[发明专利]非线性迟滞动力学模型参数识别的粒子群新算法

说明书

技术领域

本发明涉及非线性迟滞动力学模型参数识别的粒子群新算法，属于非线性迟滞系统参数识别、群智能算法的领域。

背景技术

迟滞特性作为一种非线性动力学特性，广泛存在于橡胶、压电陶瓷、磁流变等材料中。在对此类材料进行非线性动力学分析时，为了建立准确的动力学模型，需采用非线性迟滞动力学模型。非线性迟滞动力学模型能够准确模拟结构的非线性迟滞特性，但具有较多的模型参数，需要利用优化算法进行识别。由于非线性迟滞动力学模型的参数较多，彼此之间存在耦合，这使得对模型参数准确、快速识别的难度大大增加。

针对非线性迟滞动力学模型的特点，国内外提出了许多参数识别方法，如最小二乘法、遗传算法、帝国主义竞争算法、粒子群算法等。其中粒子群算法，由于具有收敛迅速、原理简单、易于实现的特点，被广泛运用于多目标优化、模式识别、信号处理、损伤识别等领域。但是标准粒子群算法作为一种随机搜索算法，容易陷入局部极值，发生早熟收敛，无法获得真正的最优解。为了克服标准粒子群算法的这些缺点，对标准粒子群算法的改进措施多集中于修改算法的惯性系数，引入新的机制，以及将标准粒子群算法同其他智能算法混合。

发明内容

发明目的：针对上述现有技术，提出一种非线性迟滞动力学模型参数识别的粒子群新算法，改进标准粒子群算法的收敛性能，保证粒子群算法在前期迭代过程中的全局寻优能力以及后期迭代过程中的局部寻优能力。

技术方案：非线性迟滞动力学模型参数识别的粒子群新算法，包括如下步骤：

步骤1，读入包含试验状态与迟滞回线在内的试验数据；

步骤2，初始化粒子群，将D个代表待识别参数的N维粒子随机布置在搜索域内；

步骤3，利用D个粒子的N维参数，调用非线性迟滞动力学模型的分析模块，计算全体粒子的迟滞回线；

步骤4，计算各个粒子的迟滞回线计算值与试验值之间的差距，利用适应度函数确定各个粒子的适应度值；

步骤5，通过将各个粒子的适应度值与各个粒子的历史最优适应度值以及全局最优适应度值比较，更新各个粒子的历史最优位置和粒子群的全局最优位置；

步骤6，利用步骤5中确定的各个粒子新的历史最优位置和粒子群新的全局最优位置，更新各个粒子的位置；

步骤7，当算法达到最大迭代步数时，输出识别结果，完成整个识别过程。

进一步的，步骤4所述迟滞回线计算值与试验值之间的差距，利用公式计算；其中，M为迟滞回线试验值的个数，ω_i为迟滞回线第i个试验值的权系数，为第i个试验值的纵坐标，为第i个试验值的横坐标处迟滞回线计算值的纵坐标。

进一步的，步骤4所述适应度函数为其中a为平移因子，b为缩放因子。

进一步的，所述平移因子a和缩放因子b的确定方法为：首先，利用标准粒子群算法对模型参数进行一次识别，确定适应度随迭代步的变化趋势，假设第1迭代步和最大迭代步J时，利用识别的模型参数计算得到的迟滞回线计算值与试验值之间的差距分别为e₁和e_J，缩放因子b等于(x₂-x₁)/(e₁-e_J)，平移因子a等于x₁-e_J(x₂-x₁)/(e₁-e_J)；其中[x₁,x₂]为区间，x₁∈[0.15,0.35]，x₂∈[2.5,4]。

有益效果：(1)本发明通过定义适应度函数改进了标准粒子群算法的收敛性能，保证了算法在前期迭代过程中的全局寻优能力以及后期迭代过程中的局部寻优能力，避免算法陷入局部极值，发生早熟收敛，无法获得真正的最优解。

(2)本发明能够实现对非线性迟滞动力学模型参数准确、快速地识别，可以广泛运用于各类非线性迟滞动力学模型的参数识别。

附图说明

图1是本发明的算法流程图；

图2是迟滞回线示意图；

图3是函数y＝1/x的示意图；

图4是NACA0012翼型的迎角-法向力系数迟滞回线；

图5是NACA0012翼型的适应度均值收敛曲线；

图6是滞弹位移场模型的应变-应力迟滞回线；

图7是滞弹位移场模型的适应度均值收敛曲线。

具体实施方式