Генетический алгоритм с резервной элитной популяцией в задачах идентификации и адаптивного оценивания

• Автор: Аль-Сабул Али Хуссейн Хасан
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Тула
• Количество страниц: 197 с. : ил.

СОДЕРЖАНИЕ
Введение
1. Современные подходы к решению задач идентификации и адаптивного
оценивания в линейных динамических системах
1.1. Задачи идентификации и адаптивного оценивания в линейных динамических системах
1.1.1. Общая постановка задачи идентификации динамических объектов
1.1.2. Постановка задачи корреляционной идентификации
1.1.3. Постановка задачи адаптивного оценивания состояния в линейных дискретных системах
1.2. Задачи адаптивной фильтрации при автосопровождении маневрирующих
целей
1.2.1. Общая постановка задачи трассового сопровождения целей в радиолокации
1.2.2. Расширенный фильтр Калмана для трассового сопровождения целей
1.2.3. Задача слежения за дальностью и скоростью цели
1.2.4. Калмановский фильтр для слежения за дальностью и скоростью цели
1.2.5. a-ß-фильтр для слежения за дальностью и скоростью цели
1.3. Задачи совместного оценивания параметров и состояния при косвенном контроле в электротермии
1.3.1. Особенности электротехнологических процессов в рудно-термических печах
4 1.3.2. Особенности управления процессами в рудно-термических печах
1.4. Методы эволюционных вычислений и генетические алгоритмы
1.4.1. Классические генетические алгоритмы
1.4.2. Классические генетические операторы
1.4.3. Особенности генетических алгоритмов с вещественным кодированием
1.4.4. Элитизм, параллелизм и гибридизация в генетических алгоритмах .
1.5. Выводы
2. Быстрый генетический алгоритм с резервной элитной популяцией в задачах
параметрической идентификации реального времени
2.1. Быстрый генетический алгоритм с резервной элитной популяцией
2.2. Параметрическая идентификация линейных динамических объектов в реальном времени с использованием быстрого генетического алгоритма
2.2.1. Постановка задачи
2.2.2. Имитационное моделирование процессов идентификации при квадратичной функции потерь
2.2.3. Имитационное моделирование процессов идентификации при модульной функции потерь
2.3. Корреляционная идентификация линейных динамических объектов с
использованием быстрого генетического алгоритма
2.3.1. Методика структурной и параметрической корреляционной идентификации
2.3.2. Имитационное моделирование процессов Корреляционной идентификации
2.4. Параметрическая идентификация нестационарных линейных
динамических объектов с использованием быстрого генетического алгоритма
2.5. Исследование вычислительных характеристик быстрого генетического
алгоритма
2.6. Выводы
3. Адаптивное автосопровождение маневрирующих целей с применением быстрого
генетического алгоритма с резервной элитной популяцией
3.1. Адаптивный а-Р-фильтр
3.1.1. Описание алгоритма
3.1.2. Результаты имитационного моделирования
3.2. Адаптивный алгоритм на основе фильтра Калмана для слежения за дальностью до цели и скоростью ее движения
3.2.1. Описание алгоритма
3.2.2. Результаты имитационного моделирования
3.3. Адаптивный расширенный фильтр Калмана для трассового
сопровождения целей
3.3.1. Описание алгоритма
3.3.2. Результаты имитационного моделирования
3.4. Выводы
4. Совместное оценивание параметров и состояния в задаче косвенного контроля
электротермических процессов
4.1. Особенности алгоритмов совместного оценивания параметров и состояния
при их использовании в задачах косвенного контроля
4.2. Гибридный алгоритм совместного оценивания параметров и
состояния
4.3. Результаты имитационного моделирования процесса совместного
оценивания параметров и состояния с использованием гибридного алгоритма
4.4. Модель косвенного контроля электротермических процессов в фосфорной РТП типа РКЗ-80Ф
4.5. Результаты экспериментальной идентификации модели косвенного контроля электротермических процессов в фосфорной РТП типа РКЗ-80Ф
4.6. Выводы
Заключение
Литература
Приложение А
ПриложениеБ
ВВЕДЕНИЕ
Актуальность темы исследования и степень ее разработанности.
В настоящее время в связи с развитием техники и технологий сложность управляемых объектов в разрабатываемых, проектируемых и эксплуатируемых системах управления значительно возросла. Структура большинства современных объектов управления такова, что их точное математическое описание либо отсутствует, либо изменяется в достаточно широких пределах. В таких условиях неполнота информации о математической модели накладывает значительные ограничения на используемые методы синтеза управлений. Для решения задач управления в таких условиях неопределенности предназначены системы управления на основе робастных и адаптивных подходов, позволяющих повысить надежность систем, а также снизить технологические требования при их проектировании и эксплуатации.
Необходимость поддержания работоспособности систем в условиях априорной неопределенности, а также плавных или резких (непредвиденных) изменений параметров объектов привела к развитию большого числа разнообразных численных методов, сейчас обычно называемых «классическими» алгоритмами идентификации. Большой вклад в развитие «классических» методов идентификации внесли многие зарубежные и отечественные ученые, такие как Андриевский Б.Р. и Фрадков А.Л. [13], Гроп Д. [36], Ивахненко А.Г. [44], Йзерман Р. [45], Куо Б. [50], Красовский А.А. [89], Ли Р. [55], Лыонг Л. [57], Райбман Н.С. [74,95], Растригин Л.А. [75], Саридис Дж. [82], Сейдж Э.П. и Мелса Дж.Л. [84, 85], Стрейц В. [91], Цыпкин Я.З. [112], Эйкхофф П. [114] и др.
В настоящее время большинство промышленных регуляторов осуществляют управление по выходу, а не по состоянию. Однако, известно, что модальные регуляторы, использующие информацию о состоянии объекта, обладают более широкими возможностями коррекции динамики замкнутой системы управления, чем регуляторы по выходу (например, классические Г1ИД-регуляторы), и поэтому в целях улучшения динамики замкнутой системы возникает необходимость восстановления состояния объекта в режиме функционирования системы управления [13, 39, 45, 50, 55, 60, 69, 70, 82, 103, 132].

10000 ~"
8000---'
6000-"'

4000-"'

2000 — "'

Рисунок 1.5 - Взаимосвязь между сферическими и Декартовыми координатами движения цели
1.2.2. Расширенный фильтр Калмана для трассового сопровождения целей
Поскольку уравнение (1.40) является нелинейным, то для решения сформулированной выше задачи может быть использован один из нелинейных фильтров, например, расширенный фильтр Калмана, который обеспечивает получение упрежденных и сглаженных оценок координат цели с использованием модели (1.39)-(1.40). При этом сам алгоритм фильтрации может быть представлен следующей последовательностью этапов вычислений на каждом (к+1)-м шаге измерений РЛС [14,49, 97].
1. Одношаговое предсказание (упреждение) вектора состояния:
Хр(к+1) = Р(к)Х5(к). (1.42)
2. Ковариация ошибок одношагового предсказания вектора состояния: