智能控制 第3版 PPT課件 第8章

《智能控制》2023年5月第八章智能控制中的現(xiàn)代優(yōu)化方法主要內(nèi)容遺傳算法的基本原理8.18.28.3遺傳算法在加熱爐控制系統(tǒng)建模中的應(yīng)用遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用8.4遺傳算法在神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)中的應(yīng)用8.5其他現(xiàn)代優(yōu)化方法主要內(nèi)容遺傳算法的基本原理8.18.28.3遺傳算法在加熱爐控制系統(tǒng)建模中的應(yīng)用遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用8.4遺傳算法在神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)中的應(yīng)用8.5其他現(xiàn)代優(yōu)化方法遺傳算法的基本原理遺傳算法GA(GeneticAlgorithm)是一種根據(jù)生物進(jìn)化思想的啟發(fā)、不依賴具體問題的直接搜索方法；在人工智能研究中，現(xiàn)在人們認(rèn)為“遺傳算法、自適應(yīng)系統(tǒng)、細(xì)胞自動(dòng)機(jī)、混沌理論與人工智能一樣，都是對(duì)今后十年的計(jì)算技術(shù)有重大影響的關(guān)鍵技術(shù)。”遺傳算法的概念最早是由BagleyJ.D在1967年提出的；理論和方法系統(tǒng)性研究始于1975年，這一開創(chuàng)性工作是由Michigan大學(xué)的J.H.Holland所實(shí)行。當(dāng)時(shí)，其主要目的是說明自然和人工系統(tǒng)的自適應(yīng)過程。在模式識(shí)別、神經(jīng)網(wǎng)絡(luò)、圖像處理、機(jī)器學(xué)習(xí)、工業(yè)優(yōu)化控制、自適應(yīng)控制、生物科學(xué)、社會(huì)科學(xué)等方面都得到應(yīng)用；遺傳算法的生物學(xué)基礎(chǔ)1．遺傳與變異生物在自然界中的生存繁衍，顯示出了其對(duì)自然環(huán)境的優(yōu)異自適應(yīng)能力。世間的生物從其親代繼承特性或性狀，這種生命現(xiàn)象就稱為遺傳(Heredity)。遺傳信息是由基因(Gene)組成的，生物的各種性狀由其相應(yīng)的基因所控制，基因是遺傳的基本單位。細(xì)胞通過分裂具有自我復(fù)制的能力，在細(xì)胞分裂的過程中，其遺傳基因也同時(shí)被復(fù)制到下一代，從而其性狀也被下一代所繼承。在進(jìn)行細(xì)胞復(fù)制時(shí)，雖然概率很小，但也有可能產(chǎn)生某些復(fù)制差錯(cuò)，從而使DNA發(fā)生某種變異(Mutation)，產(chǎn)生出新的染色體。這些新的染色體表現(xiàn)出新的性狀。通過自然選擇，優(yōu)秀的基因保留下來。遺傳算法的生物學(xué)基礎(chǔ)2．進(jìn)化生物在其延續(xù)生存的過程中，逐漸適應(yīng)于其生存環(huán)境，使得其品質(zhì)不斷得到改良，這種生命現(xiàn)象稱為進(jìn)化(Evolution)。生物的進(jìn)化是以群體(Population)的形式共同進(jìn)行的。每一個(gè)個(gè)體對(duì)其生存環(huán)境都有不同的適應(yīng)能力，這種適應(yīng)能力稱為個(gè)體的適應(yīng)度(Fitness)。3遺傳與進(jìn)化的系統(tǒng)觀生物的所有遺傳信息都包含在其染色體中、染色體決定了生物的性狀。染色體是由基因及其有規(guī)律的排列所構(gòu)成的，遺傳進(jìn)化過程發(fā)生在染色體上。生物的繁殖過程是由其基因的復(fù)制過程來完成的。通過同源染色體之間的交叉或染色體的變異會(huì)產(chǎn)生新的物種，使生物呈現(xiàn)新的性狀。對(duì)環(huán)境適應(yīng)性好的基因或染色體經(jīng)常比適應(yīng)性差的基因或染色體有更多的機(jī)會(huì)遺傳到下一代。遺傳算法的基本概念串(String)個(gè)體(Individual)的形式，在算法中為二進(jìn)制串，并且對(duì)應(yīng)于遺傳學(xué)中的染色體(Chromosome)。群體(Population)個(gè)體的集合稱為群體，串是群體的元素。基因(Gene)基因是串中的元素，基因用于表示個(gè)體的特征。例如有一個(gè)串S＝1011，則其中的1，0，1，1這4個(gè)元素分別稱為基因?；蛭恢?GenePosition)一個(gè)基因在串中的位置稱為基因位置，有時(shí)也簡稱基因位。基因位置由串的左向右計(jì)算，例如在串S＝1101中，0的基因位置是3?；蛭恢脤?duì)應(yīng)于遺傳學(xué)中的地點(diǎn)(Locus)?；蛱卣髦?GeneFeature)在用串表示整數(shù)時(shí)，基因的特征值與二進(jìn)制數(shù)的權(quán)一致；例如在串S=1011中，基因位置3中的1，它的基因特征值為2；基因位置1中的1，它的基因特征值為8。串結(jié)構(gòu)空間SS在串中，基因任意組合所構(gòu)成的串的集合。基因操作是在結(jié)構(gòu)空間中進(jìn)行的。串結(jié)構(gòu)空間對(duì)應(yīng)于遺傳學(xué)中的基因型(Genotype)的集合。參數(shù)空間SP這是串空間在物理系統(tǒng)中的映射，它對(duì)應(yīng)于遺傳學(xué)中的表現(xiàn)型(Phenotype)的集合。非線性遺傳學(xué)中的異位顯性(Epistasis)。適應(yīng)度(Fitness)表示某一個(gè)體對(duì)于環(huán)境的適應(yīng)程度。遺傳算法的基本實(shí)現(xiàn)編碼選擇交叉變異遺傳算法通過對(duì)個(gè)體編碼的操作，不斷搜索出適應(yīng)度較高的個(gè)體，并在群體中逐漸增加其數(shù)量，最終尋求出問題的最優(yōu)解或近似最優(yōu)解。在遺傳算法中，把一個(gè)問題的可行解從其解空間轉(zhuǎn)換到遺傳算法所能處理的搜索空間的轉(zhuǎn)換方法就稱為編碼。編碼方法還決定了個(gè)體從搜索空間的基因型變換到解空間的表現(xiàn)型時(shí)的解碼方法，同時(shí)也影響到交叉操作、變異操作等遺傳操作的運(yùn)算方法。編碼原則有意義積木塊編碼原則：應(yīng)使用能易于產(chǎn)生與所求問題相關(guān)的但具有低階、短定義長度模式的編碼方案。最小字符集編碼原則：應(yīng)使用能使問題得到自然表示或描述的具有最小編碼字符集的編碼方案。適應(yīng)度遺傳算法的基本實(shí)現(xiàn)編碼選擇交叉變異模仿生物的遺傳和自然進(jìn)化過程，對(duì)群體中的個(gè)體進(jìn)行優(yōu)勝劣汰操作用來確定如何從父代群體中按某種方法選取哪些個(gè)體遺傳到下一代群體中目的：避免基因缺失、提高全局收斂性和計(jì)算效率。適應(yīng)度比例選擇ProportionalModel最優(yōu)保存策略ElitistModel隨機(jī)聯(lián)賽選擇StochasticTournamentModel排序選擇Rank-basedModel各個(gè)個(gè)體被選中的概率與其適應(yīng)度大小成正比。適應(yīng)度最好的個(gè)體要盡可能地保留到下一代群體中基于個(gè)體適應(yīng)度之間大小關(guān)系的選擇方法對(duì)群體中的所有個(gè)體按其適應(yīng)度大小進(jìn)行排序，基于這個(gè)排序來分配各個(gè)個(gè)體被選中的概率用迄今為止的最好個(gè)體替換掉當(dāng)前群體中的最差個(gè)體每次從群體里選取幾個(gè)個(gè)體，適應(yīng)度最高的一個(gè)個(gè)體遺傳到下一代群體中遺傳算法的基本實(shí)現(xiàn)編碼選擇交叉變異首先對(duì)群體中的個(gè)體進(jìn)行配對(duì)。常用策略為隨機(jī)配對(duì)。對(duì)兩個(gè)相互配對(duì)的染色體按某種方式相互交換其部分基因，從而形成兩個(gè)新的個(gè)體。適應(yīng)度單點(diǎn)交叉(One-pointCrossover)個(gè)體編碼串中只隨機(jī)設(shè)置一個(gè)交叉點(diǎn)，然后在該點(diǎn)相互交換兩個(gè)配對(duì)個(gè)體的部分染色體。雙點(diǎn)交叉(Two-pointCrossover)個(gè)體編碼串中隨機(jī)設(shè)置了兩個(gè)交叉點(diǎn)，然后再進(jìn)行部分基因交換。多點(diǎn)交叉(Multi-pointCrossover)多點(diǎn)交叉是指在個(gè)體編碼串中隨機(jī)設(shè)置了多個(gè)交叉點(diǎn)，然后進(jìn)行基因交換。算術(shù)交叉(ArithmeticCrossover)操作對(duì)象一般是由浮點(diǎn)數(shù)編碼所表示的個(gè)體，兩個(gè)個(gè)體的線性組合產(chǎn)生出兩個(gè)新的個(gè)體。經(jīng)驗(yàn)交叉(HeuristicCrossover)經(jīng)驗(yàn)交叉是惟一一個(gè)用到適應(yīng)度信息的操作，它產(chǎn)生父類個(gè)體的線性外插。

遺傳算法的基本實(shí)現(xiàn)編碼選擇交叉變異變異是指將個(gè)體染色體編碼串中的某些基因座上的基因值用該基因座的其他等位基因來替換，從而形成一個(gè)新的個(gè)體。適應(yīng)度基本位變異(SimpleMutation)均勻變異(UniformMutation)分別用符合某一范圍內(nèi)均勻分布的隨機(jī)數(shù)，以某一較小的概率來替換個(gè)體編碼串中各個(gè)基因座上的原有基因值。邊界變異(BoundaryMutation)隨機(jī)地取基因座的二個(gè)對(duì)應(yīng)邊界基因值之一去替代原有基因值。非均勻變異(Non-uniformMutation)對(duì)每個(gè)基因座都以相同的概率進(jìn)行變異運(yùn)算之后，相當(dāng)于整個(gè)解向量在解空間中作了一個(gè)輕微的變動(dòng)。多點(diǎn)非均勻變異(Multi-non-uniformMutation)非均勻變異操作的一個(gè)變形遺傳算法。遺傳算法的基本實(shí)現(xiàn)編碼選擇交叉變異遺傳算法在進(jìn)化搜索中基本上不用外部信息，僅用目標(biāo)函數(shù)即適應(yīng)度函數(shù)為依據(jù)。在具體應(yīng)用中，適應(yīng)度函數(shù)的設(shè)計(jì)要結(jié)合求解問題本身的要求而定。適應(yīng)度函數(shù)評(píng)估是選擇操作和某些交叉操作和變異交叉的基礎(chǔ)的依據(jù)。適應(yīng)度函數(shù)直接影響到遺傳算法的性能。適應(yīng)度遺傳算法實(shí)現(xiàn)的基本步驟

交叉對(duì)于選中用于繁殖下一代的個(gè)體，隨機(jī)地選擇兩個(gè)個(gè)體的相同位置，按交叉概率P在選中的位置實(shí)行交換。這個(gè)過程反映了隨機(jī)信息交換；目的在于產(chǎn)生新的基因組合，也即產(chǎn)生新的個(gè)體。交叉時(shí)，可實(shí)行單點(diǎn)交叉或多點(diǎn)交叉。一般而言，交叉概率P取值為0.25～0.75。全局最優(yōu)收斂當(dāng)最優(yōu)個(gè)體的適應(yīng)度達(dá)到給定的閥值，或者最優(yōu)個(gè)體的適應(yīng)度和群體適應(yīng)度不再上升時(shí)，則算法的迭代過程收斂、算法結(jié)束。否則，用經(jīng)過選擇、交叉、變異所得到的新一代群體取代上一代群體，并返回到第（2）步即選擇操作處繼續(xù)循環(huán)執(zhí)行。變異根據(jù)生物遺傳中基因變異的原理，以變異概率Pm對(duì)某些個(gè)體的某些位執(zhí)行變異。在變異時(shí)，對(duì)執(zhí)行變異的串的對(duì)應(yīng)位求反，即把1變?yōu)?，把0變?yōu)?。變異概率Pm與生物變異極小的情況一致，所以，Pm的取值較小，一般取0.01～0.2。遺傳算法的特點(diǎn)是一類可用于復(fù)雜系統(tǒng)優(yōu)化計(jì)算的魯棒搜索算法，有下述幾個(gè)特點(diǎn)：遺傳算法以決策變量的編碼作為運(yùn)算對(duì)象遺傳算法直接以目標(biāo)函數(shù)值作為搜索信息遺傳算法僅使用由目標(biāo)函數(shù)值變換來的適應(yīng)度函數(shù)值，避開了目標(biāo)函數(shù)求導(dǎo)的障礙。直接利用個(gè)體適應(yīng)度，把搜索范圍集中到適應(yīng)度較高的部分搜索空間中，提高了搜索效率。遺傳算法同時(shí)使用多個(gè)搜索點(diǎn)的搜索信息傳統(tǒng)的優(yōu)化算法往往是單個(gè)搜索點(diǎn)，搜索過程易陷于局部最優(yōu)解而停滯不前。遺傳算法從由很多個(gè)體所組成的群體開始最優(yōu)解的搜索過程，這是其所特有的一種隱含并行性。遺傳算法使用概率搜索技術(shù)傳統(tǒng)的優(yōu)化算法往往使用的是確定性的搜索方法，一個(gè)搜索點(diǎn)到另一個(gè)搜索點(diǎn)的轉(zhuǎn)移有確定的轉(zhuǎn)移方法和轉(zhuǎn)移關(guān)系。遺傳算法屬于一種自適應(yīng)概率搜索技術(shù)，其選擇、交叉、變異等運(yùn)算都是以一種概率的方式來進(jìn)行的，從而增加了其搜索過程的靈活性。遺傳算法的應(yīng)用遺傳算法提供了一種求解復(fù)雜系統(tǒng)優(yōu)化問題的通用框架，對(duì)問題的種類有很強(qiáng)的魯棒性，所以廣泛應(yīng)用于很多學(xué)科。其應(yīng)用的基礎(chǔ)理論是圖式定理。圖式(Scheme)一個(gè)基因串用符號(hào)集{0，1，*}表示，則稱為一個(gè)因式；其中*可以是0或1。例如：H=1xx0xx是一個(gè)圖式。圖式的階和長度圖式中0和1的個(gè)數(shù)稱為圖式的階，并用0(H)表示。圖式中第1位數(shù)字和最后位數(shù)字間的距離稱為圖式的長度，并用δ(H)表示。對(duì)于圖式H＝1xx0xx，有0(H)＝2，δ(H)＝4。Holland圖式定理低階，短長度的圖式在群體遺傳過程中將會(huì)按指數(shù)規(guī)律增加。當(dāng)群體的大小為n時(shí)，每代處理的圖式數(shù)目為0(n3)。遺傳算法這種處理能力稱為隱含并行性(ImplicitParallelism)。它說明遺傳算法其內(nèi)在具有并行處理的特質(zhì)。