自适应窗

2024-07-05

自适应窗（精选八篇）

自适应窗篇1

蚁群算法是由意大利学者Dorigo M等[1]于1991年首先提出的。1996年,他们又应用该算法求解非对称TSP以及车间作业调度问题JSP(job-shop scheduling problem),且对蚁群算法中初始化参数对其性能的影响做了初步探讨[2]。受其影响,蚁群算法逐渐引起了其它研究者的注意,将蚁群算法的思想应用到各自研究领域,取得了大量的研究成果。我国在蚁群算法领域的研究起步较晚,从公开发表的论文(以投稿日期为标准)看,国内最先研究蚁群算法的是东北大学控制仿真研究中心的张纪会博士与徐心和教授(1997年10月)[3]。

有时间窗的车辆路径问题(VRP-H)是一个复杂的非线性组合优化问题,该问题不单要考虑车辆容量约束,还要考虑客户对货物送到的时间要求,并且每个客户都要求将货物在指定的时间窗内送到。硬时间窗要求车辆提前到达需等待,拖后为不可行;软时间窗要求超出此时间窗范围要受到一定的惩罚。本文研究的对象为硬时间窗问题,所以这里对软时间窗问题不作进一步讨论。本文尝试采用改进的蚁群算法对VRP-H进行求解。求解VRP-H与VSP的不同之处体现在时间窗约束方面。

1 求解VRP-H的自适应蚁群算法设计

求解VRP-H的自适应蚁群算法的设计思想是:先对蚁群算法的选择机制、更新机制以及协调机制作进一步改进,引入自适应的转移策略和信息素更新策略,并融合节约法,求得VRP-H的一个可行解,再利用多种改善方法对初始解进一步优化,从而得到最优解。

1.1 VRP-H的初始解

(1)转移规则

借鉴基本蚁群算法思想,针对VRP-H本身的特点,采取了一种更为精细的做法,即定义如下形式的蚂蚁转移概率:

其中,τij代表边(i,j)上的信息素,ηij表示边(i,j)上的启发信息,常取边(i,j)长度的倒数,即ηij=1/dij。本文采用节约算法[4],该算法的基本思想是首先将各点单独与源点0相连,构成1条仅含一个点的线路;然后计算将点i与j在满足车辆容量约束的基础上连接在同一条线路上的费用节约值,即μij=di0+d0j-dij,显然,μij越大,收益越大,而选择结点vj的概率也就越大。μij的值需要做最大值和最小值限制,以免μij过大或过小而影响整个路径转移概率,比如,当μij等于0时,转移概率为0,使得整个转移概率公式的其他影响因素失去意义。kij=(qi+qj)/Q是考虑车辆容量约束和车辆容量利用率而引入的变量。εij为时间窗吻合值,本文取εij=1/(abs(Ti-ETi+1)+AX*abs(LTiTi+1));ωij为时间紧迫值,取ωij=(LTi+ETi)/2(其中,ETi是客户要求到货时间段的始点,LTi是客户要求到货时间段的终点,Ti为车辆到达客户i的时间,AX为权重系数,abs为取绝对值函数)。α,β,λ,γ,θ,υ为权重参数。p是个随机数,取值在(0,1)区间内。ro为取值在(0,1)区间内的一个固定值。

(2)信息素挥发速度的改进

本文采用信息素浓度与挥发速度成正比关系来调整信息素。故信息素全局更新公式表示为:

和分别表示边(i,j)上的原有信息素浓度以及更新后的浓度。式中ρ()不是一个常数,而是等于(式中为最大的原有信息素浓度),这样ρ()是一个在(0,1)区间内随自变量增大而增大的动态值。即信息素浓度越大,挥发的速度越大,从而避免了上述的缺点。

(3) MIN-MAX的思想的引入[5]

Min-MAX蚁群系统(MMAS)是德国学者Stützle等提出的一种ACO算法的改进方案。由于信息素随时间衰减因素的存在,在搜索陷入局部最优时,某段路径弧段的信息素相对其他路径弧段的信息素而言在数量上占据绝对的优势,以至于引起算法过早地收敛。

1.2 VRP-H初始解的改善方法

(1) Or-opt算法(路径内插入改善法的Or-opt改善)

Or-opt是由Potvin等人[6]提出的交换改善方法。可适用于途程内与途程间的客户所在位置交换改善方式,然而由于途程间的交换方式会造成途程内的客户点数增加或减少,进而产生不可行解,因此仅将此法用于途程内的路段交换改善方式。其原理如下,以单点(i)为主,也有可能是连续两点(i,i+1)或连续三点(i,i+1,i+2),找出同一途程中客户i的h个邻近客户点j,并判断插入客户j与j+1之间是否改善目标函数,若是则将客户i插入到客户j与j+1之间[6]。例如,设一路线的顺序为0-1-2-3-4-5-6-7-8-9-0,选一节点1插入节点2和3之间,若插入后改善目标函数,则插入后路线顺序为0-2-1-3-4-5-6-7-8-9-0。

(2)路径内的不相邻节点间交换改善法

在某些情况下,根据Or-opt算法,节点i插入客户j与j+1之间并不能改善目标函数,而节点i与节点j,也有可能是连续两点(i,i+1)或连续k点(i+i,i+2,…)与连续两点(j,j+1)或连续k点(j,j+1,i+2,…),进行交换能达到改善目标函数的目的。其中k为变量,根据路径的节点总数而定。例如,假设一路线的顺序为0-1-2-3-4-5-6-7-8-9-0,选一连续节点1、2,与另一连续节点3、4进行交换,若交换后能改善目标函数,则交换后路线顺序为0-3-4-1-2-5-6-7-8-9-0。

(3)路径间插入改善法

设求得VRP-H的初始解为Nk条路径,routI为待插入的路径,routJ为其它的n-1条路径之一,将routJ中的节点k插入routI中,若能改善目标函数或对routI执行Or-opt改善算法后能改善目标函数,则执行插入操作。例如,假设有两路线顺序为0-1-2-3-4-5-0与0-6-7-8-9-0,若节点6插入节点1和2之间出现总最短路径减少,但插入后0-6-1-2-3-4-5-0不满足时间窗要求,对改变后的路径0-6-1-2-3-4-5-0用Or-opt改善算法进行处理,若改善后0-4-1-6-2-3--5-0满足时间窗要求,则应用该算法后的最终路线顺序为0-4-1-6-2-3--5-0与0-7-8-9-0。

(4)路径间的节点交换改善法

设求得VRP-H的初始解为Nk条路径,routI、routJ为其中任意两条路径,将routJ中的节点(i,i+1,i+2,…)与routI中的节点(j,j+1,i+2,…)进行交换,若能改善目标函数,则执行交换操作。例如,假设有两路线顺序为0-1-2-3-4-5-0与0-6-7-8-9-0,若节点6与连续节点1、2进行交换出现总最短路径减少且满足时间窗要求,则应用该算法后的最终路线顺序为0-6-3-4-5-0与0-1-2-7-8-9-0。

1.3 算法步骤

Step1初始化各参数,输入基础数据,循环次数nc←0,设定最大循环次数Ncmax,计算出ηij,μij,kij,ωij的值并存放于相应的数组中,设置μij的最大值和最小值;

Step2将M只蚂蚁置于初始点(即配送中心),并将初始点置于当前解集中;

Step3对每只蚂蚁k,随机选择除初始点外的任意一节点f,并将f置于当前解集中;

Step4对每只蚂蚁k,根据不同的p值和所计算的εij值选取相应的并根据剩余载重量选择下一节点j,将j置于当前解集中;

Step5重复Step4,直到每只蚂蚁都访问了每一节点,受到车辆载重量的限制,每只蚂蚁将得到若干条由配送中心为起点的回路,每条回路就相当于一辆运输车所经过的路径;

Step6计算每只蚂蚁所走过的每条回路的路径长度,按照各蚂蚁所得到的可行解,得出局部最优解;

Step7运用Or-opt算法对局部最优解进行改善;

Step8运用路径内的不相邻节点间交换改善法对局部最优解进行改善;

Step9运用路径间插入改善法对局部最优解进行改善;

Step10运用路径间的节点交换改善法对局部最优解进行改善;

Step11依式进行信息素的全局更新;

Step12如果循环次数nc>=Ncmax,则循环结束并输出程序的计算结果,否则清空禁忌表并跳转到Step2。

2 仿真实验及分析

由于本研究探讨的是硬时间窗下的车辆调度问题,因此为了验证所提出方法的效果与可行性,将以Solomon[7]在1983设计的VRP-H题库进行测试。为求实验之完整性,逐一测试题库中的56个问题,并将本研究之实验结果与Solomon网页上公布的目前最佳解相比较。题库根据空间方面的设计方式分为三种,根据时间窗方面的设计则分为二种,成形六种题型C1、C2、R1、R2、RC1、RC2,如表1所示。其中,由于1型问题之车辆全程可服务时间较短,排程范围较小即每条配送路线中可排的客户较少(约5-10位);而2型问题之车辆全程可服务时间较长,排程范围较大即每条配送路线中可排的客户较多(约30位)。同题型中所有问题的客户坐标是相同的,不同的是时间窗的宽度,有些时间窗设计得较紧凑,有些时间窗则几乎不被限制。

