1、 毕 业 设 计中文题目 基于混合仿生学群体优化算法设计与实现英文题目 Design and implementation of mixed groupbased on mixed group bionics optimizationalgorithm院 系： 计算机与信息工程学院年级专业： 软件金融工程姓 名：学 号：指导教师：职 称： 年 月摘要I摘 要针对人工鱼群算法（AFSA）局部寻优不精确和人工蜂群算法（ABC）收敛速率慢等问题，提出了一种具有改进算法，混合了人工蜂群和鱼群。为了使局部寻优跟精确。然后为了提高全局收敛性，我们在每个修改干扰频率。此外，我们使用一种更好的计算来确定和比较
2、两种不同的方案。实验证明该算法比原有的算法中算法都提高了准确和精确度。从而实现对 PID 神经元网络解耦控制算法进行实现。对于具有非线性、大迟滞、强耦合特点的多变量系统，在解耦控制中，研究人员很难找到理想方法解决控制中的问题。基于神经网络的 PID 控制。在强耦合的多输入多输出系统的比例，积分和微分参数在线自整定的神经网络PID 解耦控制器的基础上。关键词：人工鱼群算法(AFSA)；人工蜂群算法(ABC)；PID 神经元解耦控制算法ABSTRACTIIABSTRACTIn view of the artificial fish algorithm (AFSA) and local optimi
3、zation is not accurate and artificial swarm algorithm (ABC) problem such as slow convergence speed, puts forward a kind of improved algorithm, a mixture of artificial colony and fish. In order to make the local optimization with precision. Then in order to improve the global convergence, we modify a
4、t each frequency interference. In addition, we use a better calculation to determine and compare the two different solutions. Experimental results show the algorithm than the original 2 algorithm to improve the accuracy. So as to realize the PID neural network decoupling control algorithm is impleme
5、nted. With nonlinear, large delay, strong coupling characteristic of multi-variable system,the decoupling control, the researchers are hard to find an ideal way to solve the problem of control. PID control based on neural network. At the strong coupling of multiple input multiple output system propo
6、rtion, integral and differential parameters online self-tuning PID neural network decoupling controller based on.Key Words: Artificial fish algorithm (AFSA); the swarm algorithm (ABC); PID neuron decoupling control algorithm目录 III目 录第 1 章 引言 .11.1 研究背景 .11.2 研究意义 .11.3 研究现状 .21.4 研究内容 .2第 2 章 蜂群算法的原
