Fixed Point Evolution Algorithm
-
摘要:
为设计高效稳定的演化算法,将方程求根的不动点迭代思想引入到优化领域,通过将演化算法的寻优过程看作为在迭代框架下方程不动点的逐步显示化过程,设计出一种基于数学模型的演化新算法,即不动点演化算法 (fixed point evolution algorithm,FPEA). 该算法的繁殖算子是由Aitken加速的不动点迭代模型导出的二次多项式,其整体框架继承传统演化算法(如差分演化算法)基于种群的迭代模式. 试验结果表明:在基准函数集 CEC2014、CEC2019上,本文算法的最优值平均排名在所有比较算法中排名第1;在4个工程约束设计问题上,FPEA与CSA、GPE等多个算法相比,能以较少的计算开销获得最高的求解精度.
Abstract:In order to design an efficient and robust evolution algorithm, the fixed point iteration idea in solving equations was first introduced into the optimization field. The optimization process of an evolution algorithm was regarded as the gradual display process of the fixed point of an equation in an iterative framework. On this basis, a novel evolution algorithm based on a mathematical model was developed, named fixed point evolution algorithm (FPEA). The reproduction operator of FPEA is a quadratic polynomial which is derived from a fixed point iteration model with the Aitken method. The overall framework of FPEA inherits the population-based iterative model of traditional evolution algorithms such as differential evolution algorithm. The experimental results show that the average ranking of the optimal value of FPEA ranks first among all the compared algorithms on benchmark functions CEC2014 and CEC2019. The proposed algorithm can achieve the highest solution accuracy with a low computational overhead on four engineering constraint design problems among the compared algorithms including CSA and GPE.
-
在大功率高转速旋转机械系统中,主动磁悬浮轴承(AMBs)具有无摩擦、无润滑等优点,使得其得到了广泛的应用[1-4]. 然而,如何控制AMBs转子稳定悬浮于期望位置一直以来是一个重要问题. AMBs是一个典型的非线性系统,一般采用局部线性化的方法进行建模[5],进而应用线性控制或非线性控制对其进行精确控制[6]. 工程上一般采用PID控制[7-8],但AMBs在运行中会受到一些扰动,同时工况的改变会使得PID控制的鲁棒性大幅减弱. 因此,需要控制器自身具有较强的鲁棒性以克服AMBs系统的内扰和外扰,从而有效地提高其可靠性.
众多鲁棒控制算法中,滑模控制(SMC)具有适应性强、鲁棒性好、对未知参数和干扰不敏感、易于实现等优点,被广泛应用于包括AMBs在内的各种非线性系统. 然而,简单的滑模控制采用线性滑模函数,系统误差通常只能缓慢地渐近收敛,进而有学者采用基于动态非线性滑模函数的终端滑模控制方法,可以使得系统误差在有限的时间内实现快速收敛[9]. 文献[10]中提出的双滑模控制器用于对开关磁阻电机进行调速;文献[11]针对伺服电机系统设计了一种新的连续终端滑模控制器,能够有效提高系统的鲁棒性;文献[12]针对永磁直线同步电动机位置控制问题,采用非奇异快速终端滑模,从而使系统获得快速、精确的跟踪性能;文献[13]设计了滑模自抗扰控制器,实现了对AMBs的各自由度的解耦,减小了AMBs在高速运转下锥动对控制效果的影响;文献[14]在磁悬浮球系统中将自适应控制与终端滑模控制结合,以此来减小系统抖振,改善悬浮系统的动态性能;文献[15]在磁悬浮球系统中将广义比例积分观测器与终端滑模控制结合,避免切换函数增益过大,有效地减小了系统抖振.
除了对滑模函数的设计,趋近律也需要进行优化,传统趋近律的切换增益为常数,系统抖振的大小与切换增益的大小有关. 超螺旋趋近律把切换增益改为与系统状态有关的幂函数,同时还利用积分函数对切换函数进行处理. 因此,超螺旋趋近律能够使系统状态在滑模面附近平滑且切换增益较小,减小系统抖振[16-17]. WANG等[18]将超螺旋趋近律与非奇异快速终端滑模相结合(SNFTSMC),以实现减小抖振并加快系统误差收敛.
在AMBs系统中,传感器跳动、电磁场波动等外部因素经常会导致AMBs转子位置控制的精度受到影响,而且AMBs系统在建模过程中对系统做了线性化,也导致AMBs数学模型含有未建模部分. 虽然采用SNFTSMC能够抑制未建模部分和外部扰动带来的影响,但这需要增大切换增益,又会造成系统抖振. 因此,SNFTSMC在抑制抖振和扰动之间存在一定的矛盾. 此时,将未建模部分与外部扰动看作一个集总干扰,利用扩张状态感测器(ESO)对集总干扰进行观测,然后补偿给系统,这种方法在伺服系统中已经得到了广泛的应用[19-20]. 通常,线性ESO(LESO)参数易于整定,而非线性ESO(NESO)收敛精度高、鲁棒性强 [21-22].
因此,针对主动磁悬浮轴承转子位置控制中存在响应速度慢、抗干扰能力弱2个问题,本文采用SNFTSMC作为控制算法,并通过ESO对集总干扰观测并补偿到系统中. 由于LESO对于AMBs非线性系统观测效果较差,因此,本文采用了NESO观测器. 根据李雅普诺夫稳定理论证明了所提方法的稳定性,并通过仿真和实验验证了系统具有强的鲁棒性以及低抖振性能.
1. 单自由度AMBs系统模型
以径向单自由度的AMBs为研究对象,研究转子起浮运动. 单自由度AMBs系统通过传感器获得转子实际位移y;实际位移y与期望位置yr的误差e1输入到控制器中,控制器进行运算得到控制信号;之后,在与偏置信号进行差分;最后,将差分后的信号输送到功放器中产生相应的电流,电流被送到电磁铁线圈中,电磁铁产生吸力将转子吸引到期望位置. 具体工作原理如图1.
AMBs采用8级C型结构,根据麦克斯韦公式,2个磁极作用在转子上的电磁力为
f=μ0n2i2Acosα/l2, (1) 式中:i为线圈通入的电流,l为气隙长度,A为单个磁极截面积,μ0为真空磁导率,α为磁极之间夹角的一半,n为线圈匝数.
电磁铁对转子的控制方式为差动控制,在垂直方向上以(i0,y0)作为参考点,如图2. 当转子向上运动的位移为y时,转子与上方电磁铁之间的气隙间距变成y0−y,则上方电磁铁线圈输入的工作电流为i0−i;转子与下方电磁铁之间的气隙间距变成y0+y,下方电磁铁线圈输入的工作电流为i0+i,此时,在垂直方向上的合力为
f(i,y)=μ0An2[(i0−iy0−y)2−(i0+iy0+y)2]cosα. (2) 式(2)中将y、i作为参考点(i0,y0)的邻域,在参考点(i0,y0)处对f(i,y)进行泰勒展开,如式(3).
f(i,y)=kii+ksy+fR, (3) 式中:fR为高次项部分(也称未建模部分);ki、ks分别为电流刚度系数和位移刚度系数,如式(4)、(5).
ki=4μ0N2i0Acosα/y20,ks=4μ0N2i20Acosα/y30. (4) 将重力mg、未知扰动fd都考虑到系统中,则系统的状态方程为
{y=y1,˙y1=y2,˙y2=b0i+a0y1+d, (5) 式中: a0为位移增益,a0=ki/m;b0为位移增益,b0=ks/m;d为集总干扰,d=(fR + fd−mg)/m.
2. SNFTSMC设计
2.1 SNFTSMC设计
基于磁悬浮转子系统的数学模型,设计了非奇异快速终端滑模函数结构,具体表达式如式(6),相应结构如图3.
s=e1+k1|e1|asign(e1)+k2|e2|bsign(e2), (6) 式中:k1、k2、a、b为调节系数,k1>0,k2>0,1<b<2,a>b;e1=y1−yr,e2=˙y1−˙yr.
滑模面为滑模函数s=0,令式(6)为0,得到
0=e1+k1|e1|asign(e1)+k2|e2|bsign(e2). (7) 设误差e1从初始值e1(0)收敛到0所用的时间为tf,对式(7)进行求解,得到tf的解为[11]
tf=∫|e1(0)|0k1/b2(e1+k1xa)1/bde1=b|e1(0)|1−1/bk1(b−1)×F(1b,b−1(a−1)b;1 + b−1(a−1)b;−k1|e1(0)|a−1), (8) 式中:F(·)为高斯几何函数.
对式(6)求导为
˙s=e2+ak1|e1|a−1e2+bk2|e2|b−1˙e2. (9) 忽略式(5)中集总干扰d,˙s=0,可以得到等效控制器为
ieq=1b0(¨yr−a0y1−1bk2|e2|2−b(1+ak1|e1|a−1)sign(e2)). (10) 为了加快趋近速度和减小控制过程中出现的抖 振,采用超螺旋趋近律,具体表达式如式(11),其结构如图4.
超螺旋趋近律的具体表达式为
˙s=−k3|s|csign(s)−k4∫sign(s)dt, (11) 式中:k3、k4、c为调节系数,k3>0,k4>0,0<c<1.
滑模函数s距离滑模面s=0较远时,−k3|s|c值较大,滑模函数s以较大的速度靠近滑模面s=0;滑模函数s距离滑模面s=0较小时,−k3|s|csign(s)值较小,滑模函数s以较小的速度靠近滑模面s=0. 滑模函数中sign函数的切换增益(−k3|s|c)的大小决定抖振剧烈程度,采用超螺旋趋近律既能削弱抖振又能加快系统收敛.
为了能够进一步加快滑模函数s到达滑模面s=0的速度及削弱抖振,可采用式(12)所示的趋近律.
{˙s=−k3|s|gsign(s)−k4∫sign(s)dt,g=γ−λe−η|e1|, (12) 式中:γ、λ、η均为可调系数,g为关于γ、λ、η的指数函数,γ>1,0<λ,η>0.
由式(12)可知,随着e1从初值e1(0)衰减到0,g从最初的较大值γ−λe−η|e1(0)|衰减到γ−λ,在这个过程中−k3|s|g能够以更快的速度从较大值衰减到0,从而加快滑模函数s到达滑模面s=0的速度和减小抖振.
因此,定义AMBs转子系统的切换控制器为
isw=1b0[−k3|s|gsign(s)−k4∫sign(s)dt]. (13) 考虑到系统存在集总干扰,总的控制器为
ic=ieq+isw−1b0Msign(s), (14) 式中:M为集总干扰d的上界,即d⩽|M|.
2.2 稳定性分析
为了证明SNFTSMC控制器的稳定性,构造李雅普诺夫函数为
V(s)=12s2, (15) ˙V(s)=s˙s=s[e2+ak1|e1|a−1e2+bk2|e2|b−1˙e2]=s[e2+ak1|e1|a−1e2+bk2|e2|b−1(b0ic+a0y1+d−¨yr)]=s[e2+ak1|e1|a−1e2+bk2|e2|b−1(b0isw−Msign(s)+d−1bk2|e2|2−b(1+ak1|e1|a−1)×sign(e2))]=s[bk2|e2|b−1(d−Msign(s)+b0isw)]=bk2|e2|b−1(ds−M|s|−k3|s|g+1−k4∫|s|dt). (16) 当e2≠0时,已知k2、k3、k4、b均大于0,且|d|≤M,那么此时有
˙V(s)<bk2|e2|b−1(−k3|s|g+1−k4∫|s|dt)<0. (17) 此时,滑模函数s将在有限时间内到达滑模面s=0.
当e2=0时,联立式(14)与式(5)中,有
˙e2=−k3|s|gsign(s)−k4∫sign(s)dt+d−Msign(s). (18) 根据式(18),当滑模函数s>0时,˙e2<0;当滑模函数s<0时,˙e2<0. 图5为该控制器下的系统相轨迹,以滑模函数s2为例,e2=0、˙e2<0时,e2必然会在某个邻域(0, + δ)内减小,此时滑模函数s2会必然会向下运动;当滑模函数s2到达邻域(0, + δ)时,e2≠0,滑模函数s2将会根据式(17)得出的结论到达滑模面s=0,滑模函数s4同理.
3. 考虑NESO的SNFTSMC设计
3.1 ESO设计
集总干扰d是未知的,很难确定其具体的上界,而为了保证系统的稳定,一般上界M取值较大,将会加剧系统抖振. 为避免这种情况,本文通过设计ESO,并利用ESO对集总干扰d进行观测,得到较精确的观测值,然后将观测值补偿到控制器中. 本节先后分别对LESO与NESO进行研究与分析.
对于二阶的AMBs转子系统,将集总干扰d扩张为新的状态变量y3,式(5)可以改写为
{˙y1=y2,˙y2=b0i+a0y1+y3,˙y3=h, (19) 式中:h为集总干扰d的变化率.
根据式(19)可以写出LESO表达式为
{˙z1=z2−L1θ1,˙z2=b0i+a0z1+z3−L2θ1,˙z3=−L3θ1, (20) 式中:L1、L2、L3为LESO增益,z1、z2、z3分别为y1、y2、y3的观测值,θ1=z1−y1为观测误差.
式(20)减去式(19)得到误差状态方程为
{˙θ1=θ2−L1θ1,˙θ2=a0θ1+θ3−L2θ1,˙θ3=−h−L3θ1, (21) 式中:θ2=z2−y2,θ3=z3−y3.
式(21)经过拉普拉斯变换后,有
{θ2(s)=(s+L1)θ1(s),θ3(s)=sθ2(s)+(L2−a0)θ1(s),h(s)=sy3(s)=−sθ3(s)−L3θ1(s). (22) 整理式(22),得到θ3与−y3之间的传递函数为
θ3−y3=s3+L1s2+(L2−a0)ss3+L1s2+(L2−a0)s+L3. (23) 为了使系统能够稳定,假设式(23)有3个极点(s1、s2、s3)都位于左半平面,p1=−ω0、p2=−0.5ω0 + j0.5ω0、p3=−0.5ω0−j0.5ω0,ω0为带宽并大于0,那么有
s3+L1s2+(L2−a0)s+L3=(s−p1)(s−p2)(s−p3). (24) 可以解得
[L1L2L3]=[2ω01.5ω20+a00.5ω30]. (25) 将式(25)带到式(23)中可得
θ3−y3=s3+2ω0s2+1.5ω20ss3+2ω0s2+1.5ω20s+0.5ω30. (26) 根据式(26)做出不同带宽下的Bode图,如图6. 图6中:y3频率较低时,z3对y3的跟踪效果较好;随着y3频率的增大,z3对y3的跟踪性能逐渐变差;带宽增大后,z3对y3跟踪效果逐渐变好,但带宽太大容易对系统中其他噪声敏感.
由于LESO对集总扰动观测精度有限,现采用NESO对集总干扰进行观测,将式(20)改写为
{˙z1=z2−β1u1(θ1),˙z2=b0i+a0z1+z3−β2u2(θ1),˙z3=−β3u3(θ1), (27) 式中:β1、β2、β3为待设计的观测器增益,均大于0;u1(θ1)、u2(θ1)、u3(θ1)为关于θ1的非线性函数,如式(28).
{u1(θ1)=θ1,u2(θ1)=|θ1|12sign(θ1),u3(θ1)=|θ1|14sign(θ1). (28) NESO的参数一般很难通过理论去整定,通常根据经验来进行设计. 选择合适的β1、β2、β3,能够使得观测误差θ1、θ2、θ3在有限时间内收敛到0.
NESO的结构框图如7.
3.2 含NESO的SNFTSMC稳定性分析
式(14)中所提到的sign函数切换增益为−(k3|s|g+M)/b0,其中−k3|s|g/b0的大小与系统状态有关,产生的抖振很小,而−M/b0为常值,会导致系统产生较大抖振. 因此,需要通过NESO对系统抖振进行补偿,进一步将控制器设计为
ic∗=ieq+isw−1b0z3. (29) 接着,为了验证所提方法对系统稳定性产生的影响,对式(29)进行李亚普诺夫稳定性分析,即
˙V(s)=s˙s=s[bk2|e2|b−1(d+b0isw−z3)]=bk2|e2|b−1(ds−z3s−k3|s|g+1−k4∫|s|dt)<bk2|e2|b−1(−k3|s|g+1+|θ3||s|−k4∫|s|dt). (30) 根据对NESO的设计,θ3会收敛到0,可得到:
˙V(s)<bk2|e2|b−1(−k3|s|c+1−k4∫|s|dt)<0. (31) 通过分析得知,滑模函数s能够在有限时间内到达滑模面s=0,有效证明了所提方法的稳定性,进而搭建如图8所示的AMBs系统整体控制结构.
4. 仿真分析
表1为AMBs具体参数.
表 1 AMBs参数Table 1. Parameters of AMBs参数 值 磁极面积/mm2 720 匝数/圈 150 气隙长度/mm 0.4 偏置电流/A 2 转子质量/kg 15 电流刚度系数/(N·A−1) 939.5 位移刚度系数/(N·mm−1) 4697.5 为了能够对比出SNFTSMC的优越性能,在验证中加入传统SMC,表2为各个控制器参数.
表 2 控制器参数Table 2. Parameters of controller控制器 值 SNFTSMC k1=1、k2=0.1、k3=80、k4=50、a=2.5、b=1.5、γ=1.5、λ=1、η=0.5、M=15 SMC k1=30、k2=50、c=10、M=15 忽略集总扰动时SNFTSMC、SMC分别为
{iSNFTSMC=ieq+isw,iSMC =1b0[¨yr−ce2−a0y1−k1s−k2sign(s)]. (32) 定义控制电流平均值为
iavg=∑Nj=1|ij|N, (33) 式中:ij为第j个采样点的电流值,1≤j≤N ,N为采样点数.
根据式(32)中的控制器进行仿真,图9为起浮测试下的位移与控制电流. SNFTSMC、SMC到达目标位置的时间分别为0.38、0.62 s,SNFTSMC、SMC的最大控制电流分别为3.14、4.56 A. 根据式(33)得到SNFTSMC与SMC的电流平均值为分别为0.24、0.89 A.
为探究控制器的追踪性能,对正弦波、方波进行追踪. 图10为正弦追踪下的结果,SNFTSMC、SMC追踪到正弦波的时间分别为0.41、0.62 s,控制电流最大值分别为3.60、6.17 A,电流平均值分别为1.04、1.16 A. 图11为方波追踪下的仿真结果,将方波追踪中4个阶段的稳定时间间隔累加起来,SNFTSMC、SMC所用时间分别为1.24、2.36 s;控制电流最大值分别为3.12、4.56 A;电流平均值分别为0.24、0.89 A.
为对比LESO与NESO的观测性能,对正弦扰动sin(2πfot)进行观测,其频率fo从0增加到300 Hz. LESO带宽为500,NESO的观测增益β1、β2、β3分别为
15000 、3000 、50000 . 图12为2种ESO对正弦信号的观测结果. 随着频率增大,2种ESO的观测性能均随之下降;在低频段中NESO观测器性能较好,其观测误差很小,而LESO在低频段中其观测误差依然很大,并且此时还是在LESO带宽取值较大的情况下. 因此,LESO观测性能不如NESO. 所以选用NESO对集总干扰进行观测.将外部扰动与未建模部分对考虑到系统中,SNFTSMC的控制器设计为式(14),SMC设计为
iSMC=1b0[¨yr−ce2−a0y1−k1s−(k2+M)sign(s)]. (34) 假设集总干扰d=−12.5 + 2.5sin(20πt),采用考虑到集总干扰而设计的控制器进行仿真,图13为抗干扰测试下的转子位移波形与控制电流波形. 由图13可知:SNFTSMC、SMC到达目标位置的时间分别为0.45、0.63 s,相较于没有集总干扰的情况下系统收敛时间增加;控制电流最大值分别为3.38、4.80 A,控制电流平均值分别为0.43、1.18 A;考虑到扰动后控制电流最大值与控制电流平均值都略微增大,并且SMC抖振加剧、SNFTSMC产生了小幅度抖振.
集总干扰的存在会增大抖振,将SNFTSMC与NESO相结合,以此来减小由集总扰动引起的系统抖振. 图14为SNFTSMC+NESO、SMC+NESO这2种控制方法的仿真结果. 由图14可知:SNFTSMC+NESO、SMC+NESO到达目标位置的时间分别为0.40 s、0.62 s,与没有集总干扰的情况下系统收敛时间相近,即NESO能够消除集总干扰带来的影响;SNFTSMC+NESO、SMC+NESO在稳定时位移误差均为0,控制电流最大值分别为3.14、4.56 A,控制电流平均值分别为0.44、0.90 A.
5. 实验验证
为验证所提方法的正确性和有效性,搭建了基于RT-Lab的磁悬浮轴承转子系统实验平台. 实验装置由磁悬浮电机性能测试平台、功放测试平台、径向磁悬浮轴承和轴向磁悬浮轴承等组成,如图15所示.
首先,通过采用SNFTSMC、SMC 2种控制器进行转子起伏测试,转子起浮位移和电流信号如图16所示. 可以得知,采用SNFTSMC、SMC转子从底端上升到目标位置所用的时间分别为0.41、0.94 s,并且SMC的控制电流存在剧烈的抖振,SNFTSMC、SMC的电流平均值分别为0.53、1.68 A.
其次,为验证控制器的抗干扰性能,对转子施加正弦扰动进行起浮测试,转子起浮位移和电流信号如图17所示. 图17中SNFTSMC、SMC到达目标位置所用的时间分别为0.43、0.98 s,SNFTSMC、SMC的电流平均值分别为0.84、2.00 A,并且SNFTSMC也产生了抖振.
最后,引入NESO来对干扰进行补偿,转子位移和控制电流如图18所示. 图18中SNFTSMC+NESO和SMC+NESO到达目标位置所用的时间分别为0.42、0.95 s,其电流平均值分别为1.65、0.66 A,2种控制器下的电流抖振得到了有效减小.
6. 结 论
1) 工程设计中由于考虑算法的简明性,通常会采用传统滑模控制器,若要提高主动磁悬浮轴承转子位置的动态控制性能,可将传统滑模控制率改进为本文所提出超螺旋趋近律.
2) 非奇异快速终端滑模函数的设计能够使系统误差得到快速收敛,而超螺旋趋近律利用幂函数以及对滑模函数的积分使得切换增益在滑模面s=0处较小,实际工况中可根据快速性和鲁棒性要求进行选择滑模函数和趋近律的设计.