遺傳算法的應(yīng)用遺傳算法在應(yīng)用中最關(guān)鍵的問題有如下3個(gè)：（1）串的編碼方式這本質(zhì)是問題編碼。一般把問題的各種參數(shù)用二進(jìn)制編碼，構(gòu)成子串；然后把子串拼接構(gòu)成“染色體”串。串長度及編碼形式對(duì)算法收斂影響極大。（2）適應(yīng)函數(shù)的確定適應(yīng)函數(shù)(FitnessFunction)也稱對(duì)象函數(shù)(ObjectFunction)，這是問題求解品質(zhì)的測量函數(shù)；往往也稱為問題的“環(huán)境”。一般可以把問題的模型函數(shù)作為對(duì)象函數(shù)；但有時(shí)需要另行構(gòu)造。（3）遺傳算法自身參數(shù)設(shè)定遺傳算法自身參數(shù)有3個(gè)，即群體大小n、交叉概率Pc和變異概率Pm。群體大小n太小時(shí)難以求出最優(yōu)解，太大則增長收斂時(shí)間。一般n＝30-160。交叉概率Pc太小時(shí)難以向前搜索，太大則容易破壞高適應(yīng)值的結(jié)構(gòu)。一般取Pc=0.25-0.75。變異概率Pm太小時(shí)難以產(chǎn)生新的基因結(jié)構(gòu)，太大使遺傳算法成了單純的隨機(jī)搜索。一般取Pm＝0.01—0.2。遺傳算法總結(jié)遺傳算法雖然可以在多種領(lǐng)域都有實(shí)際應(yīng)用，并且也展示了它潛力和寬廣前景。遺傳算法的不足：在變量多，取值范圍大或無給定范圍時(shí)，收斂速度下降可找到最優(yōu)解附近，但無法精確確定最優(yōu)解位置遺傳算法的參數(shù)選擇尚未有定量方法遺傳算法有待解決的問題：數(shù)學(xué)基礎(chǔ)理論、硬件化的遺傳算法、通用編程和形式等。主要內(nèi)容遺傳算法的基本原理8.18.28.3遺傳算法在加熱爐控制系統(tǒng)建模中的應(yīng)用遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用8.4遺傳算法在神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)中的應(yīng)用8.5其他現(xiàn)代優(yōu)化方法遺傳算法在加熱爐控制系統(tǒng)建模中的應(yīng)用以冶金行業(yè)中使用的某型號(hào)兩段式步進(jìn)梁式加熱爐為例加熱爐可分為4段：爐尾段、預(yù)熱段、加熱段、均熱段。1表示上預(yù)熱帶，2表示上加熱帶，3表示上均熱帶，4表示下預(yù)熱帶，5表示下加熱帶，6表示下均熱帶。在加熱爐入口側(cè)，裝鋼機(jī)將板坯裝入加熱爐內(nèi)，當(dāng)板坯溫度滿足軋制溫度時(shí)，出口側(cè)的抽鋼機(jī)動(dòng)作將板坯抽出加熱爐。遺傳算法在加熱爐控制系統(tǒng)建模中的應(yīng)用加熱爐本身是一個(gè)非常復(fù)雜的系統(tǒng)，加熱爐模型有如下特點(diǎn)：系統(tǒng)多輸入多輸出：具有空氣、燃料12路輸入、溫度6路輸出。強(qiáng)互耦：加熱爐下游環(huán)節(jié)受上游環(huán)節(jié)的影響，例如：加熱爐預(yù)熱段在理論上受其他各段的影響，因?yàn)槠渌鞫蔚娜紵龔U氣都要從本段排出。典型的非線性：加熱爐系統(tǒng)具有眾多的典型非線性環(huán)節(jié)，例如各閥門特性、閥門到噴嘴的之間的燃料、空氣流動(dòng)引起的純滯后、閥門噴嘴到熱電偶純滯后等。多種強(qiáng)干擾：火焰形狀不確定，飄忽不定的火焰對(duì)于熱電偶溫度測量是一種隨機(jī)干擾，造成各段測量溫度振蕩劇烈。加熱爐裝鋼、抽鋼也是一種有色噪聲干擾。各種模型的計(jì)算誤差：加熱爐內(nèi)所能測量的只有各段局部點(diǎn)溫度，加熱爐其他點(diǎn)的溫度均依靠模型計(jì)算得到；加熱爐內(nèi)各段均有多塊板坯，各板坯溫度依靠模型計(jì)算得到，計(jì)算本身有一定的誤差，這些因素造成加熱爐對(duì)象模型一定的誤差。大滯后：加熱爐本身是大滯后系統(tǒng)，滯后量有十幾分鐘。分布參數(shù)：加熱爐各段溫度分布是不均勻的，整個(gè)空間是一個(gè)三維的溫度場，具有明顯的分布參數(shù)特點(diǎn)。時(shí)變系統(tǒng)：加熱爐對(duì)象隨時(shí)間推移，模型參數(shù)、結(jié)構(gòu)均會(huì)發(fā)生一定的變化，造成這種變化的原因是多方面的，例如：爐體不同的溫度、不同的板坯、非線性等，均影響系統(tǒng)的模型結(jié)構(gòu)和參數(shù)。因?yàn)榧訜釥t對(duì)象有如此眾多的非線性、干擾、耦合等因素，加熱爐對(duì)象建模是一項(xiàng)非常困難的事。遺傳算法建模原理采用遺傳算法來建立常微分方程組建模的困難模型結(jié)構(gòu)形式難以選擇；即使是模型結(jié)構(gòu)確定之后，由于其參數(shù)選取不當(dāng)，仍會(huì)導(dǎo)致所建立的系統(tǒng)不穩(wěn)定。以傳統(tǒng)的設(shè)計(jì)方法為基礎(chǔ)，提出應(yīng)用遺傳算法優(yōu)化模型結(jié)構(gòu)，并且在遺傳建模的每一代采用遺傳算法優(yōu)化模型參數(shù)，進(jìn)而與數(shù)據(jù)的預(yù)處理、模型的簡潔化和規(guī)范化、系統(tǒng)的預(yù)測等輔助步驟相結(jié)合可實(shí)現(xiàn)常微分方程組的建模。利用遺傳算法可實(shí)現(xiàn)動(dòng)態(tài)系統(tǒng)的常微分方程組建模過程自動(dòng)化，該算法能在合理運(yùn)行時(shí)間內(nèi)由計(jì)算機(jī)自動(dòng)發(fā)現(xiàn)多個(gè)較優(yōu)的常微分方程組模型，和現(xiàn)有的建模方法（如灰色系統(tǒng)方法）相比較，它具有建模過程智能化與自動(dòng)化、模型結(jié)構(gòu)更加靈活多樣、方法適用性更廣、數(shù)據(jù)擬合和預(yù)測的精度更高等優(yōu)點(diǎn)。加熱爐對(duì)象的遺傳算法建模通過所采集的現(xiàn)場數(shù)據(jù)，并定義模型變量、模型結(jié)構(gòu)，通過大量加熱爐遺傳算法建模實(shí)驗(yàn)來尋找模型輸入、輸出之間的關(guān)系。模型變量包括模型輸入、輸出變量。模型輸入變量x1預(yù)熱帶上部燃?xì)饬髁縳2預(yù)熱帶下部燃?xì)饬髁縳3加熱帶上部燃?xì)饬髁縳4加熱帶下部燃?xì)饬髁縳5均熱帶上部燃?xì)饬髁縳6均熱帶下部燃?xì)饬髁縳7預(yù)熱帶板坯吸熱能力x8加熱帶板坯吸熱能力x9均熱帶板坯吸熱能力y1(t-1)前一時(shí)刻預(yù)熱帶上部溫度y2(t-1)前一時(shí)刻預(yù)熱帶下部溫度y3(t-1)前一時(shí)刻加熱帶上部溫度y4(t-1)前一時(shí)刻加熱帶下部溫度y5(t-1)前一時(shí)刻均熱帶上部溫度y6(t-1)前一時(shí)刻均熱帶下部溫度模型輸出變量y1(t)當(dāng)前時(shí)刻預(yù)熱帶上部溫度y2(t)當(dāng)前時(shí)刻預(yù)熱帶下部溫度y3(t)當(dāng)前時(shí)刻加熱帶上部溫度y4(t)當(dāng)前時(shí)刻加熱帶下部溫度y5(t)當(dāng)前時(shí)刻均熱帶上部溫度y6(t)當(dāng)前時(shí)刻均熱帶下部溫度假設(shè)模型結(jié)構(gòu)y1(t)=f1(x1,x2,x3,x4,x5,x6,x7,x8,x9,y1(t-1),y2(t-1),y3(t-1),y4(t-1),y5(t-1),y6(t-1))y2(t)=f2(x1,x2,x3,x4,x5,x6,x7,x8,x9,y1(t-1),y2(t-1),y3(t-1),y4(t-1),y5(t-1),y6(t-1))y3(t)=f3(x3,x4,x5,x6,x8,x9,y3(t-1),y4(t-1),y5(t-1),y6(t-1))y4(t)=f4(x3,x4,x5,x6,x8,x9,y3(t-1),y4(t-1),y5(t-1),y6(t-1))y5(t)=f5(x5,x6,x9,y5(t-1),y6(t-1))y6(t)=f6(x5,x6,x9,y5(t-1),y6(t-1))遺傳算法建模實(shí)驗(yàn)及仿真驗(yàn)證取前800組數(shù)據(jù)進(jìn)行遺傳算法建模，得到模型后再對(duì)后600組數(shù)據(jù)進(jìn)行預(yù)測，考察模型的外推性。得到的建模效果用擬合誤差和預(yù)測誤差來度量。所建模型如下：1、預(yù)熱帶上部溫度模型結(jié)構(gòu)：y1(i,1)=1000*((18.805/(((x8(i,1)+(-15.553))*(x1(i,1)-(-16.187)))-((-48.623)-(x1(i,1)*(-19.890)))))+1.225413)；預(yù)熱帶上部溫度仿真遺傳算法建模實(shí)驗(yàn)及仿真驗(yàn)證2、預(yù)熱帶下部溫度模型結(jié)構(gòu)：y2(i,1)=1000*(((((x8(i,1)/(-2.059))-(13.495-x3(i,1)))/6.558)/13.908)+1.225992)；3、加熱帶上部溫度模型結(jié)構(gòu)：y3(i,1)=1000*((((5.680-x4(i,1))+(-6.282))/((x8(i,1)*2.000)*(-12.904)))+1.226543)；預(yù)熱帶下部溫度仿真加熱帶上部溫度仿真遺傳算法建模實(shí)驗(yàn)及仿真驗(yàn)證4、加熱帶下部溫度模型結(jié)構(gòu)：y4(i,1)=1000*((((x3(i,1)-0.159)*((y3(i-1,1)-1.226543)/x9(i,1)))/((x5(i,1)/x4(i,1))+(1.847-(y5(i-1,1)-1.227660))))+1.227092)；5、均熱帶上部溫度模型結(jié)構(gòu)：y5(i,1)=1000*((((y6(i-1,1)-1.228157)*(y6(i-1,1)-1.228157))*(x5(i,1)*x6(i,1)))+1.227660)；加熱帶下部溫度仿真均熱帶上部溫度仿真遺傳算法建模實(shí)驗(yàn)及仿真驗(yàn)證6、均熱帶下部溫度模型結(jié)構(gòu)：y6(i,1)=1000*(((-0.044)/(x5(i,1)+0.254))+1.228157)；均熱帶下部溫度仿真結(jié)論利用遺傳算法建立加熱爐對(duì)象模型是一種探索性的研究，遺傳算法本身是一種發(fā)展中的技術(shù)?？