徐斌,陶莉莉,程武山
?
一種自適應(yīng)多策略差分進化算法及其應(yīng)用
徐斌1,陶莉莉2,程武山1
(1上海工程技術(shù)大學(xué)機械工程學(xué)院,上海201620;2上海第二工業(yè)大學(xué)工學(xué)部,上海 201209)
針對差分進化算法由于固定參數(shù)設(shè)置而易早熟或陷入局部最優(yōu)的問題,提出了一種自適應(yīng)多策略差分進化算法(SMDE)。該方法以基本差分進化為框架,首先引入一個變異策略候選集合,一個縮放因子候選集合和一個交叉參數(shù)候選集合,然后在搜索過程中,以過去的搜索信息為基礎(chǔ),自適應(yīng)地為下一時刻進化群體中的每個個體從候選集合中選擇一組合適的變異策略和控制參數(shù),以便在不同的進化時刻設(shè)置合適的變異策略和控制參數(shù)。對10個常用的標(biāo)準(zhǔn)測試函數(shù)進行優(yōu)化計算,并與其他算法的結(jié)果進行了比較,實驗結(jié)果表明,SMDE具有較好的搜索精度和更快的收斂速度。將SMDE用于化工過程動態(tài)系統(tǒng)不確定參數(shù)估計問題,實驗結(jié)果表明該算法能較好地處理實際工程優(yōu)化問題。
差分進化算法;自適應(yīng);多策略;動態(tài)系統(tǒng);參數(shù)估計
差分進化算法(differential evolution,DE)是由Storn等[1]提出的新型啟發(fā)式搜索算法,具有結(jié)構(gòu)簡單、可調(diào)參數(shù)少、魯棒性強等特點,在求解各類復(fù)雜數(shù)值優(yōu)化問題以及實際工程優(yōu)化問題方面取得了滿意的效果。但是,Pan等[2]認為,DE的搜索性能很大程度上取決于其子代生產(chǎn)策略(變異策略和交叉策略)以及對應(yīng)的控制參數(shù)(種群規(guī)模,縮放因子和交叉參數(shù)CR),所以在使用DE求解問題時,首先需要選擇合適的進化策略,然后確定對應(yīng)的控制參數(shù),才能使得算法效果較優(yōu)[3]。因此,如何為DE設(shè)置有效的進化策略以及對應(yīng)的控制參數(shù),在提高算法收斂速度和求解精度的同時,防止陷入局部最優(yōu)解,已經(jīng)成為當(dāng)前DE研究領(lǐng)域的熱點。
在差分進化算法參數(shù)配置方面,研究者們總結(jié)了一系列有效的設(shè)置經(jīng)驗[4],其中最為直接和有效的方案就是設(shè)計一種自適應(yīng)調(diào)整方案,如Liu等[5]根據(jù)模糊原理,提出關(guān)于參數(shù)和CR的模糊適應(yīng)性推理規(guī)則。Brest等[6]將控制參數(shù)編碼到個體染色體中,然后根據(jù)搜索過程的反饋信息,自適應(yīng)地調(diào)整參數(shù)和CR,提出了jDE算法。Zhang等[7]根據(jù)子代與父代之間的競爭情況、歷史進化記錄以及統(tǒng)計學(xué)習(xí)規(guī)則提出自動調(diào)整和CR的JADE方法。Mallipeddi等[8]將變異策略和控制參數(shù)看成整體,提出一種集成學(xué)習(xí)方法。除了研究和CR之外,研究者們對種群規(guī)模也感興趣。Teo[9]使用絕對和相對的編碼方法,提出了能自動調(diào)整、和CR的DESAP算法。Zhu等[10]根據(jù)搜索狀態(tài),提出能自動調(diào)整進化種群的APTS策略。楊衛(wèi)東等[11]提出根據(jù)種群平均適應(yīng)度方差非線性改變交叉概率因子的方法,在種群多樣性不同時分別采用不同的調(diào)整策略。
最近,研究者們對DE進化策略的自適應(yīng)調(diào)整產(chǎn)生了興趣。因為這類策略能夠在不同的進化時刻采用不同的個體重組策略。Qin等[12]根據(jù)先前的成功搜索經(jīng)驗自適應(yīng)地調(diào)整當(dāng)前的子代個體生成策略及其對應(yīng)的參數(shù)和CR,提出了SaDE算法。Wang等[13]提出了結(jié)合幾種有效的子代產(chǎn)生策略和合適的進化參數(shù)來提高DE性能的思想。Gong等[14]提出一種能自動為個體選擇合適的變異策略的策略選擇機制,并將其結(jié)合到JADE算法中,效果明顯。向萬里等[15]設(shè)計交叉概率控制參數(shù)庫、變異尺度參數(shù)庫及差分變異策略庫,并采用不同的機制產(chǎn)生對應(yīng)的參數(shù)值。Wu等[16]將進化種群分為indicator種群和reward種群兩種類型,并采用3種不同的變異策略和類似JADE中自適應(yīng)參數(shù)調(diào)整策略。為了提高計算效率,Gong等[17]將多策略模型和代理模型相結(jié)合,提出一種基于較為實用的多算子進化算法模型,在求解復(fù)雜單目標(biāo)問題方面具有優(yōu)勢。