3) 引入的NESO能够对系统内外扰动进行观测并补偿到系统中,有效减小扰动对控制结果的影响,但实际工况下观测值补偿可能是离线的,在线补偿对控制器设计要求较高. 特别是要考虑观测器引起的相位滞后,在控制器设计过程中选择合适的前馈补偿将相位进行补偿.
致谢:感谢陕西省教育厅一般专项(青年)23JK0339资助;海洋工程全国重点实验室(上海交通大学)专项经费号GKZD010089.
-
表 1 算法的参数设置
Table 1. Parameter settings of algorithms
算法 参数 DE 缩放因子 F 为 0.6,交叉概率 CR 为 0.8 PSO 学习因子 c1 、 c2 均为 2.0,惯性因子 w 为 1.0 GPE 发展系数 th 为 0.01 GPEae 发展系数 th 为 0.01 AO 开发调整参数 α 、 δ 均为 0.1 FPEA 松弛因子 λ 为 1.4,交叉概率 CR 为 0.8 表 2 FPEA关于4个工程约束设计问题的参数设置
Table 2. Parameter setting of FPEA on four engineering constraint design problems
工程约束
设计问题种群
大小/个最大迭代
次数/次优化参数
数量/个三杆桁架 20 500 2 焊接梁 20 2000 4 齿轮组 20 500 4 管形柱 20 2000 2 表 3 在CEC2014的10维上,DE、PSO、GPE、GPEae、AO、JS和FPEA的比较
Table 3. Comparison of average rankings of DE, PSO, GPE, GPEae, AO, JS, and FPEA on 10-dimensional CEC2014 benchmark functions
算法 最优值 平均值 标准差 DE 2.93 2.60 2.10 PSO 5.57 5.63 5.47 GPE 4.27 4.40 4.30 GPEae 3.53 3.80 4.33 AO 5.63 5.57 5.07 JS 3.37 3.17 3.70 FPEA 2.20 2.33 2.83 注:D=10,FES= 100000. 表 6 Wilcoxon秩和检验结果
Table 6. Wilcoxon rank sum test results
算法 正秩和 负秩和 显著性水平 是否接受假设 DE 1013 1198 5.55×10−1 否 PSO 2139 346 1.55×10−7 是 GPE 1847 568 1.32×10−4 是 GPEae 1939 476 1.20×10−5 是 AO 1884 601 1.74×10−4 是 JS 1597 888 3.80×10−2 是 表 7 三杆桁架设计问题统计结果比较
Table 7. Comparison of results on the three-bar truss design problem
算法 最优值 平均值 最差值 标准差 最大函数评估次数/次 CSA 263.895843 263.895843 263.895843 1.01×10−10 25000 BSA 263.895843 263.895843 263.895845 2.64×10−7 13720 SAR 263.895843 263.895843 263.895843 2.68×10−14 7000 BSAISA 263.895843 263.895843 263.895843 5.75×10−13 8400 GPE 263.895713 263.897016 263.907528 2.20×10−3 10000 GPEae 263.895712 263.896676 263.901731 1.40×10−3 7700 FPEA 263.895711 263.895711 263.895711 1.22×10−11 6520 表 8 焊接梁设计问题统计结果比较
Table 8. Comparison of results on the welded beam design problem
算法 最优值 平均值 最差值 标准差 最大函数评估次数/次 TEO 1.725284 1.768040 1.931161 5.82×10−2 20000 IAFOA 1.724856 1.724856 1.724856 8.99×10−7 240000 DDB-BC 1.724852 1.724855 1.724890 6.97×10−6 18000 CSA 1.724852 1.724852 1.724852 1.19×10−15 100000 GPE 1.724851 1.725037 1.732281 1.10×10−3 36100 GPEae 1.724851 1.724914 1.727964 4.40×10−4 35860 FPEA 1.724851 1.871685 3.062050 2.70×10−1 17780 表 9 齿轮组设计问题统计结果比较
Table 9. Comparison of results on the gear train design problem
算法 最优值 平均值 最差值 标准差 最大函数评估次数/次 ALO 2.70×10−12 120 ABC 2.70×10−12 3.60×10−10 5.52×10−10 60 CSA 2.70×10−12 2.06×10−9 3.20×10−8 5.10×10−9 100000 GPE 2.70×10−12 6.88×10−10 3.45×10−9 8.76×10−10 900 GPEae 2.70×10−12 1.17×10−9 1.12×10−8 1.77×10−9 1060 FPEA 2.70×10−12 1.71×10−9 1.83×10−8 3.53×10−9 640 表 4 在CEC2014的50维上,DE、PSO、GPE、GPEae、AO、JS和FPEA的比较
Table 4. Comparison of average rankings of DE, PSO, GPE, GPEae, AO, JS, and FPEA on 50-dimensional CEC2014 benchmark functions
算法 最优值 平均值 标准差 DE 3.33 2.97 2.20 PSO 5.00 5.00 4.93 GPE 4.20 4.40 5.23 GPEae 4.73 5.10 5.03 AO 4.43 4.27 4.27 JS 3.30 3.20 3.33 FPEA 2.80 2.87 3.00 注:D=50,FES= 500000. 表 5 在CEC2019上,DE、PSO、GPE、GPEae、AO、JS和FPEA的平均排名比较
Table 5. Comparison of average rankings of DE, PSO, GPE, GPEae, AO, JS, and FPEA on CEC2019 benchmark functions
算法 最优值 平均值 标准差 DE 5.30 4.10 2.40 PSO 5.60 6.10 5.70 GPE 3.60 4.10 4.60 GPEae 3.20 4.30 5.10 AO 4.80 4.40 3.90 JS 2.50 2.10 3.10 FPEA 2.30 2.30 3.20 表 10 管形柱设计问题统计结果比较
