自适应成长

自适应成长（精选八篇）

自适应成长 篇1

电子器件的高频、高速以及集成电路的密集和小型化,使得单位容积电子器件的总功率密度和发热量大幅度增大[1],冷却问题成为电子器件发展的一个瓶颈。仅靠在表面进行强化传热不能迅速将内部的热量排出,依然会导致器件内部的温度过高,影响运行,可通过在器件内部填充高导热材料,构建高效的导热通道,将内部热量导出到器件表面,再通过对流或其他方式将热量带走[2]。这类问题可以描述为:在一个固定大小的区域中分布一定的内热源,热量通过边界上的热沉排出,其余边界绝热,通过将一定数量的高导热材料填充到这个区域中,使散热效果最佳。Bejan[3]称该类问题为体-点问题。

对于体-点问题,Bejan[3]采用构形理论(constructal theory)进行求解。该方法首先对初始单元进行优化获得初始单元中的高导热通道的尺寸参数,然后对由初始单元组装而成的一级装配体进行优化获得一级装配体中的高导热通道的尺寸参数,逐级装配直至将高导热材料组成的散热通道覆盖至所需要的散热面积。程新广等[4]采用基于生命演化原理的仿生优化方法,在温度梯度大的地方进行材料进化,在温度梯度小的地方进行材料退化,构造了不同条件下的高效导热通道。左孔天等[5]将结构力学中的拓扑优化方法SIMP法(该方法定义了材料的密度和热导率的关系)应用到热传导结构的优化设计中,然后把材料的密度作为设计变量,利用优化准则法求解出最优结果。张永存等[6]同样利用SIMP法对体-点问题进行了求解,并对构形理论、仿生法、SIMP法三种方法的求解结果进行了对比总结。Gao等[7]利用BESO方法分析了体-点问题,该方法通过灵敏度分析,逐步删除无效材料来实现散热通道的分布。

丁晓红等[8]通过研究植物根系的成长机理,提出自适应成长法来解决薄板结构的加强筋分布的设计问题。该方法通过灵敏度分析,在灵敏度大的地方加强筋成长速度大,灵敏度小的地方加强筋成长速度小,通过迭代计算产生最优结果。

散热通道中热流与植物根系中的水分等物质流具有本质相似性,基于植物根系形态形成机理的自适应成长法可应用于散热通道的分布设计。本文基于自适应成长法的基本原理,探讨体-点问题的求解新途径,通过若干典型算例的研究,说明提出方法的有效性。

1 体-点问题的自适应成长法原理

典型的体-点问题如图1所示,设计区域内有均匀的内热源,四个边界绝热,

热沉位于区域下边中点,将一定的高导热材料填充到结构当中。

首先将具有内热源的设计区域划分为n个四边形有限单元,离散后的体-点问题优化数学模型可以描述为

find k1,k2,…,kn

min Tmax=T(k1,k2,…,kn)

s.t. k0<ki<kpi=1,2,…,n

V<Vs

式中,Tmax为散热结构的最高温度;ki为单元i材料的热导率;k0为原材料的热导率;kp为填充的高导热材料的热导率;V为计算出的高导热材料的体积;Vs为给定的高导热材料的体积。

应用自适应成长法填充高导热材料时,以每一单元的材料热导率作为设计变量,初始结构中所有单元的材料热导率均为k0,每次迭代中,单元i的热导率由下式确定:

$k{}_i^{(j)}=w\frac{\text{Δ}{\rm T}{}_i^{(j)}}{\overline{\text{Δ}{\rm T}}{}^{(j)}}k{}_i^{(j-1)}$ (1)

式中,k(j)i为第j次迭代中第i个单元的热导率;w为自适应成长速度的调节因子;ΔT(j)i为第j次迭代中第i个单元的温度梯度;$\overline{\text{Δ}{\rm T}}{}^{(j)}$为第j次迭代中结构的平均温度梯度;k(j-1)i为第j-1次迭代中第i个单元的热导率。

式(1)的含义是:把第j次迭代中结构的平均温度梯度$\overline{\text{Δ}{\rm T}}{}^{(j)}$作为参考值,当第j次迭代中第i个单元的温度梯度ΔT(j)i大于平均温度梯度$\overline{\text{Δ}{\rm T}}{}^{(j)}$时,该单元的热导率k(i)j增大;当第j次迭代中第i个单元的温度梯度ΔT(j)i小于平均温度梯度$\overline{\text{Δ}{\rm T}}{}^{(j)}$时,该单元的热导率k(j)i减小。

为了对设计结果进行比较,参考文献[6,9]定义了量纲一热阻R:

$R=\frac{({\rm T}{}_{\max }-{\rm T}{}_{\min })k{}_0}{\ddot{{\displaystyle q}}A}$ (2)

式中,Tmin为结构内的最低温度;$\ddot{{\displaystyle q}}$为结构内的产热率;A为结构的面积。

编程实现上述思想的流程,如图2所示。首先建立问题的几何模型和边界条件,然后进行有限元分析。提取出温度梯度之后,按照式(1)进行自适应成长,根据成长的结果更新单元的热导率。当本次迭代最大温度与上次迭代的最大温度之差ΔTmax大于等于一很小的定值ζ时,继续进行下次有限元分析;否则,迭代终止。

2 典型算例

2.1 算例1

为了便于和其他方法的结果进行比较,以文献[4,6]中的参数建立设计模型。板的长和宽均为0.1m,原材料的热导率为1W/(m·K),内部均匀产热率$\ddot{{\displaystyle q}}=3\text{k}\text{W}/\text{m}{}^3$,热沉点温度为0℃,四个边界绝热。定义导热比η=kp/k0,下面分别就高导热比、低导热比两种情况进行讨论。

