基于粒子群優(yōu)化算法的非線性系統(tǒng)參數估計.pdf

1、汕頭大學碩士學位論文基于粒子群優(yōu)化算法的非線性系統(tǒng)參數估計I摘要非線性系統(tǒng)回歸分析中的參數估計，是指在實際問題中非線性系統(tǒng)的形式己知，但其中參數未知，即已知隨機變量的一組樣本值，希望通過樣本值來估計變量分布中的參數值。生長模型是典型的非線性系統(tǒng)，在很多領域都有應用：生物學，生態(tài)學，化學以及經濟領域等。在實際應用中，模型的選擇是關鍵，由于參數具備合理實際意義和對多樣性增長過程具有較強描述能力，Rids生長模型具有廣泛的應用。Rids模型是

2、一個包含四個未知參數的模型，不易獲得其參數估計。程毛林分別用了“三段法”、“四點法”、“最小二乘法”對Rids模型四個參數進行估計，然而求解過程過于依賴問題本身，且需求解聯(lián)立的超越方程組，雖然求解結果令人滿意，但這三種方法的求解結果各不相同，甚至差異很大。粒子群算法是一種應用很廣泛的智能演化算法，算法通過粒子追隨自己找到的最好解和整個群體的最好解來完成優(yōu)化，其主要的優(yōu)點是概念簡單、容易實現(xiàn)、可調整參數少并且能在較短的時間內產生高質量解。

3、用粒子群算法求解上述問題時，只需把待求解問題轉化為一個多維無約束優(yōu)化問題，并設置算法本身少量參數，然后由算法自行迭代，搜索最優(yōu)解。慣性權重是粒子群算法中最重要的可調參數，其作用是有效控制算法的收斂和探索能力。為了平衡算法全局及局部的搜索能力，本文針對慣性權重分別采用了凹函數遞減策略及線性遞減策略。此外，為了減小數據差異性對算法最優(yōu)解的影響，在歸一化互相關的意義下，本文重新構造了適應度函數。并將該改進算法應用于多元非線性回歸中的Rids模