梢钥闯觯哼z傳算法建模適用的范圍廣，建模具有一定的精度，是一種很有前途的技術(shù)。另外，目前遺傳算法建模發(fā)展還不是很成熟，建模過程中存在模型結(jié)構(gòu)不確定、模型難解釋等問題。主要內(nèi)容遺傳算法的基本原理8.18.28.3遺傳算法在加熱爐控制系統(tǒng)建模中的應(yīng)用遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用8.4遺傳算法在神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)中的應(yīng)用8.5其他現(xiàn)代優(yōu)化方法遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用在工業(yè)過程控制中存在著大量復(fù)雜的不確定系統(tǒng)，而人們對(duì)控制性能的要求卻不斷提高。傳統(tǒng)的控制理論是依靠精確的數(shù)學(xué)模型來實(shí)現(xiàn)對(duì)控制系統(tǒng)的設(shè)計(jì)的，因此常常不能得到理想的控制效果。模糊控制中，控制量的大小僅決定于系統(tǒng)的狀態(tài)，而與模型無關(guān)，因此也就成了人們研究的熱點(diǎn)。隸屬度函數(shù)的細(xì)化及比例因子的選擇在模糊控制中是一個(gè)很關(guān)鍵的因素。在基于合成推理方法的設(shè)計(jì)中，近年來人們提出了基于BP算法的多層前饋人工神經(jīng)網(wǎng)絡(luò)來記憶和優(yōu)化模糊推理規(guī)則，得到了很好的效果。但是當(dāng)目標(biāo)函數(shù)不可微時(shí)便無法用BP算法實(shí)現(xiàn)隸屬度函數(shù)的細(xì)化和比例因子的尋優(yōu)，而GA是用適應(yīng)度函數(shù)來進(jìn)行評(píng)價(jià)的，它不要求適應(yīng)度函數(shù)的可微性，因此可以用來進(jìn)行模糊控制器的設(shè)計(jì)。遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用

遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用

ENBNMNSZEPSPMPBECNBNBNBNMNMNSNSNENMNBNMNMNSNSZEPSNSNMNMNSNSZEPSPSZENMNSNSZEPSPSPMPSNSNSZEPSPSPMPMPMNSZEPSPSPMPMPBPBZEPSPSPMPMPBPB本控制器所采用的模糊控制規(guī)則模糊控制規(guī)則的基本思想是：若當(dāng)前輸出誤差為負(fù)且仍向負(fù)的方向發(fā)展時(shí)，則減小控制量；若當(dāng)前輸出誤差為正且仍向正的方向發(fā)展時(shí)，則增加控制量。根據(jù)誤差及誤差變化的不同，分別進(jìn)行不同的修正。遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用遺傳算法設(shè)置： N1=10，N3=30，Pc=0.9，Pm=0.001，采用二進(jìn)制編碼和單點(diǎn)交換法。依遺傳算法的原理，進(jìn)行以下幾個(gè)方面的改進(jìn)和特殊處理對(duì)解進(jìn)行編碼

遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用對(duì)解進(jìn)行尋優(yōu)按下面的方法對(duì)GA進(jìn)行改進(jìn)并設(shè)計(jì)模糊控制器：（1)用初始解構(gòu)成一條染色體，然后對(duì)這條染色體的參數(shù)加或減很小的隨機(jī)數(shù)，產(chǎn)生N1條染色體，分別以其作為解構(gòu)造模糊控制器應(yīng)用到系統(tǒng)中。選擇某一穩(wěn)定時(shí)刻T，計(jì)算各自輸出誤差ei，對(duì)每條染色體定義一個(gè)表示其“壽命”的變量age，并賦予初始值1。（2)根據(jù)每個(gè)解的誤差，分別計(jì)算其適應(yīng)度函數(shù)fi，定義fi=1/(ei-a*emin)，其中，a為0.8～0.9，emin為N1個(gè)解中的最小誤差。