2.1.1 高导热比的情况

针对导热比η=400的情况,文献[6]已经对构形理论、仿生法、SIMP法几种设计方法进行了对比,表1在其基础上增加了自适应成长法的设计结果。

文献[6]指出,构形理论二级装配的量纲一热阻为0.0318,随着装配级数的增多,热阻随之减小,减小的极限值为0.02,因此表1中该方法的热阻范围为0.02～0.0318。自适应成长法设计的热阻为0.0186,比构形理论设计出的0.02～0.0318和仿生法设计的0.0258都要小,而与SIMP法设计的0.0183的结果很相近。

设计的结果类似自然界中根系系统的结构。

图4所示为应用自适应成长法设计的迭代历程,图中,填充体积比γ为填充材料体积占结构体积的百分比。由图4可知,随着迭代的进行,一定体积的高导热材料逐渐被填充到结构中,而结构的最大温度也随之减小。虽然填充的体积基本上按一定的速度增大,但前期最大温度快速下降;后期最大温度虽然有所下降,但基本上保持稳定。直到相邻两次迭代的最大温度差小于给定值ζ时,迭代终止。

结合表1、图3和图4可以看出,在高导热比的情况下,SIMP法和自适应成长法设计的结果虽然没有构形理论和仿生法设计的结果规整,但它们的分枝状的结构最大程度地发挥了材料的性能。

2.1.2 低导热比的情况

针对导热比η=3的情况,文献[6]也对仿生法、SIMP法两种设计方法进行了对比,表2在其基础上增加了自适应成长法的设计结果。

由于低导热比的情况构形理论不能适用,因此表2只列出了仿生法、SIMP法、自适应成长法的结果,可以看出,SIMP法设计的热阻0.00856和自适应成长法设计的热阻0.00748比仿生法设计的热阻0.01012都要小,而自适应成长法设计的结果比SIMP法的还要小一些。

图5所示为导热比为3时各种方法设计的高导热通道(深色部分为填充的高导热材料)。

综合表2和图5可以看出,SIMP法和自适应成长法设计的导热通道在热沉点处材料的分布比较密集,不像仿生法那样有分支,说明在低导热比的情况下没有分支的结构是一种高效传热的结构。

2.2 算例2

为了进一步说明自适应成长法的有效性,选择文献[7]中的实例进行比较。该实例中,板的长和宽均为0.1m,原材料的热导率为1W/(m·K),四边给定温度为0℃。下面分别就中心点P产热率为300kW/m3、内部均匀产热率为3kW/m3两种情况进行研究。

2.2.1 中心点产热

图6所示为中心点产热时各种方法的设计结果,可以看出,SIMP法和自适应成长法设计的结果在靠近四边处高导热材料更密集一些,而BESO法设计的通道宽度均匀。总的来说,无论是SIMP法和自适应成长法还是BESO法,设计结果都是近似“十”字形的结构。这种结构的通道从中心点向四边中点延伸。

图7所示为中心点产热时应用自适应成长法设计的迭代历程。由图7可知,随着迭代的进行,一定体积的高导热材料逐渐被填充到结构中,而结构的最大温度也随之减小,但是前期填充速度缓慢,最大温度却下降得比较明显;后期虽然填充速度比较快,最大温度却下降得比较缓慢。

2.2.2 内部均匀产热

图8所示为内部均匀产热时各种方法的设计结果,可以看出,无论是SIMP法、BESO法还是自适应成长法,设计结果基本类似,高导热材料组成的散热通道除了从中心到四个顶点的连线上没有高导热材料,在靠近四边处高导热材料比较密集。

图9所示为均匀产热时应用自适应成长法设计的迭代历程,可见其变化趋势与图7基本一致。

3 结语

本文研究了自适应成长法构建散热结构中导热通道的技术,以若干典型实例进行设计,并与现有方法的设计结果进行比较,结果表明,所提方法设计的通道虽然没有构形理论、仿生法的规整,但是却更加高效地利用了材料,得到了与SIMP法、BESO法等拓扑优化近似的结果,说明自适应成长法对于解决构建散热通道这类问题的有效性,也进一步说明了基于自然界分枝系统的成长机理提出的自适应成长法的普遍适用性。

需要说明的是,虽然本文设计出的结构比较复杂,制造起来有一定的难度,但随着可以进行分层制造和材料逐点累加的快速成形技术的发展[10,11],具有复杂内部结构的异质材料零件制造技术使得采用自适应成长法构建散热结构的制造成为可能。

参考文献

[1]李庆友,王文,周根明.电子元器件散热方法研究[J].电子器件,2005,28(4):937-941.

[2]徐向华,任建勋,梁新刚.体-点问题的优化方法研究[C]//赵炜.中国工程热物理学会第十一届年会论文集传热传质学(上册).北京:中国工程热物理学会,2005:23-28.

[3]Bejan A.Constructal-theory Network of Conduc-ting Paths for Cooling a Heat Generating Volume[J].Int.J.Heat and Mass Transfer,1997,40(4):779-816.

[4]程新广,李志信,过增元.基于仿生优化的高效导热通道的构造[J].中国科学(E辑),2003,33(3):251-256.

[5]左孔天,陈立平,张云清,等.用拓扑优化方法进行热传导散热体的结构优化设计[J].机械工程学报,2005,41(4):13-16.

[6]Zhang Yongcun,Liu Shutian.Design of ConductingPaths Based on Topology Optimization[J].HeatMass Transfer,2008,44:1217-1227.

[7]Gao T,Zhang W H,Zhu J H,et al.Topology Opti-mization of Heat Conduction Problem Involving De-sign-dependent Heat Load Effect[J].Finite Ele-ments in Analysis and Design,2008,44:805-813.

[8]丁晓红,李国杰,蔡戈坚,等.薄板结构的加强筋自适应成长法[J].中国机械工程,2005,16(12):1057-1060.

[9]Ding Xiaohong,Yamazaki Koetsu.Constructal De-sign of Cooling Channel in Heat Transfer System byUtilizing Optimality of Branch Systems in Nature[J].Journal of Heat Transfer,2007,129:245-255.

[10]吴晓军,刘伟军,王天然,等.三维CAD零件异质材料建模方法[J].机械工程学报,2004,40(5):111-117.

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Memetic算法 篇3

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.

自适应竞争遗传算法研究 篇4

遗传算法具有良好的全局搜索性能，减少了限于局部最优解的风险，鲁棒性强，适用于并行处理，搜索不依赖于梯度信息。标准的遗传算法(SGA)收敛速度太慢，交叉率和变异率固定等缺陷，对提高控制系统的响应速度和控制精度不利，严重影响到遗传算法实际应用，Srinvivas等提出的一种使交叉概率pc和变异概pm随适应度自动改变的方法—自适应遗传算法 (AGA) 。本文研究了基于自适应竞争的遗传算法，采用保优竞争策略。保持最优个体算法就是在每一代的遗传操作中，保持当前一定数量的最优解，它们不参加变异和交叉操作。为了避免过早的陷入早熟，用当前代最优个体取代适应度最差个体，参与交叉变异。自适应竞争遗传算法是个体能够根据自身的适应度大小，自动决定交叉率和变异率且自动取舍是否直接转入下一代还是参与遗传操作。运用MATLAB对其进行仿真，结果显示该算法的有效性。

（二）自适应竞争遗传算法的实现

自适应竞争遗传算法实现过程如下：

1. 初始化：

确定遗传操作的参数：种群大小，染色体长度、进化代数、交叉率和变异率由自适应函数给出。

2. 编码：

本文采用二进制编码方式，二进制的长度由问题解的控制精度确定，这里选择其长度为20，采用二进制编码的优点就是遗传操作方便。

3. 计算各个体的适应度值：

这里的是求一函数的最大值，故可直接把函数实值作为其适应度，由二进制转十进制函数计算出个体适应度值和平均适应度fagv。

4. 保优竞争：

当个体适应度值大于平均适应度fagv的个体即被选中，共计为N个，再次计算该N个体的平均适应度fagv1，当选中的个体大于平均适应度fagv1，直接进入下一代。其中存在两次竞争，第一次和第二次竞争淘汰下来的进行交叉变异操作。

5. 确定交叉率fc和变异率fm自适应函数：

由各个体的适应度大小自行决定交叉率fc和变异率fm的大小，为了避免过早地陷入局部最优，采用两次竞争的最优个体替代最差个体，并给其较小的交叉率和变异率进行遗传操作，具体的确定法则见式 (1) 和式 (2) 。

其中，式2中，0

6. 进行交叉变异操作：

由第四步的公式编写交叉变异函数，分别对其进行调用，计算经过遗传操作的个体适应度，与第一次竞争的优胜个体进行重组操作。

第六步判断遗传操作是否结束：判断是否达到给定的遗传代数，是，给出最优个体，否，则返回第3步。

（三）Matlab编程实现

为了对比验证该算法的有效性，本文采用雷英杰编著的《MATLAB遗传算法工具箱及应用》第七章7.1的例题函数，并与之进行对比。

利用遗传算法计算下面函数的最大值：

选取和例题一样的初始条件，种群个体数目为40，每个种群长度为20，不使用代沟值，取而代之的是竞争操作。

编程环境是基于英国设菲尔德(Sheffield)大学的MATLAB遗传工具箱，标准的遗传算法的交叉率和变异率固定，这里用的是自适应，即各个体的交叉率和变异率是不一样的，要实现这一功能，必须扩展工具箱函数，使其交叉率pc和变异率pm能符合矩阵操作，即可满足自适应操作要求。

保优竞争操作实现代码如下:

（四）仿真结果分析

图1是采用自适应竞争遗传算法对式3进行寻优操作的最后结果图。

图2是自适应竞争遗传操作每代最优解和种群均值的变化曲线。

从图2中可以得出, 运用自适应竞争遗传操作, 在5代之内即可寻到该函数的最大值，运用标准的遗传算法须经过25代后才寻到最优解，如果选择函数选择sus函数时，还有可能陷入局部最优，如图3。

（五）结语

通过仿真发现自适应竞争遗传算法的有效性，时效性，对标准的遗传算法进行了优化，提高控制系统的响应速度和控制精度，对遗传算法实际应用起到一定帮助，但是遗传算法在最优解附近的精调能力较弱，解决办法可用遗传算法与神经网络进行结合，这在后面的研究工作有待体现。

摘要：遗传算法具有良好的全局搜索性能, 鲁棒性强, 适用于并行处理, 但标准的遗传算法 (SGA) 收敛速度太慢, 交叉率和变异率固定等缺陷, 对提高控制系统的响应速度和控制精度不利, 严重影响到遗传算法实际应用。文章主要研究了基于自适应竞争的遗传算法, 采用保优竞争策略, 仿真显示该算法的有效性。

关键词：自适应,遗传算法,保优竞争

参考文献

[1]刘战国, 童明俶, 王明渝, 黄萍.遗传算法在BP网络PID控制中的应用仿真[J].计算机仿真, 2009, 26 (10) :207-211.

[2]王焱, 孙一康.GA-BP网络混合建模方法及其在冷轧参数优化中的应用[J].济南大学学报 (自然科学版) , 2001, 15 (4) :319-322.

[3]吴琦, 胡德金, 张永宏, 徐鸿钧.GA-BP网络建模在套料钻性能预测中的应用[J].兵工学报, 2006, 27 (3) :494-497.

[4]姚有领.智能自适应解藕控制及其在板形板厚综合控制中的应用[D]:[博士学位论文].上海:上海大学机电工程与自动化学院, 2007.

自适应入侵检测模型 篇5

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.

星图的自适应诊断 篇6

关键词：分层系统的诊断,自适应诊断,星图,并行诊断周

1967年,Preparata,Mmtze 和 Chien[1]首次提出的系统级故障诊断的图论模型—PMC模型,用图论的方法解决系统级故障诊断问题。在这个模型中,每一个点都可以测试与它相邻的点。如果u与v相连,则用(u,v)表示它们之间的测试,测试结果用r(u,v)表示。如果u测试v的结果是正确的,那么r(u,v)=0;否则r(u,v)=1。当结点u正常时,测试结果是可靠的;否则测试结果是不可靠的。错误诊断问题就是通过对测试结果的分析来识别结点的性质。

这个领域最早的研究主要是对单步诊断和非自适应诊断的研究。Nakajima[2]首先提出了一种自适应诊断方法—在已有的诊断结果的前提下诊断任务可以动态地确定。这种方法大大提高了诊断效率。对有N个结点的完全连通图,如果它的错误结点不超过t个,则非自适应诊断方法至少需要Nt次诊断;而Blecher[3]证明了它的自适应诊断方法只需要N+t-1次诊断。衡量自适应诊断方法的另一种标准是并行诊断周的数目。在每一个并行诊断周中,假设每一个点最多进行一次诊断。在同一个并行诊断周中诊断只在不相邻的结点之间进行,即4个结点u,v,w和z互不相同的时候,两个诊断(u,v)和(w,z)才能并行进行。S L Hakimi[4]对自适应诊断的并行诊断周进行了研究。对有N=2n个结点和最多t=n个错误结点的n维立方体网络,Feng等人[5]找到一种方法,这种方法最多需要N(「log t┐+2)次诊断,并且最多在t+4个并行诊断周内完成;Kranakis和Pecl [6]改进了Feng[5]的算法,指出N+3t/2次诊断和11个诊断周就已经足够;而Bjoklund [7]指出最佳的诊断次数是N+t-1次,并且这些诊断可以在4个诊断周内完成。Aya Okashita[8]在Bjoklund[7]的基础上对立方体网络的几种变形进行了研究,证明了在错误结点数不超过n的情况下诊断可以在4周内完成。

众所周知,星图具有比立方体及其变形更复杂的结构,它具有更好的拓扑性质。星图在很多领域得到了广泛应用,例如无线传感器网络等。星图的边错误诊断已经得到了研究,可是还没有关于星图的自适应诊断的研究。文中对基于星图的自适应诊断方法进行了研究。文中的方法利用了Bjoklund[7]中的递归的哈密尔顿性质。自适应诊断方法是以出错结点数目不超过星图的度n-1为前提。文中指出星图的自适应诊断最多需要n个诊断周。在最坏的情况下这种方法需要(2n-1)(n-1)!次诊断。

1 定义和预备知识

一个互联网可以用一个无向图表示,互联网中的处理器用图中的结点代替,处理器之间的连接用图中的边表示。如果x和y相连,则x可以测试y是否是错误结点,y也可以测试x是否错误。对任意的图G,用V(G)表示点集,用E(G)表示边集(有向图的边集用$\mathit{A}(\stackrel{\rightharpoonup }{\mathit{G}})$表示)。

定义1[8] 如果有向图$\stackrel{\rightharpoonup }{\mathit{G}}$满足:$\mathit{V}(\stackrel{\rightharpoonup }{\mathit{G}})=\mathit{V}(\mathit{G})$并且$\mathit{A}(\stackrel{\rightharpoonup }{\mathit{G}})$是E(G)的一个有向子集则称有向图$\stackrel{\rightharpoonup }{\mathit{G}}$称为无向图G的有向子图。对于无向图G的有向子图$\stackrel{\rightharpoonup }{\mathit{G}}$和任一子图${\mathit{G}}^{\prime },\stackrel{\rightharpoonup }{\mathit{G}}{\displaystyle \cap {\mathit{G}}^{\prime }}$是一个图,这里$\mathit{V}(\stackrel{\rightharpoonup }{\mathit{G}}{\displaystyle \cap {\mathit{G}}^{\prime }})=\mathit{V}({\mathit{G}}^{\prime })$且$\mathit{A}(\stackrel{\rightharpoonup }{\mathit{G}}{\displaystyle \cap {\mathit{G}}^{\prime }})=\{(x,y)|(x,y)\in \mathit{A}(\stackrel{\rightharpoonup }{\mathit{G}}),x\in {\mathit{G}}^{\prime },y\in {\mathit{G}}^{\prime }$,并且x和y相连}。

