基于混沌蟻群的神經網絡速度辨識器研究
加入技術交流群
蟻群算法的基本公式如下：
2.2混沌蟻群算法
混沌蟻群算法(CACO)是受到自然界螞蟻走行的混沌特點和整個種群的自組織特點的啟發。它利用混沌的遍歷性和隨機性等特點來將混沌擾動算子引入蟻群算法，并將帶有混沌特征的初始化變量線性映射到變量取值區間。該方法兼顧了混沌動態搜索和智能搜索的特點，可有效地避免搜索過程中陷入局部最優，從而達到提高算法速度和全局尋優的能力。
(1)混沌初始化
設τij(t)為t時刻路徑上的信息濃度，利用混沌運動的遍歷性進行混沌初始化。混沌變量選擇典型的混沌系統Logistic映射迭代公式如下：
式中，μ為控制參數，當μ=4時，Logistic完全處于混沌狀態，此時系統在[0，1]之間具有遍歷性。如果利用全排列理論將每個混沌變量對應于一條路徑，也就是為每條路段上的信息素濃度根據混沌量給定初始值τij(0)，就可以有效地解決基本蟻群算法收斂速度慢的問題。
(2)引入混沌擾動量
在蟻群算法中，如果螞蟻后從點i至某一點j，則在路徑ij上留下信息素τij(t)。螞蟻k在走完任意一路徑以后，將按式(5)更新該路徑上的信息素。可以看出，此更新方法在加快尋優的同時，卻容易陷入局部最優解。因此，在此處引入混沌擾動量來調整信息素，以使其避免陷入局部最優極值區間。改進后的式子為：
其中，Xij為混沌擾動量，可采用典型混沌系統Logistic映射得到，q為相關系數。
2.3 混沌蟻群算法的實現步驟
實現混沌蟻群算法的具體步驟如下：
Step1：初始化BP網絡結構，設定網絡的輸入層、隱含層、輸出層的神經元個數；
Step2：混沌初始化信息素濃度、個體最優和全局最優；
Step3：用公式(4)計算每只螞蟻的轉移概率；
Step4：根據每只螞蟻的轉移概率得出本次最優路徑并最優值比較，若更優，則更新最優值；
Step5：將每只螞蟻的最優值與整個蟻群的最優值相比較，若更優，則其將成為整個蟻群新的最優值；
Step6：更新并按公式(9)修改路徑ij上的信息素濃度；
Step7：比較次數是否達到預設的精度，若滿足預設精度，則最后一次迭代的全局最優值中每一維的權值和閾值就是所求的；否則返回step3，算法繼續迭代，直至滿足條件為止。
3基于DTC的系統仿真
3.1直接轉矩控制系統結構
直接轉矩控制(DTC)系統的結構原理如圖2所示。在α-β坐標系下，通過獲得定子電壓Usα、Usβ，定子電流Isα、Isβ及定子電流導數pIsα、pIsβ歸一化后，即可構成神經網絡的六個輸入，再經過反歸一化，即可得到轉子轉速ω，從而構建一個動態轉速估計器。
評論