Table 10. Comparison of results on the tubular column design problem
算法 最优值 平均值 最差值 标准差 最大函数评估次数/次 CS 26.532170 26.535040 26.539720 1.93×10−3 15000 SAR 26.531328 26.531328 26.531328 1.51×10−7 4000 CSA 26.532170 26.535040 26.539720 1.93×10−3 15000 GPE 26.531312 26.531312 26.531312 3.59×10−15 20400 GPEae 26.531312 26.531330 26.532191 1.24×10−4 18300 FPEA 26.531312 26.531312 26.531312 3.59×10−15 6360 -
[1] BOUSSAÏD I, LEPAGNOT J, SIARRY P. A survey on optimization metaheuristics[J]. Information Sciences, 2013, 237: 82-117. doi: 10.1016/j.ins.2013.02.041 [2] LARRANAGA P, LOZANO J. Estimation of distribution algorithms: a new tool for evolutionary computation[M]. Boston: Kluwer Press, 2001. [3] HANSEN N, OSTERMEIER A. Adapting arbitrary normal mutation distributions in evolution strategies: the covariance matrix adaptation[C]//Proceedings of IEEE International Conference on Evolutionary Computation. Nagoya: IEEE, 1996: 312-317. [4] MIRJALILI S. SCA: a Sine Cosine Algorithm for solving optimization problems[J]. Knowledge-Based Systems, 2016, 96: 120-133. doi: 10.1016/j.knosys.2015.12.022 [5] HU Z B, XU X L, SU Q H, et al. Grey prediction evolution algorithm for global optimization[J]. Applied Mathematical Modelling, 2020, 79: 145-160. doi: 10.1016/j.apm.2019.10.026 [6] XU X L, HU Z B, SU Q H, et al. Multivariable grey prediction evolution algorithm: a new metaheuristic[J]. Applied Soft Computing, 2020, 89: 106086.1-106086.15. doi: 10.1016/j.asoc.2020.106086 [7] GAO C, HU Z B, XIONG Z G, et al. Grey prediction evolution algorithm based on accelerated even grey model[J]. IEEE Access, 2020, 8: 107941-107957. doi: 10.1109/ACCESS.2020.3001194 [8] HU Z B, GAO C, SU Q H. A novel evolutionary algorithm based on even difference grey model[J]. Expert Systems with Applications, 2021, 176: 114898.1-114898.12. doi: 10.1016/j.eswa.2021.114898 [9] ZHOU T, HU Z B, ZHOU Q, et al. A novel grey prediction evolution algorithm for multimodal multiobjective optimization[J]. Engineering Applications of Artificial Intelligence, 2021, 100: 104173.1-104173.13. doi: 10.1016/j.engappai.2021.104173 [10] HU Z B, LI Z, DAI C Y, et al. Multiobjective grey prediction evolution algorithm for environmental/economic dispatch problem[J]. IEEE Access, 2020, 8: 84162-84176. doi: 10.1109/ACCESS.2020.2992116 [11] CAI G C, SU Q H, HU Z B. Automated test case generation for path coverage by using grey prediction evolution algorithm with improved scatter search strategy[J]. Engineering Applications of Artificial Intelligence, 2021, 106: 104454.1-104454.13. doi: 10.1016/j.engappai.2021.104454 [12] AHMADIANFAR I, BOZORG-HADDAD O, CHU X F. Gradient-based optimizer: a new metaheuristic optimization algorithm[J]. Information Sciences, 2020, 540: 131-159. doi: 10.1016/j.ins.2020.06.037 [13] GAO C, HU Z B, TONG W Y. Linear prediction evolution algorithm: a simplest evolutionary optimizer[J]. Memetic Computing, 2021, 13(3): 319-339. doi: 10.1007/s12293-021-00340-x [14] CHOW Y K, KAY S. On the aitken acceleration method for nonlinear problems[J]. Computers & Structures, 1984, 19(5/6): 757-761. [15] 胡长军,魏硕,张纪林,等. 一种基于SMP的并行逐次超松弛迭代法[J]. 