本文算法控制参数为:M=30,Ncmax=20,τij=10,τmax=40,τmin=1,α=2,β=1～3,γ=1～4,λ=1,umax=20,umin=0.001,Q=80,θ=0～3,v=0～3,r0=0.5。所得结果如表2所示。

上述所有例题的计算都是在Intel Pentium(R)4 2.66GHz(512MB RAM)微机上进行的,由于Thangiah[8]、Tar[9]等其他学者提出的算法在求解相同的例题时,所使用的计算环境与本文所使用微机配置是不同的,作者认为即使是两台相同配置的微机,在用同一程序求解同一问题时,也可能由于某些客观原因导致求解时间的不同,因此在这种情况下,对求解时间的比较是毫无意义的。但是从表2中我们可以直观地看出,改进的自适应蚁群算法在求解具有100个客户点的VRP-H时,求解时间基本维持在30秒以内,可满足物流配送的实时性要求。本算法的求解结果远远优于蚁群算法的求解结果,并且已有部分优于文献中已有的最好结果,其它则与最好结果非常接近。因本算法运行时α,β,λ,γ,θ,v等参数都是凭多次试验而定,没有理论依据,因此求出的解不是算法所能取得的最优解。将算法中各参数设置成最优,其最终解还有进一步改进的余地。

3 结论

蚁群算法的应用范围已经几乎涉及到各个优化领域,但还存在一些不足。本文的自适应蚁群算法引入了MIN-MAX思想,并结合节约法,较好地避免了基本蚁群算法搜索面的局部停滞,并结合了多种改善方法,能够更有效地运用于VRP-H的求解。从上面的Solomon实例测试可看出,当各供应点的位置发生变化时,也会影响到算法的求解能力。因此,当各节点相对位置较复杂或车辆路径问题规模较大时,加大循环次数,对参数作些适当的调整,特别是设定恰当的节约值、信息素浓度的上下界、时间窗吻合值的重要程度和时间窗紧迫值的重要程度,这样才能得到更好的解。测试结果表明改进后的蚁群算法不仅具有很强的搜索能力和较高的计算效率,而且计算结果较为理想。

摘要：蚁群算法具有较强的鲁棒性和优良的分布式计算机制。研究重点是对现有的求解带硬时间窗的车辆路径问题VRP-H (Vehicle Routing Problem with Hard Time Windows)的蚁群算法作出更好的改进，使得算法的计算效率更高且得到的解更优，提出了蚁群算法的改进算法-改进的自适应蚁群算法。该算法先用自适应蚁群算法对VRP-H求得一个可行解，再利用多种改善方法对初始解进一步优化，从而得到最优解。测试时选用Solomon提出的题库，结果表明该算法能够有效地求解VRP-H。

关键词：蚁群算法,车辆路径问题,时间窗,自适应

参考文献

[1]Colorni A,Dorigo M,Maniezzo V.Distributed Optimization by Ant Col- onies[A].Proceedings of European Conference Artificial Life[C]. Elsevier,Amsterdam,1991.

[2]Dorigo M,Maniezzo V,Colorni A.Ant system:optimization by a colony of cooperating agents.IEEE Transaction on Systems,Man,and Cyber- neticsA-Part B,1996,26(1):29-41.

[3]张纪会，徐心和．一种新的进化算法-蚁群算法[J]．系统工程理论与实践，1999(3)：84—87．

[4]Clarck G,Wright J W.Scheduling of vehicles form a central depot to a number of delivery points[J].Operations Research,1964,12(4):568 -581.

[5]STüTzle T,Hoos H.Improvements on the ant system:introducing max- min ant system[A].Proc.Int.Conf.Artificial Neural Network and Ge- netic Algorithm,Wien:Springer Werlag,1997.

[6]Potvin J Y,Kervahut T,Garcia B L,Rousseau J M.The Vehicle Rou- ting Problem with Time Windows Part I:Tabu Search.INFORMS Jour- nal on Computing,1996,8(2):158-164.

[7]Solomon M M.Algorithms for The Vehicle Routing and Scheduling Problems With Time Window Constraints.Operations Research,1987, 35(2):254-265.

[8]Thangiah S R,Osman I H,Sun T.Hybrid genetic algorithm,simulated annealing and Tabu search methods for vehicle routing problems with time windows[R].Technical Report SRU-CpSc-TR-94-27,Computer Soience Department,SlipperyRockUniversity,1994.

数据有增加图表自适应篇2

如需利用柱形图展示员工的工作业绩，当员工人数增加或减少时，柱形图的个数实现自动进行相应的变化，即增加或减少（图1）。在一般操作中，实例中柱形图的数值系列的数据源是由手动选取的B2：B9，水平（分类）轴标签的数据源也是手动选取的A2：A9，这些数据源都是固定不变的。要想实现上述效果，需要将这两个数据源更改为可变的表达式。

用Excel 2013打开数据表，点击“公式→定义名称”，在弹出窗口的名称处输入“分类轴”，引用位置处输入“=OFFSET（$A$2，，，COUNTA（$A：$A）-1，1）”；以同样的方式再定义一个名称为“数值轴”的名称，引用位置处输入“=OFFSET（$B$2，，，COUNTA（$A：$A）-1，1）”（图2）。

数据源名称定义完成后，就该修改柱形图的两个数据源了。

右击柱形图，选择“选择数据”，在弹出的窗口中点击“图例项（系列）”下的“编辑”按钮，在弹出的窗口系列值处输入“Sheet1！数值轴”（ Sheet1这要根据数据表的名称而定）；点击“水平（分类）轴标签”下的“编辑”按钮，在弹出的窗口中输入“=Sheet1！分类轴”（图3）。

自适应窗篇3

关键词：输电线路,故障定位,相位比较,FFT,Kaiser窗,自卷积,频谱泄漏,基频波动

0引言

输电线路是电力系统中发生故障最多的元件, 线路故障后快速准确的故障定位对加快线路的故障修复,保证供电可靠性具有实际意义[1]。在输电线路故障定位众多方法中,双端行波法[2,3,4]具有显著的优势,但由于双端的行波测距装置较贵,行波测量点距离较远,对地分布电容对电流行波的畸变效应和相间互感对波头的衰减效应以及线路弧垂等因素的影响,标定行波到达测点的初始时刻存在误差, 导致其适用范围和精度有待提高。

随着输电线路监测技术的发展,目前在重要线路上实现基于罗氏线圈和无线传输的多电流测点监测已成为可能。罗氏线圈频率响应范围宽、测量动态范围大,具有较好的行波传变能力[5];不易磁饱和、绝缘特性好[5],能够不失真地测量动态短路电流[6];而且价格便宜,安装简便。文献[3]提出采用多个电流测量点以减小电容电流的影响,同时由于测点间距过短导致故障行波到达时刻难以分辨,行波测距法失效,而采用基于电流故障分量的相位差动原理实现故障定位,定位精度显著提高。采用基于传统Fourier变换 (FFT) 或全相位FFT(all phase-FFT)[7]的相位频谱分析方法求解电流量的相位效果较好,但在对电流故障分量进行频谱分析时存在着不同程度的泄漏效应[8],造成相位谱分析不准确,使得相位相反与相同两种情况的界限不明显, 非故障段与故障区段的判别困难,进而导致相位比较式故障定位方法的不准确[9]。所以相位测量的关键在于如何改进相位差求解算法。

本文提出一种基于Kaiser自卷积窗FFT相位比较的输电线路故障定位方法。该方法能够可靠判断故障区段,缩短行波双端间距,在此基础上的双端行波测距精度显著提高。

1相位比较故障定位法的提出

基于分相电流相位比较原理[10]的故障定位法的原理,是每隔一定距离在线路杆塔处的各相导线上,装设一个由Rogowski电流传感器和自取能无线信号系统[6]组成的廉价电流测量点,发生短路接地故障时,现场测点将采集的电流数据无线传输到处理中心,终端服务器的相位差求解程序求解故障电流的相位,通过比较每一相的各相邻测点间故障后一定周波电流故障分量的相位关系来判断故障在哪两个测点之间,即给出行波定位的区段。

由于系统阻抗角、罗氏线圈测量误差等的存在,造成相位差并非为整0°或整180°,而是有同、反相相位偏差0、180,在使用相位差的大小判别故障区间时需将其考虑在内。经各种不同故障情况下的大量仿真研究可知偏差0一般在[ 0, 5]内,而偏差180在[ 0,20]内。

2频谱泄漏问题

频谱泄漏是指在频谱分析时一个频率处的分量不再是单一的谱线,而是泄漏到临近的其他分量中去的现象[11]。导致频谱泄漏的根本原因是数据非周期截短和非同步采样[12],现分别加以分析。

2.1非整周期采样下的频谱泄漏分析

考虑含h次谐波的连续时间故障电流信号

式中,Ah、hf0、h分别对应第h次谐波的幅值、频率和初相位。h=1时,有基频f0,基波周期T0=1/f0。对i(t)离散化,取采样频率fs(采样间隔Ts=1/fs):

