基于反馈学习粒子群算法的极值搜索控制

上海交通大学学报（自然版） ›› 2012, Vol. 46 ›› Issue (12): 1962-1966.

• 自动化技术、计算机技术 • 上一篇下一篇

基于反馈学习粒子群算法的极值搜索控制

董方, 谢磊, 张建明

(浙江大学工业控制技术国家重点实验室，智能系统与控制研究所，杭州 310027)

收稿日期:2012-05-15 出版日期:2012-12-29 发布日期:2012-12-29
基金资助:
国家自然科学基金资助项目（60974100； 61134007； 60904039）

Extremum Seeking Control Based on Feedback Learning Particle Swarm Optimization Algorithm

DONG Fang, XIE Lei, ZHANG Jian-Ming

(State Key Laboratory of Industrial Control Technology, Institute of CyberSystems and Control,Zhejiang University, Hangzhou 310027, China)

Received:2012-05-15 Online:2012-12-29 Published:2012-12-29

摘要/Abstract

摘要： 将基于反馈学习的粒子群 (Feedback Learning Particle Swarm Optimization,FLPSO) 算法引入极值搜索控制中，并且应用经典跟踪参考信号的方法，进一步改善极值搜索控制的性能.仿真结果显示，算法使系统控制输出平稳，并且系统性能输出快速渐进收敛到最优值，改善了基于格拉姆矩阵设计的极值搜索控制算法中存在的输出震荡问题.

关键词: 粒子群优化, 极值搜索控制, 性能输出震荡

Abstract: This paper brought the feedback particle swarm optimization algorithm(FLPSO) into the extremum seeking control(ESC), applied the idea of tracking problem which was first introduced into ESC by Zhang, and improved the performance of ESC. According to the simulation, the output of the control becomes relatively stable and the output of the performance function converges to optimum rapidly. The algorithm improves the problem of output function oscillation existed in the algorithm combined with Gramm method. Key words：

Key words: particle swarm optimization (PSO), extremum seeking control, performance output oscillation

中图分类号:

TP 273

董方, 谢磊, 张建明. 基于反馈学习粒子群算法的极值搜索控制[J]. 上海交通大学学报（自然版）, 2012, 46(12): 1962-1966.

DONG Fang, XIE Lei, ZHANG Jian-Ming. Extremum Seeking Control Based on Feedback Learning Particle Swarm Optimization Algorithm [J]. Journal of Shanghai Jiaotong University, 2012, 46(12): 1962-1966.

参考文献

［1］Kennedy J, Eberhart R. Particle swarm optimization［C］∥IEEE International Conference on Neural Networks. Perth, Australia:IEEE, 1995: 19421948.
［2］Parsopoulos K E, Vrahatis M N.Parameter selection and adaptation in unified particle swarm optimization［J］. Mathematical and Computer Modelling, 2007, 46(12): 198213.
［3］Mendes R, Kennedy J, Neves J. The fully informed particle swarm: Simpler, maybe better［J］. IEEE Transactions on Evolutionary Computation, 2004, 8(3): 204210.
［4］Liang J, Qin A K, Suganthan P N, et al. Comprehensive learning particle swarm optimizer for global optimization of multimodal functions［J］. IEEE Transactions on Evolutionary Computation, 2006,21(2): 281295.
［5］Zhan Z H, Zhang J, Li Y, et al. Adaptive particle swarm optimization, systems［J］.IEEE Transactions on Man, and Cybernetics, Part B: Cybernetics, 2009,39(6): 13621381.
［6］Tang Y, Wang Z, Fang J. Feedback learning particle swarm optimization［J］. Applied Soft Computing, 2011,11(8): 47134725.
［7］Zhang C L, Ordóez R. Robust and adaptive design of numerical optimizationbased extremum seeking control［J］. Automatica, 2009, 45(3): 634646.
［8］Jiang M, Luo Y P, Yang S Y. Stochastic convergence analysis and parameter selection of the standard particle swarm optimization algorithm［J］. Information Processing Letters, 2007, 102(1) : 816.
［9］Miroslav K, Wang H H. Stability of extremum seeking feedback for general nonlinear dynamic systems［J］. Automatica, 2000, 36(4): 595601.
［10］Zhang C L, Ordóez R. Extremum seeking control based on numerical optimization and state regulation  Part II: Robust and adaptive control design［C］∥2006 45th IEEE Conference on Decision and Control. San Diego, California: IEEE,2006, 44604465.
［11］Chen H, Kong L. Swarm intelligencebased extremum seeking control［J］. Expert Systems with Applications, 2011, 38(12): 1485214860.

