(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111594461.2 (22)申请日 2021.12.24 (71)申请人 青岛大学 地址 266071 山东省青岛市崂山区香港东 路7号 (72)发明人 彭飞　李彦杭　尚志宇　王凯　 (74)专利代理 机构 青岛智地领创专利代理有限 公司 37252 专利代理师 王晓凤 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06F 111/08(2020.01) G06F 111/10(2020.01) (54)发明名称 一种融合自适应协同与精英引导的系统参 数辨识方法 (57)摘要 本发明公开了一种融合自适应协同与精英 引导的系统参数辨识方法， 属于系统参数辨识领 域， 包括如下步骤： 建立系统参数辨识模 型， 确定 待辨识系统参数； 获取系统的可测运行变量数据 集合； 根据待辨识系统参数的合理范围随机生成 初始种群个体； 基于自适应协同策略进行系统参 数的第一阶段迭代更新辨识； 基于精英引导策略 进行系统参数的第二阶段迭代更新辨识； 将迭代 终止时的系统参数作为最终的参数辨识结果， 进 而输出该系统参数辨识结果。 本发 明有效考虑了 种群差异度和种群适应度的综合影 响， 能够在保 证小种群规模对参数辨识空间有效覆盖的基础 上， 实现系统参数辨识过程的快速全局收敛。 权利要求书5页 说明书15页 附图2页 CN 115293020 A 2022.11.04 CN 115293020 A 1.一种融合自适应协同与精英引导的系统参数辨识方法， 其特 征在于， 包括如下步骤： S1、 建立系统参数辨识模型， 确定待辨识系统参数； S2、 获取系统的可测运行变量数据集合， 包括可测输入/输出变量数据集合和可测状态 变量数据集 合； S3、 根据待辨识系统参数的合理范围随机生成初始种群 个体； S4、 基于自适应协同策略进行系统参数的第一阶段迭代更新辨识， 该阶段的终止条件 为辨识参数的种群差异度方差稳定或达 到设定的迭代步数； S5、 基于精英引导策略进行系统参数的第二阶段迭代更新辨识， 该阶段的终止条件为 辨识参数的种群精英个 体适应度低于设定的适应度阈值或达 到设定的迭代步数； S6、 将迭代终止时的系统参数作为最终的参数辨识结果， 进而输出该系统参数辨识结 果。 2.根据权利要求1所述融合自适应协同与精英引导的系统参数辨识方法， 其特征在于， 所述步骤S1中， 系统参数辨识模型的形式如式(1)所示， 其中， y表示系统参数辨识模型的输出量， x1,x2,…,xm代表系统参数辨识模型的m个输 入量， u1,u2,…,un代表系统参数辨识模型的n个状态量， a1,a2,…,ad代表模型中的d个待辨 识参数， fi表示由输入量和未知待辨识参数表达的函数关系式。 3.根据权利要求2所述融合自适应协同与精英引导的系统参数辨识方法， 其特征在于， 所述步骤S2的具体过程 为： S201、 根据系统参数辨识模型中的状态变量和输入/输出变量， 确定系统的可测状态变 量和可测输入/ 输出变量； S202、 通过系统的实际工况测试得到所述可测输入/输出变量数据和所述可测状态变 量的运行工况 数据集合。 4.根据权利要求3所述融合自适应协同与精英引导的系统参数辨识方法， 其特征在于， 所述步骤S3的具体过程 为： S301、 确定待辨识系统参数的合理范围： 由已有的公开资料或根据经验取值， 给 出待辨识系统参数的范围， 如式(2) 其中， a为待辨识参数， lb代 表待辨识参数的下界， ub代 表待辨识参数的上界； S302、 随机生成种群 个体； 每个个体为一个候选解， 包含d个维度的变量， 代表需要进行辨识的d个参数； 每个候选 解第d个维度的变量由式(3)给 出 xd＝lbd+(ubd‑lbd)·rand  (3) 其中， xd为候选解第d个维度的变量， rand是[0,1]范围内的一个随机数。权　利　要　求　书 1/5 页 2 CN 115293020 A 25.根据权利要求4所述融合自适应协同与精英引导的系统参数辨识方法， 其特征在于， 所述步骤S4的具体过程 为： S401、 自适应协同策略初始化， 设定所述自适应协同策略的基本参数； 设定种群数为NP， 即种群中的个体数量； 随机生成NP个个体x， 每个候选解包含d个维度 的变量， 代 表需要进行辨识的d个参数； S402、 计算所有个 体的适应度性能Pf和差异度性能Pd， 具体过程如下： 将实测输出与模型输出的均方根误差RMSE作为适应度函数ffitness(xk)， 如式(4)， 计算 出每个个体的适应度， 其中， xk代表个体k， h为实测数据 序列中包 含的样本点数， y为实测输出， 为模型输出； 使用欧氏距离 定义差异度函数fdiversity(xk)， 如式(5)， 计算出每 个个体的差异度， 其中， xk代表个体k， NP为种群中个体的数量， ||xk‑xw||为个体k与 个体w的欧式距离， 欧 式距离由式(6)计算得到， 和 分别代表个体xk和xw在第i个维度的坐标， d为维度数； 对个体适应度和差异度分别进行降序排序， 得到个体的适应度排名Rfitness和差异度排 名Rdiversity， 如式(7)、 (8)， Rfitness(xk)＝NP+1‑ik,ik＝1,2,...,NP  (7) Rdiversity(xk)＝NP+1‑jk,jk＝1,2,...,NP  (8) 由式(9)、 (10)计算每 个个体的适应度性能Pf和差异度性能Pd， 在此， 引入协同性能Ps作为个体k的评价指标， 其定义由式(1 1)给出， Ps＝Pd·ck,s+Pf·(1‑ck,s)  (11) 其中， Pf与Pd由式(9)、 (10)给 出， ck,s为协同系数， 是一个[0,1]范围内的随机数； S403、 系统参数的自适应协同迭代更新： 在每次的自适应协同优化迭代过程中， 首先计算出每个个体的适应度性 能和多样性性 能， 给出适应度最 好和最差的个 体xfbest和xfworst； 进而， 对于每个个体xk， 判断是否为适应度最小的个体， 如果xk为适应度最小的个体， 则 根据式(12)更新 最优解，权　利　要　求　书 2/5 页 3 CN 115293020 A 3