[论文解读] Approximation of a Fractional Order System by an Integer Order Model Using Particle Swarm Optimization Technique

Deepyaman Maiti, Amit Konar|ArXiv.org|Nov 1, 2008

Advanced Control Systems DesignEngineering参考文献 10被引用 16

一句话总结

本文提出了一种新颖的方法，通过粒子群优化（PSO）算法，利用整数阶模型近似分数阶系统。通过最小化分数阶系统响应与整数阶模型输出之间的平方误差和，PSO算法高效地识别出高精度的整数阶近似模型，在控制应用的系统辨识中表现出色。

ABSTRACT

System identification is a necessity in control theory. Classical control theory usually considers processes with integer order transfer functions. Real processes are usually of fractional order as opposed to the ideal integral order models. A simple and elegant scheme is presented for approximation of such a real world fractional order process by an ideal integral order model. A population of integral order process models is generated and updated by PSO technique, the fitness function being the sum of squared deviations from the set of observations obtained from the actual fractional order process. Results show that the proposed scheme offers a high degree of accuracy.

研究动机与目标

• 解决使用经典整数阶控制模型对表现出分数阶动力学特性的实际过程进行建模的挑战。
• 开发一种系统化且计算高效的整数阶传递函数近似分数阶系统的方法。
• 通过元启发式优化提高控制理论中系统辨识的精度。
• 验证PSO在最小化实际分数阶系统响应与近似整数阶模型之间误差方面的有效性。

提出的方法

• 初始化一组候选整数阶传递函数，以表示分数阶系统的潜在近似。
• 采用粒子群优化（PSO）算法，迭代更新这些模型的参数，以最小化适应度函数。
• 适应度函数定义为实际分数阶系统与候选整数阶模型在频域或时域响应之间的平方偏差之和。
• 算法根据候选模型在一组观测数据点上与原始系统响应的相似性，评估其性能。
• 当PSO算法识别出使误差度量最小的一组整数阶模型参数时，即实现收敛。
• 最终模型基于最低适应度值选定，代表对分数阶系统的最佳近似。

实验结果

研究问题

• RQ1 基于种群的元启发式方法（如PSO）能否有效利用整数阶模型近似分数阶系统？
• RQ2 PSO在最小化分数阶系统与其中整数阶近似模型之间频域或时域响应误差方面，其精度如何？
• RQ3 与传统系统辨识技术相比，基于PSO的近似方法性能如何？
• RQ4 基于PSO的方法在不同类型分数阶系统上的鲁棒性如何？

主要发现

• 基于PSO的方法在利用整数阶模型近似分数阶系统方面实现了高度的精度。
• 基于平方偏差和的适应度函数，有效引导PSO算法找到最优参数配置。
• 所提出的方案在识别高精度整数阶近似模型方面表现出良好的收敛性和稳定性。
• 结果证实，PSO是处理涉及分数阶动力学的系统辨识任务的一种可行且有效的优化技术。