結(jié)合控制參數(shù)和進化策略自適應(yīng)調(diào)整這兩方面的優(yōu)勢,本文提出一種自適應(yīng)多策略差分進化算法(self-adaptive differential evolution algorithm with multiple strategies,SMDE)。本方法以經(jīng)典DE算法為框架,為了充分利用進化群體在迭代過程中的有用信息,增強算法搜索能力,引入一個變異策略集合、一個縮放因子集合以及一個交叉參數(shù)集合。然后在迭代計算過程中,根據(jù)過去的搜索信息,動態(tài)自適應(yīng)地為種群中每個個體從這3個集合中選擇合適的變異策略以及控制參數(shù)和CR,在保證搜索效率的同時提高搜索精度,防止陷入局部最優(yōu)。
rand/1
best/1
current-to-best/1
rand/2
best/1
其中,1、2、3、4、5是區(qū)間[1]內(nèi)與不等的隨機整數(shù),且滿足兩兩互不相等??s放因子是一個正常數(shù),通常被限定在區(qū)間[0 1]之內(nèi)。變異之后得到的新個體與父代個體進行交叉操作,交叉操作過程為
本文提出的SMDE算法的一個重要特點是以過去成功的經(jīng)驗為基礎(chǔ),引入一個變異策略集合、一個縮放因子集合以及一個交叉參數(shù)集合。然后在迭代計算過程中,根據(jù)搜索信息自適應(yīng)地從集合中選擇參數(shù)參與計算。
2.1 變異策略自適應(yīng)調(diào)整策略
隨著DE的不斷發(fā)展,研究者們提出了許多不同類型的變異策略,但是,至今仍然沒有一種理論上的變異策略選擇方案,因此,在DE中采用多變異策略得到許多研究者們的青睞[12-15]。為了平衡SMDE算法在不同階段的探索和開發(fā)能力,選擇rand/1、rand/2、current-to-best/1和best/2這4種不同類型的變異策略構(gòu)成一個變異策略候選集合(SS)。在進化過程中,為種群中每個個體從集合SS中動態(tài)選擇合適的變異策略,其自適應(yīng)調(diào)整方式為
2.2 控制參數(shù)自適應(yīng)調(diào)整策略
在確定變異策略之后,需要確定一組合適的控制參數(shù)和CR。SMDE參數(shù)控制策略基本思想就是以這些經(jīng)驗區(qū)間為基礎(chǔ),在區(qū)間中選擇一些具有代表性的離散值構(gòu)成候選參數(shù)集合,然后在不同的進化時刻,從參數(shù)集合中選擇合適的值參與計算。
對于參數(shù),在區(qū)間[0.4 1.2]中,以0.1為步長選擇9個值構(gòu)成候選集合FS,然后在進化過程中,根據(jù)搜索信息為種群中每個個體動態(tài)選擇合適的值,其自適應(yīng)調(diào)整方式為
對于參數(shù)CR,在區(qū)間[0.0 1.0]中,以0.2為步長選擇6個值構(gòu)成CR候選集合CRS,然后在進化過程中,根據(jù)搜索信息為種群中每個個體動態(tài)選擇合適的CR值,其自適應(yīng)調(diào)整方式為
從上面的參數(shù)調(diào)整策略可以看出,該調(diào)整策略類似于jDE算法的調(diào)整策略[7],但是,它們是不一樣的。首先,在SMDE中有變異策略的調(diào)整方案,而jDE中沒有;其次,SMDE從有限集合中選擇潛在參數(shù),而jDE從給定的連續(xù)區(qū)間中隨機生成控制參數(shù)。
2.3 算法基本流程
結(jié)合基本DE算法的框架以及上述介紹的變異策略和控制參數(shù)自適應(yīng)調(diào)整策略,提出自適應(yīng)多策略差分進化算法(SMDE),具體實現(xiàn)過程如下。
(1)算法初始化。設(shè)定種群規(guī)模為,算法停止條件max_nfes,變異策略候選集合SS,縮放因子候選集合FS,交叉參數(shù)候選集合CRS。