式中,h=2hf0/fs为h次谐波角频率。i(n)的离散傅里叶变换(DFT)为

式中,周期倍数lh为采样周期与电流各次谐波周期的比值,如果lh为正整数,则采样为整周期采样, 否则为非整周期采样。由式(2)、式(4)得

将式(5)带入式(3),得

首先考虑非整周期采样,保持fs、f0不变,采样点数N变为N′,设N′=N+ΔN,则

式中,周期倍数lh′和周期倍数增量 Δlh′分别为

以基波为例,h=1,l1′=l1+l1′,有基波频谱

当1<N<N时,即0<l1′<1,则I0(k)在非整次频率N+N处的能量值非零,即存在泄漏。

2.2非同步采样下的频谱泄漏分析

考虑基频波动的现象,保持fs和N不变,而基波频率变为f0′,设f0′=f0+f0,则

式中,周期倍数lh″为

当1<f0<f0时,即0<lh″<1,则lh″与相对应的整数k不相等,使得I(k)在非整次频率处出现非零假谱,即存在泄漏。针对频谱泄漏问题,本文提出Kaiser自卷积窗的FFT算法。

3基于Kaiser自卷积窗的FFT算法

3.1Kaiser自卷积窗特性

窗函数的泄漏抑制性能与旁瓣特性有关,旁瓣峰值电平越低且衰减速率越快,对泄漏的抑制能力则越强。在电力系统谐波分析和介质损耗角检测领域[13]中,为抑制泄漏多采用加窗法,最具代表性的窗函数为Hanning窗[13],其旁瓣性能较好,但参数固定,泄漏抑制性能有限。对于有一定畸变的故障电流行波,基于Hanning窗的相位求解方法泄漏问题严重,难以满足定位的要求。与Hanning窗相比, Kaiser窗函数参数可调,通过调整主瓣宽度和旁瓣高度之间的比重(即改变主旁比重系数的值),选择需要的旁瓣性能,可达到充分抑制泄漏效应的目的。Kaiser窗的时域表达式wk(n)[14]为

式中,I0()是修正的零阶贝塞尔函数[14]。对于Kaiser窗有两个重要参数:窗长N和主旁瓣比重系数。改变的值,可以对主瓣宽度和旁瓣衰减进行自由选择[15]。当Kaiser窗的参数达到一定数值时,泄漏抑制性能的提高不再明显,通过自卷积削弱边缘特征减小截断奇异,可大幅提高泄漏抑制性能。m阶Kaiser自卷积窗是Kaiser窗通过m-1次自卷积运算得到的窗函数,其递推公式为

在参数一定的条件下,随着卷积阶数的增加, Kaiser自卷积窗的泄漏抑制性能成倍提高,图1给出不同自卷积阶数的Kaiser窗旁瓣特性,设置窗长N=32,=10。分析可知主瓣宽度保持不变,说明自卷积窗与Kaiser窗具有相同的频谱分辨能力。

3.2Kaiser自卷积窗的FFT相位比较方法

3.2.1电流故障分量加窗预处理

首先进行Kaiser自卷积运算并归一化幅值

然后对电流故障分量i(n)加窗处理,得到iwk( n)

3.2.2电流故障分量的相位求解

对iwk(n)FFT运算,得到Iwk(k),求其实、虚部

FFT的相位响应公式为

3.2.3相位差求解与泄漏程度判断

得到测点的电流相位谱之后,重复上述过程求相邻下一个测点的电流相位谱,两个测点设为m、n,对应的相位序列分别设为二者做减运算,得到相位差序列为

求解相位差mn(k)的均值,得到相位值为

估计标准差stdm-n判断泄漏程度为

若标准差在阈值stdth之内,说明频谱泄漏较小, 不影响相位的求解,那么所求均值即为所求基频相位。若标准差超过stdth则说明频谱泄漏严重,均值可信度低,需要调整Kaiser窗函数系数的值,并重复上述过程求均值,再次判断标准差大小,直到标准差小于stdth为止。经大量仿真研究,stdth可设为20,若标准差大于20,则调整值。在电网基频波动情况下,相位偏差较大,stdth需要调整。

4仿真分析

4.1仿真模型

本文采用PSCAD进行220 k V输电线路故障仿真,线路长度设为200 km,如图2所示。故障点设在距离S1端124~126 km之间,对应的杆塔为: 248#、249#、250#、251#、252#;杆塔间挡距均设为0.5 km,杆塔上装设的测点设为测点1~5。接地电阻设置为4.5  。线路采用频率相关模型[16],采样频率取200 k Hz,表1给出线路参数。

4.2故障定位和故障相别仿真

仿真将故障点设在124.02 km、125.07 km和125.60 km处,取故障后第3个周波的1/8周波进行各相邻测点电流相位比较,结果表2所示。

注:相位差单位为“度”。

由表2可知,利用本文方法能够准确地将故障点定位到相邻两测点之间,并且同相与反相相位差区别明显。为判别故障相与非故障相,仿真十种常见故障,故障点设在124.73 km处,分别比较测点2-3的各相相位差,结果表3所示。

结果表明本文方法可有效判断故障相,如若判断接地故障,可通过求零序分量来判断。零序分量非零时判断为接地故障,否则为相间不接地。

4.3不同窗的相位差仿真

为比较Kaiser自卷积窗与Hanning窗的泄漏抑制性能,仿真分析杆塔249#-250#之间线路上A相接地故障时的相位差图谱,如图3所示。

图中每一列子图对应的是测点之间的相位差图谱,由第二列(2-3 A相相位差图谱)可知,相位差谱的均值约为180º,而其他相邻测点A相相位差均值约为0º。但是由于泄漏的存在,图谱并不光滑,当采样点数发生变化即非整周期采样时,偏离周期越远,基于Hanning窗的FFT得到的相位差谱泄漏越严重,相位信息被临近假谱干扰所淹没,相位差均值严重失真,意味着测点间原本没有故障,相位比较结果却判为存在故障,导致故障区间的误判。而基于Kaiser自卷积窗的FFT得到的相位差谱泄漏基本得到完全抑制,能够得到准确的相位比较结果, 实现故障可靠定位。

4.4基频波动仿真结果

电网的基频波动导致难以实现同步采样[17],造成电流信号频谱泄漏量相应的变化,偏离工频越大, 相位差的误差越大。为说明基频波动对相位差求解的影响,仿真在基频不同波动程度下(49.5~50.5 Hz相位差的绝对误差和标准误差。限于篇幅,只给出杆塔249#-250#之间A相接地故障时的仿真结果, 并且为说明所提方法在基频波动情况下的测量误差较小,对比基于两种窗函数(Hanning窗、Kaiser自卷积窗(con Kaiser),=0.5)FFT方法的计算结果,如图4所示。

分析结果可知:(1) 基波值偏离工频值越大, 相位差误差越大,且偏离程度相等条件下,低频时的误差比高频时的要大;(2) 相同基频波动下,采用Kaiser自卷积窗方法与采用汉宁窗相比求得的相位差序列的绝对误差小得多。但波动较大时,相位比较结果误差较大,Hanning窗函数参数不可调, 对基频波动带来的影响无能为力,而Kaiser窗函数的参数可调,通过调整主旁瓣比重系数,可大幅减小基频波动对故障定位的影响。表4给出了49.5 Hz基频条件下的仿真结果。

分析可知,通过调整Kaiser窗函数的参数,可有效抑制基频波动引起的频谱泄漏,从而将基频波动对相位比较检测的影响降至最低,即使在最恶劣条件下也可达到极高的精度。在低频环境下为准确测量相位差,需要降低值,高频下则相反。

5总结

自适应Memetic算法篇4

遗传算法是一种全局优化算法, 是模拟生物在自然界中的进化过程而形成的, 已在机器学习、组合优化、图像处理和自适应控制等领域中广泛应用。然而大量研究与实践显示, 遗传算法全局搜索能力很强而局部搜索能力不是很强, 且容易过早地收敛, 相反, 局部搜索算法搜索目的性很强, 能够很快收敛到局部最优解, 因此将局部搜索算法与遗传算法相结合, 可以提高遗传算法的优化性能。我们称这种混合算法为遗传局部搜索算法, 也可称作Memetic算法。

Memetic算法是一种局部搜索侧略与全局搜索策略相结合的算法[1]。相比传统的遗传算法, 这种结合机制使其在某些问题优化中的搜索效率快很多。Memetic算法提出的是一个概念, 一种框架, 不只是混合遗传算法或拉马克进化算法。在这种框架下, 不同搜索策略的选取可以形成不同的Memetic算法, 比如局部搜索算法可以选取模拟退火、爬山搜索、禁忌搜索、贪婪算法等, 全局搜索算法可以选取进化规划、进化策略、遗传算法等。

全局搜索策略与局部搜索策略耦合的过程中有以下6个方面[2]需要注意: (1) 局部搜索的频率; (2) 个体进行局部搜索的概率; (3) 种群中可进行局部搜索的范围; (4) 局部搜索的强度; (5) 局部搜索方法的选择; (6) 如何减小通过引入局部搜索算子而增加的计算时间。

局部搜索算法有很多, 不同的局部搜索算法对特定优化问题的优化效率差别很大。自适应Memetic算法, 即可以根据优化问题的不同自适应的选取局部搜索算子的Memetic算法, 成为优化算法领域新的研究方向。Krasnogor在文献[3]中提出了对多种局部搜索算法进行整合, 并依据局部搜索邻域的选择函数与当前算子的搜索情况来选取局部搜索算法的策略。文献[4]中用“hyperheuristic”一词来描述将多个局部搜索算法整合, 不同个体采取不同局部搜索算法的策略。Smithz提出了Coevolving Memetic算法, 采用某种策略选择局部搜索算法[5]。这种策略, Ong and Keane描述为“meta-Lamarckian learning”[6]。文献[7]总结了自适应Memetic算法的研究现状。

局部搜索个体的选择策略同样是Memetic算法的研究重点。文献[8]中提到了基于离散度的策略来确定局部搜索点。文献[9]中提到了基于适应值、空间分布及精英保留等策略来确定局部搜索点。

本文选取基于离散度的策略来确定局部搜索点, 并且将多种局部搜索算法与遗传算法结合, 形成多种Memetic算法。将这些算法应用于基准函数优化中, 通过对每种算法的优化特性进行观察, 进一步提出了基于离散度的自适应Memetic算法 (DAMA, 即Diversity-based Adaptive Memetic Algorithm) 。通过将该种算法与传统Memetic算法作对比, 表明该算法具有更强的通用性, 更高的效率和更好的鲁棒性。

1 基于离散度的自适应Memetic算法

1.1 耦合策略及参数设置

(1) 局部搜索算法的选取策略:局部搜索算法的效率。局部搜索算法的选取策略在自适应Memetic算法中有很多。相比排序法、随机法、经验法, 本文通过局部搜索算法的搜索效率来选择局部搜索算法。单纯形搜索法、方向加速法、拉格朗日搜索法与模式搜索法组成了局部搜索算法库。对前面的局部搜索点随机选择局部搜索算法, 组建局部搜索算法的优化效率库, 然后, 后面的局部搜索点根据前面局部搜索算法在周围已搜索点的优化效率选择局部搜索算法。

下式用于计算局部搜索算法的优化效率:

上式中:

i———优化代数;

bestvars———最优点变量;

bestfitness———最优点适应度。

(2) 局部搜索点集的选取策略:离散度原则。为求得最优解, 种群中的个体最好每个都进行局部搜索, 然而为了提高优化效率, 在实际问题优化中, 不能对每个个体都进行搜索。在局部搜索点的选取上有很多算法, 比如适应值法、随机法、离散度法等[5,6]。本文在局部搜索点的选择上选取基于离散度的策略, 具体策略如下: (1) 将种群中的最优点确定为局部搜索点; (2) 单位化其他搜索点到最优点的距离; (3) 去掉种群中距离最优点相对距离较小的点; (4) 当局部搜索点的个数满足要求时, 停止搜索, 否则转步骤 (1) , 继续搜索。

(3) 局部搜索点选取搜索邻域的策略。不同的搜索邻域对算法的优化效率具有很大的影响。搜索邻域的选取取决于个体的不同类型:对种群中的最优个体选取小的搜索领域, 进行精确搜索;为使其他局部搜索点共享最优个体的搜索信息, 其它局部搜索点的搜索邻域半径定为搜索点到最优个体的距离 (见图1) 。

(1、2、3、4、5为局部搜索点, 1是种群中的最优点)

(4) 局部搜索点选取搜索强度策略。需要进行深度搜索的点, 如每代种群中的最优点, 搜索强度高, 搜索次数可设置相对较多, 如8倍变量个数, 其他局部搜索点不需要进行深度搜索, 搜索次数可设置相对低一些, 如4倍变量个数。

1.2 算法流程

算法流程见图2。

2 数值实验

Ackey、Sphere、Rastrigin和Griewank[10]等测试函数组成数值试验的测试函数集, 具体函数特性见表1。为体现DAMA算法的优越性, GA及传统Memetic算法 (MA-POWE, MA-SIMP, MA-HOJE, MA-LAGRH) 共同参与数值实验, 进行对比。各算法的参数设置如表2。对所有函数在20维的情况下进行测试, 中止条件为运算5 000次, 各实验均独立运行20次, 选函数最优点的平均值及方差来确定算法的效率和鲁棒性, 结果见图1、表3。

GA遗传算法;

MA-POWE方向加速法与遗传算法结合的Memetic算法;

MA-HOJE模式搜索法与遗传算法结合的Memetic算法;

MA-SIMP单纯形搜索法与遗传算法结合的Memetic算法;

MA-LAGRH拉格朗日法与遗传算法结合的Memetic算法;

DAMA自适应Memetic算法。

以上测试表明, 与其它5种算法相比, DAMA在Rastrigin与Ackey测试函数的优化中效率最高, 在Rastrigin与Sphere测试函数的优化中效率较高。对不同的局部搜索算法, DAMA需要进行优化效率的评估, 导致DAMA在某些问题领域上的优化效率不如传统Memetic算法。为提高DAMA的优化效率, 在实际问题的优化中需要优化人员根据优化问题的特性自行设置DAMA中局部搜索算法的数量与种类。测试结果表明, DAMA算法相比其它5个算法, 具有更强的通用性。

3 结语

针对遗传算法局部搜索能力差且易过早收敛的缺点, 本文提出了一种基于离散度的自适应Memetic算法 (DAMA) , 该算法通过离散度来确定局部搜索点, 然后根据局部搜索算法的效率自动选择局部搜索算法。数值试验表明, DAMA比遗传算法 (GA) 及4种传统Memetic算法 (MA-POWE, MA-SIMP, MA-HOJE, MA-LAGRH) 更具通用性, 效率也更高。

摘要：在处理多峰函数的优化问题时, 遗传算法局部搜索能力差, 并且容易早熟。针对这种问题, 将遗传算法与多种局部搜索算法相结合, 形成多种Memetic算法。通过进行数值优化实验, 发现算法的优化效率有所提高, 但是局部搜索算法的不同对优化性能影响很大。为解决这种问题, 在传统Memetic算法的基础上提出了一种使每代个体根据局部搜索算法的搜索效率自适应选取局部搜索算法的Memetic算法, 即基于离散度的自适应Memetic算法。通过测试函数测试, 这种算法具有更高的效率和更强的通用性。

关键词：多峰函数优化,遗传算法,局部搜索算法,离散度,自适应Memetic算法

参考文献

[1]P MOSCATO.On evolution, search, optimization, genetic algorithms and martial arts:towards memetic algorithms, publication report 790[J].Caltech Concurrent Computation Program, 1989.

[2]YEW-SOON ONG, MENG HIOT LIM, XIANSHUN CHEN.Research frontier:memetic computation-past[Z].Present&Future.

[3]N KRASNOGOR, B BLACKBURNE, J D HIRST, et al.Multimeme algorithms for the structure prediction and structure comparison of proteins, in parallel problem solving from nature[J].Lecture Notes in Computer Science, 2002.

[4]P COWLING, G KENDALL, E SOUBEIGA.A hyperheuristic approach to scheduling a sales summit[C]//PATAT 2000, Springer Lecture Notes in Computer Science.Konstanz, Germany, Aug.2000:176-190.

[5]J E SMITH ET AL.Co-evolution of memetic algorithms:initial investigations, in parallel problem solving from nature—PPSN VII, G.Guervos et al., Eds.Berlin, Germany[J].Springer, Lecture Notes in Computer Science, 2002:537-548.

[6]Y S ONG, A J Keane.Meta-Lamarckian in memetic algorithm[J].IEEE Trans.Evol.Comput, vol.8, pp.99-110, Apr.2004.

[7]ONG Y-S, LIM M-H, ZHU N, et al.Classification of adaptive memetic algorithms:a comparative study[J].IEEE Trans Syst Man Cybern Part B.

[8]M W S LAND.Evolutionary algorithms with local search for combinatorial optimization.Ph.D.Thesis[J].University of California, San Diego, 1998.

[9]W E HART.Adaptive global optimization with local search[D].PhD thesis:University of California, 1997.

自适应模糊控制综述篇5

关键词：模糊控制,模糊逻辑系统,自适应控制

0 引言

自从1956年美国Zadel教授首次把模糊集这个概念在发表的关于模糊集合理论论文中期提出之后, 模糊理论已发展了50年, 模糊理论知识体系现已成熟和完善, 同时也在工业生产的实践应用的领域越来越广泛。把模糊逻辑技术当做控制规则融入与控制技术中, 能有效解决和处理那些传统控制模式构造的控制器难以解决的难题, 模糊自适应控制是将模糊逻辑理论与自适应控制相结合, 具有鲁棒性强、易于掌握和操作、控制性能好等特点。近年来, 模糊自适应控制理论日趋成熟, 控制技术也得到很大的发展, 尤其是在智能控制、电子自动化以及航天航空等多方面解决了许多实际问题, 引起了越来越多学者和技术人员的重视。

1 模糊控制理论的基本思想

从1960年至今, 现代控制理论广泛应用于重工业的生产实践、电子信息自动化以及航空航天等多方面并且取得了巨大的成功。例如最优化控制这类问题中可以使用极小值原理来参与解决;运用卡尔曼滤波器解决含有有色噪声的系统中的问题加以研究;对大滞后过程的控制使用预测控制理论则能有效控制等等。同样上述控制及应用都需一个基本条件:需能对被控对象进行精确的数学建模。但是由于科技生产力的飞速发展, 被控对象和系统的结构越来越繁琐复杂, 控制过程中需要考虑和解决的问题越来越多, 对于非线性的多参数的复杂被控对象, 对被控对象和系统结构的精确建模往往难以进行, 这也使得对复杂对象的控制难以进行和处理。

