基于智能算法的非线性模型研究及预测控制

近年来,随着生命科学和计算机技术的迅速发展,大规模并行处理技术的产生,以不确定性、非线性、时间不可逆性为内涵,以复杂问题为对象的“复杂性研究”新兴边缘交叉学科的出现,尤其是以粒子群算法(Particle Swarm Optimization,简称PSO)、遗传算法(Genetic Algorithm,简称GA)和神经网络(Artificial Neural Network,简称ANN)等为代表智能仿生技术的引入,具有随机搜索性能的智能优化分析方法逐渐发展起来,为具有时变特性的土木工程问题解决,提供了一种全新的研究思路和方法,并已取得了重大的科研成果。 正是基于这样一个背景,本文结合智能研究的发展成果,针对工程的复杂性、时变性特点,将变异粒子群算法(Variation PSO,简称VPSO)引入反分析研究,与具有动态反馈特性的Elman神经网络(Elman Neural Network,简称ENN)进行融合,提出了新的耦合算法“VPSO-ENN”,用于岩土工程智能分析,成功实现了大型工程问题的非线性参数辨识和变形预测控制。本文主要完成以下几个方面工作: (1)系统地研究了标准粒子群算法(Standard PSO,简称SPSO)生物运行机理,针对SPSO算法在求解高维、多峰等复杂非线性优化问题时,易陷入局部最优解、早熟等缺陷,本文采用粒子速度随机变异策略,对SPSO算法进行改进,提出了一种具有全局快速收敛的VPSO算法。通过对5个高维复杂Benchmark测试函数的优化,结果表明VPSO算法具有搜索机理简单、算法参数调整少、无需梯度信息的特点,与SPSO相比,VPSO算法的收敛精度、收敛速度以及算法稳定性,均得到显著地提高。 (2)将VPSO算法与Elman反馈网络进行融合,提出了一种新的耦合算法“VPSO-ENN”。采用VPSO算法优化并确定ENN权值和阈值,使其学习训练不再依赖于梯度信息。通过VPSO搜寻ENN最优的一组权值和阈值,能有效找到问题的全局最优解,克服了ENN算法易于陷入局部极小和收敛速度慢的缺点,可提高网络的训练速度、非线性映射和泛化能力,实现任意非线性函数的逼近。 (3)建立了基于“VPSO-ENN”非线性参数辨识模型,采用隐性数学表达式建模方式,通过对其目标隐函数进行寻优,实现了时变系统的辨识输出值与实际输出值的高精度拟合,达到非线性参数辨识的目的。结果表明,VPSO-ENN辨识模型具有很强的非线性参数辨识能力,该方法简单易操作且识别准确率高,用以反推时变系统的未知参数是可行的,具有工程实用性。 (4)根据VPSO算法仿生优化原理和网络控制理论,采用预测智能控制的思想,建立了一个多输入多输出(MIMO)的“VPSO-ENN”预测智能控制系统。将预测系统中过去时刻输出的一阶导数和二阶导数加入到模型的输入,使预测模型VPSO-ENNPM具有动态反馈特性。通过优化含有预测信息的目标函数,系统获得预测控制律,成功地避免了递推预测模型误差迭加增大的问题,实现了时变系统预测智能控制。 (6)利用VPSO算法和Elman神经网络控制技术,采用时间窗口滚动技术,建立了一套集深基坑施工变形预测与控制于一体的“VPSO-ENN”多步预测控制系统,通过建立期望输出与超前预测输出之间的非线性隐式方程表达式,成功地避开了复杂的岩土本构关系和力学计算。采用MATIAB7.0编制程序,利用基坑有限的历史监测变形数据和最新的观测数据,成功地实现了基坑施工变形的多步预测。 工程实例分析表明,基于“VPSO-ENN”智能预测方法具有较高的预测精度、很强的泛化能力,适于对时变系统未来变化趋势的预测控制智能化,可实现大型土木工程施工过程的实时控制。