(2)種群初始化。設(shè)初始迭代步數(shù)=0,在搜索范圍內(nèi)隨機初始化初始種群,,并為種群中每個個體從3個候選集合中分別隨機選擇一個變異策略S,F和CR。
(4)按照式(7)執(zhí)行選擇操作。
(5)根據(jù)式(8)~式(10)調(diào)整和更新每個個體下一進化時刻對應(yīng)的變異策略,和。
(6)判斷算法是否滿足終止條件。若滿足,則算法結(jié)束,輸出當(dāng)前最優(yōu)值為最終結(jié)果;若不滿足,令,并轉(zhuǎn)至步驟(3)。
3.1 SMDE算法性能測試
為了驗證SMDE算法的有效性,選擇10個常用的基準(zhǔn)測試函數(shù)進行實驗仿真[18]。這10個測試函數(shù)中,有單峰函數(shù),也有多峰函數(shù),有的函數(shù)最優(yōu)值附近有大量局部極小值,因此具有代表性。為了方便對實驗結(jié)果進行通知,選擇最小誤差、取得固定誤差值所需要的函數(shù)評價次數(shù)、成功率以及收斂曲線圖4個常用的技術(shù)指標(biāo)進行結(jié)果分析[14]。
為了方便進行結(jié)果比較和分析,選擇兩種具有代表性的自適應(yīng)差分進化算法(jDE[6]和SaDE[12])進行比較。對于SMDE,取種群規(guī)模,對于jDE與SaDE,其參數(shù)分別選擇對應(yīng)文獻建議值,算法停止條件為函數(shù)評價次數(shù)max_nfes3×105次。3種算法獨立運行25次后,統(tǒng)計誤差平均值與標(biāo)準(zhǔn)方差,其統(tǒng)計結(jié)果見表1。
從表1可以看出,對于問題sph、ros和wht問題,SMDE結(jié)果優(yōu)于jDE和SaDE,對于問題ack和sal,SMDE表現(xiàn)較弱,對于其他問題,3種算法都能取得較好的優(yōu)化結(jié)果。
表2給出了優(yōu)化過程中最小誤差值小于10-8時,25次獨立運行所需要的平均目標(biāo)函數(shù)評價次數(shù)以及成功率。從表格中可以看出,對于大多數(shù)問題,如問題sph、ack、ras、pn1以及pn1等,雖然3種算法都能在最大迭代次數(shù)范圍內(nèi)讓誤差值達到10-8,但是,SMDE所需要的函數(shù)評價次數(shù)更少,收斂速度更快。
表1 各算法運行25次統(tǒng)計結(jié)果
表2 成功率與平均迭代次數(shù)統(tǒng)計結(jié)果
為了更加直觀地展示算法求解過程,圖1給出了10個測試函數(shù)收斂曲線。從圖1可以看出,對于問題sph、ros、grw和wht,SMDE算法表現(xiàn)較好,對于問題ras和sch,SMDE差于jDE,但收斂速度好于SaDE,而對于其他問題,3種算法收斂性能相當(dāng)。
圖1 函數(shù)目標(biāo)函數(shù)收斂曲線
從上面的結(jié)果分析可知,SMDE算法相比jDE和SaDE具有優(yōu)勢,是一種有效的求解全局數(shù)值優(yōu)化問題的方法。
3.2 參數(shù)自適應(yīng)策略分析
為了分析SMDE算法中參數(shù)自適應(yīng)策略的有效性,選擇ros和wht這兩個代表性函數(shù),對其參數(shù)自適應(yīng)搜索過程進行具體分析。
圖2給出了在求解ros函數(shù)過程中,最優(yōu)結(jié)果為平均值對應(yīng)的那次運行過程變異策略、縮放因子以及交叉參數(shù)概率變化曲線。從圖可以看出,在求解該函數(shù)時,變異策略current-to-best/1,縮放因子0.4以及交叉參數(shù)1.0使用概率較高,使用這種組合求解效率較高。
圖3給出了在求解wht函數(shù)過程中,變異策略、縮放因子以及交叉參數(shù)概率變化曲線。從圖3可以看出,在進化前期,變異策略rand/1占優(yōu)勢,但是到后期,current-to-best/1策略占優(yōu)勢。對于縮放因子,進化前期多個參數(shù)使用概率相差不大,但是到了后期,參數(shù)0.4使用較多。對于交叉參數(shù),進化前期參數(shù)0.0使用概率較大,但是后期參數(shù)1.0使用較多。
圖2 函數(shù)Fros求解過程參數(shù)概率變化曲線
圖3 函數(shù)Fwht求解過程參數(shù)概率變化曲線