与上述必须对被控对象进行建模才能设计控制器的这种模式恰好相反的是, 在对于以上原因和问题处理和解决的过程, 通常有丰富操作经验的工作人员并不需要通过对被控对象建模而是可以靠自身丰富的动手经验和熟练地手动控制就可以达到很好的处理和控制效果。这些丰富的经验包括对被控对象的熟知以及在全部可能会发生的情景下应如何改变控制规则从而采取的相对应的控制对策。这些对策和判断常常是通过自然语言来表述的, 与精确地数学模型相比这些语言不是系统的而是具有模糊性。即从外界不断的获取相关反馈信息, 对这些信息经过分析、研究和整理, 做出相对应的决策同时改变控制规则和方式, 从而是控制目的达到预期的目标。在这些操作工作过程上, 通过研究和分析人的自主能动性和自主控制的行为, 利用这些行为特点, 让计算机模拟人得思维方式用来控制那些无法构建精确的数学模型的被控对象, 从而形成了模糊控制。

模糊控制是集模糊集理论、模糊语言变量及模糊逻辑推理的知识应用在控制方法上, 以此来模拟人的模糊逻辑思维, 用来解决无法建立精确的数学模型的过程的智能控制方法。模糊控制是在模糊集等理论的基础上将人的推理、判断、思维过程应由比较简单的数学形式描述出来。模糊控制的目标是为解决各种问题提供更加有效的思路和方法, 再加上比起传统控制方法, 模糊控制可以融入人的思维判断, 所以这种控制方法在实际应用中更加得到重视, 应用领域也越来越广泛。

2 模糊控制

模糊系统是指与模糊概念、模糊逻辑直接相关的系统。它通常是由模糊器、模糊规则库、模糊推理机以及解模糊器这四个模块组成。模糊器首先是把系统输入量进行适当比例对应地量化作为论域中的数值, 然后对应每一个量化的数值定义一个模糊子集, 并把每个模糊子集所相对应的隶属函数定义出来, 最后把数值对应的隶属度应用合适的语言值求出来。模糊规则库中对应的每个规则都是由进行手工操作的工作人员的丰富和熟练的操作经验和知识以及这些工作人员在控制过程中用来计算各种数据的相关算法。模糊推理机是指应用模糊逻辑法则把模糊规则库中的规则用某种映射表达出来。解模糊器则和模糊器的作用相反, 解模糊器就是把模糊推理最终得来的结果转换成相应的数值量。

模糊控制系统就是在常规的控制系统中, 用模糊逻辑系统来取代传统的控制器, 进而使得复杂难以建模的被控对象能得到更有效的控制。

3 自适应模糊控制

模糊控制的应用领域越来越广泛, 在应用模糊控制进行解决问题过程中可以看出, 是否能够制定出好的模糊控制规则将会直接影响到控制效果, 而控制规则的制定原则通常是由工作人员在具体操作过程中对被控对象的熟知和了解以及在实际操作过程的实践中总结出来的。在把模糊控制应用那些复杂的时变的非线性不确定的系统时, 由于被控过程中出现一些时变的非线的以及高阶性的其他随机干扰等因素, 造成纵使采用了模糊控制也不能达到很好的控制目的, 如果控制能够自动调节这个问题就能得到解决, 所以人们在模糊控制的基础上融于了能够自组织、自学习、自适应的技术, 结合这些因素的模糊控制在控制过程中可以利用自学习的功能从外界环境以及自身控制过程当中得到相关有用的信息, 并依这些搜集到的信息进行相关的反馈和修改控制规则或参数, 从而使得整个系统的控制功能随着问题的变化给出不同的控制规则。

4 自适应模糊控制系统结构

自适应模糊控制的设计是为了使得控制具有自组织、自学习、自适应这些特点的, 为了能够在控制运行过程中, 结合相应地控制效果和外部环境, 对控制器的控制方案做进一步的修改和完善使得控制效果达到更好的结果, 这就使得模糊控制具有更高的智能性, 所以在最常见的自适应模糊控制方案的设计中是把偏差测量、控制校正和规则修改这三个功能块附加在基本模糊控制器中。

其中, 偏差测量块, 用于测量实际输出和期望输出的偏差值, 从而确定系统控制中需要校正的量, 以便为系统控制规则的修正提供信息;控制量校正块, 用于把输出应答需要校正的量转换成控制量需要校正的量;规则修改块, 对控制量的修改通过校正控制规则来实现校正量。自适应模糊控制器的工作原理是:通过测量输出误差的差值来获得需要校正的信息, 然后将需要校正的输出应答的校正量转换成控制量需要的校正量, 最终通过修改控制规则来实施校正量。

5 自适应模糊控制的研究与发展

1960年代中期, Zadeh教授创建了模糊集理论, 与Mamdani教授等人分别开展了一系列关于模糊控制的研究工作, 自从模糊控制得到了学者的大量研究和实践, 模糊控制理论逐渐发展成富有发展成果和发展吸引力的研究领域。

1979年, Procyk和他的导师Mamdani提出了一种能使模糊控制规则自动生成和自动修改的自组织模糊控制器 (SOC) , 第一次在模糊控制的结构中加入了自组织的功能, 首次在较高起点上实现了如何用自组织模糊控制器在较短时间内在一类大过程的问题上取得更好地控制效果。Shao等人后来对算法作了一些改进并应用在实际生产中, 之后Rhee和Vander等人进一步通过由定量过程来获得定性控制规则的方法改进了控制器。

Pedrycz提出了一种模糊关系模型的辨识方法, 该方法是基于参考模糊集的系统模糊关系模型而实施的;T.Takagi和M.Sugeno紧跟R.M.Tong的研究步伐, 提出了一种用模糊集理论去辨识系统模糊模型的语言的方法。这两种极具有代表意义辨识方法为工业的实际生产中的建模提供极有效的工具, 并为自适应模糊控制的进一步研究发展提供了非常有效的工具。Z.Bien和Yong-Tae Kim应用了变结构控制的思想设计了鲁邦自学习的控制器用于解决传统的自组织模糊控制过程中出现的外部干扰敏感问题, 在双关节倒立摆控制过程中取得了良好的控制效果, 但是控制过程中出现了震动现象。

Harris和Moore提出了建立在过程模糊模型基础上而不是直接把模糊逻辑技术直接当成控制器的间接自适应模糊控制, 使得类似自校正调节器的控制功能最终得以实现。Layne等人在传统的模型参考自适应控制的控制过程中加入了模糊逻辑技术从而得到了新的模糊模型参考学习控制。张化光在借鉴TS模型的模糊自校正控制的基础上在控制器上应用了广义预测控制律, 用这种方法很好的解决了具有不确定时滞问题, 同时能顾及系统模型失配的影响, 具有良好的鲁棒性。G.V.S.Raju和J.Zhou基于K.F.Glu和S.Daley把自适应控制器应用在复杂多变过程的研究成果上提出了递阶模糊控制以及自适应递阶模糊控制。G.V.S Raju等人在戴忠达的算法基础上, 提出了一类自适应多级模糊控制器。之后A.Gegov提出了应用于城市交通控制网络的一类多级智能模糊控制器。K.Y.Tu等人设计了利用滑动超平面连接多个单变量的FLC的多层模糊控制器, 并阐述了闭环系统稳定性的条件。

6 结语

模糊控制相对于传统的控制理论能够解决更多实际复杂的建模以及控制问题, 是一种极为有效的控制方法, 自适应模糊控制是一种具有自组织、自学习、自适应的控制方法, 在控制过程中, 自适应模糊控制系统能够在系统运行过程中根据外界反馈的信息不断修改自身的控制规则, 使得系统的性能更加的完善改善了系统的性能。近几年来, 自适应模糊控制因为其自身的控制特性而取得了很大进展, 基于模型的自适应模糊控制与神经网络控制的结合, 使系统功能以及稳定性得到进一步增强, 为非线性系统的建模以及控制提供了有效的工具。自适应模糊控制在近几年的发展中已开始向多元化和交叉学科方向发展, 加强对自适应模糊控制的研究是近几年越来越迫切的问题, 同时模糊-神经网络混合系统的出现给自适应模糊控制的研究带来了新的生机, 但是由于系统的非线性与复杂性使得研究工作的难度大大增加。自适应模糊控制系统逐渐向混合系统模式方向发展, 对于自适应模糊控制的研究有着很大的发展潜力和广阔的应用前景。

参考文献

[1]M.Krstic, I.Kanellakopoulos, and P.Kokotovic, Nonlinear and Adaptive Control Design, New York:Wiley, 1995.

[2]郑亚琴, 刘艳军, 佟绍成.具有监督控制功能的非线性系统的直接自适应模糊控制, 2009 Chinese Control and Decision Conference (CCDC 2009) .

[3]Ya-Qin Zheng, Yan-Jun Liu, Shao-Cheng Tong and Tie-Shan Li, Combined Adaptive Fuzzy Control for Uncertain MIMO Nonlinear Systems.2009 American Control Conference.

[4]王永富, 柴天佑.自适应模糊控制理论的研究综述[J].控制工程2006, 13 (03) .

