1. 研究目的与意义及国内外研究现状

非线性系统参数估计是现代控制领域研究的一个重要组成部分，同时在测量数据处理方面也是重要内容。传统的非线性参数估计算法对估计模型的限制条件较强、对梯度信息过于依赖、容易陷入局部最优且收敛速度慢。混合蛙跳算法提出的时间较晚，且一般都是应用于实际中的组合优化问题。很多群智能算法在非线性系统参数估计方面都有不错的表现，而混合蛙跳算法在这方面的应用不多。因此，研究混合蛙跳算法在非线性模型参数估计中具有一定的现实意义。

国内外研究现状

混合蛙跳算法是由eusuff和lansey在2003年首次提出的，并得到国内外学者的广泛关注，对算法的研究应用已经渗透到多个领域，成为交叉学科中一个前沿性研究问题。目前该算法的研究成果并不是很多，研究内容也主要是对该算法的改进和算法的应用。

2005年，elbeltagi等将遗传算法、粒子群算法和蚁群算法就行对比分析，发现混合蛙跳算法在解决优化问题时的搜索速度最快[2]。2006年，eusuff等从收敛速度方面对比遗传算法，发现在解决组合优化问题时混合蛙跳算法的效果显著[1]。近年来，国内外学者从多方面对混合蛙跳算法提出改进，得到了更加实用的改进算法。文献[3]对原始混合蛙跳算法进行改进，引入加速搜索范围这一参数，应用于离散及连续这两类问题，并且描述了算法改进过程中新参数的积极作用。文献[7]在混合蛙跳算法中引入了生物学的吸引排斥的思想，修正了算法的更新策略，维持了种群的多样性。大大提高了其收敛速度，并且有效地避免了经典混合蛙跳算法存在的早熟收敛问题。文献[8]建立背包问题基于0/1规划的数学模型，针对离散搜索空间，对混合蛙跳算法进行改进，并应用混合蛙跳算法解决了0-1背包问题。文献[9]提出了基于阈值选择策略的改进混合蛙跳算法，针对蛙跳算法局部更新前后个体空间位置变化较大，收敛速度较低这一问题，基于不满足阈值条件的个体分量不更新的方式，通过减少个体的空间差异，来提高算法性能。文献[11]建立了markov链数学分析模型，详细分析了markov链的性质，证明了青蛙族群状态序列是齐次markov链。文献[13]引入调整序思想设计局部搜索策略，在全局信息交换过程中加入变异操作，用改进的混合蛙跳算法求解tsp问题。

2. 研究的基本内容

本文首先对混合蛙跳算法的基本原理进行简单的介绍，在此基础上，将混合蛙跳算法应用于非线性系统参数估计，通过对算例计算结果的分析和与其他算法的结果比较，检验混合蛙跳算法的性能。

3. 实施方案、进度安排及预期效果

方案和进度：

1．2016年04月10日前，搜集论文资料并阅读，撰写开题报告。

2．2016年04月22日前，提交开题报告，进入数据处理分析阶段。

4. 参考文献

[1] eusuffm m.lansey k e.shuffled frog leaping algorithm:amemetic metaheuristic forcombinatorial opfimation[m].j.heuristics.in press.2000.

[2] elbeltagi. et. hegazyd.grierson, “ comparison among five evolutionary-based optimization algorithms, ” advanced engineering informatics, 2005,vol.19, no.l,pp.43~53.

[3] elbeltagi. et. hegazyd.grierson, “ a modified shuffled frog-leaping optimization algorithm : applications to project management, ” structure and infrastructure engineering: maintenance, management. life-cycl, 2007, vol.3, no.l, pp.53~60(68).