從上面的結(jié)果分析可知,本文提出的參數(shù)自適應(yīng)策略是一種參數(shù)調(diào)整方案,使用該方案可以使算法能夠在不同的進化時刻,根據(jù)前期搜索信息,選擇最為合適的進化策略及其對應(yīng)的控制參數(shù)。
3.3 動態(tài)系統(tǒng)參數(shù)辨識及結(jié)果分析
通過求解10個基準(zhǔn)函數(shù),證明了SMDE的優(yōu)化性能,為了進一步驗證其在處理工程優(yōu)化問題時的有效性,將其用于甲醇轉(zhuǎn)化為烴類物質(zhì)的反應(yīng)模型不確定參數(shù)最優(yōu)估計。甲醇轉(zhuǎn)化為各不同烴類的反應(yīng)模型表示形式為[19-20]
式中,A為氧化劑,B為甲醇,C為烴類物質(zhì),P為鏈烷烴、芳香族化合物以及其他產(chǎn)品。假定上述所有反應(yīng)均為絕熱條件下的一階反應(yīng),碳烯濃度為常數(shù),總的反應(yīng)模型表示為
式中,1、2、3為A、C和P的濃度;是待辨識的模型參數(shù)。為了求解擬合模型,表3給出了實際生產(chǎn)過程產(chǎn)物A、C和P的17組濃度測量值。
表3 不同時刻y的測量值
在系統(tǒng)模型結(jié)構(gòu)已知情況下,根據(jù)實際生產(chǎn)過程觀測數(shù)據(jù),取系統(tǒng)誤差平方和為優(yōu)化目標(biāo)函數(shù)
表4給出了過程產(chǎn)物A、C和P模型輸出值與觀測值之間的誤差值(模型輸出值-測量值)。從表4中數(shù)值可以看出,大多數(shù)時刻濃度誤差值都比較小,最小可達1.19×10-4,最大值為3.98×10-2。圖4給出了系統(tǒng)模型輸出數(shù)值與觀測值擬合結(jié)果。表5給出了rSQP[20],CPEMR[21],PNSGA[19],APSO[22]和SMDE 5種算法求解該動態(tài)模型的結(jié)果。從結(jié)果可以看出,SMDE算法得到的目標(biāo)函數(shù)值較好,雖然對于某些成分值,如相對于APSO算法,A和P產(chǎn)物誤差值較大,但是C物質(zhì)誤差值較低,總體目標(biāo)函數(shù)值較好??梢钥闯?,本文提出的SMDE算法是一種有效求解動態(tài)系統(tǒng)參數(shù)估計問題的方法。
表4 3種產(chǎn)物不同時刻誤差值
圖4 擬合結(jié)果與觀測值比較
表5 5種算法的實驗結(jié)果比較
提出一種新的基于多進化策略的自適應(yīng)差分進化算法并用于求解化工過程動態(tài)模型參數(shù)辨識問題,結(jié)論如下。
(1)本文引入變異策略、縮放因子和交叉參數(shù)的候選集合,算法能針對不同的優(yōu)化問題在不同的求解階段,根據(jù)過去的搜索信息從候選集合中選擇有效的變異策略及其對應(yīng)的控制參數(shù)。
(2)將SMDE算法用于求解復(fù)雜標(biāo)準(zhǔn)測試函數(shù),結(jié)果表明,與代表性自適應(yīng)差分進化算法相比,SMDE算法能有效提高算法搜索速度和解精度,防止陷入局部最優(yōu)值。
(3)將SMDE算法應(yīng)用于甲醇反應(yīng)動態(tài)模型不確定參數(shù)估計,結(jié)果表明,SMDE算法在求解化工過程動態(tài)模型系統(tǒng)參數(shù)估計問題具有較高的求解精度和較好的應(yīng)用前景。
(4)本文SMDE算法未對交叉策略進行深入研究,都是采用最基本的二項交叉算子,未來研究工作將關(guān)注交叉策略的自適應(yīng)調(diào)整策略,進一步增強算法的魯棒性。
符 號 說 明
A——氧化劑 B——甲醇 C——烴類物質(zhì) CR——交叉參數(shù) CRS——交叉參數(shù)候選集合 F——縮放因子 FS——縮放因子候選集合 max_nfes——算法最大迭代次數(shù) N——種群規(guī)模 n——優(yōu)化問題維度 P——鏈烷烴、芳香族化合物以及其他產(chǎn)品 rand[0,1]——[0,1]之間的隨機數(shù) randi(·)——隨機整數(shù)選擇函數(shù) S——變異策略 SS——變異策略候選集合 u——交叉后個體 v——變異后個體 x——種群個體 y1——氧化劑濃度 y2——烴類物質(zhì)濃度 y3——鏈烷烴、芳香族化合物以及其他產(chǎn)品濃度 θ——待辨識模型參數(shù)
[1] 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.
