自适应遗传算法在非线性系统辨识中的应用：一体化模型结构与参数辨识

"基于自适应遗传算法的多项式模型结构与参数的一体化辨识" 本文主要探讨了一种针对非线性系统的模型结构与参数一体化辨识方法，该方法利用自适应遗传算法进行优化。在非线性系统辨识中，模型的结构选择和参数估计是两个关键步骤，而传统方法往往将这两个过程分开处理。本文提出的方案旨在同时解决这两个问题，提高辨识效率和精度。 首先，针对组合非线性系统，研究者通过计算选定的候选项（即可能的模型结构部分）原始序列与系统输出序列之间的相关度来评估模型结构的合理性。相关度是一种衡量两个序列之间相似程度的统计量，其大小可以帮助确定哪些结构元素对模型的表现最为重要。相关度评估的结果用于自适应编码遗传算法的染色体结构，这样可以确保算法从一开始就能聚焦于最相关的模型结构部分。 在遗传算法的迭代过程中，随着辨识的深入，系统会再次计算各候选项的贡献序列与这些候选项导致的模型损失序列的相关度。这里的模型损失通常指的是模型预测值与实际观测值之间的差异。如果某个候选项的贡献序列与损失序列相关度较低，说明该候选项对模型的改进作用不大，因此可以剔除，从而动态地调整模型结构。这一过程持续进行，直到参数辨识完成并且模型结构得到优化。 通过这样的循环迭代，算法能够在寻找最优模型参数的同时，逐步确认最适合作为模型结构的组合。作者通过仿真实例证明了该方法的有效性，表明这种方法能够有效地应用于非线性系统的辨识，特别是在结构辨识和参数估计上展现出显著的优势。 关键词涵盖了非线性系统辨识、自适应遗传算法、相关系数、结构辨识、多项式模型以及智能计算等核心概念。其中，非线性系统辨识是控制理论和决策分析的重要领域，自适应遗传算法是一种智能优化技术，相关系数用于评估模型结构和输出序列的关联，结构辨识关乎模型的复杂度和准确性，多项式模型是常用的系统建模工具，而智能计算则反映了利用机器学习和优化算法解决复杂问题的现代趋势。 这项工作为非线性系统的建模提供了一个有效且自适应的方法，对于理解和控制复杂系统具有重要意义，并且为后续的系统辨识研究提供了新的思路。