定义2[9] 用Sn表示n维的星图。Sn的边集$\mathit{V}=\{a{}_{1}a{}_2\cdots a{}_n|a{}_{1}a{}_2\cdots a{}_n$是1,2,…,n的一个组合},边集$\mathit{E}=\{(a{}_{1}a{}_2\cdots a{}_{i-1}a{}_{i}a{}_{i+1}\cdots a{}_n,a{}_{i}a{}_2\cdots a{}_{i-1}a{}_{1}a{}_{i+1}\cdots a{}_n)|a{}_1\cdots a{}_n\in \mathit{V},2\le i\le n\}$。

由定义可以看出Sn是由n!个点和(n-1)n!/2条边所组成的无向图,Sn中的每一个点的度都是(n-1)。S1,S2和S3分别是一个点,一条边和一个六边形的环。S4的结构,如图1所示。

2 星图的自适应错误诊断

下面构造星图的(n-1)周递归的哈密尔顿方法。

很显然,星图的构造是递归的。Sn可以看作由多个镶嵌在Sn中子星图Sr(1≤r≤n)组成。为方便起见,文中称(a1a2…an,aia2…ai-1a1ai+1…an)为沿维数i(2≤i≤n)的边,〈s1s2…sn〉r用表示内嵌的子星图Sr,这里s1=*,si∈{*,1,2,…,n}(2≤i≤n)且s1,s2,…,sn中有r个可用符号*来代替。例如:S3即〈***2〉3是星图S4的一个内嵌子星图,它有6个点,1 342,3 142,4 132,3 412和4 312。当r=n时,〈s1s2…sn〉n即为Sn 。对任意的i∈{2…n},Sn由n个互不相连的Sn-1组成,用〈*i-1q*n-i〉n-1(q∈{1,2,…,n})表示Sn-1,*i表示i个连续的*。显然,Sn中任意两个内嵌的Sn-1都是通过沿维数i(i∈{2…n})的边相连。如果把每一个内嵌的Sn-1都看作是一个超点,那么所有的Sn-1构成一个完全图。值得注意的是这个完全图不是一个简单图,任意的两个超点之间沿维数i的边共有(n-2)!条。按这种思路来考虑Sn,沿维数n来划分Sn,可以得到n个内嵌的Sn-1,即〈*n-1i〉n-1(i=1,2,…,n)。用S${}_{n-1}^1$,S${}_{n-1}^2$,…,S${}_{n-1}^n$来表示这n个Sn-1,这里S${}_{n-1}^i$=〈*n-1i〉n-1(1≤i≤n)。很显然,S${}_{n-1}^i$(1≤i≤n)与Sn-1同构并且S${}_{n-1}^1$,S${}_{n-1}^2$,…,S${}_{n-1}^n$之间是完全匹配的。例如:沿着维数4来划分S4可得到4个S3,即〈***1〉3,〈***2〉3,〈***3〉3和〈***4〉3,每个S3都是一个六边形,如图1所示。

文中的主要方法是构造n维星图Sn的一个有向子图和给边着色,这里要求着相同颜色的边不能有相同的端点。图G的一个(n-1)周的诊断方法其实是一个二元的映射$(\stackrel{\rightharpoonup }{\mathit{G}},R)$,这里$\stackrel{\rightharpoonup }{\mathit{G}}$是图G的一个有向子图,R∶A(G)→{1,2,…,n} 是一个边着色函数,R规定,对任意的两个边e和e′,当它们相邻时,R(e)≠R(e′)。假设$\stackrel{\rightharpoonup }{{\displaystyle \mathit{S}{}_n}}$是n维星图Sn的一个有向子图。二元映射$(\stackrel{\rightharpoonup }{{\displaystyle \mathit{S}{}_n}},R)$是一个递归的(n-1)周的哈密尔顿诊断方法,如果:

(1)当n=3时,Sn是一个长度为6的环;

$(2)\stackrel{\rightharpoonup }{{\displaystyle \mathit{S}{}_n}}$有一个哈密尔顿圈$\stackrel{\rightharpoonup }{{\displaystyle \mathit{{\rm H}}{}_n}}$;

(3)当n≥3时,$(\stackrel{\rightharpoonup }{{\displaystyle \mathit{S}{}_n}}{\displaystyle \cap \mathit{S}}{}_{n-1}^i,R)(1\le i\le n)$仍是一个递归的哈密尔顿图,这里(S${}_{n-1}^i$,S${}_{n-1}^2$,…,S${}_{n-1}^n$)是Sn的一个划分且每一个S${}_{n-1}^i$与Sn-1同构;

(4) 至少有一个S${}_{n-1}^i$(1≤i≤n)中的所有点都是正确的。如果S${}_{n-1}^j$(1≤j≤n)中有点出错,则错误结点的个数不超过它的度n-2。

由递归的(n-1)周的哈密尔顿诊断方法的定义可以得到,$\stackrel{\rightharpoonup }{{\displaystyle \mathit{S}{}_n}}{\displaystyle \cap \mathit{S}}{}_{n-1}^i$有一个哈密尔顿圈$\stackrel{\rightharpoonup }{{\displaystyle \mathit{{\rm H}}{}_{n-1}^i}}(1\le i\le n)$。如果某些$\stackrel{\rightharpoonup }{{\displaystyle \mathit{{\rm H}}{}_{n-1}^i}}(1\le i\le n)$中所有点的诊断结果都是0,那么称这些$\stackrel{\rightharpoonup }{{\displaystyle \mathit{S}{}_{n-1}^i}}(1＜i\le n)$都是正确的。假设S${}_{n-1}^1$,S${}_{n-1}^2$,…,S${}_{n-1}^i$(1<i≤n)中的所有点都是正确的,那么可以用这些点来诊断它们在S${}_{n-1}^j$(i<j≤n)中的邻点。如果S${}_{n-1}^j$(i<j≤n)中一些点的诊断结果是,不失一般性,假设j=n,那么可以在第n周中对S${}_{n-1}^n$用递归的方法,即把S${}_{n-1}^n$划分成(n-1)个子星图(每个子星图中错误结点数不超过(n-2))继续诊断。