自适应入侵检测模型篇6

目前的研究工作主要集中在异常检测方面,它可以解决传统误用检测无法发现未知入侵的问题,比较符合安全的概念,但具体实现难度较大,问题主要集中在正常模式的知识库难以更新,难以明确划分正常模式和异常模式上,而且,目前的IDS多数时候都需要由系统维护者根据他们的直觉和经验来为异常检测选择统计属性。为了克服目前IDS中存在的问题,本论文提出了一种自适应的入侵检测技术。

1 入侵检测模型

入侵检测系统的自适应性表现为系统的检测策略随着系统所监测环境的改变而改变,这就要求入侵检测系统具有对系统环境的评估能力。同时也要求入侵检测系统能够针对不同的网络环境采用不同的检测策略。以使检测模型能够不断适应网络环境的变化。

总体上,我们可以把入侵检测分为三个步骤,如图1所示,即先收集信息,然后对所收集的数据进行分析,最后根据分析的结果以一定的形式给出响应。

2 数据捕获

随着网络流量不断的增加,用户往往要求入侵检测系统尽可能快的报警,因此需要对获得的数据进行实时的分析,这导致对系统的要求越来越高。面对日益庞大的网络流量,我们需要使用更智能化的检测方法,目前,有很多专家在这方面都有很多的研究,有的采用数据挖掘技术来提高处理海量数据的难题,有的采用神经网络来改变检测的性能。针对网络流量巨大的难题,在检测网络数据时必须采用高效的网络数据捕获工具,以使得能对网络数据包进行有效的检测,本文采用WinPcap来实现,它是一个面向Win32平台的数据包捕捉及网络分析体系,使用Winpcap捕获数据包的过程以及需要调用的函数如图2所示。

实验环境搭建好以后,为了捕获网络数据,首先将网卡设置为混杂模式,并且调用WinPcap库函数,对捕获的数据包先进行协议分析,所分析的协议包括以太网协议、ARP协议、IP协议、ICMP协议、TCP协议和UDP协议。这个过程可以判断数据包的类型并取出各种特征参数,在本实验中依据TCP/IP协议中规定的数据包格式分析数据包,如果分析到该数据包有一个畸形的包头,处理器将放弃该数据包,从而在数据源头就将入侵行为过滤掉。

在捕获网络数据包时还存在一个问题,由于网络流量非常大,可能存在网络资源拥塞的情况,如果网络中有多种资源同时产生拥塞的话,可能导致死锁。为避免产生这种情况,本文采用滑动窗口技术,根据滑动窗口原理,发送窗口可以对发送端进行流量控制,并且接受窗口保持不动时,发送窗口也不会移动,只有当接受窗口向前滑动时,发送窗口才有滑动的可能,因此,使用滑动窗口技术不但可以解决网络拥塞问题,同时也保证了接收到的数据都是当前最新的网络数据。

3 数据分析

在数据检测模块中本文采用的是异常检测方法,在异常检测中加入了模糊数学的理论和方法,对数据分析的结果进行模糊判断,最后根据函数隶属度的值来判断网络行为,这样能够更加准确地判定审计数据,从而提高检测率。

模糊综合评判技术是模糊数学中一个重要的应用方面,它主要是用于解决所研究的课题在影响因素十分复杂的情况下,选择最优方案或是按评价结论对系列产品质量(或人的、或国家的综合能力)进行排序而决定取舍。一般来说,模糊评判方法要有如下主要步骤:(1)确定评价因素集、评语集;(2)建立评语集的隶属函数,确定评判矩阵;(3)确定各因素在评判中所占的权重,生成权重向量;(4)按照一定的模糊算子进行计算得到评判结果。

(1)评价因素集F,评语集C

一个新模式与正常行为模式库进行比较后,会得到多个比较结果,把这个结果看作是一条记录,那么每个比较结果就是该记录的一个属性值,这些属性的集合被称为评价因素集F={f1,L,fn}。

与评价因素集相对应的是评语集C,这里的评语集是“相似度”这个语言变量的若干语言值的集合。我们将之分为三个等级“很相似”,“不太相似”,“不相似”。即评语集用C={"很相似","不太相似","不相似"}来表示。

(2)建立评语集的隶属函数,确定评判矩阵R

本文是采用三分法来建立评语集的隶属函数。对于三个模糊集:A1=“很相似”,A2=“不太相似”,A3=“不相似”,而论域X为相似度之集,取X=[0,1]。每做一次试验,就确定一次A1,A2,A3分别所适合的区间,从而得到集合A1*,A2*,A3*,即得到X的一个划分:X=A1*UA2*UA3*。设u,v分别是A1*与A2*,A2*与A3*的边界点,则由X的一个划分得到数对(u,v),三相模糊统计试验可等价于下列随机试验:视(u,v)为二维随机向量观察值,对其进行抽样,再求得u,v的概率分布,从而得到A1,A2,A3的隶属函数。由隶属函数即可求得各因素对各评语的隶属度,由隶属度即可生成评判矩阵R=(rij)n×3∈(F×C)。

(3)确定各因素在评判中所占的权重,生成权重向量A

本文中模糊检测模块检测的是一些未知的新攻击形式或者是正常行为的渐变行为,因此本文根据不同的操作类型和不同的攻击类型,对各正常模式赋予不同的权重。由此,我们得到n维的权重向量A。

(4)按一定的模糊算子进行计算得到评判结论

对模糊评判矩阵R和权重向量A进行一定的模糊算子运算即可得到模糊综合评判的结果。常用的模糊算子类型主要有∨—∧模型、乘积—取大型、加权平均型和全面制约型,经综合分析,本文采用加权平均型,这样每一个因素都能对其结果有一定的贡献,而且因为各因素的权重不同,所以各因素的贡献程度也不同。

加权平均型:B=A*R,即。在这种模型中,每一个因素对于评判的结果都有一定的贡献。

对该记录的模糊综合评判结果就是:

再进行归一化得:

再根据最大隶属度原则,确定该记录的评语。根据不同的评语系统将采取不同的响应。

4 实验分析

在本次实验中,使用512M内存的AMD1.6GPS的PC机,采用Microsoft Windows 2000 Server作为开发平台,Visual C++6.0和Matlab 6.5作为开发工具,使用MySQL数据库记录检测策略、安全事件、报警信息和系统设置等内容。要求测试环境是一个独立的网络环境,没有任何其它数据,以保障检测数据的准确性。根据实验室的拓朴结构,本文将网络接口卡与交换设备的监控端口连接,通过交换设备的Span/Mirror功能将流向各端口的数据包复制一份给监控端口,入侵检测传感器从监控端口获取数据包进行分析和处理。同时,将入侵检测系统与防火墙联合部署,将入侵检测系统放在防火墙内部,这样,只有穿透了防火墙的攻击才能被入侵检测系统监听到,管理员可以清楚地看到哪些攻击真正对自己的网络构成了威胁,从而采取有效的措施。

本实验采用DARPA 1999测试数据集进行测试,该数据集包含了Probe、Dos、R2L、U2R和Data等5大类58种典型攻击方式,是目前最为全面的攻击测试数据集。在该数据集中前两周的数据作为训练数据来训练入侵检测数据库的,后两周的数据用于评测网络数据。

实验结果表明该检测策略明显提高了检测率,并且能够自动适应未知的新型攻击行为。

参考文献

[1]曹元大.入侵检测技术[M].北京:人民邮电出版社.2007.

[2]Christopher V Kopek,Errin W Fulp.Patrick S Wheeler.DISTRIBUTED DATA PARALLEL TECHNIQUES FOR CONTENT-MATCHING INTRUSION DETECTION SYSTEMS.IEEE.2007.

[3]刘文涛.网络安全开发包[M].电子工业出版社.2005.

[4]WIL SON R,MARTINEZ T.Improved Heterogeneous Distance Functions[J].Journal of Artificial Intelligence Research.1997.

[5]W.Richard Stevens著,范建华等译.TCP/IP详解卷1:协议[M].北京:机械工业出版社.2000.

自适应重生鱼群优化算法篇7

人工鱼群算法[1]是李晓磊等人于2002年提出的一种基于动物自治体的新型寻优策略。该算法模拟了自然界中鱼群的觅食、聚群和追尾行为。为了突出人工鱼群算法的全局寻优能力,李晓磊等[2]将人工鱼群算法与遗传算法进行对照,测试后得到其效果更佳,且人工鱼群算法具有集群智能、良好的并行性、参数和初值的鲁棒性强等优点,在工程上已得到广泛使用[3,4,5,6,7,8]。李亮等[4]于2006年构造了一种两点禁忌寻优算子以避免寻优过程中的迂回搜索,并将其应用到两个复杂土坡的最小安全系数搜索中;方金城等[5]于2011年引入实数编码对鱼群算法进行改进,并将其应用于配送决策问题中;陈安华等[7]于2012年通过定义相似度因子和聚类判别因子,建立了模拟人工鱼群追尾行为的机械故障聚类诊断模型,并将之应用于机械故障特征信息的聚类分析。

通过反复实验发现人工鱼群算法设计思路简单,求解低维优化函数时能够保持较高的精度,且能够较快地获取全局最优解。但我们在实际中遇到的往往是庞大的工程问题,决策变量的维数较高,导致搜索范围的空间复杂度大大增加。这时应用传统的人工鱼群算法很容易陷入局部最优,算法的精度和收敛速度也随之下降。针对以上的不足,本文对人工鱼群算法进行改进,给鱼群注入“新生命”和引入动态拥挤度因子,使其在处理高维优化函数时仍能保持较高的精度。主要思想是在算法迭代过程中,一方面给种群注入“新生命”,丰富了种群的多样性;另一方面通过控制拥挤度因子的值及时地调整鱼群的行为,这样扩大了鱼群的搜索范围,有效地避免算法陷入局部最优。同时,利用仿真实验研究了该方法的有效性。

1 自适应重生鱼群优化算法

1.1 优化问题的描述

一个优化问题描述如下:

式中,f(X)表示目标函数,X表示决策变量,S表示可行域。

1.2 传统人工鱼群算法的描述

鱼群搜索食物的过程主要包括觅食、聚群和追尾三种行为。觅食表现在当鱼在它的视野范围内发现食物时,则朝该方向游动;聚群是每条鱼在游动过程中尽量地朝邻近伙伴的中心游动,并避免过分拥挤;追尾是指当某条鱼发现该处食物丰富时,其他鱼会快速尾随至此。

在一片水域中,鱼往往能自行或尾随其他鱼找到营养物质比较丰富的地方,因而鱼聚集数目最多的地方往往是水域中营养丰富的地方。人工鱼群智能算法求解最优化问题就是模拟鱼群搜索食物过程的特点,把可行解域看成一片水域,函数在可行解域中的极值点视为水域中鱼群的食物源,函数值视为食物源的食物浓度。然后从构造单条人工鱼开始,通过模拟鱼的觅食、聚群和追尾行为,实现所有人工鱼聚集在食物源中心的附近,再比较相应食物源的浓度值,得出最优食物源,其对应位置的坐标就是最优化问题的解。

鱼的视野范围(记为Visual)是有限的。它在水域中随机游动,若在其视野范围内发现某点的食物浓度大于当前位置的食物浓度,则它会朝食物浓度大的点方向进行移动,移动的步长用step表示。游动到一定的程度,鱼在它的视野范围内可能有多条鱼,此时会产生聚群现象。若每一条鱼当前位置的食物浓度低于视野范围内鱼群的中心位置的浓度,鱼群的拥挤度不是太大,则鱼会朝中心位置移动;同时鱼群中的鱼还会有追尾现象发生,每一条鱼会探索其视野范围内最大食物浓度位置中的鱼,若拥挤度还没有达到极限位置,则鱼会朝最大食物浓度位置游动。

传统的人工鱼群算法经反复实验发现:决策变量X的维数增多时,算法的精度和收敛速度大大地降低了,无法得到全局最优解。实际问题中的许多待优化问题往往是高维的,如资源配送问题、线路设计问题等。因此本文在传统的鱼群算法基础上不断地给鱼群注入新的“生命”,动态修订鱼群拥挤度因子的上限值,更加符合自然界中鱼群的搜索食物的过程。改进后的鱼群算法称为自适应重生鱼群优化算法,适合大规模的优化问题的求解。

1.3 反向学习的基本概念

反向学习是智能搜索中的一种方法,已经被证明是随机搜索算法中的一种有效方法[14,15]。下面介绍反向学习中几个基本的概念。

1.3.1 反向数

定义1若x∈[a,b]是一维实空间R1中的点,则x的反向数x*=a+b-x。

1.3.1 反向点

定义2若p=(x1,x2,…,xn)是n维实空间上的一点,且xi∈[ai,bi],i=1,2,…,n,则p所对应的反向点p*(x1*,x2*,…,xn*),其中xi*=ai+bi-xi,i=1,2,…,n。

1.4 自适应重生鱼群优化算法

1.4.1 鱼群重生

鱼群重生是指每次迭代的开始根据上轮迭代所得的N个位置,生成这N个位置分别对应的反向点,重新得到N条人工鱼,给人工鱼注入新的生命,相当于产生新的N个位置。然后把N个位置与上轮迭代所得N个位置的食物浓度进行比较,选取食物浓度最大的前N个位置作为人工鱼的现处位置来参与进化,是对人工鱼的一种更佳的估计。每次迭代通过不断地给人工鱼注入“新生命”,丰富了种群的多样性,人工鱼的搜索范围扩大,跳出局部最优的机会增大,提高了算法获得全局最优的可能性。

1.4.2 动态拥挤度因子

拥挤度因子是用来刻画人工鱼群聚集的规模,拥挤度因子δ的设定是避免人工鱼过分地聚集在某个极值点的周围,使得人工鱼能够更广泛的寻优。传统的人工鱼群算法中把δ设定为一个常数,这样设计会影响算法的性能。若δ选取偏小,人工鱼在逼近极值的同时会避免过分拥挤而随机走开,或者受其他人工鱼的排斥作用,不能精确逼近极值点,且导致收敛速度很慢;若δ选取过大,容易陷入局部最优,致使算法出现停滞现象。

现引入动态拥挤度因δk来更加确切地模拟鱼搜索食物的过程。事实上,鱼群在寻找食物开始时,每条鱼在其视野范围内并不拥挤,为更广泛地搜索,避免鱼群过度集中,拥挤度因子δ应该取较小的值;随着鱼群搜索过程的继续,鱼群就会进行聚群和追尾行为,这时鱼的周围变得越来越拥挤,这时为保证最优食物源的周围有更多的鱼,避免因拥挤限制鱼群的聚集,δ应随着搜索的进行而增加。但是迭代后期,鱼群趋于成熟和稳定,鱼群容易陷入局部最优,致使算法停滞不前。这时为了提高人工鱼跳出局部最优的能力,我们应抑制鱼群的聚群和追尾行为,鼓励其进行觅食行为和随机游动,这时我们就要抑制δ的值并适当地降低。鉴于此,随着迭代次数k的不同,拥挤度因子δ也不同,即鱼群算法的拥挤度因子δ应该是迭代次数k的函数δk=δ(k)(δk称为动态拥挤度因子),且两者的函数关系大致如图1所示。

由此,鱼群算法中拥挤度因子的上限值δ修正为动态值δk。利用Matlab软件进行拟合,得到其变化规律可以利用正态分布来刻画,且拟合函数为:

其中m代表最大迭代次数。

鱼群算法经过上面两个方面的改进就称为自适应重生鱼群算法,其算法步骤为:

步骤1

设定每条人工鱼的视野范围为Visual,移动步长恒定为step,拥挤度因子为δ,最大迭代次数为m。

步骤2

初始化鱼群。在可行域S内随机生成N条人工鱼。第i条人工鱼的当前位置为Xi,其对应的食物浓度Yi(=-f(Xi))(i=1,2,…,N)。

步骤3

测定N条人工鱼在当前位置下的食物浓度Yi(1≤i≤N),记录食物浓度最大值Ymax和相应的位置Xmax,即作为公告板的初始记录(Xmax,Ymax)。

步骤4

鱼群重生。设这N条人工鱼当前位置为{X1,X2,…,XN},反向生成另外N条人工鱼的位置{X'1,X'2,…,X'N},且计算相应的食物浓度{Y1,Y2,…,YN}和{Y'1,Y'2,…,Y'N}。将{Y1,Y2,…,YN}和{Y'1,Y'2,…,Y'N}合在{Y1,Y2,…,YN,Y'1,Y'2,…,Y'N}进行比较,并取出其中前N个较大的食物浓度{Y1max,Y2max,…,YNmax}及它们所对应的人工鱼的位置{X1max,X2max,…,XNmax}。最后Ximax代替Xi即可(i=1,2,…,N)。

步骤5

动态拥挤度因子δk:

步骤6

聚群。设第i条人工鱼当前位置为Xi,探索其视野范围内的人工鱼的数目nif及中心位。如果(δk为拥挤度的上限值),则朝中心位置的方向按照式(1)前进一步,否则执行步骤8。

步骤7

追尾。设第i条人工鱼当前位置为Xi,探索其视野范围内的人工鱼中食物浓度最大的人工鱼Xj。如果Yj>Yi且,则朝人工鱼Xj的方向按照式(1)中的方法前进一步,否则执行步骤8。

步骤8

觅食。在人工鱼Xi的视野范围内随机选择一个位置Xj。若Yj>Yi,则朝Xj的方向按照式(1)中的方法前进一步,否则重新随机选择位置Xj,判断是否满足前进条件。若尝试Try_number次后仍不满足前进条件,则执行步骤9。

步骤9

随机移动。人工鱼在其可行域S内按照式(2)随机移动一步,产生一个新的位置Xnext。

步骤10

评估N条人工鱼现处位置下的食物浓度Y',并与公告板的初始记录进行比较。若Y'max≥Ymax,则更新公告板,否则不更新。

步骤11

用新确定的人工鱼位置,从步骤4开始重新搜索,直到迭代结束。

2 实验与仿真

2.1 高维优化函数极值问题

选择以下非线性优化函数来验证自适应重生鱼群优化算法的性能:

该非线性优化函数的全局最优解的周围分布着很多局部最优解。且容易看出,对任意的自然数n,该优化问题的最优解为X=0,最优值为1。

下面的仿真实验中,算法参数设置如下:人工鱼的数量为50,视野范围为1,移动步长为0.05,最大试探次数为50,最大迭代次数的设定:实验1为500次,实验2和3为50次。

实验1

图2为采用传统人工鱼群算法求解式(3)所得的最优值随维数n的变化曲线;图3为维数n=11时传统人工鱼群算法的寻优曲线。从图2可以看出随着维数n的增大,传统人工鱼群算法的最优值越来越偏离1,精度大大地降低。当维数n>5时,传统人工鱼群算法的求解误差≥0.25,所以其适用范围受到一定的局限性。且从图3中可以看出当维数n=11时,传统人工鱼群算法在迭代初期就陷入局部最优,始终无法跳出,所得的最优值0.366与1相差很大。

