媛，徐京邦. 基于禁忌搜索的多AGV系统路径优化算法[J]. 计算机工程与应用, 2021, 57(10): 273-278.
[4]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[5]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[6]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[7]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[8]	郭世伟，孟昱煜，陈绍立. 改进的PSOGM算法在动态关联规则挖掘中的应用[J]. 计算机工程与应用, 2018, 54(8): 160-165.
[9]	胡震，邹德旋，张旭. R-dPSO算法及其在ATO控制策略中的应用[J]. 计算机工程与应用, 2018, 54(24): 212-220.
[10]	孙晶，李硕，赵会群. 基本路径测试用例自动生成的方法研究[J]. 计算机工程与应用, 2018, 54(20): 48-53.
[11]	何明慧1，徐怡1，2，王冉1，胡善忠1. 改进的粒子群算法优化神经网络及应用[J]. 计算机工程与应用, 2018, 54(19): 107-113.
[12]	常红伟1，夏克文1，2，白建川1，2，牛文佳1，武盼盼1. 采用云量子PSO的属性约简方法[J]. 计算机工程与应用, 2018, 54(10): 99-104.
[13]	杨小东，康雁，柳青，孙金文. 求解作业车间调度问题的禁忌分布估计算法[J]. 计算机工程与应用, 2017, 53(7): 147-153.
[14]	陈博文，蒋磊，刘潇文，张群. 基于混沌量子粒子群的FHN神经元UWB信号检测[J]. 计算机工程与应用, 2017, 53(6): 135-140.
[15]	南敬昌，田娜. 基于改进粒子群算法的模糊小波神经网络建模[J]. 计算机工程与应用, 2017, 53(3): 120-123.