設(shè)每個(gè)解應(yīng)復(fù)制的數(shù)目為ni，這樣定義適應(yīng)度函數(shù)，能保證當(dāng)染色體群集表示的解構(gòu)成的模糊控制器，其輸出誤差變化比較小時(shí)，它們的適應(yīng)度值都有比較大的差異，以利于性能較優(yōu)的染色體有更多的復(fù)制機(jī)會(huì)。（3)產(chǎn)生新的染色體以交換概率Pc，從N2條染色體中隨機(jī)地選擇兩條染色體進(jìn)行交換操作；以變異概率Pm，隨機(jī)地選擇一條染色體進(jìn)行變異，即隨機(jī)地對(duì)某個(gè)基因位求反。反復(fù)進(jìn)行，直到產(chǎn)生的染色體數(shù)目為N3。（4)將上一代性能最好的一個(gè)，加入到N3中去，形成N3+1條染色體，對(duì)新的染色體集進(jìn)行評(píng)價(jià)，若有滿足問題的解，則結(jié)束；否則，計(jì)算各自的適應(yīng)度值fi。為防止“近親繁殖”而出現(xiàn)退化或早熟的現(xiàn)象，對(duì)于兩個(gè)很“相似”的染色體（兩個(gè)解向量之間的空間距離很?。?，僅保留適應(yīng)度值大的一個(gè)。經(jīng)過這樣的選擇，若剩余的染色體少于N1，則按1)的方法，產(chǎn)生新的染色體；否則，保留性能最優(yōu)的N1個(gè)作為新的一代。（5)保存群體中性能最優(yōu)的解，并對(duì)最優(yōu)解的age進(jìn)行加1操作。加1后如果其值大于10，則把它作為局部最優(yōu)解從染色體群中刪去，以加快系統(tǒng)的收斂速度。（6)達(dá)到一定數(shù)目代的進(jìn)化，則結(jié)束；否則，返回到2)繼續(xù)。遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用通過給定系統(tǒng)的E，EC，△U語言值隸屬度函數(shù)初始狀態(tài)，其中：eq=kee，ecq=kec，△u=△u/k。初始狀態(tài)相應(yīng)的比例因子選擇為：ke=3，kec=20，ku=105。對(duì)式(8-12)描述的模型進(jìn)行仿真，經(jīng)過100代，選擇輸出誤差最小的解，用它構(gòu)造模糊控制器，得到相應(yīng)的隸屬度函數(shù)曲線，取比例因子為：ke=3.1143，kec=19.8539，ku=0.2670。從得出的系統(tǒng)對(duì)于單位階躍函數(shù)的響應(yīng)特性可得出結(jié)論如下：采用改進(jìn)的GA設(shè)計(jì)的模糊控制器比傳統(tǒng)方法設(shè)計(jì)的控制器上升時(shí)間要小一個(gè)數(shù)量級(jí)。對(duì)式(8-13)描述的模型進(jìn)行仿真，經(jīng)過100代，選擇輸出誤差最小的解，用它構(gòu)造模糊控制器，得到相應(yīng)的隸屬度函數(shù)曲線，取比例因子為：ke=218496，kec=2015260，ku=010613，通過數(shù)字仿真可以得到結(jié)論如下：采用改進(jìn)的GA設(shè)計(jì)的模糊控制器比傳統(tǒng)方法設(shè)計(jì)的控制器的超調(diào)量要小，調(diào)節(jié)時(shí)間也要小。將遺傳算法應(yīng)用到模糊控制器的設(shè)計(jì)中可使系統(tǒng)具有良好的動(dòng)態(tài)品質(zhì)。由于遺傳算法處理的是字符串，因此非常適合于模糊控制規(guī)則的自校正和量化因子的尋優(yōu)，克服了在傳統(tǒng)設(shè)計(jì)中僅僅依靠操作者的經(jīng)驗(yàn)或?qū)I(yè)人員的理論知識(shí)，造成設(shè)計(jì)過程不僅費(fèi)時(shí)而且設(shè)計(jì)的控制器缺乏適應(yīng)性這一缺陷。主要內(nèi)容遺傳算法的基本原理8.18.28.3遺傳算法在加熱爐控制系統(tǒng)建模中的應(yīng)用遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用8.4遺傳算法在神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)中的應(yīng)用8.5其他現(xiàn)代優(yōu)化方法遺傳算法在神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)中的應(yīng)用神經(jīng)網(wǎng)絡(luò)為什么需要遺傳算法遺傳算法適用于ANN結(jié)構(gòu)設(shè)計(jì)。描述一個(gè)ANN模型結(jié)構(gòu)的主要參數(shù)有：網(wǎng)絡(luò)層數(shù)、每層單元數(shù)、單元間的互聯(lián)方式等。ANN結(jié)構(gòu)設(shè)計(jì)問題歸結(jié)于根據(jù)某個(gè)性能評(píng)價(jià)準(zhǔn)則確定適合于解決某個(gè)問題或某類問題的參數(shù)的組合。