通过实验1可以得出:如果问题(3)要求求解误差≤0.25,则传统人工鱼群算法的适用范围为维数n≤5。但是实际的工程问题很复杂,所对应的优化问题的维数往往不止5。

实验2

图4-图6为自适应重生鱼群优化算法与传统的人工鱼群算法维数不同比较的仿真结果。图4表示当维数为2时,两种算法寻优曲线的比较。从图4可以看出虽然两种算法都能得到最优值,但改进后的人工鱼群算法比传统的人工鱼群算法的收敛速度快。图5表示当维数为5时,两种算法寻优曲线的比较。从图5可以看出当迭代次数为40次时,传统的人工鱼群算法已经陷入局部最优,并且所得的最优值0.87。但是自适应重生鱼群算法所得的最优值仍能逼近于1,求解精度比传统的人工鱼群算法高,且收敛速度快。图6表示当维数为11时,两种算法寻优曲线的比较。从图6可以看出传统的人工鱼群算法所求的最优值在0.4左右,与式(3)的最优值偏离很大,已经无法适用。但是自适应重生鱼群算法所得最优值仍保持在0.75以上,求解精度仍比传统的人工鱼群算法高。

通过实验2可以得出:本文自适应重生鱼群优化算法在收敛速度和全局寻优能力上都比传统的人工鱼群算法更佳,大大拓宽了人工鱼群算法的适用范围,在解决复杂的工程问题上更胜一筹。

实验3

图7为两种算法运行时间的比较结果。从图7可以看出在相同的迭代次数内,当维数n≥6时,两种算法的运行时间相当,也就是说,与传统人工鱼群算法相比,本文算法的复杂度并没有增加,说明本文提出的算法不仅复杂度没有增加,且各项性能都有大幅度的提高,在工程上适用范围广。

由此可以得出结论:处理高维优化函数问题时,自适应重生鱼群优化算法与传统人工鱼群算法相比,具有寻优速度快、精度高、复杂度相当等优点,成功地拓宽了其在工程上的应用。

2.2 旅行线路的优化

旅游线路的优化的问题是旅行商(TSP)问题的一种典型代表。近几年来对于TSP问题的求解提出了许多优化算法,其中仿生算法是研究的热点[9,10,11,12]。它具有传统算法不可替代的优势,如:非线性性、自组织性和并行性等。本文引用文献[13]中设计旅行线路为例,来直观地反映自适应重生鱼群优化算法与其他算法的优劣。

按照实数编码的原理,对各个城市进行重新编号。为验证本文算法的性能,同时引入遗传算法和传统的人工鱼群算法进行求解。此时的优化函数为城市之间的欧氏距离之和。相关参数设置如下:人工鱼数目为10;最大迭代次数:遗传算法为1500,传统和改进后的人工鱼群算法为500;最多试探次数为100;视野范围为6;移动步长为2;拥挤度因子为0.8(遗传算法与文献[13]的参数设置一致)。现设置出发点都为重庆,且必须经过每一个城市且仅一次,最后回到重庆。

由文献[13]可知,利用遗传算法得出的最优路线,所对应的最优值为18 997.8 km。采用传统的人工鱼群算法设计旅行路径的结果,其对应的最优值为18 596.9 km。从优化效果来看,传统人工鱼群算法的寻优效果比遗传算法的效果更好些。采用自适应重生鱼群优化算法设计旅行路径的结果。对应的线路安排如下:重庆—>贵州—>南宁—>海口—>澳门—>香港—>广州—>长沙—>合肥—>南京—>上海—>杭州—>台北—>福州—>南昌—>武汉—>郑州—>太原—>石家庄—>济南—>哈尔滨—>长春—>沈阳—>天津—>北京—>呼和浩特—>西安—>银川—>兰州—>西宁—>乌鲁木齐—>拉萨—>昆明—>成都—>重庆;所对应的最优值为17 595.3 km。从优化效果来看,自适应重生鱼群优化算法的寻优效果比遗传算法和传统的人工鱼群算法的效果都更佳。图8为自适应重生鱼群算法的寻优效果图。从寻优的速度来看,本文算法能够快速地找到较优路径,并且运行时间短。

通过三种算法的比较可以得出:本文在迭代过程中采用鱼群重生和利用正态分布调整拥挤度因子的思想设计所得的自适应重生鱼群优化算法,在实际的应用中能够得到更佳的效果,并且求解精度高,收敛速度快,成功地拓宽了传统的人工鱼群算法在工程上的应用。

3 结语

本文针对人工鱼群算法在处理高维优化函数时的缺点,提出了自适应重生鱼群算法。通过鱼群重生和利用正态分布动态调整拥挤度因子的结合,不仅每次迭代都给鱼群注入“新生命”,使鱼群得以重生,而且能自适应地调整鱼群的行为。实验表明:经自适应重生鱼群优化算法提高了求解高维优化函数的收敛速度和精度。最后为验证本文算法的有效性,将其用于34个城市旅游线路的优化,并与传统的人工鱼群算法和遗传算法相比。结果表明:本文算法寻优精度高,得到的线路最优,成功地拓宽了其在工程上的应用。

摘要：针对传统人工鱼群算法求解高维优化问题收敛速度较慢,易于陷入局部最优,提出自适应重生鱼群优化算法。首先在每次迭代过程中,不断地给鱼群注入“新生命”使鱼群得以重生;然后采用正态分布动态调整拥挤度因子的上限值使得算法更贴近于鱼群搜索食物的过程。实验结果表明,改进后的算法既保证收敛速度、增加算法获得全局最优的可能性,又适用于求解大规模的优化问题。其中的两个算例采用改进的鱼群算法进行优化,优化结果与实际具有良好的一致性,说明了改进算法的有效性和实用性。

自适应窗篇8

近年来,我国铁路事业发展迅猛,高速铁路的建设与发展在我国取得了举世瞩目的成就,我国已经进入高铁时代,传统的对于铁路机车的检测技术已经很难适应新形势的需要,特别是随着70吨级货车车辆的投入运行、专用货车车辆的不断增加,以往的单车试风系统也遇到了许多方面的问题[1]。为此,需要设计一种能满足各种车型的自调节单车试验系统。也就是说,对铁路机车安全性能的检测技术也必须全面提高。

中华人民共和国铁道部2008年发布的《铁路货车制动装置检修规则》中规定,单车试验器必须进行机能检查。

2 模糊控制理论

2.1 模糊控制理论简介

模糊控制系统是一个集合体,它通常由被控对象、测量装置、模糊控制器、A/D和D/A转换接口以及执行机构等部件构成,如图1所示。

模糊控制系统是一种自动控制系统,它是以模糊数学、模糊语言形式的知识表达和模糊逻辑的规则推理为理论基础,采用计算机控制技术构成的一种具有反馈通道的闭环结构数字控制系统。它的组成核心是具有智能性的模糊控制器。

2.2 模糊控制器的工作原理

模糊控制器的工作原理如图2所示。

3 自适应模糊控制器设计

随着计算机技术的发展,人们利用人工智能的办法将操作人员的调整经验做为知识存入计算机中,根据现场实际情况,计算机能自动调整PID参数,这样就出现了智能PID控制器。PID控制与专家系统相结合,利用模糊控制器将经验知识用控制规则表示,进行了模糊推理,自动实现对PID参数的最佳调整,这就是自适应模糊PID控制。

根据控制经验,可以将PID控制器分为以下五种情况进行设计和讨论:

(1)当e(k)>M1时,说明误差的绝对值已经很大。无论误差变化趋势如何,都应考虑控制器的输出按最大输出,以达到迅速调整误差,使误差绝对值以最大速度减小。

(2)当e(k)Δe(k)>0时,说明误差在朝误差绝对值增大的方向变化,此时若e(k)>M2(M2>M1),说明误差也较大,应考虑由控制器实施较强的控制作用,以扭转误差绝对值朝减小的方向变化;若e(k)

(3)当e(k)Δe(k)<0、Δe(k)e(k-1)>0或者e(k)=0时,说明误差的绝对值朝减小方向变化,或者已经达到平衡状态,此时可考虑采取保持控制器输出不变。

(4)当e(k)Δe(k)<0、Δe(k)e(k-1)>0时,说明误差处于极值状态。当e(k)≥M2,应使控制器施加较强的控制作用;若e(k)≤M2,应考虑施加较弱的控制作用。

(5)当e(k)<ε,其中ε为很小的正值,说明误差的绝对值很小,此时应加入积分作用,减少稳态误差[2,3]。

自适应模糊控制器以误差e和误差变化率ec作为输入,可以满足不同时刻的e和ec对PID参数自整定的要求。常规自适应模糊PID控制器的结构如图3所示。

PID参数模糊自整定是找出PID 3个参数的Kp、Ki、Kd与e和ec之间的模糊关系,在运行中通过不断检测e和ec,根据模糊控制原理来对3个参数进行在线修改,以满足控制参数不同的要求,从而使被控对象具有良好的动、静态性能。

PID参数自整定必须考虑到在不同时刻3个参数的作用以及相互之间的互联关系。自适应模糊PID是在PID算法的基础上,通过计算当前系统误差e和误差变化率ec,利用模糊控制规则进行模糊推理,查询模糊控制表进行参数调整。

输入、输出变量的隶属度分布形式如表1所示,它们的论域分别为:

Kp、Ki、Kd3个参数整定的模糊控制表分别如表2-4所示。

Kp、Ki、Kd的模糊控制规则表建立好后,可根据下述方法进行Kp、Ki、Kd的自适应校正。