外文翻譯---遺傳算法在非線性模型中的應(yīng)用(參考版)
2025-05-17 08:36本頁面
【正文】 該模型驗(yàn)證的結(jié)果可以用來改進(jìn)作為反復(fù)的模型發(fā)展過程的一部分的遺傳算法。新的模型結(jié)構(gòu)必須同不同的數(shù)據(jù)集予以審定，從而用于優(yōu)化過程。一項(xiàng)建議，就如何選擇有效的步驟 和 PRBS 信號 以覆蓋整個頻率范圍，這個方法可能在高德費(fèi)和劉佳的論文中有所體現(xiàn)。 識別一個準(zhǔn)確的模型需要打的訓(xùn)練數(shù)據(jù)集。該系統(tǒng)必須對于線性系統(tǒng)在整個頻率范圍內(nèi)被激勵，但是它也一定要涵蓋系統(tǒng)中的任何非線性范圍。方框圖和基于表示法的方程在本文中被考慮隨著第三種混合表示法納入微分和差分算子成為一個基于代表性的方程式。 遺傳算法候選模型的代表性 非線性 連續(xù)時域動態(tài)模型可以采取一些不同 的形式。 這已經(jīng)被發(fā)現(xiàn)是一個穩(wěn)健而合理的有效率的數(shù)值優(yōu)化算法，參數(shù)估計(jì)階段可以被用來確定模型的其他部分的數(shù)值參數(shù)。這個簡單的探討搜索空間慢慢改變其形狀靠近了最佳的解決方案。當(dāng)其他的數(shù)字優(yōu)化技術(shù)結(jié)合起來時，模擬退火方法是特別有效的。如果一個參數(shù)變化，全面提升性能，它是能被接受的，如果它降低了性能，也是有一定概率的被接受的。隨著溫度的降低，運(yùn)動雖然是任意的，成為較少的振幅，并且只要溫度足夠慢地緩慢減少，原子就能使自己向最低的能源結(jié)構(gòu)運(yùn)動。而選定的做法是 NelderSimplex 和模擬退火方法的聯(lián)合，模擬退火的最優(yōu)化方法是類似于金屬冷卻的過程 。正因?yàn)槿绱?，基于梯度的方法也就不能使用了。在評估它的適當(dāng)?shù)膬r值前，有必要查明每一個非線性模型的數(shù)值參數(shù)。 參數(shù)估計(jì) 許多遺傳算法樹的節(jié)點(diǎn)包含有數(shù)值參數(shù)。無可避免地，有些候選模式會不穩(wěn)定，因此，仿真程序必須防止溢出的錯誤。在這個論文中平方誤差函數(shù)的和（等式（ 1））是用來描述所有工作的，雖然可以用很多其他的合適的函數(shù)來描述。每名候選人是綜合采用數(shù)值積分例行制作時間響應(yīng)。 程序模型結(jié)構(gòu)辨識 遺傳算法 的庫中的 每個成員 代表這個系統(tǒng)的候選人模型。結(jié)果發(fā)現(xiàn)，具體的非線性系統(tǒng)比如查表，如果非線性存在于動態(tài)系統(tǒng)中，那么其中所代表的物理現(xiàn)象只有被遺傳算 法運(yùn)算法則所選定。 函數(shù)庫根據(jù)應(yīng)用率和可能在這個系統(tǒng)辨識中期望的非線性模型的類型而改變。在這個研究中轉(zhuǎn)換率不會出現(xiàn)對系統(tǒng)調(diào)查很明顯的影響。 遺傳算法參數(shù)比如轉(zhuǎn)換率和群體大小要依據(jù)應(yīng)用而改變。作用交叉的數(shù)量是和庫的 總類相等的，也就是說交叉率是百分之百。 遺傳算法運(yùn)算規(guī)則 在這個研究中 ,應(yīng)用了一個比較穩(wěn)定的遺傳算法運(yùn)算規(guī)則。遺傳算法運(yùn)算規(guī)則是在函數(shù)庫的基礎(chǔ)上實(shí)現(xiàn)構(gòu)造和重建的，那種模型的單一和模仿的及恰當(dāng)?shù)耐嘶鸱椒ㄊ怯脕砉烙?jì)一個合適的函數(shù)如同方程（ 1）所示。 這些模型結(jié)構(gòu)逐漸發(fā)展成為遺傳算法運(yùn)算規(guī)則，使得包括模型和系統(tǒng)響應(yīng)之間的協(xié)調(diào)水平的適當(dāng)測量在內(nèi)的目標(biāo)函數(shù)最小化。在連續(xù)時間系統(tǒng)模型的辨識中，瑪倫巴赫、貝特哈慈和格雷研究了應(yīng)用方框圖導(dǎo)向仿真以達(dá)到遺傳算法最優(yōu)化問題，另外關(guān)于遺傳算法在非線性系統(tǒng)辨識中的應(yīng)用問題在格雷的另一片論 文中得以討論。 這些模型的參數(shù)可能通過被分離和更多完全的辨識過程的傳統(tǒng)狀態(tài)而估計(jì)出來。遺傳算法是通過效仿自然界的進(jìn)化去產(chǎn)生一個使一些目標(biāo)函數(shù)最大化（或最小化）的模型結(jié)構(gòu)，這些目標(biāo)函數(shù)包括模型 和系統(tǒng)響應(yīng)之間的協(xié)調(diào)水平的適當(dāng)測量。這樣的方法是如此耗時卻未達(dá)到最佳標(biāo)準(zhǔn)，可能只有這個過程的自動控制才能更快地從更大范圍的可能模型結(jié)構(gòu)中去研究。選擇模型通常是通過專家知識 和實(shí)驗(yàn)研究結(jié)合的試驗(yàn)和誤差逼近法從大量的候選模型中去選擇的。 英 文 翻 譯 2020 屆 電氣工程及其自動化 專業(yè) 0706073 班級 題 目 遺傳算法在非線性模型中的應(yīng)用 姓 名 學(xué)號 070607313 英語原文 ： Application of Geic Programming to Nonlinear Modeling Introduction Identification of nonlinear models which are based in part at least on the underlying physics of the real system presents many problems since both the structure and parameters of the model may need to be determined. Many methods exist for the estimation of parameters from measures response data but structural identification is more difficult. Often a trial and error approach involving a bination of expert knowledge and experimental investigation is adopted to choose between a number of candidate models. Possible structures are deduced from engineering knowledge of the system and the parameters of these models are estimated from available experimental data. This procedure is time consuming and suboptimal. Automation of this process would mean that a much larger range of potential model structure could be investigated more quickly. Geic programming (GP) is an optimization method which can
畢業(yè)設(shè)計(jì)相關(guān)推薦
鄂ICP備17016276號-1