[2] PAN Q K, SUGANTHAN P N, WANG L,. A differential evolution algorithm with self-adapting strategy and control parameters [J]. ComputersOperations Research, 2011, 38 (1): 394-408.
[3] QIAN F, XU B, QI R,. Self-adaptive differential evolution algorithm with α-constrained domination principle for constrained multi-objective optimization[J] Soft Computing, 2012, 16 (8): 1353-1372.
[4] 劉波, 王凌, 金以慧. 差分進化算法研究進展 [J]. 控制與決策, 2007, 22 (7): 721-729. LIU B, WANG L, JIN Y H. Advances in differential evolution [J]. Control and Decision, 2007, 22 (7): 721-729.
[5] LIU J, LAMPINEN J. A fuzzy adaptive differential evolution algorithm [J]. Soft Computing, 2005, 9 (6): 448-462.
[6] BREST J, GREINE S, BOSKOVIC B,. Self-adapting control parameters in differential evolution: a comparative study on numerical benchmark problems [J]. IEEE Transactions on Evolutionary Computation, 2006, 10 (6): 646-657.
[7] ZHANG J, SANDERSON A C. JADE: adaptive differential evolution with optional external archive [J]. IEEE Transactions on Evolutionary Computation, 2009, 9 (6): 945-958.
[8] MALLIPEDDI R, SUGANTHAN P N, PAN Q K,. Differential evolution algorithm with ensemble of parameters and mutation strategies [J]. Applied Soft Computing, 2011, 11 (2): 1679-1696.
[9] TEO J. Exploring dynamic self-adaptive populations in differential evolution [J]. Soft Computing, 2006, 10 (8): 673-686.
[10] ZHU W, TANG Y, FANG J A,. Adaptive population tuning scheme for differential evolution [J]. Information Sciences, 2013, 223 (1): 164-191.
[11] 楊衛(wèi)東, 姚峰, 張明. 基于自適應(yīng)交叉概率因子的差分進化算法及其應(yīng)用 [J]. 信息與控制, 2010, 39 (2): 187-193. YANG W D, YAO F, ZHANG M. Differential evolution algorithm based on adaptive crossover probability factor and its application [J]. Information and Control, 2010, 39 (2): 187-193.
[12] QIN A K, HUANG V L, SUGANTHAN P N. Differential evolution algorithm with strategy adaptation for global numerical optimization [J]. IEEE Transactions on Evolutionary Computation, 2009, 13 (2): 398-417.
[13] WANG Y, CAI Z, ZHANG Q. Differential evolution with composite trial vector generation strategies and control parameters [J]. IEEE Transactions on Evolutionary Computation, 2011, 15 (1): 55-66.
[14] GONG W Y, CAI Z H, LING C X,. Enhanced differential evolution with adaptive strategies for numerical optimization [J]. IEEE Transactions on Systems, Man, and Cybernetics—Part B: Cybernetics, 2011, 41 (2): 397-413.
[15] 向萬里, 馬壽峰, 安美清. 具有Pbest引導(dǎo)機制的適應(yīng)性多策略差分進化算法 [J]. 模式識別與人工智能, 2013, 26 (8): 711-721. XIANG W L, MA S F, AN M Q. Adaptive multiple strategy differential evolution algorithm with guiding scheme of Pbest [J]. Pattern Recognition and Artificial Intelligence, 2013, 26 (8): 711-721.