7、理与实现 .32.1 蜂群算法 .32.1.1 基于蜜蜂采蜜行为蜂群算法 .42.2 PID 神经结构 .52.2.1 算法的实现步骤 .62.2.2 实验结果与分析 .72.3 蜂群算法的优缺点 .92.4 鱼群算法 .92.4.1 觅食行为 .102.4.2 聚群行为 .102.4.3 追尾行为 .102.4.4 实验结果与分析 .10第 3 章 基于改进混合仿生学的群体优化寻优算法 .133.1 PID 神经元网络结构 .133.2 算法实现步骤 .133.3 PID 神经网络的实现 .14第 4 章 实验结果与分析 .154.1 PID 控制在二种算法中的结果 .154.2 PID 神
8、经网络提供给对象的控制输入 .164.3 误差曲线 .17第 5 章 总结 .195.1 结论 .195.2 进一步工作的方向 .19参考文献 .20致 谢 .21第 1 章 引言1第 1 章 引言1.1 研究背景现如今科学技术的快速发展。大量生产问题都最终变为了对高维复杂函数求最优的问题，最要的难点在于函数复杂，规模大，维度高，非线性，容易陷入局部最优。最近 5 年来，智能群体算法的兴起为这一类问题求解开辟了新路线，其中，以人工蜂群（Artificial Bee Colony,ABC）算法最为明显，但是也存在问题，比如存在着早熟收敛，容易陷入局部极值，解的精度还不够等不足。为此，不少学者还提
9、出改进方案，比如说 Mansouri 等提出了 BABC（Bisection-ABC）算法 1，这算法结合了对分法（Bisection Method）和基本的人工蜂群算法，十分有效地对函数的固定点问题一类问题得到了求解。生物界中有许多只能群体智能生物，如蚂蚁，鸟，鱼等。单个个体只有简单的只能，但是多个个体组成的群体就远远超出了个体合起来的智能，它们会相互合作于相互的影响。随着人们对群体智能的关注，提出了具有较强适应性的许多优化算法，这为解决很多大型的问题提供了条件 2。就驱使了神经网络的进一步发展，人工智能这一领域急需大量的专业人才和科学家的投入。优化问题中经常遇到众多应用程序的核心工程师荷兰
10、国际集团设计经济学、统计物理、信息理论和计算机科学等。群英特尔方法在人工智能用于解决实际的优化问题。这是灵感来自社会的集体行为社会和其他动物。群体智慧有一些优点,如可伸缩性、容错、适应、速度、模块化、战略性和并行性。1.2 研究意义生产过程一般都是有顺序的，变量之间关系十分的庞大，也是十分的复杂。一个变量的变化，会影响多个变量的变化，这就是耦合。它是一种在生产过程中会有的一种现象，需要去掉这种关系的过程叫解耦 3。是二十多年来，是自动化领域中的一个火爆的研究方向。在很多领域，如军工、机械、轻工、化工、石油、钢铁等诸多领域。随着科学发展与许多学者的研究，生产正往大容量，高速的方向发展，要求的解耦
11、控制就也越来越复杂，需要的控制的方向加以解决。对未来的更多领域会产出出很重大的影响。让生产越来越智能。越来也快生产的质量也越来越好。本文侧重于设计一种定义逃逸半径指导早熟个体的逃逸方向，有效降低了个体逃逸的盲目性。与自然过程相关的老化和退化，往往导致增加发生故障。如果这些失败是不可避免的，他们可能会导致业务的增长成本、停止生产过程、最终引发严重事故。第 1 章 引言2由于这些原因，系统维护方法一直是几十年的重要研究课题。到如今，已经有针对不同的实际问题提出的成百上千的神经网络模型。并对这些神经网络模型的结构和功能进行不断地改进，使其在处理实际问题中更有效率，更为精确。另一方面，神经网络是一项新
12、兴的技术，处于一个发展阶段，其在理论模型的提出、算法设计与实现、运用于实际方面还需要不断探索，付出更多的努力。目前，许多国家的政府和企业已经发现了神经网络在未来发展的潜力，投入了大量的人力物力致力于这项研究。1.3 研究现状人工蜂群算法这么多年来，有了很多成果。也引起了很多科学家的聚集关注，尤其是，对算法提出了很多合理的猜想，虽然没有理论分析和数学证明，但也很大程度上推进了算法的发展于应用。1995 年在没过举办了第一届的国际群体只能研讨会之后每年都举办一次群体智能研讨会，这对学术上的交流于应用的发展大大的促进也发展。从提出几年来，改进是越来越多的，也更好地应用和服务越来越多的显示问题。越来越