3 n周诊断方法

下面构造递归的(n-1)并行诊断周的哈密尔顿诊断方法。

定理1 当n≥3时,n维的星图Sn有一个递归的(n-1)并行诊断周的哈密尔顿诊断方法。

证明 对n利用归纳法。当n=3,4时,Sn的递归(n-1)周的哈密尔顿诊断方法,如图2所示。图2中的数字是边的标号。

假设当n=k-1(k≥5)时成立。令S${}_{k-1}^i$(u=1,2,…,k)是Sk的一个子星图,由归纳假设,对S${}_{k-1}^i$,构造递归的(k-2)周的哈密尔顿诊断方法$(\stackrel{\rightharpoonup }{{\displaystyle \mathit{S}{}_{k-1}^i}},\mathit{R}{}_{k-1}^i)$,这里$\stackrel{\rightharpoonup }{{\displaystyle \mathit{S}{}_{k-1}^i}}$与Sk-1同构;对S${}_{k-1}^{i+1}$,同样可以构造$(\stackrel{\rightharpoonup }{{\displaystyle \mathit{S}{}_{k-1}^{i+1}}},\mathit{R}{}_{k-1}^{i+1})$,如果(i+1)mod 2=0时取反方向。对弧q${}_{k-1}^i$=((i-1)(i+1)Xk-4i,(i+1)(i-1)Xk-4)∈S${}_{k-1}^i$(i≥2),点i(i-1)Xk-4(i+1)∈S${}_{k-1}^{i+1}$与q${}_{k-1}^i$相连,用p${}_{k-1}^{i+1}$表示弧((i+1)(i-1)Xk-4i,i(i-1)Xk-4(i+1));点i(i+1)Xk-4(i-1)∈S${}_{k-1}^{i-1}$与q${}_{k-1}^i$相连,用弧p${}_{k-1}^i$表示(i(i+1)Xk-4(i-1),(i-1)(i+1)Xk-4i)。对S${}_{k-1}^1$和S${}_{k-1}^k$,q${}_{k-1}^k$=((k-1)Xk-3k,1Xk-3k),p${}_{k-1}^{k-1}$=(kXk-3(k-1),(k-1)Xk-3k),p${}_{k-1}^k$=(1Xk-3k,kXk-31)。$\stackrel{\rightharpoonup }{{\displaystyle \mathit{{\rm H}}{}_k}}={\displaystyle \underset{i=1}{\overset{k}{\cup }}(}\stackrel{\rightharpoonup }{{\displaystyle \mathit{{\rm H}}{}_{k-1}^i}}{\displaystyle \cup p}{}_{k-1}^i/q{}_{k-1}^i),\stackrel{\rightharpoonup }{{\displaystyle \mathit{{\rm H}}{}_k}}$是Sk的一个哈密尔顿圈。用k-1来着色p${}_{k-1}^i$。这样$\stackrel{\rightharpoonup }{{\displaystyle \mathit{{\rm H}}{}_k}}$中的每一条弧都被中的一种颜色着色过了。所以,k周并行诊断方法$(\stackrel{\rightharpoonup }{{\displaystyle \mathit{S}{}_k}},R)$是递归的且具有哈密尔顿性。

4 分析

从第3和4部分可以看出,文中的方法用了n个诊断周。对至多有n-1个错误结点的n维的星图Sn,假设在前(n-1)周诊断中构造了很多的环,大多数的点都是正确的,这些正确的点都可以用来在第n周中诊断其他的环。如果在前n-1个并行诊断周中诊断出了所有的错误结点,那么诊断次数仅仅只有n!+(n-2)次。否则,将对Sn的子星图们运用文中的递归方法。在最坏的情况下文中的方法最多需要(2n-1)(n-1)!次诊断。通过以上的分析,可以得到推论1。

推论1 对具有不超过n-1个错误结点的星图Sn(n≥3)进行自适应诊断,最少需要n!+(n-2)次诊断,最多需要(2n-1)(n-1)!次诊断。

5 结束语

文中提出的这种方法是通过构造递归的哈密尔顿圈来完成对星图的自适应诊断的。文中同时给出了在最坏情况下,n个并行诊断周共需要(2n-1)(n-1)!次诊断。但可以看出,随着n的增大,诊断次数增长的很快。以后的工作就是尽可能的减少诊断次数和减少并行诊断周的次数,最好使并行诊断周数变成常数。

参考文献

[1]Preparata F P,Metze G,Chien R T.On the Connection Assignment Problem of Diagnosable Systems[J].IEEE Trans.Electron.Comput,1967,16(6):848-854.

[2]Nakajima K.ANewApproach to System Diagnosis[C].19th Allerton Conf.Comm.Control and Computing,1981:696-706.

[3]Blecher P M,Blecher.On A Logical Problem[J].Dis-crete Mathematics,1983,43(9):107-110.

[4]Hakimi S L,Nakajima K.On Adaptive System Disgno-sis[J].IEEE Trans.Computer,1984,33(3):234-240.

[5]Feng C,Bhuyan L N,Lombardi F.Lombardi,Adap-tive System-level Diagnosis for Hypercube Multiproces-sors[J].IEEE Trans.Comput,1996,45(10):1157-1170.