计算机研究与发展,2007,44(10): 1688-1693. doi: 10.1360/crad20071009HU Changjun, WEI Shuo, ZHANG Jilin, et al. A parallel SOR algorithm for linear systems on SMP[J]. Journal of Computer Research and Development, 2007, 44(10): 1688-1693. doi: 10.1360/crad20071009 [16] LI Z, HU Z B, MIAO Y F, et al. Deep-mining backtracking search optimization algorithm guided by collective wisdom[J]. Mathematical Problems in Engineering, 2019, 2019: 2540102.1-2540102.30. doi: 10.1155/2019/2540102 [17] STORN R, PRICE K. Differential evolution-a simple and efficient heuristic for global optimization over continuous spaces[J]. Journal of Global Optimization, 1997, 11(4): 341-359. doi: 10.1023/A:1008202821328 [18] KENNEDY J, EBERHART R. Particle swarm optimization[C]//Proceedings of ICNN’95-International Conference on Neural Networks. Perth: IEEE, 1995: 1942-948. [19] CHOU J S, TRUONG D N. A novel metaheuristic optimizer inspired by behavior of jellyfish in ocean[J]. Applied Mathematics and Computation, 2021, 389: 125535.1-125535.47. doi: 10.1016/j.amc.2020.125535 [20] ABUALIGAH L, YOUSRI D, ABD ELAZIZ M, et al. Aquila optimizer: a novel meta-heuristic optimization algorithm[J]. Computers & Industrial Engineering, 2021, 157: 107250.1-107250.37. [21] AZIZI M. Atomic orbital search: a novel metaheuristic algorithm[J]. Applied Mathematical Modelling, 2021, 93: 657-683. doi: 10.1016/j.apm.2020.12.021 [22] BOGAR E, BEYHAN S. Adolescent Identity Search Algorithm (AISA): a novel metaheuristic approach for solving optimization problems[J]. Applied Soft Computing, 2020, 95: 106503.1-106503.43. doi: 10.1016/j.asoc.2020.106503 [23] ASKARZADEH A. A novel metaheuristic method for solving constrained engineering optimization problems: crow search algorithm[J]. Computers & Structures, 2016, 169: 1-12. [24] WANG H L, HU Z B, SUN Y Q, et al. Modified backtracking search optimization algorithm inspired by simulated annealing for constrained engineering optimization problems[J]. Computational Intelligence and Neuroscience, 2018, 2018: 9167414.1-9167414.27. [25] SHABANI A, ASGARIAN B, SALIDO M, et al. Search and rescue optimization algorithm: a new optimization method for solving constrained engineering optimization problems[J]. Expert Systems with Applications, 2020, 161: 113698.1-113698.15. doi: 10.1016/j.eswa.2020.113698 [26] KAVEH A, DADRAS A. A novel meta-heuristic optimization algorithm: thermal exchange optimization[J]. Advances in Engineering Software, 2017, 110: 69-84. doi: 10.1016/j.advengsoft.2017.03.014 [27] WU L, LIU Q, TIAN X, et al. A new improved fruit fly optimization algorithm IAFOA and its application to solve engineering optimization problems[J]. Knowledge-Based Systems, 2018, 144: 153-173. doi: 10.1016/j.knosys.2017.12.031 [28] PRAYOGO D, CHENG M Y, WU Y W, et al. Differential big bang-big crunch algorithm for construction-engineering design optimization[J]. Automation in Construction, 2018, 85: 290-304. doi: 10.1016/j.autcon.2017.10.019 [29] MIRJALILI S. The ant lion optimizer[J]. Advances in Engineering Software, 2015, 83: 80-98. doi: 10.1016/j.advengsoft.2015.01.010 [30] GANDOMI A H, YANG X S, ALAVI A H. Cuckoo search algorithm: a metaheuristic approach to solve structural optimization problems[J]. Engineering with Computers, 2013, 29(1): 17-35. doi: 10.1007/s00366-011-0241-y -