[1]	蔡晖, 高伯阳, 祁万春, 吴熙, 谢珍建, 黄俊辉. “双碳”背景下线间潮流控制器多目标协调控制策略[J]. 上海交通大学学报, 2021, 55(12): 1608-1618.
[2]	丘文桢, 宋兴宇, 张新曙. 基于代理模型的三立柱半潜平台多目标优化[J]. 上海交通大学学报, 2021, 55(1): 11-20.
[3]	黄健，严胜刚. 未知声速下长基线系统定位修正算法[J]. 上海交通大学学报（自然版）, 2019, 53(3): 366-372.
[4]	王庆, 刘钊, 黄平华, 朱平. 白车身激光焊接过程的变形预测及几何补偿方法[J]. 上海交通大学学报, 2019, 53(1): 62-68.
[5]	江春冬1,2，王景玉1，杜太行1,2，郝静1,3，龙超1. 基于变分模态分解算法的单通道无线电混合信号分离[J]. 上海交通大学学报（自然版）, 2018, 52(12): 1618-1626.
[6]	陈小玲，茅旭初. 基于粒子群算法和平方根平淡卡尔曼滤波的北斗导航系统定位估计算法[J]. 上海交通大学学报（自然版）, 2017, 51(5): 592-.
[7]	刘园1，张在房1，姚迪2，褚学宁3. 基于多目标离散粒子群的产品服务系统方案配置规则提取[J]. 上海交通大学学报（自然版）, 2015, 49(08): 1123-1130.
[8]	姜恩宇1,2,昝鹏1,朱晓锦1,邵勇1. 基于粒子群优化的支持向量机用于直肠感知功能重建[J]. 上海交通大学学报（自然版）, 2014, 48(02): 168-172.
[9]	周宣赤1, 白春华1, 王仲琦1, 林大超2. 粒子群投影寻踪算法在岩爆预测中的应用[J]. 上海交通大学学报（自然版）, 2012, 46(12): 1956-1961.
[10]	侯远杭, 胡玉龙, 王文全, 郭春雨, 王超. 船型方案优选的多目标群决策方法[J]. 上海交通大学学报（自然版）, 2012, 46(03): 385-389.
[11]	王超1, 2, 熊鹰2, 何苗1, 黄胜1. 粒子群算法在大侧斜螺旋桨侧斜分布优化中的应用[J]. 上海交通大学学报（自然版）, 2012, 46(03): 398-403.
[12]	张广明, 袁宇浩, 龚松建. 基于改进最小二乘支持向量机方法的短期风速预测[J]. 上海交通大学学报（自然版）, 2011, 45(08): 1125-1129.
[13]	吴一全, 张晓杰, 吴诗婳. 基于混沌弹性粒子群优化与基于分解的二维交叉熵阈值分割[J]. 上海交通大学学报（自然版）, 2011, 45(03): 301-0307.
[14]	陈碧仙, 金荣洪, 耿军平, 梁仙灵. 均匀邻接子阵的栅瓣抑制[J]. 上海交通大学学报（自然版）, 2011, 45(03): 340-0344.
[15]	杜刚，江志斌，刁晓娣,姚阳. 随机协同分解PSO优化的Takagi-Sugeno模糊神经网络临床路径变异处理 [J]. 上海交通大学学报（自然版）, 2010, 44(08): 1120-1124.

基于反馈学习粒子群算法的极值搜索控制

Extremum Seeking Control Based on Feedback Learning Particle Swarm Optimization Algorithm

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价