[6]Kranakis E,Pelc A.Better Adaptive Diagnosis of Hy-percubes[J].IEEE Trans.Comput,2000,49(10):1013-1020.

[7]Bjoklund A.Optimal Adaptive Fault Diagnosis of Hyper-cubes[C].Berlin:Proc.SWAT2000,Lecture Notes in Computer Science1851,ed.M.M.Halldorsson,Springer-Verlag,2000:527-534.

[8]Okashita A.Adaptive Diagnosis of Variants of Hypercube[J].IEICE Trans.Fundamentals,2005,E88-A(3):728-735.

自适应成长 篇7

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。

将系统误差e和ec的论域定为:e,ec={NB,NM,NS,Z,PS,PM,PB}。设e、ec和Kp、Ki、Kd均服从正态分布,从而得出各模糊子集的隶属度,根据各模糊子集的隶属度赋值表各个参数的模糊控制模型,应用模糊合成推理设计PID参数的模糊矩阵表,查出修正参数代入下式计算:

在线运行过程中,控制系统通过对模糊逻辑规则的处理结果、查表和运算,完成对PID参数的在线自校正。

4建模与仿真

单车自适应模糊控制Simulink模型如图4所示,其仿真结果如图5所示。

5结论

自适应模糊PID控制系统无稳态误差和超调,输出曲线和理想输出曲线基本上已经完全重合,即满足了系统的设计要求。PID控制原理简单,易于实现,但是当有干扰信号时,鲁棒性远不如模糊控制器。自适应模糊PID控制系统的鲁棒性很好,控制系统基本无静差和超调,大大改善了系统的动、静态特性。

摘要：自适应模糊控制器可以自动调整PID的参数,以便在短时间内,单车试验器以最快的响应速度,使各种不同容积列车的排风曲线跟踪理想排风曲线,使其分别满足各种车型的测试要求。通过Simulink仿真可以看出,在制动部分容积发生改变后,系统的鲁棒性强,运行状态良好,达到了设计要求。

关键词：单车试验器,模糊控制,鲁棒性

参考文献

[1]郭建国.自调节单车试验系统的研制[D].太原:太原科技大学,2008,34-40.

[2]王宗培.步进电动机及其控制系统[M].哈尔滨:哈尔滨工业大学出版社,1984,52-60.

自适应粮食干燥控制系统 篇8

关键词：粮食,干燥,自适应

1 引言

我国南方粮食的收获期,天气正值高温、高湿、多雨季节,日间的温湿度变化很大,因而常导致收获的粮食,水分差异很大。相应的粮食集中干燥设备的进机粮含水率变化很大,干燥设备工况频繁变动无法避免,也就造成了粮食干燥系统的不确定性。为了最大限度地保障粮食的干燥效果、提高干燥设备的工作效率、尽可能降低能量消耗,所以提出了本系统的研究。针对粮食干燥系统不确定性的特点,在粮食深层干燥解析理论[1]和高湿粮食水分精确在线测量技术[2]的基础上,开发了一套基于自适应控制的粮食干燥控制系统。该设系统工作过程中,能根据实时的进粮水分,机器排粮工况自动变更工作状态,保证实时调节干燥方式,从根本上,改变了传统的靠检测出机粮水分控制进风条件的干燥开环控制做法。

2 粮食干燥系统特性及选用的解析模型

2.1 粮食干燥控制系统

粮食干燥系统大体工作流程为输入能量、干燥介质(热风)、湿粮,排出废气,最终得到干粮。干燥系统的各环节,决定着干燥系统的动态特性。因而试图采用分析方法得到它的动态解析式,是一大难题。本文在采用同行提供的解析式和计算方法的基础上,研究了物料去水与介质增湿,物系平衡,解析了粮食深层热风干燥过程,开发出了粮食干燥控制系统,实现干燥过程精确控制。

2.2 控制系统动态特性解析模型

粮食在深层下的热风干燥,从气流与谷物的流动方式分为:顺流干燥、逆流干燥、横流干燥、静置层干燥等多种形式。

2.2.1 顺流式解析式

热风和谷物同向运动。高温热风首先与最湿、最冷的粮食相遇,干燥过程不同于横流干燥方式,可以大幅度地提高送风温度。粮食深层顺流干燥过程的含水比率分布解析式采用解析式[1]:

2.2.2 逆流干燥解析式

热风和谷物的流向相反。高温热风首先与温度最高的粮食相遇,热风在排气侧,离开干燥室时与温度最低、湿含量最大的粮食接触。粮食深层逆流干燥过程的含水比率分布解析式采用解析式[2]:

2.2.3 横流式解析式

谷物靠重力连续向下流动,热风受迫横向穿过谷物层。谷物在干燥机内的滞留时间即谷物流速可利用排料轮的转速进行控制。在对于同一物料,在相同的送风条件下,横流干燥可以看作是稳态过程,但干燥层中的物料含水率是干燥层和流动位置的函数。干燥不均匀,进风侧的谷物降水幅度大,而排气侧干燥不足。粮食深层横流干燥过程的含水比率分布解析式采用解析式[3]

2.2.4 静置层干燥解析式

干燥中热风流动而物料处于静止状态,热风的状态是干燥时间和干燥层位置的函数。物料的堆积层厚度及风量显著影响干燥速度和干燥的不均匀性。(加大风量可提高干燥速度减小上下层物料水分偏差,但风压损失会明显加大,动力消耗急剧上升。因此,在风量谷物比一定的条件下,通过增大干燥床面积,减小谷物层厚度,可使送风动力消耗降低。粮食静置层干燥过程的含水比率分布解析式采用解析式[4]:

注:10TT、为入口、出口处热风的温度,10HH、为入口、出口处热风的湿含量。恒速蒸发速度)(0HHa Rwcµγ-=;µ为传质系数(kg/h·m2),γ为有效蒸发面积系数;a为谷物比表面积(m2/m3);bρ为绝干物谷物积密度(k g/m 3);气流的湿含量势差-=HHwχ;H为干燥空气的湿含量(k g/k g-D A);wH为湿球温度下气流的饱和含湿量(kg/kg-DA);1H为废气的湿含量(kg/kg-DA);M为干基含水率(%db);z为干燥床深度变量(m);v为谷物的流动速度(m/h);θ为干燥时间(h);f)(φ为干燥速率比;e0MMMMe--φ=为自由含水比;0M为初期含水率(%db);eM为平衡含水率(%db);s为物料落入干燥层后下落的距离;1Z为床层厚度(m),即从热风进入干燥层到排出干燥层时的层间距离;zH为对应与处气流的湿含量(kg/kg-DA),HHHHZGa w--⋅=110µγ。

3 自适应干燥控制系统

粮食自适应干燥控制系统,由以下几部分组成:干燥专家系统、物料水分在线检测装置、温度检测装置、热风配额调节装置,控制器等。系统的输入量及其变化规律都是由专家系统根据在线检测实时给定的,并不是预先确定的。进风温度和环境温度湿度变化、进料水分和干燥设备工况波动是该系统的扰动量,出机料水分是反馈量;控制量是变频器输出。该控制系统的控制器本身是一套完整的独立控制单元,同时它又是一个基本数据采集器,为计算机上运行的专家系统提供参数信息。能确保干燥产品的目标含水率、干燥效率以及品质指标保持在规定的范围内。

3.1 控制系统硬件组成

控制系统框图如图1所示。主要由传感器,水分在线测量装置,传感器变送器,小信号放大装置,触摸显示屏,中央控制器,动电机测驱电路,报警系统,变频器,排料装置,热风调节装置,热风导流装置,计算机,能量供给装置等构成。进风温度和环境温度湿度变化、进粮含水率和干燥设备工况波动是该系统的扰动量进行前馈调节。这样可以大幅度提高调节速度和干燥能量利用率,大幅度降低干燥控制成本。出粮含水率是反馈量依此进行干燥设备工况调节。在该系统中所有的在线检测量,全部送到计算机,由运行在计算机上的干燥专家系统计算出控制器的给定值,通过双向通讯,传送给控制器。在这样一种由前馈、反馈有机组合构成的复合控制系统中,控制器的设定值及其变化规律,是通过计算实时给定的,而不是预先确定的。这使得控制系统能够自动的迎合进风条件和环境温度湿度变化、进料水分和干燥设备工况波动,实时调整控制策略,构成了高质量的热风干燥自适应控制系统。

3.2 控制器算法执行流程

控制器的任务是根据实时给定的干燥时间控制变频器的输出频率,实现对排粮流量的控制;调整干燥温度、风量谷物比,按照控制规则调整冷风搀合量。控制手段采用常见的PID控制。在传统的PID控制方法和典型结构的基础上,扩充控制器参数调整知识,使系统在运行过程中,能够按照实时的系统输入值、输出偏差变化范围,以调整规则的形式存于知识库,即针对稻谷干燥特性和气流状态的变化特性,推理产生调整规则,确定控制模式和调整PID参数,实现控制器在线、实时地调整控制。控制系统算法执行流程如图2所示。专家系统知识库包含知识库和模型库。系统的设定值如稻谷种类、干燥最高和最低安全温度范围、用户要求,专家系统给出的各调节规律的输入值,干燥过程中的各种特征参数全部存储到专家知识库。按照干燥设备工艺特性,将其表达为合理地控制规则。为按照干燥的进程实时利用知识库中的知识,专家系统必须具有搜索事实与规则,并根据搜索结果得出干燥设备最优工作制度,和调整方案的功能单元,即推理机。风量、风温调整控制器由开关控制与常规的PID控制构成。

3.3 系统的特点

在传统的PID控制方法和典型结构的基础上,扩充了控制器参数调整知识,系统在运行过程中,能够按照实时的系统输入值、输出偏差变化范围,及时调整规则的形式并存于知识库,即针对粮食干燥和气流状态变化特性,推理产生调整规则,确定控制模式和调整PID参数,实现控制器在线实时控制。

4 结束语

本文研究的控制系统够使设备在工作过程中,根据进粮水分,机器排粮工况,自动变更工作参数,保证实时的干燥操作条件最优。从根本上,改变了传统的,靠检测出机粮水分,控制进风条件的干燥开环控制做法,大幅度提升了粮食干燥技术水平。同时在传统的PID控制方法和典型结构的基础上,扩充了控制器参数调整知识,系统在运行过程中,能够按照实时的系统输入值、输出偏差变化范围,及时调整规则的形式并存于知识库,即针对粮食干燥和气流状态变化特性,推理产生调整规则,确定控制模式和调整P I D参数,实现控制器在线实时控制。

参考文献

[1]Li Changyou,Shao Yaojian,Kamide Junichi.An Ana-lytical Solution of the Granular Product in Deep-Bed FallingRate Drying Process[J].Drying Technology,1999,17(9):1959￣1969.

[2]班华,李长友,胡万里.水稻干燥中心在线检测与变位控制机理研究.中国农业工程学会,2005.