13、多的学者选择群体优化的算法，也慢慢重视这些算法 4。本文侧重于设计一种新的启发式函数、个体逃逸的方式，避免路径规划陷入局部最优，同时有效的减少算法设计的时间，最后在 MATLAB(R2010b) 软件上进行计算机仿真实验证明。1.4 研究内容神经网络算法是处理 PID 解耦控制中一个重要算法，研究的基本内容包括如下：1、掌握神经网络的基本原理。2、掌握人工蜂群算法，人工鱼群算法，PID 解耦算法算法。3、对 2 种算法用 matlab 语言编写。4、修改和完善神经网络算法，尽量缩短神经网络训练时间并提高预测精度。5、分析改进的神经网络算法在不同情况下进行故障诊断预测的实验结果。6、对改进的神经
14、网络算法的试验结果进行分析总结。第 2 章 蜂群算法的原理与实现3第 2 章 蜂群算法的原理与实现2.1 蜂群算法一个完整的蜂群由工蜂、雄蜂、蜂王这三个部分组成，构成这三个部分分别代表了采蜜蜂，观察蜂，侦察蜂。蜂王是蜂群中唯一能繁衍出下一代的雌蜜蜂，它的寿命能达到 5-6 年之久，而一般的工蜂和雄蜂的寿命不到五分之一。体重是工蜂的 2倍。蜂王它是有任务的，它的任务是在于与不同的雄蜂的进行繁殖。工蜂由受精卵发育而来，个体最小，生殖器官不完全，没有繁殖能力，负责采蜜和照顾小型的幼封的工作，让蜂窝有条不紊。 5蜂王性成熟之后，它会带领一群雄蜂吹随其后，蜂王选择其中的一只进行交配，之后这个雄蜂会立马死
15、亡，但蜂王可以多次进行交配，直至采完飞回蜂窝进行产卵。为了减少死亡率蜂王会去找其他的蜂群中的雄蜂进行繁殖，刚开始的时候，蜂王会飞的很快，每一次交配,都会进行加速,速度太快会影响效率。当蜂王接近要死亡时，会在幼蜂中选择一只就能够当上蜂王的幼蜂产生就行新一代的蜂王，此时结束蜂王的一生，新的蜂王也开始原来一样的模式。蜂王进化过程也是一直在更新的过程。 6如图 2.1 所示，繁殖行为过程的图示：图 2.1 繁殖行为过程的图示第 2 章 蜂群算法的原理与实现42.1.1 基于蜜蜂采蜜行为蜂群算法如图 2.2 所示，生物界的蜂群都能较好的找到比较好的的蜜源。图 2.2 蜜蜂采蜜行为图示初始化种群是必须的也
16、是前提，初始化都是随机的，生成若干个个体组成初始群体对算法的全局化的解有很关键的步骤。没有一个好的初始化这样会让它的解的结合是否能够更好的生成，所以初始化需要注意。下面我将有这种方式初始化。 蜜蜂的函数优化问题，采蜜行为的对应关系如下：采蜜行为函数优化食物源 可行解食物源适应度 可行解质量寻找及觅食的速度 可行优化速度最大适应度 最优解第 2 章 蜂群算法的原理与实现5蜂窝中的一部分会作为去收集蜂蜜的蜜蜂由候选可行解的集合通过进化来得到比较好的那个一个解。 7由 N 个可行解的计算公式： (3.0)ijijdX计算每一个新蜂源的适应度，如果适应度跟高就采用那一个高的代替。 8搜索新蜂源的公式：
17、 () (2.)ijijijkjVX对每一个适应度大小呈现正比例的概率，选择一个蜂源对起进行领域搜索。其公式为： 1 (2.3)nffiitP2.2 PID 神经结构隐含层有 3N 个神经元，包括 N 个比例神经元,N 个积分神经元合 N 个微分神经元这些神经元的输入值相同，计算公式为： 21()() (2.4)sj ijnetkk比例神经元： 11()() (.5)ssuket积分神经元： 333()()1) (2.6)sssntku微分神经元：333()() (.7)sssuket输出层，包括一个神经元，完成网络的总输出功能，它的计算公式为：31()() (2.8)nijtxk其中 是上面的权重 神经元输出值。ij()sxk输出神经元的状态与比例元的状态函数相同，状态为：第 2 章 蜂群算法的原理与实现6()() (2.9)nsuket输出神经元的输出值 为：()sx1,() (3.0)siiftkf算法参数规定如图 2.3 所示：图 2.3 PID 控制算法参数2.2.1 算法的实现步骤步骤 1：初始化种群；步骤 2：侦测蜜蜂对食物进行探索；步骤 3：计算转移概率并进行角色转换步骤 4：跟蜂群依据概率同引蜂群一起对食物进行开采步骤 5：连续经过 limit 循环，解是否改善步骤 6：放弃该解，随机产生一个新解代替原有解算法流程图，如图 2.4 所示：
