多智能体系统一致性问题相关介绍

基于遗传模糊RBF神经网络的复合材料健康监测研究学院：自动化姓名：李正强1013203015米彦青1013203018Contents引言1智能算法简介2遗传模糊RBF神经网络在复合材料健康监测中的应用3引言结构的健康监测技术是要发展一种最小人工干预的结构健康的在线实时连续监测、检查与损伤探测的自动化系统,能够通过局域网络或远程中心,自动地报告结构状态。可以说,健康监测有可能将目前广泛采用的离线、静态、被动的损伤检测,转变为在线、动态、实时的监测与控制,这将导致工程结构安全监控、减灾防灾领域的一场革命。引言诊断软件维修继续使用响应电信号传输无损伤损伤存在报警待测结构激励传感器网络信号的采集与处理监控中心智能算法简介许多科学和工程问题都可以归结为有约束条件的最优化(Optimization)问题，其数学模型一般形式为12max(min)(,,)nzfxxx…,约束条件为：12(,,,),1,2,,kngxxxkm…｛＝,｝0,?其中的Z也成为目标函数智能算法简介1.人工神经网络人工神经网络(ArtificialNeuralNetwork，简称ANN)是一个高科技研究领域，是信息科学、脑科学、神经心理学等多学科交叉的热点人工神经网络的处理单元间相互连接，所有的连接构成一个有向图。智能算法简介径向基神经网络模型及算法∑1w2wmwnx2x1x()mgxy22||||()exp[]1,2,iiigimxCx，RBF神经网络训练的关键是确定网络隐层节点的个数、每个节点的中心信息及其对应的输出权值W智能算法简介iu2遗传算法遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法。在遗传算法中，通过随机方式产生若干个所求解问题的数字编码，即染色体（Chromosome），形成初始群体；通过适应度函数（Fitness）给每个个体一个数值评价，淘汰低适应度的个体，选择高适应度的个体参加遗传操作，经过遗传操作（选择（Selection）、交叉（Crossover）和变异（Mutation））后的个体集合形成下一代新的种群。对这个新种群进行下一轮进化。这就是遗传算法的基本原理。智能算法简介遗传算法流程框图编码和初始群体的生成群体中个体适应度的检测评估选择交叉变异智能算法简介FCM模糊聚类算法FCM把n个向量xi（i=1,2,…,n）分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。FCM的价值函数（或目标函数）2111(,,...,)ccnmciijijiijJUccJud这里uij介于0，1间；ci为模糊组i的聚类中心，dij=||ci-xj||为第i个聚类中心与第j个数据点间的欧几里德距离；且1,m是一个加权指数。是一个加权指数。智能算法简介构造如下新的目标函数，可求得使上式达到最小值的必要条件111112111(,,...,,,...,)(,,...,)(1)(1)cncncjijjicnncmijijjijijjiJUccJUccuudu对所有输入参量求导11nmijjjinmijjuxcu2/(1)11ijmcijkkjudd智能算法简介步骤1：用值在0，1间的随机数初始化隶属矩阵U，使其满足相关的约束条件步骤2：用相关公式计算c个聚类中心ci，i=1,…,c。步骤3：计算价值函数。如果它小于某个确定的阈值，或它相对上次价值函数值的改变量小于某个阈值，则算法停止。步骤4：用相关公式计算新的U矩阵。返回步骤2。遗传模糊RBF神经网络在复合材料健康监测中的应用遗传模糊RBF神经网络1x2x6x1y2y输入层匹配层推理层归一化层输出层其中输入、输出层和普通的RBF网络结构一致，第一层为输入层，该层的各个节点直接参与输入向量的各分量连接，它起着将输入值传送到下一层的作用，节点个数等于输入信息的元素个数n，第二层为匹配层，每个节点代表一个语言变量值，它的作用是计算各输入分量属于各语言变量模糊集合的隶属度函数，该层的节点个数是对该节点输入信息的模糊分类类别数S与输入元素个数n的乘积，也即n×S个；第三层为推理层，每个节点表示一条模糊规则，它的作用是用来匹配模糊规则的前提条件，该层的节点个数为Sn；第四层是归一化计算层，节点个数与推理层节点个数相同，它所实现的是归一化计算；第五层为网络的输出层，它所实现的是清晰化计算，该层节点个数由实际问题决定。算法流程图编码初始化种群终止条件？计算个体适应度，评价聚类性能否是复制，交叉，变异个体FCM优化停止迭代，解码，获得聚类中心求解聚类宽度匹配层计算推理层计算归一化层计算利用广义逆求解网络权值结束结果利用复合材料结构的前6阶计算弯曲模态频率作为遗传模糊RBF神经网络的输入，网络结构的输出是和样本数据相应的损伤大小和几何位置。序号实际大小实际位置识别大小识别位置大小误差（％）位置误差（％）135400.637.3035417.12076.58154.1240245475.647.9027461.00746.4505-3.0683352.5460.652.7888438.28560.5501-4.8446457.5488.155.4612507.4708-3.54573.9686555505.651.9225421.6296-6.4942-16.6081