[16] WU G H, MALLIPEDDI R, SUGANTHAN P N,. Differential evolution with multi-population based ensemble of mutation strategies [J]. Information Sciences, 2016, 329 (2): 329-345.
[17] GONG W, ZHOU A, CAI Z. A multioperator search strategy based on cheap surrogate models for evolutionary optimization [J]. IEEE Transactions on Evolutionary Computation, 2015, 19 (5): 746-758.
[18] NOMAN N, IBA H. Accelerating differential evolution using an adaptive local search [J]. IEEE Transactions on Evolutionary Computation, 2008, 12 (1): 107-125.
[19] 商秀芹, 盧建剛, 孫優(yōu)賢, 等. 一種基于偏好的多目標(biāo)遺傳算法在動態(tài)模型參數(shù)辨識中的應(yīng)用 [J].化工學(xué)報, 2008, 59 (7): 1620-1624. SHANG X Q, LU J G, SUN Y X,. A preference-based non-dominated sorting genetic algorithm for dynamic model parameters identification [J]. Journal of Chemical Industry and Engineering (China), 2008, 59 (7): 1620-1624.
[20] 江愛朋, 邵之江, 錢積新. 基于簡約SQP和混合自動微分的反應(yīng)參數(shù)優(yōu)化 [J]. 浙江大學(xué)學(xué)報(工學(xué)版), 2004, 38 (12): 1606-1614. JIANG A P, SHAO Z J, QIAN J X. Optimization of reaction parameters based on rSQP and hybrid automatic differentiation algorithm [J]. Journal of Zhejiang University (Engineering Science), 2004, 38 (12): 1606-1614.
[21] MARIA G. An adaptive strategy for solving kinetic model concomitant estimation—reduction problems[J]. The Canadian Journal of Chemical Engineering, 1989, 67(5): 825-832.
[22] 夏立榮, 李潤學(xué), 劉啟玉, 等. 基于動態(tài)層次分析的自適應(yīng)多目標(biāo)粒子群優(yōu)化算法及其應(yīng)用 [J]. 控制與決策, 2015, 30 (2): 215-222. XIA L R, LI R X, LIU Q Y,. An adaptive multi-objective particle swarm optimization algorithm based on dynamic AHP and its application [J]. Control and Decision, 2015, 30 (2): 215-222.
A self-adaptive differential evolution algorithm with multiple strategies and its application
XU Bin1, TAO Lili2, CHENG Wushan1
(1School of Mechanical Engineering, Shanghai University of Engineering Science, Shanghai 201620, China;2College of Engineering, Shanghai Second Polytechnic University, Shanghai 201209, China)
A self-adaptive differential evolution algorithm with multiple strategies (SMDE) was proposed to overcome premature or localized optimization of differential evolution (DE) as a result of fixed parameter settings. Based on basic framework of classical DE, the first step in SMDE was to create a candidate set of mutation strategy, scale factor () and crossover rate (CR). In the followed searching process, mutation strategy,andCR for each individual variable in next evolutionary generation were determined self-adaptively from the corresponding candidate set according to knowledge learnt from previous searches, so that proper mutation strategies and control parameters could be set at various evolution stages. Compared to other famous DE variants on optimizing 10 routine standard testing problems, SMDE had better search precision and faster convergence rate. Moreover, study on estimation of uncertain parameters in dynamic process systems of chemical engineering showed that SMDE could effectively solve engineering optimization challenges.
differential evolution algorithm; self-adaptive; multiple strategies; dynamic system; parameter estimation
date: 2016-09-09.
XU Bin, xubin@mail.ecust.edu.cn
10.11949/j.issn.0438-1157.20161273
TP 301
A
0438—1157(2016)12—5190—09
上海高校青年教師培養(yǎng)資助計劃項目(ZZgcd14002);上海市科委地方高校能力建設(shè)項目(14110501200)。
supported by the Young College Teachers Program of Shanghai Education Committee (ZZgcd14002) and the Local Colleges and Universities Capacity Construction Project of Shanghai Science and Technology Commission (14110501200).
2016-09-09收到初稿,2016-09-16收到修改稿。
聯(lián)系人及第一作者:徐斌(1984—),男,博士,講師。