當(dāng)待解決的問題比較復(fù)雜時(shí)，設(shè)計(jì)缺乏通用規(guī)則，缺乏有效的理論分析技術(shù)優(yōu)化網(wǎng)絡(luò)的性能。遺傳算法以啟發(fā)式的思想提供了有效的解決途徑。遺傳算法適用于ANN網(wǎng)絡(luò)權(quán)重的學(xué)習(xí)。評(píng)價(jià)一個(gè)學(xué)習(xí)算法的標(biāo)準(zhǔn)是：簡單性、可塑性和有效性。遺傳算法具有魯棒性強(qiáng)、隨機(jī)性、全局性以及適于并行處理的優(yōu)點(diǎn)，能夠取代一些傳統(tǒng)的學(xué)習(xí)算法，利用GA的尋優(yōu)能力來獲取最佳聯(lián)接權(quán)值。遺傳算法在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用網(wǎng)絡(luò)的學(xué)習(xí)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)1．遺傳算法在網(wǎng)絡(luò)學(xué)習(xí)中的應(yīng)用遺傳算法在兩個(gè)方面起作用：(1)學(xué)習(xí)規(guī)則的優(yōu)化。用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則實(shí)現(xiàn)自動(dòng)優(yōu)化，從而提高學(xué)習(xí)速率。(2)網(wǎng)絡(luò)權(quán)系數(shù)的優(yōu)化。用遺傳算法的全局優(yōu)化及隱含并行性的特點(diǎn)提高權(quán)系數(shù)優(yōu)化速度。遺傳算法在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用主要反映在3個(gè)方面遺傳算法在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用網(wǎng)絡(luò)的學(xué)習(xí)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)2．遺傳算法在網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)中的應(yīng)用用遺傳算法設(shè)計(jì)一個(gè)優(yōu)秀的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，首先是要解決網(wǎng)絡(luò)結(jié)構(gòu)的編碼問題；然后才能以選擇、交叉、變異操作得出最優(yōu)結(jié)構(gòu)。主要有下列3種：(1)直接編碼法。這是把神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)直接用二進(jìn)制串表示，在遺傳算法中，“染色體”實(shí)質(zhì)上和神經(jīng)網(wǎng)絡(luò)是一種映射關(guān)系。通過對(duì)“染色體”的優(yōu)化就實(shí)現(xiàn)了對(duì)網(wǎng)絡(luò)的優(yōu)化。(2)參數(shù)化編碼法。參數(shù)化編碼采用的編碼較為抽象，編碼包括網(wǎng)絡(luò)層數(shù)、每層神經(jīng)元數(shù)、各層互聯(lián)方式等信息。一般對(duì)進(jìn)化后的優(yōu)化“染色體”進(jìn)行分析，然后產(chǎn)生網(wǎng)絡(luò)的結(jié)構(gòu)。(3)繁衍生長法。這種方法不是在“染色體”中直接編碼神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，而是把一些簡單的生長語法規(guī)則編碼入“染色體”中；然后，由遺傳算法對(duì)這些生長語法規(guī)則不斷進(jìn)行改變，最后生成適合所解的問題的神經(jīng)網(wǎng)絡(luò)。這種方法與自然界生物地生長進(jìn)化相一致。遺傳算法在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用主要反映在3個(gè)方面主要內(nèi)容遺傳算法的基本原理8.18.28.3遺傳算法在加熱爐控制系統(tǒng)建模中的應(yīng)用遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用8.4遺傳算法在神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)中的應(yīng)用8.5其他現(xiàn)代優(yōu)化方法其他現(xiàn)代優(yōu)化方法現(xiàn)代優(yōu)化算法主要包括蟻群算法、禁忌搜索算法等。由于這些算法在求解時(shí)不依賴于梯度信息，因而特別適用于傳統(tǒng)方法解決不了的大規(guī)模復(fù)雜問題。

蟻群算法基本思想1蟻群算法

蟻群算法是意大利